Intelligenza Artificiale e Spettri FTIR: Sveliamo i Segreti del Peso Molecolare dei Biopolimeri!

Amici scienziati e curiosi di innovazione, mettetevi comodi perché oggi vi porto in un viaggio affascinante nel mondo dei poliesteri microbici e di come l’intelligenza artificiale (IA) stia rivoluzionando il modo in cui li studiamo. Parliamo di materiali super promettenti, prodotti da batteri (sì, avete capito bene!) e con il potenziale di sostituire le plastiche derivate dal petrolio. Un passo enorme verso un’economia più circolare e sostenibile, non trovate?

La Sfida: Conoscere il Peso Molecolare

Ora, quando si lavora con i polimeri, una delle caratteristiche cruciali da conoscere è il loro peso molecolare medio. Pensatelo un po’ come la “taglia” delle catene polimeriche: influenza direttamente le proprietà meccaniche del materiale, come la sua resistenza o flessibilità. Se vogliamo che questi biopolimeri siano davvero performanti e competitivi, dobbiamo essere in grado di misurare questo parametro in modo accurato.

Tradizionalmente, per farlo si usa una tecnica chiamata cromatografia ad esclusione dimensionale (SEC), spesso accoppiata a detector sofisticati. È un metodo valido, certo, ma diciamocelo: richiede strumentazione costosa e una preparazione dei campioni che può essere laboriosa. E se vi dicessi che abbiamo trovato un modo più smart, veloce ed economico per ottenere queste informazioni?

L’Idea Geniale: FTIR e Reti Neurali al Servizio della Scienza

Qui entra in gioco la nostra proposta: utilizzare la spettroscopia infrarossa a trasformata di Fourier (FTIR). La FTIR è una tecnica relativamente rapida, non distruttiva e, soprattutto, genera una marea di dati sotto forma di spettri. Questi spettri sono come delle “impronte digitali” molecolari: ogni gruppo chimico nel polimero assorbe la luce infrarossa a specifiche lunghezze d’onda, creando un pattern unico.

L’intuizione è che l’effetto dei gruppi terminali delle catene polimeriche sullo spettro FTIR è influenzato dal peso molecolare medio del polimero. Più corte sono le catene, maggiore sarà la proporzione di questi gruppi terminali rispetto al “corpo” della catena. Questa informazione quantitativa è proprio lì, nascosta negli spettri! E quale strumento migliore per analizzare grandi quantità di dati e scovare correlazioni complesse se non un algoritmo di machine learning, come una rete neurale artificiale (ANN)?

Il “Trucco”: i Rapporti di Assorbanza e la Selezione delle Feature

Usare gli spettri FTIR direttamente come input per una rete neurale potrebbe però portare a qualche problemino. Ad esempio, piccole variazioni nella preparazione del campione (come lo spessore del film polimerico analizzato) potrebbero falsare i risultati. Per aggirare questo ostacolo, abbiamo pensato a una soluzione elegante: invece di usare i valori di assorbanza assoluti, abbiamo deciso di utilizzare i rapporti tra le assorbanze a diverse lunghezze d’onda. Questo approccio rende il modello molto più robusto e affidabile, un po’ come usare uno standard interno generalizzato.

Ma non è finita qui! Uno spettro FTIR contiene un’infinità di punti. Dare in pasto alla rete neurale l’intero spettro sarebbe inefficiente e potrebbe portare a scarse prestazioni. È fondamentale selezionare solo le variabili (in questo caso, i rapporti di assorbanza) che sono realmente correlate con il peso molecolare. Per questo, abbiamo sviluppato un nuovo metodo di selezione delle feature. Questo metodo ci aiuta a identificare le regioni dei rapporti di assorbanza più adatte a fungere da input per la nostra rete neurale. In pratica, cerchiamo le combinazioni di picchi la cui ratio varia in modo significativo al variare del peso molecolare.

Abbiamo considerato il coefficiente di correlazione di Spearman (che gestisce bene le non linearità, a differenza di quello di Pearson) e la pendenza delle curve di regressione tra i rapporti di assorbanza e il peso molecolare. Moltiplicando questi due valori, otteniamo un “indicatore di idoneità” che ci dice quanto un particolare rapporto di assorbanza sia buono per il nostro modello. Solo i rapporti che superano una certa soglia vengono selezionati.

Mettiamoci all’Opera: il Caso del PHB

Per dimostrare la validità del nostro approccio, abbiamo lavorato con un poliestere microbico molto conosciuto: il poli(3-idrossibutirrato), o PHB. Questo biopolimero è sintetizzato naturalmente da diversi ceppi batterici. Abbiamo preso del PHB commerciale e, attraverso un processo chiamato alcolisi catalizzata da acido, abbiamo generato una serie di campioni con pesi molecolari diversi. Questi campioni sono stati poi caratterizzati con la tecnica SEC tradizionale (per avere i valori di riferimento del peso molecolare) e, ovviamente, con la spettroscopia FTIR.

Abbiamo raccolto gli spettri FTIR per ogni campione, calcolato tutti i possibili rapporti di assorbanza nella regione spettrale di interesse (800-1800 cm^-1, escludendo le zone con segnale troppo basso) e applicato il nostro metodo di selezione delle feature. Alla fine, abbiamo identificato 148 rapporti di assorbanza particolarmente promettenti.

Costruire e Allenare il “Cervello” Artificiale

Questi 148 rapporti sono diventati gli input per la nostra rete neurale artificiale. Abbiamo progettato una rete relativamente semplice: uno strato di input con 148 neuroni (uno per ogni rapporto selezionato), uno strato nascosto con un piccolo numero di neuroni (3-5 sono sufficienti, per evitare il rischio di sovra-parametrizzazione, dato che le correlazioni non sono estremamente complesse) e uno strato di output con un singolo neurone, che fornisce la stima del peso molecolare medio.

Per l’allenamento della rete, abbiamo utilizzato l’algoritmo di Levenberg-Marquardt, una scelta robusta per questo tipo di problemi. È fondamentale, come in ogni modello di machine learning, avere un buon set di dati di addestramento. La spettroscopia FTIR, essendo rapida, ci permette di generarne in abbondanza. Abbiamo diviso i nostri dati: l’80% per l’addestramento della rete e il restante 20% per la validazione, per assicurarci che il modello non stesse semplicemente “imparando a memoria” i dati di training ma fosse in grado di generalizzare.

I Risultati: Promesse Mantenute?

Ebbene sì! I risultati sono stati molto incoraggianti. Confrontando i valori di peso molecolare predetti dalla nostra rete neurale con quelli misurati tramite SEC, abbiamo osservato un’ottima accuratezza, specialmente per pesi molecolari inferiori a 200 kDa. Questa è una notizia fantastica, perché la maggior parte dei poliesteri microbici prodotti da ceppi batterici non geneticamente modificati rientra proprio in questo range, che è anche quello di maggiore interesse industriale.

Certo, sopra i 200 kDa l’accuratezza del modello tende a diminuire. Questo è probabilmente dovuto al fatto che la correlazione tra i rapporti di assorbanza e il peso molecolare tende a “saturare” a valori elevati: piccole variazioni nei rapporti corrispondono a grandi variazioni nel peso molecolare, rendendo la stima più difficile. Ma, come detto, per le applicazioni più comuni, il nostro metodo si è dimostrato affidabile.

Non Solo PHB: Orizzonti Futuri

La bellezza di questo approccio computazionale è che, sebbene lo abbiamo testato e validato con il PHB, il concetto di base può essere esteso ad altri tipi di polimeri. Immaginate le possibilità: un metodo rapido, economico e affidabile per caratterizzare una vasta gamma di materiali polimerici, accelerando la ricerca e lo sviluppo di nuove soluzioni sostenibili.

Abbiamo anche fornito una guida passo-passo per chi volesse sviluppare modelli simili, con l’obiettivo di facilitare una più ampia applicazione di questa metodologia. Credo fermamente che la combinazione di tecniche analitiche consolidate come la FTIR con la potenza dell’intelligenza artificiale apra scenari incredibilmente promettenti per la scienza dei materiali.

In conclusione, il nostro lavoro dimostra che è possibile stimare il peso molecolare medio dei poliesteri microbici utilizzando i dati FTIR come input per modelli di machine learning. L’uso dei rapporti di assorbanza e un’attenta selezione delle feature sono la chiave per ottenere modelli robusti e accurati. È un piccolo passo, forse, ma che si inserisce in quel grande cammino verso una chimica e un’industria più verdi e intelligenti. E io sono entusiasta di farne parte!

Fonte: Springer