Många biosensingapplikationer är beroende av karakterisering av specifika analytter, såsom proteiner, virus och bakterier, bland många andra mål, vilket kan åstadkommas genom att använda partiklar i mikro- eller nanoskala. I sådana biosensorer, dessa partiklar är belagda med en ytkemi som gör att de fastnar på målanalyten och bildar kluster som svar. Ju högre målanalytkoncentrationen är, ju större antal kluster blir. Därför, övervakning och karakterisering av dessa partikelkluster kan berätta om målanalyten finns i ett prov och i vilken koncentration. Nuvarande metoder för att utföra en sådan analys är begränsade genom att de antingen bara kan grovt avläsa eller förlita sig på dyra och skrymmande mikroskop, som begränsar deras tillämplighet för att tillgodose olika biosensibehov, särskilt i resursbegränsade miljöer.

För att övervinna bristerna i de befintliga lösningarna, UCLA -forskare har utvecklat en snabb och automatiserad metod för biosensering baserad på holografi i kombination med djupinlärning - för närvarande en av de mest lovande och framgångsrikt använda metoderna inom artificiell intelligens, AI. I detta system, alla partikelkluster och individuella mikropartiklar i ett prov avbildas först i 3D som hologram, alla på samma gång, och över en mycket stor provyta på mer än 20 mm ² , mer än tio gånger större än avbildningsytan hos ett optiskt standardmikroskop. Nästa, ett utbildat djupt neuralt nätverk bearbetar dessa hologram och rekonstruerar dem snabbt till bilder av kluster som liknar dem som kan erhållas med ett vanligt skanningsmikroskop, men gör detta mycket snabbare och för en betydligt större provvolym. Under denna process, alla partikelkluster i mikroskala (som avslöjar närvaron av målanalyten) räknas automatiskt med en känslighet som liknar ett mikroskop av laboratoriekvalitet.

Som ett bevis på konceptet, UCLA-forskare demonstrerade framgångsrikt tillämpningen av denna djupinlärningsbaserade biosensing-metod för att detektera herpes simplex-virus (HSV) och uppnådde en detektionsgräns på ~ 5 virus per mikroliter, ger en kliniskt relevant känslighetsnivå för HSV -detektion. HSV är en av de mest utbredda virusinfektioner som beräknas ha påverkat mer än 50% av de vuxna i USA.

Detta arbete publicerades som en omslagsartikel i ACS Photonics , en tidskrift från American Chemical Society. Forskningen leds av Dr Aydogan Ozcan, en associerad direktör vid California NanoSystems Institute (CNSI) och kanslerns professor i el- och datateknik vid UCLA Henry Samueli School of Engineering and Applied Science, tillsammans med Yichen Wu, en doktorand, och Aniruddha Ray, en postdoktor, vid UCLA:s el- och datateknikavdelning.

"Vårt arbete visar ett automatiserat, billig plattform för snabb avläsning och kvantifiering av en mängd olika partikelklusterbaserade biosensorer. Denna unika förmåga som möjliggörs av djupinlärning hjälper till att demokratisera biosensorinstrument, gör dem lämpliga för storskalig användning även i utvecklingsländer, sa Ozcan.