Анализ сверхвысоких разведений: изучение эффектов потенцирования с помощью электронной микроскопии

 

Анализ сверхвысоких разведений: изучение эффектов потенцирования с помощью электронной микроскопии, рамановской спектроскопии и алгоритмов глубокого обучения - Berghian-Grosan C и группа исследователей

 

Перевод статьи Camelia Berghian-Grosan, Sahin Isik, Alin Sebastian Porav, Ilknur Dag, Kursad Osman Ay, George Vithoulkas (2024) Ultra-high dilutions analysis: Exploring the effects of potentization by electron microscopy, Raman spectroscopy and deep learning // Journal of Molecular Liquids, Volume 401, 2024,124537, ISSN 0167-7322, https://doi.org/10.1016/j.molliq.2024.124537.

 

Аннотация:

 

Дискуссия о сверхвысоких разведениях продолжается из-за ограниченных возможностей анализа. В этом исследовании использовалась просвечивающая электронная микроскопия (ПЭМ) для изучения сильно разбавленных растворов золота в этаноле и воде. Были изучены три уровня разведения (6C (100-6), 30C (100-30) и 200C (100-200) для каждого типа растворителя. Для анализа растворов также использовались рамановская спектроскопия и алгоритмы глубокого обучения. Результаты показали четко отличающиеся характеристики различных уровней разведения. Модель глубокого обучения продемонстрировала высокую точность классификации растворов. Исследование говорит о том, что ПЭM, рамановская спектроскопия и глубокое обучение могут эффективно охарактеризовывать и дифференцировать сильно разбавленные растворы.

 

Введение:

 

Потенцирование, введенное Самуэлем Ганеманом, включает в себя разведение и встряхивание веществ для создания гомеопатических средств, известных своими терапевтическими эффектами. Эти средства, полученные из различных субстанций, подвергаются потенцированию для усиления их целебных свойств. Несмотря на настороженность относительно высоких разведений, некоторые исследования показали присутствие исходных материалов в экстремально высоких разведениях, что бросает вызов общепринятым представлениям. Вода, важнейший растворитель, обладает аномальными свойствами, важными для биологических и химических процессов. Понимание ее структуры и динамики остается актуальной темой, а для анализа используются такие методы, как колебательная спектроскопия.

 

Однако, из-за сложности структуры воды и применяемых высоких разведений проведение анализа затруднено. Для анализа рамановских сигналов использовались хемометрические методы и модели машинного обучения (МО), включая глубокое обучение (ГО).

 

Алгоритмы МО, особенно ГО, набирают популярность для решения задач по проведению классификации благодаря своей эффективности и превосходным результатам.

 

В данной работе исследуются сильноразбавленные растворы гомеопатического препарата Аурум металликум (Aurum Metallicum, сокр. AUR) с использованием просвечивающей электронной микроскопии (ПЭМ) и рамановской спектроскопии. Различную организацию растворов наблюдали две независимые лаборатории. Рамановские спектры (спектры рассеянного излучения) различных потенцированных растворов на водной основе были обработаны с использованием алгоритмов ГО для их классификации и дифференциации.

 

Исследование демонстрирует эффективность ПЭM, рамановской спектроскопии и ГО для характеристики растворов высокого разведения, полученных в результате процедуры потенцирования.

 

Материалы и методы:

 

2.1. Материалы
:

 

Растворы, использованные в этом исследовании, были подготовлены компанией Коррес (Korres) в г. Афины, Греция. Компания сертифицирована Национальным агентством по лекарственным средствам Греции и следует строгим рекомендациям по приготовлению гомеопатических препаратов, изложенным в стандартах Немецкой гомеопатической фармакопеи (German Homeopathic Pharmacopoeia, сокр. GHP) и Надлежащей производственной практики (Good Manufacturing Practice, сокр. GMP). Растворы были разделены на три группы: очищенная вода (ОВ), неочищенная вода (НВ) и Аурум металликум (AUR). Для каждой категории были приготовлены три уровня потенций (6C, 30C и 200C), причем три партии были произведены в разные дни.

 

2.1.1. Просвечивающая электронная микроскопия (ПЭМ):

 

Для исследований ПЭM были проанализированы два типа образцов AUR: те, которые были приготовлены в 50% растворе этанола (E-AUR) в Румынии, и те, которые были приготовлены в очищенной воде (ОВ) в Турции (W-AUR). Были исследованы три уровня потенций (6C, 30C и 200C) каждого типа AUR.

 

2.1.2. Рамановские исследования:

 

Рамановская спектроскопия использовалась для анализа трех типов растворов: очищенной воды (ОВ), неочищенной воды (НВ) и AUR. Для ОВ и НВ были изучены как непотенцированные образцы, так и три уровня потенций (6C, 30C и 200C), причем для каждого уровня были приготовлены три партии в разные дни. Были исследованы растворы AUR только на водной основе, в результате чего было отобрано 12 образцов для ОВ, 12 для НВ и 9 для AUR.

 

2.2. Методы:

 

2.2.1. Проведение ПЭМ и ЭДРС (энергодисперсионной рентгеновская спектроскопия) в Румынии:

 

Для структурного анализа образцов AUR в Румынии использовался STEM-микроскоп Hitachi HD-2700. Сетки ПЭМ с углеродным покрытием обрабатывали потенцированными растворами AUR и анализировали при 200 кВ. Для ЭДРС-исследований использовался кремниевый дрейфовый детектор (КДД) X-Max N100TLE.

 

2.2.2. Проведение ПЭМ и ЭДРС в Турции:

 

ПЭМ-изображения образцов AUR были получены с использованием Hitachi HT 7800 ПЭМ в Турции. ЭДРС-анализ был проведен для подтверждения присутствия золота в образцах.

 

2.2.3. Рамановская спекторскопия:

 

Спектры рассеянного излучение света записывали с помощью рамановского спектрометра НРС-3300 с лазером 514,5 нм. Спектры были получены из стеклянных капиллярных трубок и обработаны с помощью программного обеспечения Spectra Manager и OriginPro. Предварительная обработка данных включала нормализацию и вычитание исходных параметров.

 

2.2.4. Глубокое обучение:

 

Исследования глубокого обучения проводились с использованием языка программирования Python и Colab Pro. Модель УРБ (управляемые рекуррентные блоки, по-англ. Gated Recurrent Units, сокр. – GRU – прим. пер.) была построена с использованием библиотеки Keras library и обучена с помощью графического процессора Colab Tesla T4. Для анализа результатов использовался пакет Sklearn. Более подробную информацию о протоколе глубокого обучения можно найти в файле дополнительных материалов.

 

Результаты:

 

3.1. ПЭМ-исследование:

 

ПЭМ-анализ проводился для понимания свойств различных растворов и потенций. Образцы Аурум металликум (AUR) в потенциях 6C, 30C и 200C были исследованы с использованием ПЭМ.

 

3.1.1. Аурум металликум (Aurum metallicum) 6C:

 

ПЭМ-изображения AUR 6C были получены с использованием двух разных сред: 50% раствора этанола для образцов, проанализированных в Румынии (E-AUR 6C), и очищенной воды для образцов в Турции (W-AUR 6C). Несмотря на использование разных растворителей, форма наночастиц на изображениях была схожей. Однако размер наночастиц был меньше в образце на этанольной основе по сравнению с образцом на водной основе. Оба образца показали сопоставимое процентное содержание золота (Au), а также присутствие кремния (Si) и кислорода (O).

 

3.1.2. Аурум металликум 30C:

 

Аналогично, образцы AUR 30C образцы 100-30 показали сходство в форме наноструктуры и примесях между образцами на основе этанола (E-AUR 30C) и образцами на водной основе (W-AUR 30C). Размер наночастиц имел тенденцию быть меньше в образцах на основе этанола, что указывает на стабилизирующий эффект этанола.

 

3.1.3. Аурум металликум 200C:

 

Среди образцов AUR 200C образец на основе этанола имел наноструктуры меньшего размера по сравнению с образцом на водной основе. Оба образца продемонстрировали четкую организацию и минимальное количество примесей. Наблюдалось присутствие золота и небольших количеств примесей, таких как кремний и железо.

 

3.2. Исследования с помощью рамановской спектроскопии и алгоритмов глубокого обучения:

 

Рамановская спектроскопия использовалась для дальнейшего анализа исследуемых растворов. Исследование было сфокусировано на образцах очищенной воды (ОВ), неочищенной воды (НВ) и AUR в различных потенциях (6C, 30C и 200C).

 

3.2.1. Классификация всех классов с помощью глубокого обучения:

 

Модель глубокого обучения УРБ (GRU) была обучена для классификации данных рамановских спектров для различных типов образцов и потенций. Модель показала высокую точность различения образцов AUR, ОВ и НВ при рассмотрении необработанных рамановских данных. Однако точность снижалась при использовании данных с вычитанием базовых данных, что указывает на некоторую потерю информации.

 

3.2.2. Классификация потенций внутри каждой группы:

 

Модель УРБ использовалась для классификации различных потенций в каждой группе образцов. В целом модель показала хорошие результаты в различении разных потенций, однако возникли некоторые проблемы с дифференциацией образцов ОВ6C и НВ30C.

 

3.2.3. Классификация в пределах одного уровня потенцирования:

 

Была проанализирована эффективность работы модели УРБ (GRU) в различении классов в пределах одной потенции. Модель достигла высокой точности, особенно для растворов с низким разведением (6C). Подводя итог, ПЭМ и рамановская спектроскопия в сочетании с методами глубокого обучения предоставили ценную информацию о свойствах и характеристиках гомеопатических растворов, помогая определению их характерных признаков и пониманию растворов.

 

Дискуссия:

 

Обсуждение сосредоточено на важности поиска надежных методов для эффективной характеристики сверхвысоких разведений. Исследование демонстрирует успешное использование различных методов, включая ПЭМ-ЭДРС и рамановскую спектроскопию в сочетании с глубоким обучением (ГО), для характеристики и дифференциации растворов высоких разведений, полученных посредством такого метода как потенцирование. ПЭМ-ЭДРС выделяется, как ценный инструмент для оценки состава и морфологии коллоидных растворов, даже на уровнях высоких разведений. Исследование предполагает, что уровень каждой потенции можно отличить по уникальным характеристикам, наблюдаемым с помощью анализа ПЭМ-ЭДРС.

 

В исследовании отмечается сходство между морфологией AUR 6C и типичными растворами наночастиц золота, при этом на размер наночастиц золота влияет используемое сырье. Однако конструкции AUR 30C и 200C, похоже, подчиняется закону конструкции, что приводит к формированию принципиально новых архитектур.

 

Образцы AUR 30C показывают наличие примесей, таких как железо, титан, кальций, магний и алюминий, которые могут происходить из растворителя или стеклянных пробирок. В организации AUR 30C, по-видимому, участвуют как наночастицы, так и кластерные сборки, причем роль в их формировании играют молекулы этанола или воды.

 

Образцы AUR 200C демонстрируют расширенную организацию, что указывает на стабильную структуру на большей площади. Примеси присутствуют в виде крупных сборок, а присутствие золота наблюдается в обоих типах образцов 200С.

 

Обсуждение также ссылается на предыдущие исследования, подтверждающие присутствие золота в высоких потенциях AUR, даже превышающих число Авогадро. Сочетание наночастиц и кластерных структур в структуре AUR предполагает стабильность и соблюдение закона конструкции.

 

Кроме того, в исследовании изучается использование рамановской спектроскопии и глубокого обучения для классификации растворов с тонкими структурными различиями, таких как очищенная вода (ОВ) и неочищенная вода (НВ), а также растворы ОВ и AUR.

 

В целом, исследование предполагает потенциал подходов глубокого обучения и методов спектральной сегментации для точной классификации сложных наборов данных, открывая путь к лучшему пониманию и описанию характеристик растворов высоких разведений.

 

Заключение:

 

После изучения результатов ПЭМ-ЭДРС и метода рамановской спектроскопии в сочетании с алгоритмами глубокого обучения стало очевидно, что эти методы эффективны для характеристики сверхвысоких разведений. Такое сочетание методов дает возможность проводить отличия между различными средствами на основе веществ, использованных при их приготовлении, или дифференцировать образцы в соответствии с их потенцией. Важно отметить, что этот подход позволяет анализировать растворы высоких разведений в гораздо большем масштабе, чем раньше.

Источник: https://www.sciencedirect.com/science/article/pii/S0167732224005932?via%3Dihub
Категория: Статьи в рейтинговых журналах | Добавил: (18.04.2024)
Просмотров: 625 | Рейтинг: 0.0/0
Рейтинг@Mail.ru Яндекс.Метрика