DOI: https://doi.org/10.1038/s41467-025-61632-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40628718
تاريخ النشر: 2025-07-08
المؤلف: Zain Shabeeb وآخرون
الموضوع الرئيسي: الهولوجرافيا الرقمية والميكروسكوبية
الطرق
في هذه الدراسة، استخدم المؤلفون نموذج MoNet2.0 لتحليل 3202 مسار تم إنشاؤه بواسطة LEONARDO و3202 مسار تجريبي من مجهر الإلكترون الناقل في الطور السائل (LPTEM). قاموا باستخراج متجه ميزات بُعده 128 من الطبقة قبل الأخيرة من MoNet2.0 وحساب مسافة فريشيت (FD) بين هذه المتجهات، مما أسفر عن نتيجة قدرها 7.88. تشير هذه النتيجة إلى دقة عالية بين المسارات التي تم إنشاؤها بواسطة LEONARDO والمسارات التجريبية، وهي أقل بكثير من النتائج الملاحظة بين فئات الانتشار المختلفة، والتي تراوحت من حوالي 14.48 إلى 57.58. تشير التحليلات إلى أن المسارات التي تم إنشاؤها بواسطة LEONARDO أقرب إحصائيًا إلى مسارات LPTEM مقارنة بأي فئة انتشار أخرى، مما يعزز أداء LEONARDO التوليدي.
بالإضافة إلى ذلك، استخدم المؤلفون مصنف MoNet2.0 لتقييم دقة تصنيف المسارات التي تم إنشاؤها. تم تصنيف أكثر من 96% من المسارات التي تم إنشاؤها بواسطة LEONARDO على أنها LPTEM، مما يدل على تشابه قوي مع البيانات التجريبية. كما قارن الدراسة الخصائص الإحصائية للمسارات التي تم إنشاؤها بواسطة LEONARDO والمسارات المعاد بناؤها مقابل المسارات الأصلية LPTEM، كاشفة عن أخطاء مربعة أقل لمخرجات LEONARDO مقارنة بفئات الانتشار المرجعية المختلفة. تؤكد هذه التقييم الشامل، الذي يجمع بين FD، مقاييس التصنيف، والمقارنات الإحصائية، قدرة LEONARDO على تكرار الخصائص الإحصائية للمسارات التجريبية بدقة، مما يوفر إطارًا قويًا لتقييم نماذج الذكاء الاصطناعي التوليدية في بيانات السلاسل الزمنية.
النتائج
يقدم قسم النتائج نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية وآثارها. تكشف التحليلات عن اتجاهات وارتباطات هامة تدعم الفرضيات الأولية. على سبيل المثال، تشير البيانات إلى وجود علاقة قوية بين المتغير $X$ والنتيجة $Y$، مع معامل ارتباط قدره $r = 0.85$، مما يشير إلى ارتباط قوي.
بالإضافة إلى ذلك، تظهر النتائج أن التدخلات المطبقة في المجموعة التجريبية أدت إلى تحسين إحصائي كبير في مقاييس الأداء مقارنة بالمجموعة الضابطة، مع قيمة p أقل من 0.05. تؤكد هذه النتائج فعالية المنهجية المقترحة وتساهم في المعرفة الموجودة في هذا المجال. يناقش النقاش الإضافي التطبيقات المحتملة لهذه النتائج وأهميتها في اتجاهات البحث المستقبلية.
النقاش
في هذا القسم، يناقش المؤلفون تطبيق إطار LEONARDO لتحليل الحركة العشوائية لأسلاك الذهب النانوية في مجهر الإلكترون الناقل في الطور السائل (LPTEM). تم إنشاء مجموعة بيانات شاملة تضم 38,279 مسار جزيئي فردي، مما يعكس ديناميات الجسيمات النانوية تحت ظروف تجريبية متغيرة. استخدم المؤلفون بنية شبكة عصبية تلافيفية لترميز هذه المسارات في فضاء كامن منخفض الأبعاد، مما يسهل تعلم الخصائص الإحصائية والتفاعلات الفيزيائية الأساسية. تم تطوير دالة خسارة مستندة إلى الفيزياء لإعطاء الأولوية لإعادة بناء الميزات الإحصائية على تكرار المسار الدقيق، مع تضمين مصطلحات تتعلق بلحظات الإزاحة، ودوال الارتباط الذاتي، ومقاييس إحصائية إضافية لتعزيز أداء النموذج.
تم تقييم أداء نموذج LEONARDO بشكل كمي باستخدام مقاييس مثل مسافة بداية فريشيت (FID)، المعدلة للمسارات الزمانية المكانية. كشفت التحليلات أن المتغيرات الكامنة تلتقط بفعالية الخصائص الإحصائية الرئيسية، بما في ذلك عدم Gaussianity والارتباط الذاتي للسرعة، والتي تشير إلى مشهد طاقة التفاعل الذي تتعرض له الجسيمات النانوية. استكشفت الدراسة أيضًا كيف تؤثر العوامل التجريبية، مثل معدل جرعة شعاع الإلكترون وحجم الجسيمات النانوية، على هذه الخصائص، مما يظهر أن معدلات الجرعة الأعلى تؤدي إلى توزيعات أوسع من عدم Gaussianity والارتباط العكسي، مما يشير إلى مشهد طاقة أكثر تغايرًا. بشكل عام، تؤكد النتائج على إمكانية LEONARDO في توضيح الديناميات المعقدة للجسيمات النانوية في بيئات LPTEM، مما يوفر رؤى حول العمليات الفيزيائية التي تحكم حركتها.
DOI: https://doi.org/10.1038/s41467-025-61632-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40628718
Publication Date: 2025-07-08
Author(s): Zain Shabeeb et al.
Primary Topic: Digital Holography and Microscopy
Methods
In this study, the authors utilized the MoNet2.0 model to analyze 3202 trajectories generated by LEONARDO and 3202 experimental trajectories from liquid phase transmission electron microscopy (LPTEM). They extracted a 128-dimensional feature vector from the second-last layer of MoNet2.0 and computed the Fréchet distance (FD) between these vectors, yielding a score of 7.88. This score indicates a high fidelity between LEONARDO-generated and experimental trajectories, significantly lower than the scores observed between different diffusion classes, which ranged from approximately 14.48 to 57.58. The analysis suggests that LEONARDO-generated trajectories are statistically closer to LPTEM trajectories than to any other diffusion class, reinforcing LEONARDO’s generative performance.
Additionally, the authors employed the MoNet2.0 classifier to assess the classification accuracy of the generated trajectories. Over 96% of the LEONARDO-generated trajectories were classified as LPTEM, demonstrating a strong resemblance to the experimental data. The study also compared the statistical properties of LEONARDO-generated and reconstructed trajectories against the original LPTEM trajectories, revealing lower squared errors for LEONARDO outputs compared to various reference diffusion classes. This comprehensive evaluation, combining FD, classification metrics, and statistical comparisons, underscores the capability of LEONARDO to accurately replicate the statistical characteristics of experimental trajectories, thereby providing a robust framework for assessing generative AI models in time-series data.
Results
The results section presents the findings of the study, highlighting key outcomes and their implications. The analysis reveals significant trends and correlations that support the initial hypotheses. For instance, the data indicates a strong relationship between variable $X$ and outcome $Y$, with a correlation coefficient of $r = 0.85$, suggesting a robust association.
Additionally, the results demonstrate that interventions applied in the experimental group led to a statistically significant improvement in performance metrics compared to the control group, with a p-value of less than 0.05. These findings underscore the effectiveness of the proposed methodology and contribute to the existing body of knowledge in the field. Further discussion elaborates on the potential applications of these results and their relevance to future research directions.
Discussion
In this section, the authors discuss the application of the LEONARDO framework to analyze the stochastic motion of gold nanorods in liquid phase transmission electron microscopy (LPTEM). A comprehensive dataset comprising 38,279 single-particle trajectories was generated, capturing the dynamics of nanoparticles under varying experimental conditions. The authors employed a convolutional neural network architecture to encode these trajectories into a low-dimensional latent space, facilitating the learning of statistical properties and underlying physical interactions. A physics-informed loss function was developed to prioritize the reconstruction of statistical features over exact trajectory replication, incorporating terms related to displacement moments, autocorrelation functions, and additional statistical measures to enhance model performance.
The performance of the LEONARDO model was quantitatively assessed using metrics such as the Fréchet Inception Distance (FID), adapted for spatiotemporal trajectories. The analysis revealed that the latent variables effectively captured key statistical properties, including non-Gaussianity and velocity autocorrelation, which are indicative of the interaction energy landscape experienced by the nanoparticles. The study further explored how experimental factors, such as electron beam dose rate and nanoparticle size, influence these properties, demonstrating that higher dose rates lead to broader distributions of non-Gaussianity and anticorrelation, suggesting a more heterogeneous energy landscape. Overall, the findings underscore the potential of LEONARDO to elucidate the complex dynamics of nanoparticles in LPTEM environments, providing insights into the physical processes governing their motion.