Forscher der Universität Tokio und des Innovation Center of NanoMedicine haben ein KI-gestütztes Verfahren entwickelt, das mit Standard-Nanopartikel-Tracking-Analyse die Morphologie von Partikeln in flüssiger Phase bestimmt. Die im Fachjournal ACS Applied Nano Materials veröffentlichte Studie belegt, dass tiefenlernbasierte Modelle bisher ungenutzte Informationen konventioneller Messungen effektiv nutzen können, um eine präzise Formklassifizierung ohne Hardware-Upgrades zu ermöglichen. Die Partikelform beeinflusst maßgeblich Diffusionsverhalten, optische Eigenschaften und biologische Wechselwirkungen. Während etablierte Methoden wie die Transmissionselektronenmikroskopie Proben meist trocknen oder immobilisieren müssen und sich daher nicht für schnelle Hochdurchsatzmessungen in der nativen Phase eignen, bietet die Nanopartikel-Tracking-Analyse eine Alternative. Sie zeichnet die Brownsche Bewegung einzelner Partikel auf, nutzt in der Praxis jedoch fast ausschließlich die Trajektorien zur Größenbestimmung, während zeitliche Schwankungen der gestreuten Lichtintensität regelmäßig ignoriert werden. Das entwickelte Deep-Learning-Framework kombiniert ein eindimensionales Faltungsnetzwerk mit einem bidirektionalen Long Short-Term Memory-Netzwerk. Diese Architektur wertet simultan Bewegungsdaten und optische Intensitätsmuster aus. Anhand von Gold-Nanopartikeln in den Formen Kugeln, Stäbchen und Plättchen zeigte sich, dass die integrierte Methode einseitigen Ansätzen deutlich überlegen ist. Mit nur einer Sekunde Messdaten erreichten die Binärklassifikatoren eine Genauigkeit von über 82 Prozent, die Mehrklassenklassifizierung lag bei durchschnittlich 80 Prozent. Besonders herausragend ist die Robustheit unter Datenknappheit: Selbst bei Beobachtungsfenstern von lediglich 0,2 Sekunden und geringer Partikelanzahl blieb die Klassifizierung zuverlässig. Ein Kernvorteil des Ansatzes liegt in der Hardware-Unabhängigkeit. Statt neuer Messgeräte wird die Leistung vorhandener NTA-Systeme durch reine Software-Upgrade erhöht. Professor Takanori Ichiki verdeutlicht, dass das Ziel die Integration der Technologie in künftige NTA-Plattformen sei, um etablierte Workflows zu optimieren. Die Methode benötigt nur kleine Probenmengen und kurze Messzeiten, was sie für anspruchsvolle Anwendungsfelder besonders attraktiv macht. Potenzielle Einsatzbereiche umfassen die Qualitätskontrolle von Nanomedizinen und extrazellulären Vesikeln, das Monitoring umweltrelevanter Nanopartikel sowie die Charakterisierung kolloidaler Materialien. Die Ergebnisse demonstrieren, wie maschinelles Lernen etablierte experimentelle Techniken erheblich an analytischem Potenzial gewinnen lässt. Die Kombination aus bewährter Messtechnik und moderner KI ermöglicht so eine umfassendere Nanopartikel-Charakterisierung, verzichtet auf aufwendige Instrumentierungen und treibt gleichzeitig die Entwicklung in Pharmazie, Materialwissenschaft und Umweltmonitoring voran.