Ultra-high dilutions analysis: Exploring the effects of potentization by electron microscopy, Raman spectroscopy and deep learning

„Das Thema der ultrahohen Verdünnungen [Ultra-high dilutions (UHD), Herstellungsverfahren in der Homöopathie; Anm. d. Übers.] wird seit Jahren immer wieder diskutiert, vor allem weil die Analyse-Möglichkeiten für diese Art der verdünnten Lösungen begrenzt sind. In diesem Kontext wurden stark verdünnten Lösungen von Gold [Aurum Metallicum; Anm. d. Übers.] auf Ethanol- und Wasserbasis mit dem Transmissionselektronenmikroskop (TEM) untersucht, um die morphologischen Eigenschaften von zu bewerten; für jede Art von Lösung wurden drei Potenzierungsstufen (C6, C30 und C200) untersucht. Außerdem wurden Raman-Spektroskopie und Deep-Learning-Algorithmen (DL) für die Analyse der drei Potenzierungsstufen von gereinigtem Wasser, ungereinigtem Wasser und gereinigten Goldlösungen auf Wasserbasis eingesetzt. Für jede betrachtete Kategorie wurden drei Chargen beurteilt, und die Fähigkeit, zwischen allen untersuchten Klassen, zwischen den Potenzen innerhalb jeder Gruppe oder zwischen den Klassen auf derselben Potenzierungsstufe zu unterscheiden, wurde dargestellt und in Korrelation mit den TEM-Ergebniss diskutiert. Durch TEM wurden unterschiedliche Organisationsformen für die drei Potenzierungsstufen sichtbar. Das Modell der gated recurrent unit (GRU) zeigte eine hohe Genauigkeit (88 %) bei der Unterscheidung aller Klassen, über 90 % Genauigkeit beim Unterscheiden der Proben innerhalb jeder Gruppe und über 95 % Genauigkeit bei der Klassifizierung innerhalb derselben Potenzierungsstufe, wenn unbearbeitete Raman-Spektren [Rohdaten; Anm. d. Übers.] verwendet wurden. Diese Methode (TEM-EDX und Raman-Spektroskopie in Kombination mit DL) kann demnach erfolgreich zur Charakterisierung und Differenzierung von hochverdünnten Lösungen eingesetzt werden, wie sie nach dem Potenzierungsverfahren entstehen. Darüber hinaus kann, basierend auf den Ergebnissen der Diskriminationsstudie, die alle 11 Klassen und einen Ansatz zur Datenaugmentation umfasst, die spektrale Segmentierungsmethode als wertvolle Strategie zur Steigerung der Vorhersagegenauigkeit des Modells betrachtet werden."

Grafischer Abstract