利用机器学习方法量化软纳米颗粒机械性能的纳米尺度变化

《Soft Matter》：Machine learning approaches to quantify nanoscale variations in the mechanical properties of soft nanoparticles

　　我们使用机器学习来分析原子力显微镜-力谱（AFM-FS）对硬基底上软纳米颗粒机械性能的测量结果。我们比较了两种基于手动选择特征的方法，这些特征描述了使用AFM-FS测量的机械性能的各个方面——一种使用极端梯度提升算法（监督学习），另一种基于k均值聚类（无监督学习）根据特征对力-距离曲线进行分类。我们使用这些方法生成了两个机器学习（ML）分类器——一个用于区分软纳米颗粒和硬基底，另一个用于根据纳米颗粒机械性能的纳米级变化来识别其内部结构。在仅使用两张AFM图像的数据对分类器进行训练后，我们发现这两种方法都能成功识别AFM-FS扫描中的单个软纳米颗粒，而监督学习方法在正确识别和量化纳米颗粒内部较硬区域方面更为成功。我们的研究结果表明，ML策略可以用来准确高效地表征软生物材料机械性能的纳米级变化。

引言

人工智能（AI）和机器学习（ML）越来越多地被用于分析科学领域中的大型数据集，如药物发现、医学成像和材料科学。这些方法已经带来了从预测药物-蛋白质相互作用到检测和分类癌性肿瘤、黑色素瘤和阿尔茨海默病，再到预测纳米颗粒的物理性质，以及绘制真核细胞属性的图谱等进展。基于这些方法的模型能够快速、高效且准确地分析非常大的数据集，以识别和关联这些复杂系统的最重要参数，提供新的有用见解。在材料科学领域，通常会收集大量数据，例如各种样本的显微镜图像和光谱。使用ML可以简化和改进这些大量数据的分析和解释。

ML方法在材料科学中的一个重要应用是对测量数据进行分类，以获得有关不同材料物理性质的有用见解。将ML分类器模型应用于材料科学数据涉及几个步骤：处理数据以识别一组描述材料性质范围的特征（特征工程），使用适当的ML模型根据这些特征对材料进行分类，使用选定的特征训练模型，以及在新的、未见过的数据上评估模型。要取得成功，需要使用高质量的数据，通过特征工程准确充分地描述材料的性质范围，以及一个复杂而稳健的ML模型，该模型能够高效地识别新未见数据中的输入特征之间的关系，并将它们准确地与目标分类或聚类相关联。无监督学习和监督学习是两种广泛用于分类大量数据的ML方法。无监督方法，如k均值聚类等聚类技术，在识别模式方面非常有效，并且不需要标记的训练数据。监督学习方法需要标记的训练数据，但与无监督方法相比可以提供更好的可解释性。例如，使用决策树的监督模型可以提供关于每个输入特征对模型性能的贡献的信息。

原子力显微镜（AFM）在材料科学中被广泛用于表征微米和纳米长度尺度的样本，其在测量纳米级机械性能变化方面的应用有助于更好地理解软生物材料的形态。在AFM力谱（AFM-FS）中，数据以网格状模式收集，每个像素对应于当AFM尖端压入和从样本中撤出时收集的力-距离曲线（图1A）。锋利的AFM尖端和高力灵敏度允许以高空间分辨率映射样本的拓扑结构和机械性能。分析不同区域的进给和撤出曲线（图1B）可以得到图像中每个像素的各种机械性能，包括硬度、模量、粘附力和在高施加力下的样本高度。图1

(A) 在植酸糖原（PG）纳米颗粒上进行AFM-FS测量的示意图。AFM尖端（黑色）被压入颗粒然后撤出。AFM尖端和PG纳米颗粒的曲率半径大致按比例显示。(B) 单次AFM悬臂尖端运动（蓝色）和撤出（红色）的力-距离曲线示意图，显示了尖端上的力与垂直尖端高度的关系。图中标出了从力-距离曲线中提取的几个参数。(C) 4-巯基苯硼酸（4-MPBA）分子与PG纳米颗粒和金表面形成共价键的示意图（非按比例）。AFM-FS图像中包含的大量地形和机械信息使其成为应用ML模型的理想候选者。最近，已经开发出ML技术来分析各种软生物样本的AFM-FS测量结果，能够区分活细菌和死细菌，识别不同的癌细胞，定位细胞表面上导致侵袭性癌症的特征，以及识别聚合物混合物中的不同聚合物。Petrov等人展示了使用Bruker的专有Peak Force TappingTM模式确定的机械性能值可以作为输入，用于监督ML分类器来预测表面上聚合物的位置。一种更稳健和灵活的方法是直接从AFM-FS力-距离曲线中工程化特征。这样做的优势在于ML技术可以应用于任何具有力谱模式的商用AFM获取的AFM-FS数据，并且用户可以微调用于扩展ML框架的特征选择。此外，用户控制的特征结合可解释的ML分类器提供了对材料性质的额外见解。在本研究中，我们使用AFM-FS来表征植酸糖原（PG）的纳米级机械性能，这是一种高度分支的、基于葡萄糖的多糖，表现为直径为42纳米的柔软、密集、紧凑、水合的、多毛的纳米颗粒，具有潜在的树状结构。PG颗粒的这些物理特性赋予了它们独特的和有用的性质，例如，颗粒内的水比大块水更加有序，零剪切粘度随浓度的增加而增加的程度比典型多糖更为平缓，以及颗粒与小生物活性分子之间可以实现的强关联。通过简单的机械或化学修饰，还可以调节PG纳米颗粒的形态和功能。PG的天然和改性性质，加上它们的生物降解性和无毒性，使得这些颗粒成为个人护理配方中的独特添加剂，以及生物活性分子的纳米载体。

我们最近使用AFM-FS研究了固定在光滑硬金基底上的PG纳米颗粒的纳米级机械性能（图1）。对许多单个PG纳米颗粒的高分辨率力-距离曲线图进行测量，揭示了这些水合颗粒的高变形性，其高度分支的树状链结构导致每个颗粒内部有一个较硬的内部结构，周围是一个较软的外部结构。在AFM-FS图像中，我们观察到较硬的内部区域，对应于AFM尖端与较硬内部结构的相互作用通过较软的外部结构；较软的外部区域，对应于AFM尖端仅与较软的外部结构的相互作用。AFM-FS测量还允许确定平均等效球形半径（= 23.0纳米），这与使用小角中子散射和动态光散射确定的值非常吻合，以及平均杨氏模量（ē = 688 kPa），这与使用渗透压技术确定的体模量值一致。在之前的AFM-FS研究中，通过检查每个力-距离曲线与硬基底模型的拟合情况并手动选择拟合优度相对较低的区域来识别基底上的PG纳米颗粒，这些区域可能对应于硬基底上软PG纳米颗粒的测量结果。在高压值（约2 nN）下压缩颗粒时收集的高度图像中观察到了树状较硬的内部结构。通过将高压下收集的高度图像拟合到混合高斯模型来确定颗粒内部较硬和较软区域之间的适当高度阈值，从而识别出每个纳米颗粒内的较硬和较软区域。这些手动识别颗粒及其较硬内部区域空间范围的方法耗时且容易受到基底地形微小变化和阈值主观选择的影响而产生不确定性。在本研究中，我们开发了一种ML方法来分析在硬金基底上收集的大量PG纳米颗粒的力-距离曲线，从而能够识别颗粒并量化其机械性能的纳米级变化。我们首先通过特征工程过程手动选择力-距离曲线中不同范围内的不同机械性能度量（特征）。然后我们使用选定的特征在有限的数据量（仅两张512像素×512像素的AFM图像）上训练了两个监督ML分类器：第一个ML分类器被训练用于区分软PG纳米颗粒和周围的硬基底，第二个ML分类器被训练用于定位PG纳米颗粒内部较硬区域的空间范围。然后我们在新的、未见过的数据上测试了这两个监督ML分类器的准确性，通过将AFM-FS测量的高度图像与分类器输出进行定性比较，并通过定量比较颗粒半径和杨氏模量的值与参考文献21中描述的手动方法先前确定的平均值来进行评估。我们还将这两个监督ML分类器的性能与基于相同特征和训练数据的k均值聚类无监督学习方法的性能进行了比较。无监督方法消除了监督方法所需的标记训练数据的需求。这种比较表明，两种方法都能成功识别硬基底上软PG纳米颗粒的位置，而监督学习方法在确定PG纳米颗粒内部机械性能的微小纳米级变化方面更为成功。

样品制备

从甜玉米中提取并纯化了单分散的植酸糖原（PG）纳米颗粒，形式为冻干粉末，使用参考文献21中描述的程序。通过将粉末加入Milli-Q水（电阻率为18.2 MΩ-cm）并在Stovall摇床上混合来制备稀释分散液。AFM-FS实验的基底使用以下程序制备：首先将玻璃载玻片浸入硫酸（H2SO4）浴中15分钟，然后用Milli-Q水彻底冲洗，接着将它们浸入加热的1:1氯仿（CHCl3）和甲醇（CH3OH）溶液中另外15分钟。取出载玻片并用Milli-Q水和甲醇彻底冲洗，然后用氮气流干燥。在干净的玻璃载玻片上溅射沉积一层钛粘附层（约5纳米厚），然后溅射沉积一层金（约200纳米厚），以创建稳定的金涂层基底。使用钻石尖端笔切割出小片段（约3毫米×3毫米），并通过在675°C下退火这些金涂层玻璃片段65秒来创建光滑的金台阶（横向范围约350纳米）。然后将退火的基底浸入0.4% w/w的4-巯基苯硼酸（4-MPBA）甲醇溶液中24小时，以允许4-MPBA在金表面自组装单层，通过金和4-MPBA之间形成金硫醇键。AFM-FS图像中包含的大量地形和机械信息使其成为应用ML模型的优秀候选者。最近，已经开发出ML技术来分析各种软生物样本的AFM-FS测量结果，能够区分活细菌和死细菌，识别不同的癌细胞，定位细胞表面上导致侵袭性癌症的特征，以及识别聚合物混合物中的不同聚合物。Petrov等人展示了使用Bruker的专有Peak Force TappingTM模式确定的机械性能值可以作为输入，用于监督ML分类器来预测表面上聚合物的位置。一种更稳健和灵活的方法是直接从AFM-FS力-距离曲线中工程化特征。这样做的优势在于ML技术可以应用于任何具有力谱模式的商用AFM获取的AFM-FS数据，并且允许用户微调用于扩展ML框架的特征选择。此外，用户控制的特征结合可解释的ML分类器提供了对材料性质的额外见解。在本工作中，我们使用AFM-FS来表征植酸糖原（PG）的纳米级机械性能，这是一种高度分支的、基于葡萄糖的多糖，表现为直径为42纳米的柔软、密集、紧凑、水合的、多毛的纳米颗粒，具有潜在的树状结构。PG颗粒的这些物理特性赋予了它们独特的和有用的性质，例如，颗粒内的水比大块水更加有序，零剪切粘度随浓度的增加而增加的程度比典型多糖更为平缓，以及颗粒与小生物活性分子之间可以实现的强关联。通过简单的机械或化学修饰，还可以调节PG纳米颗粒的形态和功能。PG的天然和改性性质，加上它们的生物降解性和无毒性，使得这些颗粒成为个人护理配方中的独特添加剂，以及生物活性分子的纳米载体。

我们最近使用AFM-FS研究了固定在光滑硬金基底上的PG纳米颗粒的纳米级机械性能（图1）。对许多单个PG纳米颗粒的高分辨率力-距离曲线图进行测量，揭示了这些水合颗粒的高变形性，其高度分支的树状链结构导致每个颗粒内部有一个较硬的内部结构，周围是一个较软的外部结构。在AFM-FS图像中，我们观察到较硬的内部区域，对应于AFM尖端与较硬内部结构的相互作用通过较软的外部结构；较软的外部区域，对应于AFM尖端仅与较软的外部结构的相互作用。AFM-FS测量还允许确定平均等效球形半径（= 23.0纳米），与使用小角中子散射和动态光散射确定的值非常吻合，以及平均杨氏模量（ē = 688 kPa），这与使用渗透压技术确定的体模量值一致。在之前的AFM-FS研究中，通过检查每个力-距离曲线与硬基底模型的拟合情况并手动选择拟合优度相对较低的区域来识别基底上的PG纳米颗粒，这些区域可能对应于硬基底上软PG纳米颗粒的测量结果。在高压值（约2 nN）下压缩颗粒时收集的高度图像中观察到了树状较硬的内部结构。通过将高压下收集的高度图像拟合到混合高斯模型来确定颗粒内部较硬和较软区域之间的适当高度阈值，从而识别出每个纳米颗粒内的较硬和较软区域。这些手动识别颗粒及其较硬内部区域空间范围的方法耗时且容易受到基底地形微小变化和阈值主观选择的影响而产生不确定性。在本研究中，我们开发了一种ML方法来分析在硬金基底上收集的大量PG纳米颗粒的力-距离曲线，从而能够识别颗粒并量化其机械性能的纳米级变化。我们首先通过特征工程过程手动选择力-距离曲线中不同范围内的不同机械性能度量（特征）。然后我们使用选定的特征在有限的数据量（仅两张512像素×512像素的AFM图像）上训练了两个监督ML分类器：第一个ML分类器被训练用于区分软PG纳米颗粒和周围的硬基底，第二个ML分类器被训练用于定位PG纳米颗粒内部较硬区域的空间范围。然后我们在新的、未见过的数据上测试了这两个监督ML分类器的准确性，通过将AFM-FS测量的高度图像与分类器输出进行定性比较，并通过定量比较颗粒半径和杨氏模量的值与参考文献21中描述的手动方法先前确定的平均值来进行评估。我们还将这两个监督ML分类器的性能与基于相同特征和训练数据的k均值聚类无监督学习方法的性能进行了比较。无监督方法消除了监督方法所需的标记训练数据的需求。这种比较表明，两种方法都能成功识别硬基底上软PG纳米颗粒的位置，而监督学习方法在确定PG纳米颗粒内部机械性能的微小纳米级变化方面更为成功。

材料与方法为了测量孤立的聚丙烯（PG）纳米颗粒，将一滴浓度为0.005%（w/w）的PG分散液滴在4-MPBA/金基底表面12分钟，然后用清水冲洗。这样可以使最佳数量密度的孤立PG纳米颗粒与4-MPBA分子发生共价结合（见图1C）。有关样品制备的更多细节，请参考参考文献21。

原子力显微镜力谱（AFM-FS）

AFM-FS测量是在裸露的4-MPBA/金基底（我们称之为硬基底）以及表面共价结合了PG纳米颗粒的基底上进行的。样品在水中使用定量成像（QI）模式（一种优化的力谱模式）进行测量，所使用的设备是JPK NanoWizard ULTRA Speed原子力显微镜，探针为NanoWorld Pyrex-Nitride硅制悬臂，探测器侧镀有铬/金层（PNP-TR），其标称弹簧常数为0.32 N m?1。悬臂接近样品表面和远离样品表面的动作是通过150纳米的压电范围以62.5 μm s?1的速率完成的，最大力设定为2 nN。所有测量的扫描区域为1 μm × 1 μm（512像素 × 512像素）。

选择用于表征机械性能的特征

在AFM-FS图像中，我们采用特征工程方法分析了每个力-距离曲线，以选择一组全面的参数/特征来描述AFM扫描中该位置（像素）的样品的机械性能，例如低力和高力下的变形、刚度以及模量值（见图1B和2，以及表S1）。力-距离曲线使用JPK数据处理软件（版本6.1.198）进行处理和分析。曲线从压电高度（zpiezo）转换为垂直探针高度（ztip），该转换基于在硬基底上收集的力-距离曲线计算出的悬臂弹簧常数，并采用了热噪声方法。力-距离曲线的基线力是通过将悬臂与样品表面大距离处的接近曲线部分拟合为直线并从数据中减去该直线来确定的。接近曲线和回缩曲线之间的任何滞后/偏移是通过将悬臂与样品表面大距离处的回缩曲线部分拟合为水平线并从回缩曲线数据中减去该值来确定的。接触点被定义为在接近曲线中力小于基线力的最小垂直探针高度值。图2B展示了一个处理后的力-距离曲线示例。

（A）4-MPBA/金（硬）基底平坦台阶上PG纳米颗粒（白色物体）的AFM接触高度图像。（B）来自A中AFM扫描的单个像素的处理后力-距离曲线。接近数据以黑色显示，回缩数据以红色显示。回缩曲线的垂直探针高度值已调整以与接近曲线值在2 nN处对齐。高于2 nN的值未显示。（C）从每个力-距离曲线计算出的一组参数列表，用于构建描述该位置样品的特征向量。为了创建一个稳健的机器学习（ML）分类器，需要构建一个包含代表材料不同独特机械性能的值的特征向量。对于AFM-FS测量，材料在一个或多个力-距离曲线范围内可能具有相似的性能，但在其他范围内具有不同的性能，例如，由于结构不同而具有相似的粘附值，但刚度或模量值不同。特征向量应考虑这些差异，这在分类单个物体内的不同区域时尤为重要，例如识别本研究中研究的PG纳米颗粒内部较硬区域的位置。为了选择描述PG颗粒独特机械性能的特征，我们考虑了接近曲线和回缩曲线的不同部分。对于接近曲线，我们考虑了描述三个区域的特征：接近接触点处、接近最大施加力处以及从低力到高力范围内的特征。接近接触点处计算的特征描述了样品表面附近的材料性能，如低施加力下的高度变形和对应于小压痕的模量。接近最大施加力处计算的特征描述了材料在压缩应力下的性能，如高施加力下的高度变形和刚度（接近最大施加力处的力-距离曲线斜率）。从低力到高力范围内计算的特征受到材料表面附近性能的影响，以及描述材料在压缩应力下的性能，如高度变形和在此力范围内计算的模量。对于回缩曲线，我们考虑了描述三个区域的特征：接近最大施加力处、接近样品表面处以及从低力到高力范围内的特征。接近最大施加力处计算的特征包括在高力下减少施加力后样品高度的恢复。接近样品表面处计算的特征包括在低力下样品高度的恢复。从低力到高力范围内计算的特征包括在此力范围内减少施加力后样品高度的恢复。此外，我们通过计算粘附力（回缩曲线中最大负力的大小）和粘附能（回缩曲线中零力以下的面积）来表征AFM探针与样品之间的粘附。这些与粘附相关的量在PG颗粒上的测量结果明显大于在硬基底上的测量结果。我们注意到，AFM探针与样品之间的粘附受到探针表面化学性质的影响。因此，比较测量结果时应使用相同类型的探针尖端，正如我们在本研究中所做的那样。此外，本研究中的所有测量都在水中进行，以消除在空气中测量时环境条件对探针-样品粘附的影响。上述不同的高度变形和恢复值是通过检查在六个不同施加力下的探针高度差异获得的：最大施加力的2%（0.04 nN）、5%（0.1 nN）、25%（0.5 nN）、50%（1 nN）、75%（1.5 nN）和100%（2 nN）。对于在PG纳米颗粒上收集的力-距离曲线，我们注意到在较高力下计算的特征可能受到颗粒内部较硬结构以及底层硬基底的影响，而在较低力下计算的特征仅受到颗粒较软外部结构的影响。对于在PG纳米颗粒外围收集的力-距离曲线，由于它们较软的外部区域，底层硬基底的影响在较低力下占主导地位，因为压缩颗粒较硬的内部区域需要更大的力。对于在硬基底上收集的力-距离曲线，高度变形值远小于在PG颗粒上收集的曲线，尤其是在低力下。我们为AFM扫描中的每个像素构建了一个特征向量，使用了一组37个特征来描述每个像素位置的样品机械性能（见表S1）。我们手动选择了这些特征，而不是使用AI生成的特征（无论是通过生成方法还是非生成方法），因为手动选择的特征具有明确的物理解释，允许与其他技术获得的结果进行更直接的比较。此外，手动选择特征减少了输入到机器学习分类器的数据量，从而相应减少了计算时间和成本。

在本次工作中，我们开发了两个监督式机器学习（ML）分类器：一个用于区分PG颗粒和周围的硬基底（监督式颗粒/基底ML分类器），另一个用于区分每个颗粒内部较硬区域和较软外部区域（监督式内部颗粒结构ML分类器）。在这两种情况下，我们使用XGBoost库（版本2.0.3）中提供的极端梯度提升算法对单个力-距离曲线进行了分类，并用Python实现（见图S1）。XGBoost分类器因其计算速度和准确性而被广泛使用。它为每个力-距离曲线提供了一个分类概率的输出，我们使用50%的概率阈值进行二分类。关于本研究中使用的XGBoost算法的更多细节在补充信息中提供。我们还使用了两个无监督式ML分类器来区分PG颗粒和周围的硬基底（无监督式颗粒/基底ML分类器），以及区分每个颗粒内部较硬区域和较软外部区域（无监督式内部颗粒结构ML分类器）。在这些情况下，我们使用Scikit-learn库（版本1.0.2）中的k-means聚类对单个力-距离曲线进行了分类，并用Python实现。为了训练和测试颗粒/基底ML分类器，我们使用了两个AFM-FS图像（训练/测试数据集）：一个包含约60个PG纳米颗粒，另一个仅包含4-MPBA/金基底。对于颗粒/基底ML分类器，我们使用两个图像中80%的数据来训练ML分类器（训练数据集），剩余20%的数据来测试ML分类器（测试数据集）。为了训练和测试内部颗粒结构ML分类器，我们使用了一个包含与训练/测试数据集中相同的PG纳米颗粒的AFM-FS图像，仅使用该图像中对应于PG纳米颗粒的像素。对于内部颗粒结构ML分类器，我们使用确定的PG纳米颗粒像素中90%的数据来训练ML分类器（训练数据集），剩余10%的数据来测试ML分类器（测试数据集）。然后，我们在三个不同的AFM-FS图像上的新数据上评估了ML分类器，这些图像显示了4-MPBA/金基底上的PG纳米颗粒。

我们使用选定的输入特征（表S1）训练了监督式颗粒/基底ML分类器，通过手动将AFM-FS图像中的每个力-距离曲线（像素）标记为属于PG纳米颗粒或硬基底，为每个像素创建了一个二进制目标。这是通过手动屏蔽硬基底上纳米颗粒区域来完成的（见图3B和E）。对应于硬基底的力-距离曲线包括围绕屏蔽颗粒的基底区域（见图3D）以及裸露硬基底的测量结果（见图3C）。监督式颗粒/基底ML分类器的训练和测试数据集是从约60个PG颗粒在硬基底上的262,144个输入向量中随机选择的，以及从裸露硬基底的262,144个输入向量中随机选择的。我们使用了80%（419,430个力-距离曲线）的标记曲线来训练分类器，结果有37,155个力-距离曲线被标记为对应于PG纳米颗粒，382,275个力-距离曲线被标记为对应于硬基底。图3

AFM-FS测量结果代表了训练和测试数据集。(A) 硬基底（4-MPBA/金）上PG纳米粒子的AFM接触高度图像。(B) 使用A中的粒子（白色）手动创建的掩模以及周围的硬基底（黑色）。(C) 裸露的硬基底的AFM高度图像。(D) 使用B中的掩模手动移除与PG纳米粒子对应的区域后，硬基底（黑色区域）的AFM高度图像。(E) 使用B中的掩模手动隔离PG纳米粒子后的AFM高度图像。D中的非黑色像素（力-距离曲线）和C中的所有像素被分类为属于硬基底。E中的非黑色像素（力-距离曲线）被分类为属于PG纳米粒子。我们使用相同的选定输入特征（表S1）和相同的训练数据集（图3）训练了无监督的粒子/基底ML分类器，该数据集用于训练具有2个簇的监督ML分类器。

我们仅使用与PG纳米粒子对应的力-距离曲线训练了有监督的粒子内部结构ML分类器，这些曲线是使用与有监督的粒子/基底ML分类器相同的手动粒子掩模确定的。训练过程中使用了选定的输入特征（表S1）以及一个新的手动标记的二进制目标（图4C）：在AFM-FS图像中收集的每个力-距离曲线都被标记为属于粒子较硬的内部区域或较软的外部区域。有监督的粒子内部结构ML分类器的训练/测试数据集包含了来自约60个PG纳米粒子在硬基底上的46,462个输入向量。我们使用了90%（41,815个力-距离曲线）来训练分类器，其中16,009个力-距离曲线对应于较硬的内部区域，25,806个力-距离曲线对应于粒子的较软的外部区域。

(A) 孤立PG纳米粒子的AFM接触高度图像。这些孤立的纳米粒子与用于训练有监督的粒子/基底ML分类器的相同区域相对应。(B) 同一次扫描的AFM峰值力高度图像，显示了PG纳米粒子在压缩到表面时较硬的内部区域以及周围的硬基底（4-MPBA/金）。(C) A中的粒子区域和B中的较硬内部区域被用来手动生成这个掩模图像。内部（白色）和外部（灰色）区域被用来训练和测试有监督的粒子内部结构ML分类器。我们仅使用无监督的粒子/基底ML分类器确定的与PG纳米粒子对应的力-距离曲线来训练无监督的粒子内部结构ML分类器。训练过程中使用了与有监督ML分类器相同的选定输入特征（表S1），并且设置了2个簇。我们使用了90%（39,236个力-距离曲线）来训练分类器。

我们使用训练数据集、测试数据集以及包含训练/测试数据集之外新的、未见数据的数据集来评估ML分类器的性能。通过使用测试数据集评估分类器，我们可以将输出分类与真实分类（通过手动标记确定）进行比较，并通过诸如正确识别的力-距离曲线的总百分比、假阳性的百分比和假阴性的百分比等指标来确定准确性。对于有监督的ML分类器，XGBoost算法还提供了一个衡量每个特征相对重要性的指标，即对分类器准确性提高的贡献百分比。为了解释有监督的ML分类器，我们检查了训练后对每个分类器最重要的特征。因为我们是手动设计这些特征的，因此我们可以将最重要的特征与力-距离曲线的不同区域联系起来，以了解最重要的机械性质。我们使用在三个不同日子里使用三种不同的AFM悬臂测量的三个新的、未见数据来评估所有ML分类器。

有监督的粒子/基底机器学习分类器的准确性

对于用于测试有监督的粒子/基底ML分类器的104,858个力-距离曲线（测试数据集），我们获得了99.5%的总体像素分类准确性，假阳性百分比为0.3%，假阴性百分比为3.1%，当将力-距离曲线分类为对应于PG时（图S2A和B）。对有监督的粒子/基底ML分类器的准确性贡献最大的特征来自力-距离曲线的低力区域部分，描述了在低施加力下的变形（在0.04 nN到1 nN之间的力下测量的变形）。最重要的三个特征描述了这个低力区域，并占了有监督的粒子/基底ML分类器准确性提高的83.7%（图S2C）。考虑到软PG纳米粒子和硬基底之间的机械性质差异很大，因此从描述低力区域的特征中获得的准确性大幅提高是合理的。

将有监督的粒子/基底机器学习分类器应用于新的、未见的数据

将有监督的粒子/基底ML分类器应用于新的、未见的数据可以表示为一个概率图，其中每个像素的值代表它被分类为对应于PG纳米粒子的概率；图5B展示了一个例子。使用50%的概率阈值，我们生成了PG纳米粒子（图5C中的白色区域）和周围硬基底（图5C中的黑色区域）的位置分类图。为了只包括整个PG纳米粒子，我们移除了分类器识别为对应于PG的小像素簇（面积小于35像素）（图5D）。这些小区域可能是由于PG的小碎片或由于测量伪影产生的噪声/不规则的力-距离曲线造成的，在图5C中仅占归因于PG的像素的1.6%，在所有三个新的、未见数据的AFM扫描中占1.2%（图5C、图S4C和图S5C）。图5

(A) 硬基底（4-MPBA/金）上PG纳米粒子的AFM接触高度图像。黑色箭头指示的区域突出了基底上形状和大小与PG纳米粒子相似的圆形特征，但被有监督的ML分类器识别为硬基底的一部分。(B) 使用A中的测量数据，有监督的粒子/基底ML分类器输出的概率图，显示了PG纳米粒子在压缩到表面时较硬的内部区域，以及周围的硬基底（4-MPBA/金）。(C) A中的粒子区域和B中的较硬内部区域被用来手动生成这个掩模图像。内部（白色）和外部（灰色）区域被用来训练和测试有监督的粒子内部结构ML分类器。我们仅使用无监督的粒子/基底ML分类器确定的与PG纳米粒子对应的力-距离曲线来训练无监督的粒子内部结构ML分类器。训练过程中使用了与有监督ML分类器相同的选定输入特征（表S1），并且设置了2个簇。我们使用了90%（39,236个力-距离曲线）来训练分类器。

我们使用来自训练数据集、测试数据集以及包含训练/测试数据集之外的新的、未见数据的数据集来评估ML分类器的性能。通过使用测试数据集评估分类器，我们可以将输出分类与真实分类（通过手动标记确定）进行比较，并通过诸如正确识别的力-距离曲线的总百分比、假阳性的百分比和假阴性的百分比等指标来确定准确性。对于有监督的ML分类器，XGBoost算法还提供了一个衡量每个特征相对重要性的指标，即对分类器准确性提高的总贡献的百分比。为了解释有监督的ML分类器，我们检查了训练后对每个分类器最重要的特征。因为我们是手动设计这些特征的，因此我们可以将最重要的特征与力-距离曲线的不同区域联系起来，以了解最重要的机械性质。我们使用在三个不同日子里使用三种不同的AFM悬臂测量的三个新的、未见数据来评估所有ML分类器。这个数据集与训练和测试数据集是分开的，它使我们能够了解ML分类器的泛化能力和鲁棒性。我们使用了高度图像与ML分类器输出之间的定性比较，以及杨氏模量和半径值与之前工作结果的定量比较。

结果与讨论

有监督的粒子/基底机器学习分类器的准确性

对于用于测试有监督的粒子/基底ML分类器的104,858个力-距离曲线（测试数据集），我们获得了99.5%的总体像素分类准确性，假阳性百分比为0.3%，假阴性百分比为3.1%，当将力-距离曲线分类为对应于PG时（图S2A和B）。对有监督的粒子/基底ML分类器的准确性贡献最大的特征来自力-距离曲线的低力区域部分，描述了在低施加力下的变形（在0.04 nN到1 nN之间的力下测量的变形）。最重要的三个特征描述了这个低力区域，并占了有监督的粒子/基底ML分类器准确性提高的83.7%（图S2C）。考虑到软PG纳米粒子和硬基底之间的机械性质差异很大，因此从描述低力区域的特征中获得的准确性大幅提高是合理的。

将有监督的粒子/基底机器学习分类器应用于新的、未见的数据

将有监督的粒子/基底ML分类器应用于新的、未见的数据可以表示为一个概率图，其中每个像素的值代表它被分类为对应于PG纳米粒子的概率；图5B展示了一个例子。使用50%的概率阈值，我们生成了PG纳米粒子（图5C中的白色区域）和周围硬基底（图5C中的黑色区域）的位置分类图。为了只包括整个PG纳米粒子，我们移除了分类器识别为对应于PG的小像素簇（面积小于35像素）（图5D）。这些小区域可能是由于PG的小碎片或由于测量伪影产生的噪声/不规则的力-距离曲线造成的，在图5C中仅占归因于PG的像素的1.6%，在所有三个新的、未见数据的AFM扫描中占1.2%（图5C、图S4C和图S5C）。图5

(A) 硬基底（4-MPBA/金）上PG纳米粒子的AFM接触高度图像。黑色箭头指示的区域突出了基底上与PG纳米粒子在接触高度图像中形状和大小相似的圆形特征，但被有监督的ML分类器识别为硬基底的一部分。(B) 使用A中的测量数据，有监督的粒子/基底ML分类器输出的概率图，显示了每个像素对应于AFM尖端与PG相互作用的概率。(C) 使用50%的概率阈值输出的分类图，将每个像素分类为对应于PG（白色像素）或硬基底（黑色像素）。(D) 同样的分类图，去除了只占C中PG像素约1.6%的小簇（<35像素）的白色像素。为了定性评估有监督的粒子/基底ML分类器的性能，我们将整个扫描的接触高度图像（图5A）与使用有监督的粒子/基底ML分类器确定的PG纳米粒子区域进行了比较（图5D）。通过这种比较，我们可以看到有监督的粒子/基底ML分类器能够准确地确定基底上PG纳米粒子的位置：图5D中的PG纳米粒子区域在图5B中的平均概率为98%。图5还突出显示了接触高度图像中的一个区域，其中包含与PG纳米粒子非常相似的圆形物体（由图5A中的黑色箭头指示）。通过比较图5A中的输入数据的接触高度图像和图5D中有监督的粒子/基底ML分类器确定的粒子区域，我们看到这些可能被误认为是PG纳米粒子的圆形物体被有监督的粒子/基底ML分类器正确地分类为对应于硬基底。为了完整性，图S4A–D和S5A–D显示了额外新的、未见数据的接触高度图像和有监督的粒子/基底ML分类器的输出。为了定量评估有监督的粒子/基底ML分类器的性能，我们将新未见数据中对应于PG纳米粒子的像素的杨氏模量值E的中位数与之前工作中手动确定的孤立PG纳米粒子的杨氏模量值的中位数ē进行了比较。E的值是使用参考文献21中概述的拟合程序确定的，其中使用了修改后的Hertz模型来考虑底层硬基底的接近性。图S7B显示了所有对应于PG纳米粒子的像素的E值的直方图（N = 112,897）。这个分布的中位数值为693 kPa，中位数的标准误差为2 kPa，这与之前报告的孤立PG粒子的杨氏模量值的平均值ē（ē = 688 kPa，标准误差为23 kPa）非常吻合。我们还将新未见数据中单个孤立PG纳米粒子的平均等效球形半径与之前报告的氢化PG纳米粒子的平均值进行了比较。有监督的粒子/基底ML分类器的输出包括79个孤立的PG纳米粒子（不在扫描边界上且不与其他粒子接触）（图S6）。我们使用参考文献21中概述的方法计算了每个粒子的等效球形半径r，其中体积V是根据接触高度图像和底层基底的高度计算出的每个粒子区域内像素的体积之和。然后我们使用关系r = (3V/4π)1/3计算了r的值。图S7A显示了r的结果值的直方图，其中平均半径值为20.2 nm，标准误差为0.7 nm。这个值与之前使用手动方法确定的23.0 nm（标准误差为0.5 nm）以及使用小角中子散射和动态光散射确定的纳米粒子半径值非常吻合。本研究中发现的孤立PG纳米粒子的平均杨氏模量E的值与等效球形半径r的值之间的极好一致性，以及之前使用的方法得出的结果，提供了有监督的粒子/基底ML分类器正确识别基底上PG纳米粒子的位置和横向范围的信心。

无监督的粒子/基底机器学习分类器的准确性

为了直接比较有监督和无监督的ML分类器，我们使用了相同的测试数据集（104,858个力-距离曲线）来测试两种分类器，并将无监督ML分类器的输出与用于测试有监督ML分类器的标签进行了比较。对于无监督的粒子/基底ML分类器，我们获得了99.0%的总体像素分类准确性，假阳性百分比为0.4%，假阴性百分比为7.2%，当将力-距离曲线分类为对应于PG时（图S8A和B）。图S9提供了监督式和无监督式粒子/基底机器学习分类器在训练/测试数据集上的输出结果的视觉对比。软质PG纳米颗粒与硬质基底之间的机械性质差异较大，这导致无监督式机器学习分类器的分类准确率很高，其结果与监督式粒子/基底机器学习分类器的结果非常相似。将无监督式粒子/基底机器学习分类器应用于新的、未见过的数据

将训练好的无监督式粒子/基底机器学习分类器应用于新的、未见过的数据，可以得到PG纳米颗粒（图S10D–F中的白色区域）及其周围硬质基底（图S10D–F中的黑色区域）的位置分类图。为了仅包括完整的PG纳米颗粒，我们移除了分类器识别为PG的小像素簇（面积小于35像素）（图S10G–I）；这与监督式机器学习分类器使用的程序相同。这些小区域仅占新未见过的数据所有三次原子力显微镜（AFM）扫描中归类为PG的像素的1.3%（图S10D–F）。为了定性评估无监督式粒子/基底机器学习分类器的性能，我们将新未见过的数据的三次AFM扫描的接触高度图像与使用训练好的无监督式粒子/基底机器学习分类器确定的PG纳米颗粒区域进行了比较（图S10）。通过这种比较，我们可以看到训练好的无监督式粒子/基底机器学习分类器能够准确确定基底上PG纳米颗粒的位置。为了定量评估无监督式粒子/基底机器学习分类器的性能，并将其性能与监督式粒子/基底机器学习分类器进行比较，我们检查了训练好的无监督式（图S10D、E和F）和监督式（图5C以及图S4C、S5C）粒子/基底机器学习分类器的输出之间匹配的像素分类数量。我们发现，在新未见过的数据的三次AFM扫描中（共786,432条力-距离曲线），有98.5%（774,359条）的曲线在两种机器学习分类器的输出中具有相同的粒子/基底分类。我们注意到，即使在没有使用训练/测试数据集进行训练的情况下，将无监督分类器应用于新的、未见过的数据也得到了类似的结果。无监督式和监督式粒子/基底机器学习分类器输出结果的相似性表明，使用本文所述的方法可以轻松区分机械性质差异较大的材料，可能不需要使用标记数据进行监督训练。监督式内部粒子结构机器学习分类器的准确性

对于用于测试监督式内部粒子结构机器学习分类器（测试数据集）的4647条力-距离曲线，我们获得了86.0%的总体像素分类准确率，假阳性百分比为11.1%，假阴性百分比为18.4%，这些曲线被标记为对应于较硬的内部区域（图S3A和B）。我们注意到，手动标记较硬内部区域的难度导致了一些人为错误，这影响了本分析中假阳性和假阴性的百分比。对监督式内部粒子结构机器学习分类器准确性贡献最大的特征涵盖了力-距离曲线收缩和接近部分中的低力和高力范围，描述了（1）随着施加力的减小粒子高度的恢复，以及（2）随着施加力的增加粒子高度的变形。最重要的三个特征描述了2 nN到0.5 nN力范围内的粒子高度恢复情况，占监督式内部粒子结构机器学习分类器准确性提高的55.4%（图S3C）。接下来的三个最重要特征描述了0.5 nN到2 nN力范围内的粒子变形情况，占监督式内部粒子结构机器学习分类器准确性提高的13.1%（图S3C）。所有这六个特征都描述了大于0.5 nN力范围内的粒子高度变化，表明PG纳米颗粒的较硬内部结构对粒子压缩到基底时作用在AFM悬臂梁上的力有显著影响。将监督式内部粒子结构机器学习分类器应用于新的、未见过的数据

将训练好的监督式内部粒子结构分类器应用于由监督式粒子/基底机器学习分类器确定的PG纳米颗粒区域产生的力-距离曲线的新未见过的数据，可以得到一个概率图，其中每个像素的值代表被分类为对应于PG纳米颗粒较硬内部区域的概率；图6C展示了一个示例。使用50%的概率阈值，我们生成了PG纳米颗粒较硬内部区域的位置分类图，这些区域对应于较硬的内部结构（图6D中的白色区域），以及周围较软的外部区域（图6D中的灰色区域）。图6

（A，顶部）由监督式粒子/基底机器学习分类器确定的PG纳米颗粒区域的AFM接触高度图像。扫描区域的大小为1 μm × 1 μm。（A，底部）A中扫描区域的两个PG纳米颗粒的更高空间分辨率的AFM接触高度图像，由白色矩形标出。（B，顶部）同一扫描的AFM峰值力高度图像，显示了在2 nN施加力下压缩到表面时PG纳米颗粒内的较硬内部结构，以及周围的硬质基底（4-MPBA/金）。（B，底部）与A中相同的两个PG纳米颗粒的更高空间分辨率的AFM峰值力高度图像，由白色矩形标出。（C，顶部）使用A和B中显示的测量数据中的力-距离曲线，输出了监督式内部粒子结构机器学习分类器的结果，表明每个像素对应于PG纳米颗粒的较硬内部区域的概率。（C，底部）与A和B中相同的两个PG纳米颗粒的更高空间分辨率的输出。（D，顶部）使用50%的概率阈值对A、B和C中显示的相同区域，输出了监督式内部粒子结构机器学习分类器的结果，指示了颗粒的较硬内部（白色）和较软外部（灰色）区域。（D，底部）与A、B和C中相同的两个PG纳米颗粒的更高空间分辨率的输出。为了定性评估监督式内部粒子结构机器学习分类器的性能，我们将新未见过的数据的三次AFM扫描的接触高度图像（其中PG纳米颗粒被压缩到基底上，显示出较硬的内部结构，如图6B所示）与监督式内部粒子结构机器学习分类器在分类图中确定的相应较硬内部区域的图像（图6D）进行了比较。通过这种比较，我们观察到监督式内部粒子结构机器学习分类器能够准确确定基底上PG纳米颗粒的位置。为了定量评估监督式内部粒子结构机器学习分类器的性能，并将其性能与监督式粒子/基底机器学习分类器进行比较，我们检查了训练好的无监督式（图S10D、E和F）和监督式（图5C以及图S4C、S5C）粒子/基底机器学习分类器的输出之间匹配的像素分类数量。我们发现，在新未见过的数据的三次AFM扫描中（共786,432条力-距离曲线），有98.5%（774,359条力-距离曲线）的曲线在两种机器学习分类器的输出中具有相同的粒子/基底分类。我们注意到，即使在没有使用训练/测试数据集进行训练的情况下，将无监督分类器应用于新的、未见过的数据也得到了类似的结果。无监督式和监督式粒子/基底机器学习分类器输出结果的相似性表明，使用本文所述的方法可以轻松区分机械性质差异较大的材料，可能不需要使用标记数据进行监督训练。监督式内部粒子结构机器学习分类器的准确性

对于用于测试监督式内部粒子结构机器学习分类器的4647条力-距离曲线（测试数据集），我们获得了86.0%的总体像素分类准确率，假阳性百分比为11.1%，假阴性百分比为18.4%，这些曲线被标记为对应于较硬的内部区域（图S3A和B）。我们注意到，手动标记较硬内部区域的难度导致了一些人为错误，这影响了本分析中假阳性和假阴性的百分比。对监督式内部粒子结构机器学习分类器准确性贡献最大的特征涵盖了力-距离曲线收缩和接近部分中的低力和高力范围，描述了（1）随着施加力的减小粒子高度的恢复，以及（2）随着施加力的增加粒子高度的变形。最重要的三个特征描述了2 nN到0.5 nN力范围内的粒子高度恢复情况，占监督式内部粒子结构机器学习分类器准确性提高的55.4%（图S3C）。接下来的三个最重要特征描述了0.5 nN到2 nN力范围内的粒子变形情况，占监督式内部粒子结构机器学习分类器准确性提高的13.1%（图S3C）。所有这六个特征都描述了大于0.5 nN力范围内的粒子高度变化，表明PG纳米颗粒的较硬内部结构对粒子压缩到基底时作用在AFM悬臂梁上的力有显著影响。将监督式内部粒子结构机器学习分类器应用于新的、未见过的数据

将监督式内部粒子结构分类器应用于由监督式粒子/基底机器学习分类器确定的PG纳米颗粒区域产生的力-距离曲线的新未见过的数据，可以得到一个概率图，其中每个像素的值代表被分类为对应于PG纳米颗粒较硬内部区域的概率；图6C展示了一个示例。使用50%的概率阈值，我们生成了PG纳米颗粒较硬内部区域的位置分类图，这些区域对应于较硬的内部结构（图6D中的白色区域），以及周围较软的外部区域（图6D中的灰色区域）。图6

（A，顶部）由监督式粒子/基底机器学习分类器确定的PG纳米颗粒区域的AFM接触高度图像。扫描区域的大小为1 μm × 1 μm。（A，底部）A中扫描区域的两个PG纳米颗粒的更高空间分辨率的AFM接触高度图像，由白色矩形标出。（B，顶部）同一扫描的AFM峰值力高度图像，显示了在2 nN施加力下压缩到表面时PG纳米颗粒内的较硬内部结构，以及周围的硬质基底（4-MPBA/金）。（B，底部）与A中相同的两个PG纳米颗粒的更高空间分辨率的AFM峰值力高度图像，由白色矩形标出。（C，顶部）使用A和B中显示的测量数据中的力-距离曲线，输出了监督式内部粒子结构机器学习分类器的结果，表明每个像素对应于PG纳米颗粒的较硬内部区域的概率。（C，底部）与A和B中相同的两个PG纳米颗粒的更高空间分辨率的输出。（D，顶部）使用50%的概率阈值对A、B和C中显示的相同区域，输出了监督式内部粒子结构机器学习分类器的结果，指示了颗粒的较硬内部（白色）和较软外部（灰色）区域。（D，底部）与A、B和C中相同的两个PG纳米颗粒的更高空间分辨率的输出。为了定性评估监督式内部粒子结构机器学习分类器的性能，我们将PG纳米颗粒压缩到基底上显示出较硬内部结构的峰值力高度图像（如图6B所示），与监督式内部粒子结构机器学习分类器在分类图中确定的相应较硬内部区域的图像（图6D）进行了比较。通过这种比较，我们观察到监督式内部粒子结构机器学习分类器能够准确确定PG中较硬内部区域的位置（图6D中的白色内部区域）。为了完整性，额外的新未见过的数据的峰值力高度图像和监督式内部粒子结构机器学习分类器的输出分别显示在图S4E–G和S5E–G中。为了定量评估监督式内部粒子结构机器学习分类器的性能，我们将新未见过的数据中对应于较硬内部和较软外部区域的像素的杨氏模量E的中位数与之前使用手动方法确定的较硬内部和较软外部区域的中位数杨氏模量ē的平均值进行了比较。21 图S7C显示了由监督式内部粒子结构机器学习分类器确定的PG纳米颗粒较硬内部（橙色）和较软外部（蓝色）区域的杨氏模量E值的直方图。较硬内部区域的中位数E值为1006 kPa，中位数的标准误差为3 kPa；较软外部区域的中位数E值为503 kPa，中位数的标准误差为2 kPa。这些绝对和相对的模量值与之前为较硬内部区域（ē= 1053 kPa，标准误差为33 kPa）和较软外部区域（ē= 518 kPa，标准误差为20 kPa）确定的孤立PG纳米颗粒的平均中位数E值非常吻合。使用监督式内部粒子结构机器学习分类器确定的较硬内部和较软外部区域的平均杨氏模量E值之间的这种极好一致性，证明了监督式内部粒子结构机器学习分类器正确识别了PG纳米颗粒内较硬内部区域的位置和横向范围。除了高准确率和消除了用户偏见外，基于监督的机器学习分析还显著减少了分析时间。在相对较小的标记数据库（仅两个512像素×512像素的AFM图像）上训练了两个监督式分类器后，识别新未见过的数据中颗粒位置以及颗粒内的较硬内部和较软外部区域所需的时间从几小时减少到了几十秒。无监督式内部粒子结构机器学习分类器的准确性

对于用于测试无监督式内部粒子结构机器学习分类器的4360条力-距离曲线（测试数据集），我们获得了68.6%的总体像素分类准确率，假阳性百分比为24.1%，假阴性百分比为41.8%，这些曲线被标记为对应于较硬的内部区域（图S8C和D）。这些结果明显不如使用监督式内部粒子结构机器学习分类器获得的结果。PG纳米颗粒内较硬内部区域和较软外部区域的杨氏模量差异相对较小（约为2倍），导致它们的特征值分布相似。这导致特征空间内两个区域之间的边界相当不明显，从而导致无监督式内部粒子结构机器学习分类器识别的较硬内部区域的范围与手动标记的表示PG纳米颗粒内较硬内部结构的像素之间的匹配度相对较差。将无监督式内部粒子结构机器学习分类器应用于新的、未见过的数据

将无监督式内部粒子结构分类器应用于由无监督式粒子/基底机器学习分类器确定的PG纳米颗粒区域产生的力-距离曲线的新未见过的数据，可以得到PG纳米颗粒较硬内部区域的位置分类图，这些区域对应于较硬的内部结构（图S10J、K和L中的白色区域），以及周围较软的外部区域（图S10J、K和L中的灰色区域）。为了定性评估无监督式内部粒子结构机器学习分类器的性能，我们将新未见过的三次AFM扫描（图6B和图S4E以及图S5E）中PG纳米颗粒压缩到基底上显示出较硬内部结构的峰值力高度图像与监督式内部粒子结构机器学习分类器在分类图中确定的相应较硬内部区域的图像（图S10J、K和L）进行了比较。通过这种比较，我们观察到无监督式机器学习分类器在PG纳米颗粒内定位较硬内部区域的位置不一致，且准确性低于相应的监督式机器学习分类器。这很可能是由于较硬内部和较软外部区域的模量值差异相对较小，导致两个区域之间的边界相当不明显。总结与结论

我们开发了一种监督式机器学习（ML）方法，用于分析在软质植物糖原（PG）纳米颗粒上收集的原子力显微镜力谱（AFM-FS）数据。这种方法采用了两种监督式机器学习（ML）分类器，这些分类器利用了原子力显微镜（AFM）-力-距离（AFM-FS）实验中测量得到的特征以及力的撤回部分数据：一种分类器用于识别硬基底上软纳米颗粒的位置和空间范围，另一种分类器用于识别并量化单个纳米颗粒内部较硬的区域和外部较软的区域。我们将这些监督式ML分类器的准确性与两种使用k均值聚类的无监督式ML分类器的准确性进行了比较。在使用仅来自两张AFM图像的数据对所有分类器进行训练后，将它们应用于新的、未见过的AFM-FS图像，我们发现监督式和无监督式方法在识别软纳米颗粒的位置和空间范围方面具有相当的准确性；而监督式ML分类器在识别和量化颗粒内部较硬区域和外部较软区域方面表现得更为出色。与手动方法相比，这些ML方法显著缩短了识别表面PG纳米颗粒的时间，并消除了可能导致错误识别的用户偏见。我们的结果提供了一种改进的分析技术，有助于理解PG纳米颗粒的形态，并表明ML分类器可以准确高效地识别和量化软生物材料在纳米尺度上的机械性能变化。更广泛地说，我们的结果为利用AFM-FS数据的特征工程和ML分类器来表征样品形态以及识别样品中的不同材料提供了一个框架。我们相信，这一框架可以进一步开发，用于解释许多不同软材料和生物材料的AFM-FS测量结果，包括纳米颗粒、细胞、聚合物和蛋白质，以揭示或分类潜在结构，并区分多组分系统中的不同材料。

作者贡献：

本杰明·贝利斯（Benjamin Baylis）：概念构思、研究设计、方法论制定、正式分析、初稿撰写。
约翰·达彻（John Dutcher）：概念构思、项目监督、资金获取、正式分析、审稿与编辑。

利益冲突：

我们声明J.R.D.是Mirexus Biotechnologies Inc.的创始人，该公司为本研究提供了植物糖原纳米颗粒。

数据可用性：

AFM图像包含在手稿和补充信息（SI）中，分析代码可在以下链接获取：https://github.com/Dutcher-Lab/AFM-Material-Classification。补充信息请参见DOI：https://doi.org/10.1039/d5sm00943j。

致谢：

Mirexus Biotechnologies Inc.慷慨提供了植物糖原纳米颗粒。我们感谢Michael Grossutti的宝贵讨论。本工作得到了加拿大自然科学与工程研究委员会（NSERC）的资助（J.R.D.）。J.R.D.获得了CEPS新型可持续纳米材料研究主席的职位。

参考文献