[ad_1]
(noticias nanowerk) Las tecnologías de diagnóstico rápido in situ para identificar y cuantificar virus son esenciales para planificar estrategias de tratamiento para pacientes infectados y prevenir una mayor propagación de la infección. La pandemia de COVID-19 ha puesto de relieve la necesidad de pruebas de diagnóstico precisas pero descentralizadas que no requieran procesos complejos y lentos como los de las pruebas de laboratorio tradicionales.
Las tesis centrales
Investigación
Una herramienta de diagnóstico popular en el lugar de atención para cuantificar la carga viral es la microscopía de campo claro. Sin embargo, el pequeño tamaño (~100 nm) y el bajo índice de refracción (~1,5, el mismo que el de un portaobjetos de microscopio) de biopartículas como los virus a menudo dificultan su estimación precisa y aumentan el límite de detección (la concentración más baja de virus). carga). que puedan identificarse de forma fiable).
Estudios recientes han descubierto que los biosensores Gires-Tournois (GT), un tipo de resonador nanofotónico, pueden detectar pequeñas partículas de virus y crear micrografías (imágenes tomadas a través de un microscopio) coloridas de la carga viral. Sin embargo, sufren de artefactos visuales y falta de reproducibilidad, lo que limita su uso.
En un avance reciente, un equipo internacional de investigadores dirigido por el profesor Young Min Song del Departamento de Ingeniería Eléctrica y Ciencias de la Computación del Instituto de Ciencia y Tecnología de Gwangju en Corea ha utilizado inteligencia artificial (IA) para resolver este problema. Su trabajo está publicado en Nano hoy (“Cuantificación basada en aprendizaje profundo de biopartículas a nanoescala en micrografías de campo brillante del biosensor Gires-Tournois”).
El equipo propuso una herramienta de biodetección sinérgica llamada “DeepGT” que puede aprovechar las plataformas de detección GT y combinarlas con algoritmos basados en aprendizaje profundo para cuantificar con precisión biopartículas a nanoescala, incluidos los virus, sin la necesidad de métodos complejos de preparación de muestras.
“Desarrollamos DeepGT para evaluar objetivamente la gravedad de una infección o enfermedad. «Esto significa que ya no tendremos que depender únicamente de evaluaciones subjetivas para el diagnóstico y la atención sanitaria, sino que tendremos un enfoque más preciso y basado en datos para guiar las estrategias terapéuticas», explica la profesora Song, explicando la motivación detrás de su estudio.
El equipo diseñó un biosensor GT con una configuración de película delgada de tres capas y lo biofuncionalizó para permitir la detección colorimétrica al interactuar con los analitos objetivo. Las capacidades de detección se verificaron simulando el mecanismo de unión entre las células huésped y el virus utilizando biopartículas especialmente preparadas que imitaban el SARS-CoV-2, la cepa de coronavirus que causó la pandemia de COVID-19.
A continuación, los investigadores entrenaron una red neuronal convolucional (CNN) utilizando más de mil micrografías ópticas y electrónicas de barrido de la superficie del biosensor GT que contiene diferentes tipos de nanopartículas. Descubrieron que DeepGT podía refinar los artefactos visuales asociados con la microscopía de campo claro y extraer información relevante, incluso en concentraciones de virus tan bajas como 138 pg ml-1.
Además, el recuento de biopartículas se determinó en menos de un segundo con alta precisión, caracterizada por un error absoluto medio de 2,37 en 1.596 imágenes, en comparación con 13,47 para los algoritmos basados en reglas. Con el respaldo del poder de las CNN, el sistema de biosensor también puede indicar la gravedad de la infección, desde asintomática hasta grave, según la carga viral.
Por lo tanto, DeepGT representa una forma eficiente y precisa de detectar virus en un amplio rango de tamaños sin verse obstaculizado por el límite mínimo de difracción en la luz visible.
«Nuestro enfoque proporciona una solución práctica para detectar y gestionar rápidamente las amenazas virales emergentes, así como para mejorar la preparación de la salud pública al reducir potencialmente la carga de costos general asociada con el diagnóstico», concluye el profesor Song.
[ad_2]