Aprendizado de máquina no limite para IA
Scientific Reports volume 13, Artigo número: 4744 (2023) Citar este artigo
2069 Acessos
1 Citações
110 Altmétrico
Detalhes das métricas
A detecção multiplexada de biomarcadores em tempo real é crucial para um diagnóstico sensível e preciso no ponto de uso. Este cenário apresenta enormes desafios para a detecção e identificação de sinais de diferentes formas e qualidades no limite da relação sinal-ruído. Aqui, demonstramos um esquema robusto de identificação de alvos que utiliza uma Rede Neural Profunda (DNN) para detecção multiplex de partículas únicas e biomarcadores moleculares. O modelo combina detecção rápida de partículas wavelet com análise de transformada de Fourier de curto prazo, seguida de identificação DNN em um dispositivo de borda específico de IA (placa Google Coral Dev). A abordagem é validada usando excitação óptica multiponto de ácidos nucleicos bacterianos de Klebsiella Pneumoniae fluindo através de um chip de guia de onda optofluídico que produz sinais de fluorescência de amplitude, duração e qualidade variadas. A multiplexação 3× sem amplificação em tempo real é demonstrada com excelente especificidade, sensibilidade e precisão de classificação de 99,8%. Esses resultados mostram que um design minimalista de DNN otimizado para dispositivos móveis fornece uma estrutura robusta para detecção precisa de patógenos usando dispositivos de diagnóstico compactos e de baixo custo.
A detecção e identificação de biomoléculas são partes essenciais dos dispositivos de diagnóstico no domínio do controle de doenças. A pandemia de COVID-19 acelerou a utilização de testes domiciliares para detecção precoce e monitoramento repetido, e pode-se esperar que a análise no local de atendimento se expanda em volume e capacidades. Alguns dos desafios aqui são preparação de amostras e manuseio de fluidos, sensibilidade e especificidade, aquisição e processamento de dados, portabilidade e conectividade1,2. Várias micro e nanotecnologias resultaram em sensores aplicáveis ao diagnóstico molecular on-chip. Por exemplo, um biossensor complementar baseado em óxido metálico (CMOS) utilizando um design de ponte de membrana nanomecânica foi introduzido para medir a concentração de um medicamento fenitoína em uma amostra líquida com uma abordagem microeletromecânica (MEMS). Dispositivos analíticos baseados em papel (PADs) são outro bom exemplo de diagnóstico no local de atendimento. Eles evoluíram na última década devido a propriedades como baixo custo, biocompatibilidade, design e uso simples e flexibilidade na busca de unidades de teste descartáveis acessíveis4,5,6. Embora a análise da amostra possa ser feita em poucos minutos, esses dispositivos têm um limite de detecção relativamente alto (LOD > µM), exigindo amplificação e tempo de cultivo (geralmente várias horas) para análise de ácido nucleico altamente sensível. Entre as técnicas baseadas em amplificação, a reação em cadeia da polimerase quantitativa (qPCR) ainda é o método padrão ouro na maioria dos instrumentos de teste laboratorial devido à sua altíssima sensibilidade (~100 cópias/mL) e versatilidade7,8,9. Uma técnica mais recente de tubo único com um processo de amplificação simples e relativamente barato, chamada amplificação isotérmica mediada por loop (LAMP), tornou-se mais popular na última década10,11. Uma simplificação adicional do ensaio baseada na eliminação de etapas de amplificação e na integração em escala de chip pode ser desejável em algumas aplicações. No regime de sensibilidade de molécula única, os dispositivos nanoporos como biossensores elétricos têm se mostrado promissores como ferramentas de diagnóstico de ultra-alta sensibilidade, sem rótulo e sem amplificação . A sensibilidade de detecção de molécula única baseada em fluorescência foi demonstrada em dispositivos de guia de onda optofluídicos, permitindo a detecção livre de amplificação de RNAs do vírus Ebola (EBOV) com baixos limites de detecção (LoD) até 90 aM14,15. A análise multiplex foi implementada nesses sensores ARROW optofluídicos de molécula única, criando padrões de excitação multiponto dependentes espectralmente e / ou espacialmente na saída de guias de ondas de interferência multimodo (MMI) . O padrão espacial de múltiplos pontos se traduz em um sinal temporal de múltiplos picos (ver Fig. 1c) que pode ser facilmente identificado por algoritmos de processamento de sinal que reconhecem a diferença de tempo característica ∆t entre os picos de fluorescência de um único alvo. A detecção multiplexada de até 7x de ácidos nucleicos foi demonstrada usando tradução espectral, espacial e dependente da velocidade do padrão de excitação em sinais de fluorescência de múltiplos picos dependentes do tempo . O uso de sinais deliberadamente padronizados também tem sido usado em outros contextos. Por exemplo, a codificação de sinal semelhante à das telecomunicações foi implementada na citometria celular usando detecção de pulso resistivo elétrico, na qual o padrão de eventos gerados pelas células fluidas depende do arranjo dos eletrodos e decodifica sinais digitais de diferentes canais com uma precisão muito alta . 21. Um biossensor elétrico com eletrodo multidedo foi estudado para demonstrar o efeito do aumento da contagem de eletrodos na relação sinal-ruído (SNR) da impedância22,23,24,25. A codificação de sinais em aplicações de biossensor pode tirar vantagem de técnicas de codificação de informações mais complicadas, como multiplexação, correção de erros e identificação23,26,27, com uma tendência recente em direção a técnicas de aprendizado de máquina28. Otimizar o método de análise de sinal escolhido é extremamente importante, pois as imperfeições do dispositivo no mundo real tendem a comprometer a qualidade do sinal e, portanto, a confiabilidade da análise do sinal. No caso de um dispositivo de guia de onda optofluídico MMI, estes podem incluir variações induzidas pela fabricação nos padrões de excitação MMI, variações de velocidade devido à dinâmica fluídica de alvos fluidos e variações na relação sinal-ruído causadas por uma faixa de intensidades de sinal de fluorescência. Esses tipos de não-idealidades são adicionados às limitações de qualidade do sinal enfrentadas pelos dispositivos no local de atendimento, onde os componentes devem ser produzidos a baixo custo e os fatores ambientais geralmente afetam a qualidade do sinal. Esses desafios intrínsecos podem ser atenuados por uma poderosa abordagem de análise de sinal que pode operar em tempo real.