Molte applicazioni di biorilevamento si basano sulla caratterizzazione di analiti specifici come proteine, virus e batteri, tra molti altri obiettivi, che può essere ottenuto utilizzando particelle su micro o nanoscala. In tali biosensori, queste particelle sono rivestite con una chimica superficiale che le fa aderire all'analita bersaglio formando cluster in risposta. Maggiore è la concentrazione dell'analita target, maggiore è il numero di cluster. Perciò, monitorare e caratterizzare questi cluster di particelle può dirci se l'analita target è presente in un campione e in quale concentrazione. I metodi attuali per eseguire tale analisi sono limitati in quanto sono in grado di eseguire solo una lettura grossolana o si basano su microscopi costosi e ingombranti, che limitano la loro applicabilità per soddisfare le diverse esigenze di biorilevamento, soprattutto in ambienti con risorse limitate.

Per superare le carenze delle soluzioni esistenti, I ricercatori dell'UCLA hanno sviluppato un metodo di biorilevamento rapido e automatizzato basato sull'olografia abbinato al deep learning – attualmente, uno dei metodi più promettenti e utilizzati con successo nell'intelligenza artificiale, AI. In questo sistema, tutti i gruppi di particelle e le singole microparticelle in un campione vengono prima visualizzate in 3-D come ologrammi, tutto allo stesso tempo, e su un'area campione molto ampia di oltre 20 mm ² , più di dieci volte più grande dell'area di imaging di un microscopio ottico standard. Prossimo, una rete neurale profonda addestrata elabora questi ologrammi e li ricostruisce rapidamente in immagini di cluster simili a quelli che potrebbero essere ottenuti con un microscopio a scansione standard, ma farlo molto più velocemente e per un volume di campione significativamente più grande. Durante questo processo, tutti i cluster di particelle alla microscala (rivelando la presenza dell'analita target) vengono contati automaticamente con una sensibilità simile a quella di un microscopio da laboratorio.

Come prova del concetto, I ricercatori dell'UCLA hanno dimostrato con successo l'applicazione di questo approccio di biorilevamento basato sull'apprendimento profondo per rilevare il virus dell'herpes simplex (HSV) e hanno raggiunto un limite di rilevamento di ~ 5 virus per microlitro, fornendo un livello di sensibilità clinicamente rilevante per il rilevamento dell'HSV. L'HSV è una delle infezioni virali più diffuse che si stima abbia colpito più del 50% degli adulti negli Stati Uniti.

Questo lavoro è stato pubblicato come articolo di copertina in Fotonica ACS , una rivista dell'American Chemical Society. La ricerca è stata guidata dal Dr. Aydogan Ozcan, direttore associato del California NanoSystems Institute (CNSI) e professore di ingegneria elettrica e informatica presso la UCLA Henry Samueli School of Engineering and Applied Science, insieme a Yichen Wu, uno studente laureato, e Raggio Aniruddha, uno studioso post-dottorato, presso il dipartimento di ingegneria elettrica e informatica dell'UCLA.

"Il nostro lavoro dimostra un'automazione, piattaforma economica per la lettura rapida e la quantificazione di un'ampia varietà di biosensori basati sul clustering di particelle. Questa capacità unica resa possibile dal deep learning aiuterà a democratizzare la strumentazione di biorilevamento, rendendoli adatti ad un uso su larga scala anche nei paesi in via di sviluppo, ", ha detto Ozcan.