توسط :
پژوهشگران دانشگاه MIT و دانشگاه دوک با استفاده از مدلهای یادگیری ماشینی موفق به شناسایی مولکولهای پیونددهندهای شدهاند که به کمک آنها میتوان پلیمرهای مقاومتری در برابر پارگی تولید کرد. این تحقیقات میتواند به تولید پلاستیکهای بادوامتر و کاهش زبالههای پلاستیکی منجر شود.
در پژوهشی جدید، محققان توانستند با شناسایی مولکولهای مکانوفور مقاوم در برابر زخم، پلیمرهایی ایجاد کنند که در برابر نیروها مقاومت بیشتری داشته و به راحتی دچار پارگی نمیشوند. مولکولهای شناخته شده به عنوان مکانوفور قادرند در پاسخ به نیرو تغییر شکل دهند یا خواص دیگری از خود نشان دهند. پروفسور Heather Kulik از دانشگاه MIT بیان کرد: این مولکولها میتوانند برای ایجاد پلیمرهای مقاوم در برابر نیرو مفید باشند.
مولکولهای پیونددهندهای که در این مطالعه شناخته شدهاند، ترکیبات آهنداری به نام «فروسنها» هستند که تاکنون به طور گستردهای به عنوان مکانوفور مورد بررسی قرار نگرفته بودند. ارزیابی تجربی هر مکانوفور به تنهایی میتواند زمانبر باشد، اما پژوهشگران نشان دادند که میتوانند با استفاده از مدل یادگیری ماشینی به طور چشمگیری این فرآیند را تسریع کنند. پژوهشگران با استفاده از این روش توانستند مولکولهای فروسن جدیدی را با قدرت مکانوفوری بالا شناسایی کنند.
پژوهشگران ابتدا با اجرای شبیهسازیهای رایانهای برای حدود ۴۰۰ ترکیب، میزان نیروی لازم برای جدا شدن اتمهای هر مولکول را محاسبه کردند. سپس، از این اطلاعات برای آموزش مدلی از یادگیری ماشین استفاده شد که قادر به پیشبینی نیروی لازم برای فعالسازی مکانوفور در بیش از ۱۱۰۰۰ ترکیب بود. ویژگیهایی که در مکانوفورهای موفق مشاهده شد شامل برهمکنشهای شیمیایی بین گروههای روی حلقههای فروسن و حضور مولکولهای بزرگ و حجیم بود که مولکول را در برابر نیروهای اعمالی مستعد شکستن میکرد.
پژوهشگران پس از شناسایی حدود ۱۰۰ کاندیدای مناسب، یک ماده پلیمر جدید ایجاد کردند که از یکی از این مولکولها به نام «m-TMS-Fc» به عنوان پیونددهنده استفاده میکرد. این ماده پلیمر به طور متوسط چهار برابر مقاومتر از پلیمرهای استاندارد با پیونددهندههای فروسن معمولی بود. افزایش مقاومت به طور مستقیم میتواند باعث کاهش تولید زبالههای پلاستیکی و افزایش دوام مواد شود.
نتیجهگیری
این مطالعه نشان میدهد که چگونه میتوان با ترکیب تکنولوژیهای پیشرفته مانند یادگیری ماشین و شیمی، موادی با ویژگیهای بهبود یافته و کاربردهای گسترده تولید کرد. پژوهشگران امیدوارند که بتوانند از رهیافتهای مشابه برای شناسایی مکانوفورهایی با خواص مطلوب دیگر نیز استفاده کنند که میتواند در کاربردهایی مانند حسگرهای نیرو و کاتالیزورهای قابل تبدیل به کار رود.
پرسشهای متداول
پژوهشگران با استفاده از شبیهسازیهای رایانهای و دادههای ساختاری مکانوفورها، مدلی مبتنی بر یادگیری ماشین ایجاد کردند که میتواند مقاومت مکانوفورها در برابر نیروها را پیشبینی کند.
مکانوفورهای جدید میتوانند پلیمرهایی با مقاومت بالاتر و طول عمر بیشتر ایجاد کنند که به نوبه خود میتواند به کاهش زبالههای پلاستیکی کمک کند.
در این مطالعه اصلیاً بر روی فروسنها تمرکز شده، اما محققان قصد دارند مکانوفورهای دیگری را نیز با استفاده از روشهای مشابه شناسایی کنند.
