Une équipe de chercheurs de l'Université de Tokyo et de l'Innovation Center of NanoMedicine a développé une intelligence artificielle capable d'identifier la forme des nanoparticules en suspension liquide à partir des données produites par les analyseurs de suivi de nanoparticules standards. Publiée dans la revue ACS Applied Nano Materials, cette étude démontre que l'apprentissage profond peut extraire des informations morphologiques jusque-là inexploitées, sans aucun ajout de matériel spécifique. Le suivi de nanoparticules est une méthode courante pour mesurer la taille des particules en observant leur mouvement brownien. Toutefois, les systèmes commerciaux utilisent principalement les trajectoires lumineuses pour déterminer le diamètre, ignorant les fluctuations d'intensité de la lumière diffusée. L'équipe a combiné ces deux flux de données dans un réseau de neurones intégrant un réseau convolutif unidimensionnel et un module de mémoire à court terme. Cette architecture apprend simultanément les patterns de déplacement et les variations optiques pour classifier la morphologie. Les tests réalisés sur des nanoparticules d'or de trois formes distinctes ont donné des résultats prometteurs. Le modèle atteint un taux de réussite supérieur à 82 pour cent pour des classifications binaires et avoisine les 80 pour cent pour l'identification simultanée des trois formes. Il conserve une grande précision même avec des fenêtres d'observation très courtes, allant jusqu'à 0,2 seconde, et avec un nombre limité de particules détectées. Cette approche logicielle élimine la nécessité d'acquérir des instruments coûteux. Elle transforme les analyseurs existants en outils de caractérisation morphologique avancés, ouvrant la voie à des mises à niveau via un simple traitement de données. Les applications potentielles sont nombreuses : contrôle qualité des nanomédicaments, analyse des vésicules extracellulaires pour la recherche biomédicale, surveillance de nanoparticules environnementales et évaluation de matériaux colloïdaux. La capacité de fonctionner avec de faibles volumes d'échantillons et des temps de mesure réduits en fait une solution adaptée aux contextes à ressources limitées. Le professeur Takanori Ichiki, auteur principal de l'étude, indique que l'objectif est d'intégrer cette technologie directement dans les futures générations d'analyseurs. Cette avancée illustre comment l'intelligence artificielle peut révéler le potentiel caché des techniques expérimentales établies, enrichissant la recherche en nanotechnologie tout en préservant la simplicité d'utilisation des plateformes analytiques actuelles.