Diagnostische test die twee technologieën combineert met machinaal leren kan leiden tot een nieuw paradigma voor thuistesten

Een nieuw diagnostisch testsysteem dat gezamenlijk is ontwikkeld aan de Pritzker School of Molecular Engineering (PME) van de University of Chicago en de Samueli School of Engineering van de UCLA, combineert een krachtige, gevoelige transistor met een goedkope, op papier gebaseerde diagnostische test. In combinatie met machine learning wordt het systeem een ​​nieuw soort biosensor die uiteindelijk thuistesten en -diagnostiek zou kunnen transformeren.

Onder leiding van Prof. Junhong Chen van de Universiteit van Chicago en Prof. Aydogan Ozcan van de UCLA combineerde het onderzoeksteam een ​​veldeffecttransistor (FET) – een apparaat dat concentraties van biologische moleculen kan detecteren – met een analytische cartridge op papier (hetzelfde type technologie dat wordt gebruikt bij zwangerschaps- en COVID-tests thuis.)

De combinatie verenigt de hoge gevoeligheid van FET’s met de lage kosten van de op papier gebaseerde cartridges. In combinatie met machine learning mat de test cholesterol in een serummonster met meer dan 97% nauwkeurigheid, vergeleken met resultaten van het CLIA-gecertificeerde klinische chemielaboratorium van University of Chicago Medicine, onder leiding van Prof. KT Jerry Yeo.

Het onderzoek, gepubliceerd in ACS Nanowerd uitgevoerd in samenwerking met Ozcans team bij UCLA, dat gespecialiseerd is in op papier gebaseerde sensorsystemen en machine learning. Het resultaat is een proof of concept dat uiteindelijk gebruikt kan worden om goedkope, zeer nauwkeurige, thuisdiagnostische tests te maken die in staat zijn om een ​​verscheidenheid aan biomarkers van gezondheid en ziekte te meten.

“Door de beperkingen in elk onderdeel aan te pakken en machine learning toe te voegen, hebben we een nieuw testplatform gecreëerd waarmee we ziekten kunnen diagnosticeren, biomarkers kunnen detecteren en therapieën thuis kunnen monitoren”, aldus Hyun-June Jang, postdoctoraal onderzoeker en mede-hoofdauteur van het artikel, samen met Hyou-Arm Joung van UCLA.

Diagnostische thuistesten, zoals zwangerschaps- of COVID-testen, gebruiken op papier gebaseerde assaytechnologie om de aanwezigheid van een doelmolecuul te detecteren. Hoewel deze testen eenvoudig en goedkoop zijn, zijn ze grotendeels kwalitatief en informeren ze de gebruiker of de biomarker aanwezig is of niet.

Aan de andere kant van het testspectrum staan ​​FET’s, oorspronkelijk ontworpen voor elektronische apparaten. Tegenwoordig worden ze ook gebruikt als zeer gevoelige biosensoren die in staat zijn tot realtime biomarkerdetectie. Velen geloven dat FET’s de toekomst van biosensing zijn, maar hun commercialisering is belemmerd door de specifieke testconditievereisten. In een zeer complexe matrix zoals bloed kan het voor FET’s moeilijk zijn om een ​​signaal van een analyt te detecteren.

De teams van Chen en Ozcan wilden beide technologieën combineren om een ​​nieuw soort testsysteem te creëren. De papiervloeistoftechnologie, met name het poreuze sensormembraan, verminderde de behoefte aan de gecompliceerde, gecontroleerde testomgeving die normaal gesproken vereist is voor de FET’s. Het biedt ook een goedkope basis voor het systeem, aangezien elke cartridge ongeveer 15 cent kost.

Toen het team deep-learning kinetische analyse integreerde, verbeterde het de nauwkeurigheid en precisie van de testresultaten binnen de FET.

“We hebben de nauwkeurigheid vergroot en een apparaat gemaakt dat in totaal minder dan vijftig dollar kost,” zei Jang. “En de FET kan worden hergebruikt met wegwerpcartridgetests.”

Om het systeem te testen, programmeerde het team het apparaat om cholesterol te meten uit geanonimiseerde, overgebleven menselijke plasmamonsters. In 30 blinde tests mat het systeem het cholesterol met meer dan 97% nauwkeurigheid, wat de totale toegestane fout van 10% ver overschreed, volgens de CLIA-richtlijnen.

Het team voerde ook een proof-of-concept-experiment uit, waaruit bleek dat het apparaat immunoassays kan bevatten. Deze worden veel gebruikt bij het kwantificeren van hormonen, tumormarkers en hartbiomarkers.

“Het is een klassiek diagnostisch systeem dat nu veel beter is, wat belangrijk is omdat thuistesten en -diagnostiek steeds populairder worden in het Amerikaanse zorgstelsel”, aldus Jang.

Vervolgens zal het team het systeem voor immunoassay-testen ontwikkelen en uiteindelijk hopen ze te laten zien hoe het systeem meerdere biomarkers kan detecteren met één enkele monsterinvoer. “Deze technologie heeft het potentieel om meerdere biomarkers te detecteren in één enkele druppel bloed,” zei Jang.

Andere medeauteurs van het artikel zijn Artem Goncharov, Anastasia Gant Kanegusuku, Clarence W. Chan, Kiang-Teck Jerry Yeo en Wen Zhuang.