Beckman-onderzoekers hebben microscopie gekoppeld aan kunstmatige intelligentie om een ​​COVID-19-test te ontwikkelen die snel is, nauwkeurig, en kostenbesparend. We hoeven alleen maar "ahh" te zeggen.

Velen van ons hebben een COVID-19-test meegemaakt of meegemaakt. Net als de pandemie zelf, frequente screening is onderdeel geworden van het dagelijks leven. Aangezien SARS-CoV-2 een geduchte vijand blijft, onze strategieën om het virus op te sporen en te classificeren moeten flexibel en geavanceerd blijven.

Voer Beckman-onderzoeker Gabriel Popescu in, een UIUC-hoogleraar elektrische en computertechniek, en zijn interdisciplinaire team. hun studie, "Labelvrije SARS-CoV-2-detectie en classificatie met behulp van fasebeeldvorming met computationele specificiteit, " werd gepubliceerd in Licht:wetenschap en toepassingen-natuur.

Beginnend in mei 2020 en tot bloei komen te midden van een wereldwijde crisis, de tijdlijn van het project loopt parallel aan de pandemie die het veroorzaakte. Kenmerkend voor een Beckman-team, de eerste stap van de onderzoekers was het identificeren van een kans om te innoveren; ze merkten op dat hoewel er momenteel veel technieken bestaan ​​om te testen op SARS-CoV-2, geen enkele gebruikt een labelvrije optische benadering.

De minuscule grootte van een enkel deeltje maakt het bijna onmogelijk om alleen op het zicht te vertrouwen, zelfs met een microscoop. Elektronenmicroscopie is nuttig voor het afbeelden van de structuur van een deeltje, maar uitgebreide voorbereiding is vereist om de zichtbaarheid van een monster te garanderen. hoewel noodzakelijk, dit proces kan het gewenste beeld verdoezelen.

Het team van Popescu wendde zich tot een bij Beckman ontwikkelde techniek die typisch is voorbehouden voor het visualiseren van cellen:ruimtelijke lichtbeeldmicroscopie, die chemicaliënvrije (of labelvrije) beeldvorming mogelijk maakt.

"Een elektronenmicroscoop geeft een helder beeld, maar het vereist een uitgebreide monstervoorbereiding, " zei Neha Goswami, een afgestudeerde student bio-engineering en een 2021-ontvanger van de Nadine Barrie Smith Memorial Fellowship van het Beckman Institute. "SLIM toepassen voor virusbeeldvorming is alsof je naar iets kijkt zonder je bril op. Het beeld is wazig omdat de virussen kleiner zijn dan de diffractielimiet. vanwege de hoge gevoeligheid van SLIM, we kunnen niet alleen de virussen detecteren, maar ook onderscheid maken tussen verschillende soorten."

Gelukkig, de onderzoekers identificeerden een creatieve manier om de virussen te identificeren op basis van SLIM-gegevens:kunstmatige intelligentie. Met de juiste opleiding, een geavanceerd diep neuraal netwerk kan worden geprogrammeerd om zelfs de meest wazige beelden te herkennen.

Ze introduceerden het AI-programma bij een paar afbeeldingen:een gekleurd SARS-CoV-2-deeltje dat fluorescentie produceert, en een fasebeeld vastgelegd met een fluorescentie-SLIM multimodale microscoop. De AI is getraind om deze beelden als één en hetzelfde te herkennen. gemakkelijk herkenbaar, het met fluorescentie gekleurde beeld functioneert als zijwieltjes; met voldoende herhaling, de machine leert de virussen direct van de SLIM te detecteren, labelvrije afbeeldingen zonder de toegevoegde ondersteuning.

Na detectie komt differentiatie:onderscheid maken tussen SARS-CoV-2 en andere soorten virussen en deeltjes.

"We hebben het leven van de machine zwaar gemaakt, " zei Goswami. "We hebben het stof gegeven, kralen, en andere virussen om te trainen en te leren het virus uit een menigte te plukken, in tegenstelling tot het identificeren wanneer het alleen is."

De AI leerde onderscheid te maken tussen SARS-CoV-2 en andere virale pathogenen zoals H1N1, of influenza A; HAdV, of adenovirus; en ZIKV, of Zika-virus. De preklinische proef was zeer succesvol, wat resulteert in een slagingspercentage van 96% voor detectie en classificatie van SARS-CoV-2.

"Dit opmerkelijke succes is te danken aan ons team van experts uit verschillende disciplines die samenkwamen met een uniek doel:het creëren van de snelste, meest betaalbare en schaalbare test mogelijk. Onze huidige inspanningen zijn erop gericht deze aanpak in de kliniek te demonstreren en wereldwijd in te zetten voor COVID en mogelijk andere infectieziekten, ' zei Popescu.

Het doel van het project is een gevoelig en specifiek detectiesysteem voor virale ademtests dat helpt bij virale diagnostiek en bij strategieën voor het voorkomen van overdracht; vandaag, dit kan de vorm aannemen van een snelle, hoge doorvoer, goedkope COVID-19-test met het potentieel voor draagbaarheid en point-of-care-actie.

Met klinische validatie in afwachting, onderzoekers speculeren dat een COVID-19-test die met deze methode wordt uitgevoerd er ongeveer zo uit zou zien:de proefpersoon zou een gelaatsscherm dragen, waarop een helder glasplaatje zou worden bevestigd; ze zouden dan een activiteit voltooien waarbij hun adem aan de dia wordt gefixeerd (zoals het hardop lezen van een alinea). De glijbaan, en eventuele deeltjes die eraan vastzitten, zou worden afgebeeld en geanalyseerd om eventuele aanwezige virussen te detecteren.

"Er zijn twee belangrijke voordelen aan dit soort COVID-tests, "Zei Goswami. "De eerste is snelheid:de duur kan in de orde van één minuut zijn. De tweede is dat we geen chemicaliën of aanpassingen aan de verstrekte monsters toevoegen. Het enige waar we voor betalen zijn de kosten van het gelaatsscherm en de glijbaan zelf."

Vanuit een klinisch perspectief, de impact van dergelijke innovatieve diagnosemogelijkheden is uitgesproken.

"Vroeg ingrijpen via snelle diagnose van COVID-19, gecombineerd met contactopsporing, zal de overdracht van COVID-19 aanzienlijk verminderen, ziektecijfers, en sterfelijkheid, " zei Nahed Ismail, een professor in pathologie en medisch directeur van het Clinical Microbiology Lab aan de Universiteit van Illinois in Chicago.

Deze zeer adaptieve AI-programmering kan toekomstige pandemieën helpen aanpakken, niet alleen COVID-19.

"We hebben snelle detectie van ziekten nodig, " zei Goswami. "Niet alleen COVID, maar anderen. We kunnen en moeten onze krachten bundelen, zowel op het gebied van optica als AI, om te proberen uit te vinden hoe ver we kunnen gaan."

Dit baanbrekende onderzoek is het resultaat van een samenwerking tussen wetenschappers van het Beckman Institute, de Universiteit van Illinois Urbana-Champaign, en de Universiteit van Illinois in Chicago.

"Het verbazingwekkende van dit project is dat we laboratoriumwerk in zeer korte tijd naar klinische proeven kunnen brengen, " zei Helen Nguyen, de Ivan Racheff Professor in Civil and Environmental Engineering aan de UIUC en projectmedewerker.