Aprendizaje automático para predecir las propiedades ópticas de nanostrellas de oro

protocolos sin semillas con tampones de Good, que son beneficiosos debido a su simplicidad y al uso de reactivos biocompatibles. Sin embargo, el crecimiento de AuNS y sus propiedades ópticas se ven afectados por varios factores experimentales durante su síntesis sin semillas, lo que afecta su rendimiento en diagnóstico y terapia. En este estudio, desarrollamos un flujo de trabajo basado en modelos de aprendizaje automático para predecir las propiedades ópticas de AuNS. Este enfoque incluye la recolección de datos, la selección de características, la generación de datos y la selección de modelos, resultando en predicciones de las posiciones de la primera y segunda resonancia de plasmones superficiales localizados dentro del 9 y 15% de sus valores reales (error porcentual cuadrático medio), respectivamente. Nuestros resultados destacan los beneficios de utilizar modelos de aprendizaje automático para inferir las propiedades ópticas de AuNS a partir de sus condiciones de síntesis, mejorando potencialmente el diseño y la producción de nanopartículas para un mejor diagnóstico y terapia de enfermedades.