Détection chirale de biomolécules basée sur l’apprentissage par renforcement

En tant que l’une des propriétés physiques de base, la chiralité joue un rôle important dans de nombreux domaines. Surtout en chimie biomédicale, la discrimination des énantiomères est un sujet de recherche très important. La plupart des biomolécules présentent une faible chiralité dans la bande ultraviolette, de sorte que la détection chirale optique directe est très difficile.

Il est rapporté que les plasmons de surface améliorent le dichroïsme circulaire biomoléculaire. L’effet de couplage de la nanostructure métallique et des biomolécules est considéré comme la base de la détection chirale. Trouver des nanostructures appropriées est crucial pour obtenir une détection sensible. En raison de la complexité du modèle de couplage, il est difficile de faire une analyse quantitative et de concevoir des nanostructures.

En tant que l’un des principaux algorithmes d’intelligence artificielle, l’apprentissage par renforcement s’inspire de la psychologie comportementale, qui s’intéresse à la manière dont les agents logiciels doivent agir dans un environnement pour maximiser une certaine notion de récompense cumulative. L’implication de l’apprentissage automatique contribue de manière significative au développement nanophotonique. Des algorithmes intelligents fournissent diverses boîtes à outils d’optimisation pour accélérer le prototypage d’un dispositif photonique avec des performances améliorées.

Le groupe de recherche du professeur Zheyu Fang de l’Université de Pékin a présenté une plate-forme de conception de nanostructures basée sur l’apprentissage par renforcement et la manipulation des propriétés optiques. Lorsque des biomolécules s’approchent de nanostructures métalliques, leur effet de couplage module le spectre de dichroïsme circulaire et provoque un décalage de la fréquence de résonance. L’algorithme a proposé avec succès des nanostructures avec un spectre de dichroïsme circulaire à facteur de qualité élevé qui accentuait le décalage de fréquence. La technologie microfluidique est impliquée pour obtenir une discrimination dynamique chirale très sensible des énantiomères de glucose. Cette méthode fournit un exemple pour la combinaison de l’intelligence artificielle et de la détection optique.

Comparé à l’apprentissage supervisé, l’apprentissage par renforcement réduit considérablement les ressources de calcul consommées par la simulation. Des simulations électromagnétiques suffisantes sont la base d’un apprentissage supervisé pour prédire avec précision la réponse optique de diverses nanostructures métalliques. L’ensemble d’apprentissage des réseaux de neurones doit contenir toutes les configurations, dont la plupart possèdent peu de chiralité. La simulation de nanostructures achirales n’a aucun sens pour une optimisation ultime. Au contraire, l’exploration des paramètres de l’apprentissage par renforcement est simultanée avec l’entraînement du modèle. Après plusieurs cycles de recherche, la plage d’exploration est limitée dans les nanostructures chirales, de sorte que l’algorithme ne gaspille pas de ressources de calcul sur les nanostructures achirales.

Des nanostructures métalliques sont fabriquées au bas de la puce microfluidique, et la chiralité de la solution d’échantillon est surveillée en continu grâce à l’observation en temps réel des décalages spectraux. Contrairement aux méthodes biochimiques traditionnelles, cette détection réalise une discrimination chirale sans réaction chimique. En raison de sa faible demande d’échantillons et de sa faible destructivité, la méthode a une grande valeur d’application et le potentiel de réaliser une détection chirale sensible pour diverses macromolécules biologiques.

L’article est publié dans la revue Science opto-électronique.