Veel biosensing-toepassingen zijn afhankelijk van de karakterisering van specifieke analyten zoals eiwitten, virussen en bacteriën, tussen vele andere doelen, wat kan worden bereikt door deeltjes op micro- of nanoschaal te gebruiken. In dergelijke biosensoren, deze deeltjes zijn gecoat met een oppervlaktechemie waardoor ze als reactie aan de doelanalytvormende clusters blijven kleven. Hoe hoger de doelanalytconcentratie is, hoe groter het aantal clusters wordt. Daarom, monitoring en karakterisering van deze deeltjesclusters kan ons vertellen of de doelanalyt in een monster aanwezig is en in welke concentratie. De huidige methoden om een ​​dergelijke analyse uit te voeren zijn beperkt in die zin dat ze ofwel alleen in staat zijn tot een grove uitlezing ofwel afhankelijk zijn van dure en omvangrijke microscopen, die hun toepasbaarheid beperken om aan verschillende biosensingbehoeften te voldoen, vooral in omgevingen met beperkte middelen.

Om de tekortkomingen van de bestaande oplossingen te verhelpen, UCLA-onderzoekers hebben een snelle en geautomatiseerde biosensing-methode ontwikkeld op basis van holografie in combinatie met diep leren - momenteel, een van de meest veelbelovende en succesvol gebruikte methoden in kunstmatige intelligentie, AI. In dit systeem, alle deeltjesclusters en individuele microdeeltjes in een monster worden eerst in 3D afgebeeld als hologrammen, alles tegelijkertijd, en over een zeer groot monsteroppervlak van meer dan 20 mm ² , meer dan tien keer groter dan het beeldvormingsgebied van een standaard optische microscoop. Volgende, een getraind diep neuraal netwerk verwerkt deze hologrammen en reconstrueert ze snel tot beelden van clusters die vergelijkbaar zijn met die welke zouden kunnen worden verkregen met een standaard scanningmicroscoop, maar dit veel sneller en voor een aanzienlijk groter monstervolume. Tijdens dit proces, alle deeltjesclusters op microschaal (die de aanwezigheid van de doelanalyt onthullen) worden automatisch geteld met een gevoeligheid die vergelijkbaar is met die van een microscoop van laboratoriumkwaliteit.

Als proof-of-concept, UCLA-onderzoekers hebben met succes de toepassing van deze op deep learning gebaseerde biosensing-aanpak aangetoond om herpes simplex-virus (HSV) te detecteren en bereikten een detectielimiet van ~ 5 virussen per microliter, het verschaffen van een klinisch relevant niveau van gevoeligheid voor HSV-detectie. HSV is een van de meest wijdverbreide virale infecties die naar schatting meer dan 50% van de volwassenen in de VS heeft getroffen.

Dit werk is gepubliceerd als een omslagartikel in ACS Fotonica , een tijdschrift van de American Chemical Society. Het onderzoek werd geleid door Dr. Aydogan Ozcan, een associate director van het California NanoSystems Institute (CNSI) en de Chancellor's Professor of Electrical and Computer Engineering aan de UCLA Henry Samueli School of Engineering and Applied Science, samen met Yichen Wu, een afgestudeerde student, en Aniruddha Ray, een postdoctoraal onderzoeker, op de afdeling elektrotechniek en computertechniek van de UCLA.

"Ons werk toont een geautomatiseerd, goedkoop platform voor snelle uitlezing en kwantificering van een breed scala aan op deeltjesclustering gebaseerde biosensoren. Deze unieke mogelijkheid, mogelijk gemaakt door deep learning, zal helpen bij het democratiseren van biosensing-instrumentatie, waardoor ze geschikt zijn voor grootschalig gebruik, zelfs in ontwikkelingslanden, ' zei Ozcan.