将小角度中子散射与机器学习相结合可增强对复杂分子结构的测量

小角度散射(SAS)是一种研究纳米级样品的强大技术。然而，到目前为止，它在研究中的应用受到了阻碍，因为它无法在不了解样品化学成分的情况下进行操作。在《欧洲物理学杂志E》上发表的新研究中，俄罗斯杜布纳Bogoliubov理论物理实验室的EugenAnitas提出了一种更先进的方法，将SAS与机器学习算法相结合。

该技术名为α-SAS，无需大量准备或计算资源即可分析分子样本，并可使研究人员更详细地了解复杂生物分子的特性：例如蛋白质、脂质和碳水化合物。

SAS测量辐射(通常是X射线或中子)与溶剂中悬浮的分子结构相互作用后的偏转。通过调整溶剂的成分，研究人员可以增强或减弱系统某些成分的可见性：一种称为“对比度变化”的技术。然而，要使这种方法奏效，研究人员在实验开始前仍需要了解样品的化学成分。

通过研究，Anitas将SAS与机器学习算法相结合，克服了这一限制，创建了一种名为α-SAS的技术。该方法通过对悬浮样本进行多次随机模拟并分析其结果的分布来估计小角度中子散射(SANS)的结果。

Anitas通过两个不同的案例研究展示了α-SAS的功能。第一个案例研究研究了“Janus粒子”：具有众所周知的对比度变化和中子散射强度的人造自推进结构。其次，他在复杂的基于蛋白质的分子系统上测试了该技术。

在每种情况下，Anitas对分子结构的测量都比没有与机器学习相结合时要高效得多。基于这些令人鼓舞的结果，Anitas现在希望，通过他的方法，SAS可以很快成为分析分子结构的更强大的工具。