Forskere udvikler dyb læringsbaseret biosensing platform for bedre at tælle virale partikler

Nylige undersøgelser har fundet ud af, at Gires-Tournois (GT) biosensorer, en type nanofotonisk resonator, kan detektere små viruspartikler og producere farverige mikrofotografier (billeder taget gennem et mikroskop) af viral belastning. Men de lider af visuelle artefakter og ikke-reproducerbarhed, hvilket begrænser deres udnyttelse.

I et nyligt gennembrud har et internationalt team af forskere, ledet af professor Young Min Song fra School of Electrical Engineering and Computer Science ved Gwangju Institute of Science and Technology i Korea, udnyttet kunstig intelligens (AI) til at overvinde dette problem. Deres arbejde blev offentliggjort i Nano Today .

Hurtige og on-site diagnostiske teknologier til at identificere og kvantificere vira er afgørende for planlægning af behandlingsstrategier for inficerede patienter og forebyggelse af yderligere spredning af infektionen. COVID-19-pandemien har fremhævet behovet for nøjagtige, men decentraliserede diagnostiske test, der ikke involverer komplekse og tidskrævende processer, der er nødvendige for konventionelle laboratoriebaserede tests.

Et populært point-of-care diagnostisk værktøj til at kvantificere viral belastning er lysfelt mikroskopisk billeddannelse. Imidlertid gør den lille størrelse (~ 100 nm) og det lave brydningsindeks (~ 1,5, det samme som på et objektglas) af biopartikler, såsom vira, ofte deres nøjagtige estimering vanskelig og øger detektionsgrænsen (den laveste koncentration af viral belastning) der kan detekteres pålideligt).

I deres nye undersøgelse foreslog holdet et synergistisk biosensingværktøj kaldet "DeepGT", som kan udnytte fordelene ved GT-sensingplatforme og fusionere dem med deep learning-baserede algoritmer for nøjagtigt at kvantificere biopartikler i nanoskala, inklusive vira, uden behov for kompleks prøve forberedelsesmetoder.

"Vi designede DeepGT til objektivt at vurdere sværhedsgraden af ​​en infektion eller sygdom. Det betyder, at vi ikke længere skal stole udelukkende på subjektive vurderinger til diagnose og sundhedspleje, men vil i stedet have en mere præcis og datadrevet tilgang til at vejlede terapeutiske strategier. ," forklarer prof. Song og afslører motivationen bag deres undersøgelse.

Holdet designede en GT-biosensor med en trelags tyndfilmskonfiguration og biofunktionaliserede den for at muliggøre kolorimetrisk sensing ved interaktion med målanalytter. Sanseevnerne blev verificeret ved at simulere bindingsmekanismen mellem værtsceller og virussen ved hjælp af specielt fremstillede biopartikler, der efterlignede SARS-CoV-2 – coronavirus-stammen, der forårsagede COVID-19-pandemien.

Dernæst trænede forskerne et konvolutionelt neuralt netværk (CNN) ved hjælp af over tusind optiske og scanningselektronmikrografer af GT-biosensoroverfladen med forskellige typer nanopartikler. De fandt ud af, at DeepGT var i stand til at forfine visuelle artefakter forbundet med lysfeltsmikroskopi og udtrække relevant information, selv ved virale koncentrationer så lave som 138 pg ml ^–1 .

Desuden bestemte den biopartikelantallet med høj nøjagtighed, karakteriseret ved en gennemsnitlig absolut fejl på 2,37 på tværs af 1.596 billeder sammenlignet med 13,47 for regelbaserede algoritmer, på under et sekund. Forstærket af CNN'ers ydeevne kan biosensingsystemet også indikere infektionens sværhedsgrad fra asymptomatisk til alvorlig baseret på virusbelastningen.

DeepGT præsenterer således en effektiv og præcis måde at screene vira på over et bredt størrelsesområde uden at blive hindret af minimumsdiffraktionsgrænsen i synligt lys. "Vores tilgang giver en praktisk løsning til hurtig detektion og håndtering af nye virale trusler samt forbedring af folkesundhedsberedskab ved potentielt at reducere den samlede byrde af omkostninger forbundet med diagnostik," konkluderer prof. Song.

Flere oplysninger: Jiwon Kang et al., DeepGT:Dyb læringsbaseret kvantificering af biopartikler i nanostørrelse i lysfeltsmikrografer af Gires-Tournois biosensor, Nano Today (2023). DOI:10.1016/j.nantod.2023.101968

Journaloplysninger: Nano i dag

Leveret af Gwangju Institute of Science and Technology