Momordica cymbalaria bitkisinden yeşil sentezlenen nanoparçacıklara ait SEM görüntülerinin sınıflandırılması için few-shot öğrenme

Bitkiler, çok küçük parçacıklar ve akıllı bilgisayarlar

Günlük olarak bulunan bitkiler geleceğin ilaçları için çok küçük parçacıkların üretilmesine yardımcı olabilse ve akıllı bilgisayar programları bu parçacıkları neredeyse insan uzmanlar kadar iyi ayırt edebilse ne olurdu? Bu çalışma, geleneksel bitkisel kökenli bir öz olan Momordica cymbalaria kullanarak nanoparçacıklar üreten yeşil kimya ile yapay zekâyı bir araya getiriyor ve yalnızca birkaç mikroskop görüntüsüyle farklı örnekleri ayırt edebilen kompakt bir görüntü tanıma modeli eğitiyor.

Küçük parçacıkları oluşturmak için tıbbi bir bitki kullanmak

Araştırmacılar, sert kimyasallara başvurmak yerine geleneksel tıpta kan şekeri kontrolüyle ilişkilendirilen bir bitkiye yöneldi. Bitkinin kök ve meyvelerini iki tür nanoparçacık — gümüş ve kalsiyum karbonat — üretmek için doğal mini fabrikalar olarak kullandılar. Bitki bileşenleri bu reaksiyonları başlatmaya ve stabilize etmeye yardımcı olarak standart endüstriyel yöntemlere göre daha temiz, potansiyel olarak daha güvenli bir yol sundu. Elde edilen tozlar, boyut, şekil ve kimyasal bileşimlerini incelemek için çeşitli araçlarla dikkatlice analiz edildi.

Parçacıklara ışık ve elektronlarla bakmak

Ne ürettiklerini anlamak için ekip, örneklere ışık tutup farklı renkleri nasıl absorbe ettiklerini kaydetti; bu, küçük yapıların beklendiği gibi oluştuğuna dair ipucu verdi. Ayrıca ayrıntılı siyah-beyaz görüntüler oluşturmak için güçlü bir elektron mikroskobu kullandılar; bu görüntüler kalsiyum karbonat parçacıklarının çoğunlukla yuvarlak ve kümelenmiş olduğunu, gümüş parçacıkların ise daha büyük ve düzensiz şekillerde biriktiğini gösterdi. Ek testler, kalsiyum açısından zengin örneklerin ağırlıklı olarak kalsiyum, oksijen ve karbon içerdiğini, gümüş örneklerinin ise güçlü gümüş sinyallerinin yanında bitki ekstraktından gelen organik materyali gösterdiğini doğruladı. Birlikte değerlendirildiğinde bu ölçümler, yeşil sürecin kalsiyum karbonat için iyi çalıştığını, gümüş içinse daha fazla ayarlama gerektiğini ortaya koydu.

Bir bilgisayara mikroskop görüntülerini okumayı öğretmek

Binlerce mikroskop fotoğrafı toplamak zor ve zaman alıcıdır; küçük laboratuvarlarda bu daha da güçtür. Bunu aşmak için yazarlar, çok küçük eğitim kümeleriyle çalışmak üzere tasarlanmış bir yapay zekâ yaklaşımı olan few-shot öğrenmeye yöneldi. Dört gruptan alınan taramalı elektron mikroskobu görüntülerine odaklandılar: köklerden elde edilen gümüş, meyvelerden elde edilen gümüş, köklerden elde edilen kalsiyum karbonat ve meyvelerden elde edilen kalsiyum karbonat. Eğitime başlamadan önce görüntüleri temizlediler, yeniden boyutlandırdılar ve veri setini genişletmek için döndürme ve çevirmeyle ek varyasyonlar oluşturdular. MobileNetV2 ve ResNet50 gibi iki tanınmış görüntü analiz ağı, her görüntüyü kompakt bir sayısal parmak izine dönüştürecek şekilde uyarlanmıştı.

Few-shot model kararları nasıl alıyor

Tüm görüntüleri standart bir sınıflandırıcıya doğrudan vermek yerine sistem, az verili gerçek dünya durumlarını taklit eden küçük görevlerde öğrenme gerçekleştirdi. Her görevde yalnızca her sınıftan birkaç örnek görerek bu örneklerden o sınıf için tipik bir "merkez" buldu ve ardından yeni görüntülerin en iyi nereye uyar kararını verdi. Görüntüler ile bu merkezler arasındaki uzaklıklar, her sınıfın ne kadar yayıldığını hesaba katan bir şekilde ölçüldü; bu da ince farkların saptanmasını kolaylaştırdı. Bu tür bölümlere sıkça maruz kalarak model, toplam veri seti çok küçük olmasına rağmen dört nanoparçacık grubunu ayıran özellikleri kademeli olarak öğrendi.

Güçlü performans gösteren kompakt bir model

Araştırmacılar farklı eğitim düzenlerini karşılaştırdıklarında, MobileNetV2 kullanan en gelişmiş few-shot yaklaşımı en iyi sonucu verdi. Bu versiyon, epizodik eğitim, kümeleme ile rafine edilen sınıf merkezleri ve verideki desenlere duyarlı bir uzaklık ölçüsünü birleştiriyordu. Yaklaşık yüzde 95 doğruluk seviyesine ulaştı ve mütevazı bilgisayarlarda veya hatta uç cihazlarda çalışacak kadar küçük kaldı. Sıradan transfer öğrenmeye veya temel uzaklık ölçülerine dayanan daha basit yöntemler belirgin şekilde daha kötü performans gösterdi; bu da eğitim stratejisinin düşük veri koşullarına uyarlanmasının faydasını vurguluyor.

Gelecek laboratuvar çalışmaları için ne anlama geliyor

Uzman olmayanlar için ana mesaj, çevre dostu nanoparçacık üretiminin akıllı, veri açısından verimli görüntü analizleriyle birleştirilebileceği ve laboratuvar iş akışlarını hızlandırabileceğidir. Bitki tabanlı kalsiyum karbonat yöntemi umut verici görünürken gümüş yolu hâlâ iyileştirme gerektiriyor; yine de few-shot öğrenme çerçevesi, güvenilir parçacık sınıflandırmasının büyük görüntü kütüphanelerine ihtiyaç duymadığını şimdiden gösteriyor. Bu tür yaklaşımlar bir gün küçük araştırma gruplarının veya kliniklerin nanoparçacık malzemelerin türünü ve kalitesini hızlıca kontrol etmelerine yardımcı olabilir; bu da tıpta ve diğer teknolojilerde daha güvenli ve daha tutarlı kullanımın desteklenmesine katkıda bulunur.

Atıf: Venkatappa, U., Bhat, S., Dixit, M. et al. Few-shot learning for classification of SEM images from green-synthesized nanoparticles of Momordica cymbalaria. Sci Rep 16, 16185 (2026). https://doi.org/10.1038/s41598-026-46307-1

Anahtar kelimeler: yeşil nanoteknoloji, few-shot öğrenme, SEM görüntü sınıflandırması, Momordica cymbalaria, nanoparçacık sentezi