Machine Learning Berhasil Memprediksi Aktivitas Antimikroba Nano-tekstil

BULETIN TEKSTIL.COM/ JAKARTA- Karena luas permukaannya yang sangat besar dan kemampuan penyerapan kelembapannya, bahan tekstil memungkinkan bakteri untuk berkembang biak, menghasilkan dampak yang tidak menguntungkan pada tekstil dan pengguna akhir. Para peneliti memperkenalkan model regresi inovatif untuk memprediksi aktivitas antibakteri nano-tekstil setelah banyak pencucian standar terus menerus.

Aksi Mikroba pada Bahan Tekstil (Microbial Actions on Textile Materials)

Kain tekstil rentan terhadap infiltrasi bakteri karena kualitas intrinsiknya dalam hubungannya dengan berbagai kondisi lingkungan seperti kelembaban dan suhu. Munculnya bakteri berbahaya mempengaruhi tekstil, seperti menghasilkan asap beracun, bintik-bintik, dan pewarnaan, dan meningkatkan kemungkinan penularan ke konsumen. Sangat penting untuk menerapkan perawatan antimikroba pada bahan tekstil untuk mengurangi perkembangan bakteri saat digunakan.

Mikroba dapat berkembang biak dan bertahan pada tekstil selama berhari-hari hingga berbulan-bulan. Kolonisasi mikroba patogen pada permukaan menghasilkan biofilm yang tidak dapat ditembus oleh perawatan antimikroba.

Nanomaterial antimikroba (Antimicrobial Nanomaterials).

Nanomaterial antimikroba (NMs) digunakan dalam kombinasi dengan antibiotik untuk mencegah pertumbuhan bakteri yang resistan terhadap banyak obat dan memberikan perubahan multiguna pada tekstil. NMS meningkatkan toleransi kain terhadap mikroorganisme, meningkatkan daya serap pewarna, dan memodifikasi hidrofilisitas, memungkinkan proses sintesis yang efektif tanpa mempengaruhi karakteristik tekstil.

Sifat antibakteri NMS (organik dan anorganik) terhubung dengan ketidakmampuan mikroba untuk mengembangkan resistensi terhadap yang terakhir. Banyak NM organik dan anorganik telah digunakan dalam industri tekstil, termasuk NM logam anorganik dan oksida logam seperti perak (Ag) dan titanium oksida.

Mekanisme antibakteri NMS memerlukan beberapa jenis tindakan. Rute utama termasuk generasi Reactive Oxygen Species (ROS), pecahnya membran sel mikroba, dan pelepasan bahan kimia yang membatasi fungsi kehidupan mikroorganisme, yang pasti menyebabkan kematian mereka.

Banyak parameter, termasuk proses pengendapan dan keadaan pencucian, mempengaruhi kemampuan antibakteri dari kain yang diperlakukan dengan NMs (nano-tekstil). Tergantung pada jenis NM dan seratnya, ada banyak cara untuk menyimpan NM pada tekstil.

Nanomaterials baik diintegrasikan ke dalam serat setelah ekstrusi atau melekat pada permukaan selama pemrosesan. Tekstil mengalami berbagai kondisi selama masa pakainya, termasuk pencucian, kehangatan, dan pembersihan kering; dalam beberapa kasus, penting untuk mengetahui seberapa baik tekstil dapat mempertahankan kualitas antimikrobanya.

Alat Pembelajaran Mesin untuk Aktivitas Mikroba Tekstil (Machine Learning Tool for Textile Microbial Activity).

Pembelajaran mesin (ML) adalah subbidang kecerdasan buatan (AI) yang mencakup berbagai teknik pemodelan yang digunakan untuk berbagai kebutuhan komputasi data; itu telah mendapatkan daya tarik dalam beberapa tahun terakhir di beberapa bidang ilmiah.

Dalam penelitian ini, peneliti menggunakan model regresi untuk memperkirakan kapasitas antimikroba sebagai zona penghambatan beberapa NM. Pendekatan pembelajaran mesin disediakan untuk memprediksi kemanjuran antibakteri dan daya tahan tekstil nano setelah banyak pencucian. Sebagai masukan, metode ini memperkirakan kapasitas antimikroba dengan memeriksa karakteristik p-kimia dari NMS, pengaturan paparan, dan spesies bakteri.

Alur kerja pengembangan model. Kami menggunakan model regresi yang berbeda. Dinilai dengan mean absolute error (MAE), mean square error (MSE), root mean square error (RMSE), dan koefisien determinasi atau R-kuadrat (R2).

Model Regresi (Regression Models)

Dalam karya ini, model regresi menemukan hubungan antara karakteristik p-chem NM dan pengaturan eksperimental dan proporsi penurunan bakteri, memungkinkan perkiraan daya tahan antimikroba nano-tekstil setelah banyak pencucian. Berbagai metode regresi digunakan sebagai calon potensial untuk menentukan model mana yang memberikan perkiraan akurat terbaik. Model ini termasuk LASSO, RR, ENR, RF, SVR, dan KNN.

Temuan Penelitian (Research Findings)

Organisme (bakteri dan jamur) dibagi menjadi 18 kategori terpisah.

A) Metode aplikasi yang berbeda; (B) organisme yang diselidiki berbeda (bakteri dan jamur) digunakan sebagai masukan.

Kami menemukan bahwa RF melampaui yang lain berdasarkan metodologi penilaian dan validasi. Untuk mempertahankan dan mempertahankan kemampuan antibakteri tekstil nano, kepatuhan yang kuat antara NM dan permukaan diperlukan.

Faktor terpenting yang menentukan efisiensi tekstil nano antimikroba adalah jenis NM. Diameter NM, jenis permukaan, teknik penilaian, dan siklus pencucian ditentukan sebagai parameter yang relevan secara signifikan, diikuti dengan teknik aplikasi (deposisi), morfologi, dan uji ketahanan. Pengaruh kandungan NM, periode, jenis perekat, dan spesies yang dikenakan memiliki dampak yang relatif kecil pada perkiraan kemampuan antibakteri nano-tekstil.

Gambar 3. Analisis kepentingan atribut dengan model RF.

Singkatnya, teknik pembelajaran mesin (ML) yang memperkirakan kemampuan bakterisida nanotekstil sebelum dan sesudah beberapa kali pencucian (hingga 50 kali pencucian) untuk menentukan faktor paling relevan yang memengaruhi prakiraan telah berhasil diterapkan. Kapasitas untuk memprediksi kemampuan antimikroba dari nano-tekstil, khususnya dalam konteks rumah sakit, sangat menjanjikan untuk menawarkan keuntungan terapeutik yang nyata.

Reference

Mirzaei, M., Furxhi, I., Murphy, F. & Mullins, M., (2021) A Supervised Machine-Learning Prediction of Textile’s Antimicrobial Capacity Coated with Nanomaterials. Coatings, 11(12). 1532. Available at: https://www.mdpi.com/2079-6412/11/12/1532

(Red B-Teks/ Ly)

Disclaimer: Pandangan yang diungkapkan di sini adalah pandangan penulis yang diungkapkan dalam kapasitas pribadi mereka

Hits: 16

Shared to Media Social

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan.