Nyligen genomförda studier har funnit att Gires-Tournois (GT) biosensorer, en typ av nanofotonisk resonator, kan upptäcka små viruspartiklar och producera färgglada mikrofotografier (bilder tagna genom ett mikroskop) av virusmängder. Men de lider av visuella artefakter och icke-reproducerbarhet, vilket begränsar deras användning.
I ett nyligen genomfört genombrott har ett internationellt team av forskare, ledd av professor Young Min Song från School of Electrical Engineering and Computer Science vid Gwangju Institute of Science and Technology i Korea, utnyttjat artificiell intelligens (AI) för att övervinna detta problem. Deras arbete publicerades i Nano Today .
Snabb diagnostik på plats för att identifiera och kvantifiera virus är avgörande för att planera behandlingsstrategier för infekterade patienter och förhindra ytterligare spridning av infektionen. Covid-19-pandemin har belyst behovet av noggranna men decentraliserade diagnostiska tester som inte involverar komplexa och tidskrävande processer som behövs för konventionella laboratoriebaserade tester.
Ett populärt diagnostiskt verktyg för att kvantifiera virusmängder är ljusfältsmikroskopisk avbildning. Den lilla storleken (~ 100 nm) och det låga brytningsindexet (~ 1,5, samma som för ett objektglas) hos biopartiklar som virus gör dock ofta deras exakta uppskattning svår och ökar detektionsgränsen (den lägsta koncentrationen av virusmängd) som kan detekteras tillförlitligt).
I sin nya studie föreslog teamet ett synergistiskt biosensingverktyg kallat "DeepGT", som kan utnyttja fördelarna med GT-avkänningsplattformar och slå samman dem med djupinlärningsbaserade algoritmer för att exakt kvantifiera biopartiklar i nanoskala, inklusive virus, utan behov av komplexa prover beredningsmetoder.
"Vi designade DeepGT för att objektivt bedöma svårighetsgraden av en infektion eller sjukdom. Detta innebär att vi inte längre kommer att behöva förlita oss enbart på subjektiva bedömningar för diagnos och hälsovård utan kommer istället att ha ett mer exakt och datadrivet tillvägagångssätt för att vägleda terapeutiska strategier ", förklarar prof. Song och avslöjar motivationen bakom deras studie.
Teamet designade en GT-biosensor med en treskiktad tunnfilmskonfiguration och biofunktionaliserade den för att möjliggöra kolorimetrisk avkänning vid interaktion med målanalyter. Avkänningsförmågan verifierades genom att simulera bindningsmekanismen mellan värdceller och viruset med hjälp av speciellt framställda biopartiklar som efterliknade SARS-CoV-2 – coronavirus-stammen som orsakade covid-19-pandemin.
Därefter tränade forskarna ett konvolutionellt neuralt nätverk (CNN) med hjälp av över tusen optiska och svepelektronmikrofotografier av GT-biosensorytan med olika typer av nanopartiklar. De fann att DeepGT kunde förfina visuella artefakter associerade med ljusfältsmikroskopi och extrahera relevant information, även vid virala koncentrationer så låga som 138 pg ml –1 .
Dessutom bestämde den biopartikelantalet med hög noggrannhet, kännetecknat av ett genomsnittligt absolut fel på 2,37 över 1 596 bilder jämfört med 13,47 för regelbaserade algoritmer, på under en sekund. Förstärkt av prestandan hos CNN:er kan biosensorsystemet också indikera infektionens svårighetsgrad från asymtomatisk till svår baserat på virusmängden.
DeepGT presenterar således ett effektivt och exakt sätt att screena virus över ett brett storleksintervall utan att hindras av den lägsta diffraktionsgränsen i synligt ljus. "Vårt tillvägagångssätt ger en praktisk lösning för snabb upptäckt och hantering av framväxande virala hot samt förbättring av folkhälsoberedskapen genom att potentiellt minska den totala bördan av kostnader förknippade med diagnostik", avslutar prof. Song.
Mer information: Jiwon Kang et al, DeepGT:Deep Learning-baserad kvantifiering av nanostora biopartiklar i ljusfältsmikrofotografier av Gires-Tournois biosensor, Nano Today (2023). DOI:10.1016/j.nantod.2023.101968
Journalinformation: Nano idag
Tillhandahålls av Gwangju Institute of Science and Technology
