通过强化学习自动设计和优化基于MRI的神经化学传感器
Zulaikha Ali1, Aaron Asparin1, Yunfei Zhang1
1Department of Chemistry and Biochemistry, California State University Fresno, 2555 E San Ramon Ave, Fresno, CA, 93740, USA.
Discover nano
|September 1, 2025
概括
这项研究引入了一种使用强化学习优化磁共振成像 (MRI) 纳米传感器检测和多巴胺等神经化学物质的新型计算模型,从而提高诊断能力.
科学领域:
- 生物医学工程
- 纳米技术
- 计算神经科学
背景情况:
- 磁共振成像 (MRI) 对于医学诊断至关重要,每年有超过1亿次手术.
- 基于MRI的纳米传感器,特别是含有蛋白质的超偏磁铁氧化物纳米粒子 (SPIONs),对神经化学传感有希望.
- 目前的SPION蛋白传感器需要增强的信号和响应率来检测微妙的神经活动相关的神经化学波动.
研究的目的:
- 开发基于强化学习的先进计算模型,以优化基于MRI的纳米传感器设计.
- 将传感器设计视为最佳决策问题,将传感器性能最大化作为加权奖励目标.
- 为了阐明影响MRI对比变化的SPIONs和蛋白质的构造变化,以应对神经化学物质.
主要方法:
- 使用强化学习计算模型自主调整SPION和蛋白质配置和磁矩.
- 将传感器设计视为一个决策过程,通过加权奖励函数优化传感器性能.
- 使用传输电子显微镜 (TEM) 和MR放松计进行实验性体外验证.
主要成果:
- 该模型阐明了与和多巴胺相关的T2对比度增加的传感器形状变化.
- 机器学习算法确定了SPION蛋白传感器的最佳结构参数.
- 实验验证证了预测的最佳SPION直径:的9nm和多巴胺的11nm.
结论:
- 开发的平台可以实现基于MRI的改进神经化学传感器的多功能建模和自主设计.
- 结果提供了有关在操作条件下传感器行为的见解,这对于体外诊断至关重要.
- 这种方法为优化MRI传感器尺寸和几何形状提供了路线图,以提高神经化学检测.
