Sistemi sofisticati per il rilevamento di biomarcatori – molecole come DNA o proteine che indicano la presenza di una malattia – sono cruciali per i dispositivi diagnostici e di monitoraggio delle malattie in tempo reale.
Holger Schmidt, illustre professore di ingegneria elettrica e informatica presso l’UC Santa Cruz, e il suo gruppo si sono concentrati a lungo sullo sviluppo di dispositivi unici e altamente sensibili chiamati chip optofluidici per rilevare biomarcatori.
Lo studente laureato di Schmidt, Vahid Ganjalizadeh, ha guidato uno sforzo per utilizzare l’apprendimento automatico per migliorare i loro sistemi migliorando la sua capacità di classificare accuratamente i biomarcatori. La rete neurale profonda che ha sviluppato classifica i segnali delle particelle con una precisione del 99,8% in tempo reale, su un sistema relativamente economico e portatile per applicazioni point-of-care, come mostrato in un nuovo articolo pubblicato su Rapporti scientifici sulla natura.
Quando si portano i rilevatori di biomarcatori sul campo o in un punto di cura come una clinica sanitaria, i segnali ricevuti dai sensori potrebbero non essere di alta qualità come quelli di un laboratorio o di un ambiente controllato. Ciò può essere dovuto a una varietà di fattori, come la necessità di utilizzare chip più economici per abbattere i costi o caratteristiche ambientali come temperatura e umidità.
Per affrontare le sfide di un segnale debole, Schmidt e il suo team hanno sviluppato una rete neurale profonda in grado di identificare la fonte di quel segnale debole con elevata sicurezza. I ricercatori hanno addestrato la rete neurale con segnali di addestramento noti, insegnandole a riconoscere potenziali variazioni che potrebbe vedere, in modo che possa riconoscere schemi e identificare nuovi segnali con altissima precisione.
Innanzitutto, un approccio di analisi wavelet a cluster parallelo (PCWA) progettato nel laboratorio di Schmidt rileva la presenza di un segnale. Quindi, la rete neurale elabora il segnale potenzialmente debole o rumoroso, identificandone la fonte. Questo sistema funziona in tempo reale, quindi gli utenti sono in grado di ricevere i risultati in una frazione di secondo.
“Si tratta di ottenere il massimo dai segnali possibilmente di bassa qualità, e farlo in modo davvero rapido ed efficiente”, ha affermato Schmidt.
Una versione ridotta del modello di rete neurale può essere eseguita su dispositivi portatili. Nel documento, i ricercatori eseguono il sistema su una scheda Google Coral Dev, un dispositivo edge relativamente economico per l’esecuzione accelerata di algoritmi di intelligenza artificiale. Ciò significa che il sistema richiede anche meno energia per eseguire l’elaborazione rispetto ad altre tecniche.
“A differenza di alcune ricerche che richiedono l’esecuzione su supercomputer per eseguire rilevamenti ad alta precisione, abbiamo dimostrato che anche un dispositivo compatto, portatile e relativamente economico può fare il lavoro per noi”, ha affermato Ganjalizadeh. “Lo rende disponibile, fattibile e portatile per le applicazioni point-of-care”.
L’intero sistema è progettato per essere utilizzato completamente localmente, il che significa che l’elaborazione dei dati può avvenire senza accesso a Internet, a differenza di altri sistemi che si basano sul cloud computing. Ciò fornisce anche un vantaggio in termini di sicurezza dei dati, perché i risultati possono essere prodotti senza la necessità di condividere i dati con un provider di server cloud.
È inoltre progettato per poter fornire risultati su un dispositivo mobile, eliminando la necessità di portare sul campo un laptop.
“Puoi costruire un sistema più robusto che potresti portare in regioni con risorse insufficienti o meno sviluppate, e funziona ancora”, ha detto Schmidt.
Questo sistema migliorato funzionerà per qualsiasi altro biomarcatore che i sistemi del laboratorio di Schmidt sono stati utilizzati per rilevare in passato, come biomarcatori COVID-19, Ebola, influenza e cancro. Sebbene siano attualmente focalizzati su applicazioni mediche, il sistema potrebbe potenzialmente essere adattato per il rilevamento di qualsiasi tipo di segnale.
Per spingere ulteriormente la tecnologia, Schmidt ei membri del suo laboratorio hanno in programma di aggiungere capacità di elaborazione del segnale ancora più dinamiche ai loro dispositivi. Ciò semplificherà il sistema e combinerà le tecniche di elaborazione necessarie per rilevare i segnali sia a basse che ad alte concentrazioni di molecole. Il team sta anche lavorando per portare parti discrete della configurazione nel design integrato del chip optofluidico.
Da un’altra testata giornalistica. news de www.sciencedaily.com
