Создание управляемой машинным обучением аналитической инструментальной платформы для комплексной характеризации нанофармпрепаратов: водные дисперсии оксида графенаНИР

Developing a machine learning-guided analytical instrumentation platform for comprehensive nanopharmaceuticals characterization: aqueous graphene oxide dispersions

Источник финансирования НИР

грант РНФ

Этапы НИР

# Сроки Название
1 12 июля 2024 г.-30 июня 2025 г. Создание управляемой машинным обучением аналитической инструментальной платформы для комплексной характеризации нанофармпрепаратов: водные дисперсии оксида графена
Результаты этапа: Все запланированные научные результаты выполнены в полном объеме. Кратко их можно разделить на несколько тематических блоков. 1. Получение стабильных, высококонцентрированных дисперсий. В ходе работ в рамках первого года получено более 50 образцов водных дисперсий оксидов графена. Преимущественный тип образцов — по методу Хаммерса, а также образцы допированные гетероатомами (азотом, серой, фосфором). Все образцы проходили предварительную стадию очистки от загрязнителей, которые там получаются в процессе синтеза или дополнительной постобработки. (а) первичные загрязнители: окислительный мусор и примеси переходных металлов — продукты трансформации окислителей синтеза. (б) вторичные окислители, которые попадают в дисперсию, например, после дополнительно обработки ультразвуковыми зондами, которые деградируют из-за высокомощного звукового потока. Мы предложили вариант полуавтоматической очистки дисперсий включающий в себя применение программируемых перистальтических насосов, дозирующих реагенты очистки и отмыва. Модуль полуавтоматической очистки включает в себя: (1) реагенты для проведения очистки и последующего отмыва дисперсий — рассмотрено применение индивидуальных реагентов: пероксида водорода, ЭДТА и их комбинаций (2) блок диализных мешков в широком диапазоне отсечек по моелкулярной массе от 0.5 кДа (для удаления незначительного количества низкомолекулярных примесей) до 14 кДа, обеспечивающей более глубокую очистку от высококисленных низкомолекулярных побочных продуктов оксида графена. (3) блок онлайн мониторинга аналитических сигналов процесса очистки — кондуктометрический, электрохимический, оптический (как в режиме спектрофотометра, так и в режиме фотометра), а также блок ручного отбора реагентов. Стабильность и воспроизводимость результатов не ухудшалась в течение периода проведения эксперимента. Продолжительность очистки в среднем лежала во временном интервале от 7 до 16 дней. 2. Использование арсенала методов аналитической химии для оценки качества полученных продуктов очистки водных дисперсий оксида графена. Методы анализа включали применение общепринятых методов анализа порошков (исходные прекурсоры для получения водных дисперсий): порошковой дифрактометрии — для оценки степени превращения графита в оксид графена (появление характеристических рефлексов в области малых углов 10-12 2teta), метода рентгеновской-фотоэлектронной спектроскопии (РФЭС) для оценки соотношения С:О, показывающее степень окисленности исследуемого материла (все полученные образцы в работе имели величину С:О в диапазоне от 2.5 до 4.0). Мы предложили обязательную стадию проверки микропримесного состава, которая потенциально оказывает влияние на поведение разрабатываемых нанофармпрепартов. С помощью метода атомно-эмиссионной спектроскопии с индуктивно связанной плазмой (как многоэлементного метода анализа) для минимальных масс навесок получено, что образцы коммерческих препаратов оксидов графена могут содержать до 0.5 масс.% примесей. Также предприняты попытки оценки поверхностных активных кислотных центров на очищенных образцах с помощью сорбции ИК-активных зондов. Число активных кислотных центров Брёнстенда-Лоури и Льюиса оценено на уровне не более 5%. В случае анализа водных дисперсий вариации методов зависят от поставленной задачи и включают исследование: (а) коллоидной стабильности, (б) степени чистоты, (г) качественного состав кислородных групп и (д) радикал-перехватывающей активности в контексте исследуемых нанофармпрепаратов. Так как в работе в рамках первого года получено более 50 образцов, а методы анализа разнообразны, то количество информации получаемых от одного объекта весьма велико. Что повлекло за собой применение методов математической статистики, хемометрики и машинного обучения для решения задачи кластеризации данных. Алгоритмы машинного обучения использованы для работы с большой выборкой образцов оксида графена и проведения их кластерного анализа на основе информации из методов молекулярной ИК- и УФ/вид. спектроскопии и динамического рассеяния света (Этот этап работы опубликован в https://doi.org/10.1016/j.diamond.2025.112352). Дополнительно оценивали возможность кластерного анализа в контексте использования методов понижения размерности для изучения возможностей группировки по типу распределения функциональных групп на поверхности ОГ в рамках заданного типа ОГ для общих фракций. 3. В случае оценки про- и антиоксидантной активности изучены ключевые модели активных форм кислорода (супероксид-анион радикал), пероксильных радикалов, а также оценена потенциальная возможность вовлечения ОГ в перекисное окисление липидов и фосфолипидов, активных форм азота (моноксид азота). В рамках работ в первом году разработаны проекты методик хемилюминесцентного определения антиоксидантной активности. Разработанные методики имеют метрологическую обеспеченность в оценке прецизионности результатов, которые будут расширены на все валидационные параметры в рамках второго и третьего годов. Одно из основных достижений в этом пункте связано с тем, что мы разработали методику оценки эффективности нанофракций оксида графена (0.5–14 кДа) в перехвате оксида азота. Мы показали, что скорость этого процесса в 70 раз больше тушения хемилюминесценции (Этот этап работы опубликован в https://www.mdpi.com/1420-3049/30/5/1069). 4. Математическое моделирование профиля хемилюминесцентных кривых позволило оценить эффективные константы процессов в моделях генерации пероксильных радикалов, супероксид-анион радикала, а также моноксида азота. Также уточнены кинетические схемы процессов. Также оно помогает оценить кинетическую антиоксидантную активность оксида графена (динамическую способность к перехвату радикалов). Работы в этом направлении будут продолжены в рамках 2 и 3 годов выполнения проекта после уточнения концентрации «активных групп», что позволит более детально проработать схемы процессов. Результаты проекта освящены на внешнем ресурсе организации (https://istina.msu.ru/projects/673360092/).
2 1 июля 2024 г.-30 июня 2026 г. Создание управляемой машинным обучением аналитической инструментальной платформы для комплексной характеризации нанофармпрепаратов: водные дисперсии оксида графена
Результаты этапа:
3 1 июля 2026 г.-30 июня 2027 г. Создание управляемой машинным обучением аналитической инструментальной платформы для комплексной характеризации нанофармпрепаратов: водные дисперсии оксида графена
Результаты этапа:

Прикрепленные к НИР результаты

Для прикрепления результата сначала выберете тип результата (статьи, книги, ...). После чего введите несколько символов в поле поиска прикрепляемого результата, затем выберете один из предложенных и нажмите кнопку "Добавить".