p Muitas aplicações de biossensorio dependem da caracterização de analitos específicos, como proteínas, vírus e bactérias, entre muitos outros alvos, que pode ser realizado usando partículas em escala micro ou nano. Em tais biossensores, essas partículas são revestidas com uma química de superfície que as faz aderir ao analito alvo, formando aglomerados em resposta. Quanto mais alta for a concentração de analito alvo, quanto maior for o número de clusters. Portanto, monitorar e caracterizar esses aglomerados de partículas pode nos dizer se o analito alvo está presente em uma amostra e em que concentração. Os métodos atuais para realizar tal análise são limitados, pois são capazes de apenas uma leitura grosseira ou dependem de microscópios caros e volumosos, que limitam sua aplicabilidade para atender às diferentes necessidades de biossensor, especialmente em ambientes com recursos limitados. p Para superar as deficiências das soluções existentes, Os pesquisadores da UCLA desenvolveram um método de biossensor rápido e automatizado com base na holografia associada ao aprendizado profundo - atualmente, um dos métodos mais promissores e usados ​​com sucesso em inteligência artificial, AI. Neste sistema, todos os aglomerados de partículas e micropartículas individuais em uma amostra são primeiramente visualizados em 3-D como hologramas, Tudo ao mesmo tempo, e sobre uma área de amostra muito grande de mais de 20 mm ² , mais de dez vezes maior do que a área de imagem de um microscópio óptico padrão. Próximo, uma rede neural profunda treinada processa esses hologramas e os reconstrói rapidamente em imagens de aglomerados semelhantes aos que poderiam ser obtidos com um microscópio de varredura padrão, mas fazendo isso muito mais rápido e para um volume de amostra significativamente maior. Durante este processo, todos os aglomerados de partículas na escala micro (revelando a presença do analito alvo) são contados automaticamente com uma sensibilidade semelhante a um microscópio de grau de laboratório.

p Como prova de conceito, Os pesquisadores da UCLA demonstraram com sucesso a aplicação desta abordagem de biossensor baseado em aprendizado profundo para detectar o vírus herpes simplex (HSV) e alcançaram um limite de detecção de ~ 5 vírus por microlitro, fornecendo um nível clinicamente relevante de sensibilidade para detecção de HSV. O HSV é uma das infecções virais mais difundidas e estima-se que tenha afetado mais de 50% dos adultos nos Estados Unidos.

p Este trabalho foi publicado como artigo de capa em ACS Photonics , um jornal da American Chemical Society. A pesquisa foi liderada pelo Dr. Aydogan Ozcan, um diretor associado do California NanoSystems Institute (CNSI) e o Professor do Chancellor de engenharia elétrica e de computação na Escola de Engenharia e Ciências Aplicadas da UCLA Henry Samueli, junto com Yichen Wu, um estudante de graduação, e Aniruddha Ray, um pós-doutorado, no departamento de engenharia elétrica e informática da UCLA.

p "Nosso trabalho demonstra um sistema automatizado, plataforma de baixo custo para leitura e quantificação rápida de uma ampla variedade de biossensores baseados em agrupamento de partículas. Esta capacidade única habilitada pelo aprendizado profundo ajudará a democratizar a instrumentação de biossensor, tornando-os adequados para uso em larga escala, mesmo em países em desenvolvimento, "disse Ozcan.