Wetenschappers ontwikkelen een op deep learning gebaseerd biosensorplatform om virale deeltjes beter te tellen

Recente onderzoeken hebben aangetoond dat biosensoren van Gires-Tournois (GT), een soort nanofotonische resonator, minuscule virusdeeltjes kunnen detecteren en kleurrijke microfoto’s (beelden gemaakt door een microscoop) van virale ladingen kunnen produceren. Maar ze hebben last van visuele artefacten en niet-reproduceerbaarheid, waardoor het gebruik ervan wordt beperkt.

Bij een recente doorbraak heeft een internationaal team van onderzoekers, onder leiding van professor Young Min Song van de School of Electrical Engineering and Computer Science aan het Gwangju Institute of Science and Technology in Korea, kunstmatige intelligentie (AI) ingezet om dit probleem te overwinnen. Hun werk werd gepubliceerd in Nano vandaag.

Snelle diagnostische technologieën ter plaatse voor het identificeren en kwantificeren van virussen zijn essentieel voor het plannen van behandelstrategieën voor geïnfecteerde patiënten en het voorkomen van verdere verspreiding van de infectie. De COVID-19-pandemie heeft de behoefte benadrukt aan nauwkeurige maar gedecentraliseerde diagnostische tests die geen complexe en tijdrovende processen met zich meebrengen die nodig zijn voor conventionele laboratoriumtests.

Een populair diagnostisch hulpmiddel voor het kwantificeren van virale lasten is helderveldmicroscopische beeldvorming. De kleine omvang (~ 100 nm) en de lage brekingsindex (~ 1,5, hetzelfde als die van een microscoopglaasje) van biodeeltjes zoals virussen maken hun nauwkeurige schatting echter vaak moeilijk en verhogen de detectielimiet (de laagste concentratie van virale lading die betrouwbaar kan worden gedetecteerd).

In hun nieuwe onderzoek stelde het team een ​​synergetische biosensorische tool voor, genaamd ‘DeepGT’, die de voordelen van GT-detectieplatforms kan benutten en deze kan samenvoegen met op deep learning gebaseerde algoritmen om biodeeltjes op nanoschaal, inclusief virussen, nauwkeurig te kwantificeren zonder de noodzaak van complexe monsters. bereidingswijzen.

“We hebben DeepGT ontworpen om de ernst van een infectie of ziekte objectief te beoordelen. Dit betekent dat we niet langer uitsluitend afhankelijk zullen zijn van subjectieve beoordelingen voor diagnose en gezondheidszorg, maar in plaats daarvan een nauwkeurigere en datagestuurde aanpak zullen hebben om therapeutische strategieën te sturen. ”, legt prof. Song uit en onthult de motivatie achter hun onderzoek.

Het team ontwierp een GT-biosensor met een drielaagse dunne-filmconfiguratie en biofunctionaliseerde deze om colorimetrische detectie mogelijk te maken bij interactie met doelanalyten. De detectiecapaciteiten werden geverifieerd door het bindingsmechanisme tussen gastheercellen en het virus te simuleren met behulp van speciaal geprepareerde biodeeltjes die SARS-CoV-2 nabootsten – de coronavirusstam die de COVID-19-pandemie veroorzaakte.

Vervolgens trainden de onderzoekers een convolutioneel neuraal netwerk (CNN) met behulp van meer dan duizend optische en scanning-elektronenmicrofoto’s van het GT-biosensoroppervlak met verschillende soorten nanodeeltjes. Ze ontdekten dat DeepGT visuele artefacten die verband houden met helderveldmicroscopie kon verfijnen en relevante informatie kon extraheren, zelfs bij virale concentraties zo laag als 138 pg ml^–1.

Bovendien werd het aantal biodeeltjes met een hoge nauwkeurigheid bepaald, gekenmerkt door een gemiddelde absolute fout van 2,37 over 1.596 afbeeldingen, vergeleken met 13,47 voor op regels gebaseerde algoritmen, in minder dan een seconde. Gesterkt door de prestaties van CNN’s kan het biosensorsysteem ook de ernst van de infectie aangeven, van asymptomatisch tot ernstig, op basis van de virale lading.

DeepGT biedt dus een efficiënte en nauwkeurige manier om virussen over een breed groottebereik te screenen zonder gehinderd te worden door de minimale diffractielimiet in zichtbaar licht. “Onze aanpak biedt een praktische oplossing voor de snelle detectie en beheersing van opkomende virale bedreigingen en voor de verbetering van de paraatheid op het gebied van de volksgezondheid door mogelijk de totale last van de kosten die verband houden met diagnostiek te verminderen”, besluit prof. Song.