В растительном сырье содержится масса полезных соединений: катехины, флавоноиды, терпеноиды, нафтодиантроны. Чтобы «упаковать» их в таблетку, биологически активную добавку или компонент функционального питания, данное вещество следует экстрагировать (извлечь) из растительного сырья. Однако существующие технологии не всегда позволяют провести процедуру эффективно. Например, экдистероиды, содержащиеся в травянистом растении левзея, добывают из его подземной части (корня), но у этого представителя флоры есть еще и надземная часть — ботва, откуда тоже можно экстрагировать необходимые соединения. Для этого сырье требуется модифицировать: подогреть, растворить и т.д.
Фото: Результаты работы нейросети с фотографией среза растений. Источник: Алексей Бычков
— Мы получили грант РНФ, чтобы попробовать механохимические методы для интенсификации экстракции, — рассказывает старший научный сотрудник Института химии твердого тела и механохимии СО РАН кандидат химических наук Алексей Леонидович Бычков. — Иными словами, если изменить супрамолекулярную структуру сырья, а еще лучше — провести механохимическую реакцию, целевые вещества станут лучше растворяться и выходить «наружу»: быстрее проникать через частично разрушенные, местами разупорядоченные клеточные стенки.
Эти стенки являются основным препятствием при экстрагировании веществ. Чтобы ускорить диффузию, надо разупорядочить клеточную стенку. Для этого сначала определяется ее плотность, характер супрамолекулярной организации, степень упорядоченности. Самый простой, общепринятый в науке способ — сделать ультратонкий срез алмазным ножом и изучить его с помощью электронного микроскопа, как делают в Институте химической биологии и фундаментальной медицины СО РАН, в лаборатории, возглавляемой Еленой Ивановной Рябчиковой.
— В крайних случаях всё понятно, но для часто возникающих пограничных ситуаций человеческий фактор никто не отменял: один видит на микрофотографии упорядоченную структуру, а другой — разупорядоченную, — добавляет химик. — Здесь нужен бесстрастный инструмент, который давал бы количественную оценку по этому показателю — тогда можно будет сравнивать степени «порядка» в стенке.
Кроме того, необходимо упростить рутинную работу специалистов, анализирующих каждый снимок вручную, ведь машины уже давно способны оперировать большими объемами данных. В этом ученым ИХТТМ СО РАН помогли коллеги из Института систем информатики им. А.П. Ершова СО РАН, предложившие использовать алгоритмы, с помощью которых текстуры на микрофотографиях различались бы друг от друга по какому-то признаку. Специалисты проанализировали 19 различных текстурных признаков и даже привлекли методы, которые обычно применяют для анализа степени хаотичности процессов на рынках. Однако классические способы не справлялись с данной задачей — поэтому ученые обратились к нейросетям.
— Мы задаем нейросети определенные критерии, на основе которых она «раскрашивает» однородные части структуры на микрофотографии, — поясняет заместитель директора по науке ИСИ СО РАН кандидат физико-математических наук Фёдор Александрович Мурзин. — Со временем нейросеть «запомнит», что признаки отображают конкретные химические свойства. Можно будет прогнозировать характеристики — пористость, реакционную способность и другие — на множестве образцов, а потом с помощью алгоритмов машинного обучения получить гипотетические ответы относительно данных характеристик и степени упорядоченности структуры. Обучение используется для упрощенного принятия решений, получения прогнозов — без лабораторных опытов, реактивов и т.д.
В мире существуют аналоги подобных приложений, но они не соответствуют задачам сибирских ученых. Их нейросеть уже безошибочно раскрашивает клеточные стенки, выделяет структурные слои с различным химическим составом, и каждый раз делает это всё точнее. Теперь задача специалистов — выразить представляющие интерес характеристики в количественной степени. После этого можно будет достоверно выявить зависимости между различными параметрами изображений и степенями экстракции, скоростью протекания механохимических процессов и доступностью востребованных компонентов в перерабатываемом сырье.