Ein besseres Verständnis über Mikrogele gewinnen
Wärmeempfindliche Mikrogele haben sich als vielversprechendes neues Material etabliert, das in den unterschiedlichsten Bereichen eingesetzt wird – von der Arzneimittelverabreichung über die medizinische Forschung bis hin zur Kunstrestauration. In der Wissenschaft können diese Gele mithilfe von Computersimulationen modelliert werden, doch lassen sich ihre endgültigen Eigenschaften nach wie vor nicht allein anhand der Ausgangsbestandteile bestimmen. Daher sind nach wie vor zahlreiche Simulationen und Experimente erforderlich. „Die Entwicklung eines Mikrogels mit einer angestrebten inneren Struktur ist nach noch immer mit einem erheblichen Aufwand nach dem Versuch-und-Irrtum-Prinzip gefolgt von einer experimentellen Charakterisierung verbunden“, erklärt Emanuela Zaccarelli(öffnet in neuem Fenster), Forschungsdirektorin am nationalen Forschungsrat – Institut für komplexe Systeme(öffnet in neuem Fenster) und der Sapienza-Universität in Rom(öffnet in neuem Fenster). „Die Vorhersage der Elastizität ist sogar noch anspruchsvoller, da die mechanische Reaktion eines Mikrogels eng mit seiner mikroskopischen Architektur zusammenhängt“, fügt sie hinzu. Mit Unterstützung durch das Marie-Skłodowska-Curie-Maßnahmenprogramm(öffnet in neuem Fenster) (MSCA) verfolgten Zaccarelli und ihr Team unter Projekt MGELS eine neue Methode des maschinellen Lernens, mit der sich die Struktur und die elastischen Eigenschaften eines Mikrogels anhand seiner Bestandteile vorhersagen lassen. Dies hilft in der Forschung nicht nur beim Verständnis der physikalischen Mechanismen, welche die Elastizität bestimmen, sondern könnte langfristig auch ermöglichen, ausgehend von einer angestrebten Eigenschaft rückwärts vorzugehen und das richtige Mikrogel für die Entwicklung zu identifizieren. „Dies wäre für die Entwicklung maßgeschneiderter intelligenter Werkstoffe von Vorteil, die auch für biomedizinische Anwendungen von Nutzen sein könnten“, bemerkt Susana Marín-Aguilar(öffnet in neuem Fenster), postdoktorale MSCA-Stipendiatin an der Sapienza-Universität und leitende Forscherin im MGELS-Projekt.
Ein Framework für maschinelles Lernen zur Identifizierung von Vernetzungsmitteln
Das Team entwickelte sein Framework für maschinelles Lernen auf der Grundlage von Daten, die aus umfangreichen molekularen Simulationen thermoresponsiver Mikrogele gewonnen wurden. Die Idee bestand in der Vorhersage der Eigenschaften chemischer Bindemittel – sogenannter „Vernetzungsmittel“ –, um daraus Rückschlüsse auf die innere Struktur der Gele zu ziehen. Mittels Methoden des maschinellen Lernens konnte die Vernetzungsmittelkonzentration in Mikrogelpartikeln anhand einer als radiale Dichte bezeichneten Eigenschaft genau vorhergesagt werden. Es wurde festgestellt, dass diese in einen Algorithmus eingespeist und zu einer einzigen Zahl verdichtet werden kann, um das angestrebte Ergebnis zu erzielen. Anschließend wurde dieselbe Eigenschaft genutzt, um die Verteilung des Vernetzungsmittels vorherzusagen. „Auf diese Weise liefert das Modell mikroskopische Strukturinformationen über das Partikel, die sich experimentell nur sehr schwer gewinnen ließen“, erklärt Marín-Aguilar. „Wir haben dieses Framework frei zugänglich zur Verfügung gestellt, um seine Nutzung zu maximieren.“
Die Erkenntnisse in die Verbesserung von Mikrogelen überführen
Das Team ging daraufhin noch einen Schritt weiter und verband diese Strukturinformationen mit den Eigenschaften von Mikrogelen. Das Forschungsteam entwickelt beispielsweise einen Ansatz, bei dem anhand der Vernetzungsmittelkonzentrationen vorhergesagt wird, wie ein Gel bei Temperaturänderungen quellen könnte und wie elastisch es sich verhält. Ein weiteres wichtiges Ergebnis war der Nachweis, dass Mikrogele mit niedrigen Vernetzungsmittelkonzentrationen unter bestimmten Bedingungen ein auxetisches Verhalten zeigen – eine besondere Eigenschaft, bei der sich Materialien in eine Richtung in die Länge ziehen und senkrecht ausdehnen. „Diese ungewöhnliche Reaktion kann nützliche mechanische Eigenschaften bieten und hat Anwendungen inspiriert, die von Textilien und Schutzmaterialien bis hin zu biomedizinischen und ingenieurtechnischen Technologien reichen“, sagt Zaccarelli.
Eingehendere Untersuchung dieser rätselhaften Materialien
Laut Zaccarelli zeigen die Ergebnisse, dass Mikrogele eine besonders ungewöhnliche Klasse weicher Partikel darstellen, deren physikalische Eigenschaften noch immer nicht vollständig verstanden sind. „Das Wissen um den Zusammenhang zwischen ihrer inneren Architektur, ihrer mechanischen Reaktion und ihrem kollektiven Verhalten ist eine der spannenden Forschungsrichtungen, die aus dem Projekt hervorgegangen sind.“ Das Team möchte diese neuen Forschungsrichtungen über die im Rahmen des Projekts aufgebauten Kooperationen eingehender untersuchen. „Wir haben vor, Simulationen, maschinelles Lernen und Experimente weiterhin miteinander zu kombinieren, nicht nur in Bezug auf Mikrogele, sondern auch im weiteren Kontext von Systemen aus weicher Materie“, erklärt Zaccarelli.
