Muchas aplicaciones de biodetección se basan en la caracterización de analitos específicos como proteínas, virus y bacterias, entre muchos otros objetivos, que se puede lograr mediante el uso de partículas a micro o nanoescala. En tales biosensores, estas partículas están recubiertas con una química de superficie que las hace adherirse al analito objetivo formando grupos en respuesta. Cuanto mayor sea la concentración de analito objetivo, cuanto mayor sea el número de clusters. Por lo tanto, El seguimiento y la caracterización de estos grupos de partículas pueden decirnos si el analito objetivo está presente en una muestra y en qué concentración. Los métodos actuales para realizar un análisis de este tipo están limitados porque solo son capaces de realizar una lectura aproximada o dependen de microscopios costosos y voluminosos. que limitan su aplicabilidad para abordar diferentes necesidades de biosensores, especialmente en entornos con recursos limitados.

Para superar las deficiencias de las soluciones existentes, Los investigadores de UCLA han desarrollado un método de biodetección rápido y automatizado basado en la holografía junto con el aprendizaje profundo; actualmente, uno de los métodos más prometedores y utilizados con éxito en inteligencia artificial, AI. En este sistema, todos los grupos de partículas y micropartículas individuales en una muestra se visualizan primero en 3-D como hologramas, todo al mismo tiempo, y sobre un área de muestra muy grande de más de 20 mm ² , más de diez veces más grande que el área de imagen de un microscopio óptico estándar. Próximo, una red neuronal profunda entrenada procesa estos hologramas y los reconstruye rápidamente en imágenes de grupos similares a los que podrían obtenerse con un microscopio de barrido estándar, pero haciendo esto mucho más rápido y para un volumen de muestra significativamente mayor. Durante este proceso, todos los grupos de partículas a microescala (que revelan la presencia del analito objetivo) se cuentan automáticamente con una sensibilidad similar a la de un microscopio de laboratorio.

Como prueba de concepto, Los investigadores de UCLA demostraron con éxito la aplicación de este enfoque de biosensores basado en el aprendizaje profundo para detectar el virus del herpes simple (HSV) y lograron un límite de detección de ~ 5 virus por microlitro. proporcionando un nivel de sensibilidad clínicamente relevante para la detección del VHS. El VHS es una de las infecciones virales más extendidas que se estima que ha afectado a más del 50% de los adultos en los EE. UU.

Este trabajo fue publicado como artículo de portada en Fotónica ACS , una revista de la American Chemical Society. La investigación fue dirigida por el Dr. Aydogan Ozcan, director asociado del California NanoSystems Institute (CNSI) y profesor del canciller de ingeniería eléctrica e informática en la Escuela de Ingeniería y Ciencias Aplicadas Henry Samueli de UCLA, junto con Yichen Wu, un estudiante graduado, y Aniruddha Ray, un becario postdoctoral, en el departamento de ingeniería eléctrica e informática de UCLA.

"Nuestro trabajo demuestra una plataforma económica para una lectura rápida y cuantificación de una amplia variedad de biosensores basados ​​en agrupamiento de partículas. Esta capacidad única habilitada por el aprendizaje profundo ayudará a democratizar la instrumentación de biosensores, haciéndolos adecuados para su uso a gran escala incluso en países en desarrollo, "dijo Ozcan.