I ricercatori hanno sviluppato una versione automatizzata del test della placca virale, il metodo gold standard per rilevare e quantificare i virus. Il nuovo metodo utilizza l’imaging olografico time-lapse e il deep learning per ridurre notevolmente i tempi di rilevamento ed eliminare la colorazione e il conteggio manuale. Questo progresso potrebbe contribuire a semplificare lo sviluppo di nuovi vaccini e farmaci antivirali.
Yuzhu Li dell’Ozcan Lab dell’Università della California, Los Angeles (UCLA), presenterà questa ricerca al Frontiers in Optics + Laser Science (FiO LS), che si terrà dal 9 al 12 ottobre 2023 presso il Greater Tacoma Convention Center di Tacoma (grande area di Seattle), Washington.
“Riducendo il tempo di rilevamento rispetto ai tradizionali test della placca virale, questa tecnica potrebbe aiutare ad accelerare la ricerca sullo sviluppo di vaccini e farmaci riducendo significativamente il tempo di rilevamento necessario ed eliminando completamente la colorazione chimica e il conteggio manuale, spiega Li. “In caso di nuova focolaio di virus, vaccini o trattamenti antivirali potrebbero essere sviluppati, testati e resi disponibili al pubblico a un ritmo significativamente accelerato, con conseguente tempo di risposta più rapido alle emergenze sanitarie indotte dal virus”.
Sebbene il test della placca virale sia un modo economicamente vantaggioso per valutare l’infettività del virus e quantificare la quantità di virus in un campione, la sua esecuzione richiede molto tempo. I campioni vengono prima diluiti e poi aggiunti alle cellule in coltura. Se il virus uccide le cellule infette, si sviluppa una regione priva di cellule, la placca. Gli esperti quindi contano manualmente le unità formanti placca (PFU) colorate, un processo suscettibile di irregolarità di colorazione ed errori di conteggio umani.
Il nuovo sistema automatizzato di analisi della placca virale senza macchie sostituisce il conteggio manuale della placca con un sistema di imaging olografico senza lenti che visualizza le caratteristiche spaziotemporali delle PFU durante l’incubazione. Viene quindi utilizzato un algoritmo di deep learning per rilevare, classificare e localizzare le PFU in base ai cambiamenti osservati.
Per dimostrare l’efficacia del loro sistema, i ricercatori hanno infettato cellule in coltura con il batterio Vstomatite esiculare virus. Dopo sole 20 ore di incubazione, il sistema automatizzato ha rilevato oltre il 90% delle PFU virali senza falsi positivi. Questo è stato molto più veloce del tradizionale test sulle placche, che richiede 48 ore di incubazione per questo virus. Hanno inoltre applicato l’approccio automatizzato al virus dell’herpes simplex di tipo 1 e al virus dell’encefalomiocardite. Hanno dimostrato tempi di incubazione ancora più brevi per questi virus, risparmiando in media rispettivamente circa 48 e 20 ore.
I ricercatori riferiscono che non sono stati rilevati falsi positivi in tutti i punti temporali. Inoltre, poiché il sistema è in grado di identificare le singole PFU durante la loro crescita iniziale, prima della formazione di cluster di PFU, può essere utilizzato per analizzare campioni virali con concentrazioni di virus circa 10 volte superiori rispetto agli approcci tradizionali.
“Per quanto riguarda i prossimi passi, i ricercatori dell’UCLA stanno migliorando la progettazione del loro sistema per aumentarne ulteriormente la sensibilità e la specificità per vari tipi di virus, aprendo la strada a un’ampia adozione in ambienti di laboratorio e industriali, ha affermato Li. “Stanno anche esplorando altre potenziali applicazioni di questa tecnica nella ricerca virologica per uno screening ad alto rendimento ed economicamente vantaggioso dei farmaci antivirali.”
Da un’altra testata giornalistica. news de www.sciencedaily.com
