Muitas aplicações de biossensores baseiam-se na caracterização de componentes específicos, como proteínas, vírus e bactérias (entre muitos outros possíveis alvos), que pode ser obtida usando partículas em escala micro ou nano. Nestes biossensores, estas partículas são revestidas com uma química superficial que as faz aderir ao componente alvo, o que ocasiona a formação de aglomerados em resposta. Quanto maior a concentração do componente que se busca identificar, maior o número de aglomerados. Portanto, monitorar e caracterizar esses aglomerados de partículas pode nos dizer se o componente alvo está presente na amostra, e em qual concentração. Os métodos atuais para realizar tais análises são limitados pelo fato de serem capazes apenas de leitura não fina ou dependerem de microscópios caros e grandes, o que limita sua aplicabilidade para atender a diferentes necessidades de biossensores, especialmente em lugares onde os recursos são limitados.
Para superar as deficiências das soluções existentes, os pesquisadores da Universidade da Califórnia em Los Angeles (UCLA) desenvolveram um método rápido e automatizado de biosensoriamento baseado em holografia, juntamente com aprendizagem profunda de máquina – atualmente, um dos métodos mais promissores e bem-sucedidos usados em inteligência artificial, IA. Neste sistema, todos os aglomerados de partículas e as micropartículas individuais de uma amostra são primeiramente visualizados em 3D como hologramas. Todos ao mesmo tempo e em uma grande área de amostra de mais de 20 mm2. Isso é mais de dez vezes maior do que a área de imagem de um microscópio óptico padrão.
A seguir, uma rede neural profunda treinada processa esses hologramas e os reconstrói rapidamente em imagens de aglomerados similares àquelas que poderiam ser obtidas 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 micro-escala são automaticamente contados com uma sensibilidade similar à de um microscópio de grau laboratorial (revelando a presença do componente alvo).
Como prova de conceito, os pesquisadores da UCLA demonstraram com sucesso a aplicação dessa abordagem de biosensoriamento baseado em aprendizagem profunda 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 disseminadas que, segundo estimativas, afetou mais de 50% dos adultos nos EUA.
Este trabalho foi publicado como um artigo de capa na ACS Photonics, uma revista da American Chemical Society. A pesquisa foi conduzida por Aydogan Ozcan, diretor associado do California NanoSystems Institute (CNSI) e professor de Engenharia Elétrica e de Computação do Chanceler na UCLA; Henry Samueli, da Escola de Engenharia e Ciências Aplicadas junto com Yichen Wu, estudante de pós-graduação; e o pós-doutorando do departamento de engenharia elétrica e de computação da UCLA Aniruddha Ray.
“Nosso trabalho apresenta uma plataforma automatizada e barata para leitura rápida e quantificação de uma ampla variedade de biossensores baseados em aglomerados de partículas. Essa capacidade única possibilitada pela aprendizagem profunda ajudará a democratizar a instrumentação de biossensores, tornando-os adequados para uso em larga escala mesmo em países em desenvolvimento”, disse Ozcan.
Universidade da Califórnia em Los Angeles (UCLA) e Scientific American Brasil
