Машинное обучение на переднем крае ИИ

Научные отчеты, том 13, Номер статьи: 4744 (2023) Цитировать эту статью

2069 Доступов

1 Цитаты

110 Альтметрика

Подробности о метриках

Мультиплексное обнаружение биомаркеров в режиме реального времени имеет решающее значение для чувствительной и точной диагностики на месте использования. Этот сценарий создает огромные проблемы для обнаружения и идентификации сигналов различной формы и качества на границе соотношения сигнал/шум. Здесь мы демонстрируем надежную схему идентификации целей, которая использует глубокую нейронную сеть (DNN) для мультиплексного обнаружения одиночных частиц и молекулярных биомаркеров. Модель сочетает в себе быстрое обнаружение вейвлет-частиц с анализом кратковременного преобразования Фурье с последующей идентификацией DNN на периферийном устройстве, специально предназначенном для искусственного интеллекта (плата Google Coral Dev). Подход проверен с использованием многоточечного оптического возбуждения бактериальных нуклеиновых кислот Klebsiella Pneumoniae, проходящих через оптофлюидный волноводный чип, который генерирует сигналы флуоресценции различной амплитуды, продолжительности и качества. 3-кратное мультиплексирование без амплификации в реальном времени демонстрирует превосходную специфичность, чувствительность и точность классификации 99,8%. Эти результаты показывают, что минималистичный дизайн DNN, оптимизированный для мобильных устройств, обеспечивает надежную основу для точного обнаружения патогенов с использованием компактных и недорогих диагностических устройств.

Обнаружение и идентификация биомолекул являются важной частью диагностических устройств в сфере контроля заболеваний. Пандемия COVID-19 ускорила использование домашнего тестирования для раннего выявления и повторного мониторинга, и можно ожидать, что анализ на местах будет расширяться в объеме и возможностях. Некоторые из проблем здесь — подготовка проб и обращение с жидкостями, чувствительность и специфичность, сбор и обработка данных, портативность и возможность подключения1,2. Различные микро- и нанотехнологии привели к созданию датчиков, применимых для внутричиповой молекулярной диагностики. Например, комплементарный биосенсор на основе металл-оксид-полупроводник (КМОП), использующий наномеханическую конструкцию мембранного моста3, был представлен для измерения концентрации препарата фенитоина в жидком образце с помощью микроэлектромеханического (МЭМС) подхода. Бумажные аналитические устройства (PAD) являются еще одним хорошим примером диагностики на месте. Они развивались за последнее десятилетие благодаря таким свойствам, как низкая стоимость, биосовместимость, простота конструкции и использования, а также гибкость в поиске доступных одноразовых тестовых единиц4,5,6. Хотя анализ образца можно выполнить за несколько минут, эти устройства имеют относительно высокий предел обнаружения (LOD > мкМ), что требует амплификации и времени культивирования (обычно несколько часов) для высокочувствительного анализа нуклеиновых кислот. Среди методов, основанных на амплификации, количественная полимеразная цепная реакция (кПЦР) по-прежнему является золотым стандартом для большинства лабораторных инструментов из-за ее очень высокой чувствительности (~ 100 копий/мл) и универсальности7,8,9. Новейшая одноламповая методика с относительно недорогим и простым процессом амплификации, называемая петлевой изотермической амплификацией (LAMP), стала более популярной в последнее десятилетие10,11. В некоторых приложениях может быть желательно дальнейшее упрощение анализа, основанное на исключении этапов амплификации и интеграции в масштабе чипа. В режиме чувствительности одиночной молекулы нанопоровые устройства в качестве электрических биосенсоров показали себя многообещающими в качестве диагностических инструментов сверхвысокой чувствительности без меток и амплификации12,13. Чувствительность обнаружения одиночных молекул на основе флуоресценции была продемонстрирована в оптофлюидных волноводных устройствах, что позволяет без амплификации обнаруживать РНК вируса Эбола (EBOV) с низкими пределами обнаружения (LoD) до 90 аМ14,15. Мультиплексный анализ был реализован на этих одномолекулярных оптофлюидных датчиках ARROW путем создания спектрально и/или пространственно зависимых многоточечных структур возбуждения на выходе волноводов многомодовой интерференции (MMI)16,17. Пространственный многоточечный шаблон преобразуется во временной многопиковый сигнал (см. рис. 1c), который можно легко идентифицировать с помощью алгоритмов обработки сигналов, которые распознают характерную разницу во времени ∆t между пиками флуоресценции от одной мишени. Было продемонстрировано до 7-кратного мультиплексного обнаружения нуклеиновых кислот с использованием спектрально, пространственно и зависящего от скорости перевода паттерна возбуждения в зависящие от времени многопиковые сигналы флуоресценции17,18. Использование намеренно шаблонных сигналов использовалось и в других контекстах. Например, в клеточной цитометрии было реализовано кодирование сигнала, подобное телекоммуникационному, с использованием электрорезистивного импульсного зондирования, при котором картина событий, генерируемых протекающими клетками, зависит от расположения электродов и декодирует цифровые сигналы из разных каналов с очень высокой точностью19,20, 21. Был изучен электрический биосенсор с несколькими электродами, чтобы продемонстрировать влияние увеличения количества электродов на соотношение сигнал/шум импеданса (SNR)22,23,24,25. Кодирование сигналов в приложениях биосенсорства может использовать преимущества более сложных методов кодирования информации, таких как мультиплексирование, коррекция ошибок и идентификация23,26,27 с недавней тенденцией к методам машинного обучения28. Оптимизация выбранного метода анализа сигналов имеет решающее значение, поскольку несовершенство реальных устройств имеет тенденцию ухудшать качество сигнала и, следовательно, надежность анализа сигнала. В случае оптофлюидного волноводного устройства MMI они могут включать в себя вызванные изготовлением изменения в схемах возбуждения MMI, изменения скорости из-за гидродинамики текущих мишеней и изменения отношения сигнал/шум, вызванные диапазоном интенсивностей флуоресцентного сигнала. Эти типы неидеальности добавляются к ограничениям качества сигнала, с которыми сталкиваются устройства в местах оказания медицинской помощи, где компоненты должны производиться по низкой цене, а факторы окружающей среды часто влияют на качество сигнала. Эти внутренние проблемы можно решить с помощью мощного подхода к анализу сигналов, который может работать в режиме реального времени.