De nombreuses applications de biodétection reposent sur la caractérisation d'analytes spécifiques tels que des protéines, virus et bactéries, parmi de nombreuses autres cibles, ce qui peut être accompli en utilisant des particules à l'échelle micro ou nanométrique. Dans de tels biocapteurs, ces particules sont recouvertes d'une chimie de surface qui les fait coller à l'analyte cible en formant des amas en réponse. Plus la concentration en analyte cible est élevée, plus le nombre de clusters augmente. Par conséquent, le suivi et la caractérisation de ces amas de particules peuvent nous dire si l'analyte cible est présent dans un échantillon et à quelle concentration. Les méthodes actuelles pour effectuer une telle analyse sont limitées en ce qu'elles ne sont capables que d'une lecture grossière ou reposent sur des microscopes coûteux et encombrants, qui limitent leur applicabilité pour répondre aux différents besoins de biodétection, surtout dans les environnements à ressources limitées.

Pour pallier les lacunes des solutions existantes, Les chercheurs de l'UCLA ont développé une méthode de biodétection rapide et automatisée basée sur l'holographie couplée à un apprentissage en profondeur - actuellement, l'une des méthodes les plus prometteuses et les plus utilisées avec succès en intelligence artificielle, IA. Dans ce système, tous les amas de particules et microparticules individuelles dans un échantillon sont d'abord imagés en 3D sous forme d'hologrammes, Tout en même temps, et sur une très grande surface d'échantillon de plus de 20 mm ² , plus de dix fois plus grande que la zone d'imagerie d'un microscope optique standard. Prochain, un réseau de neurones profonds entraîné traite ces hologrammes et les reconstruit rapidement en images d'amas similaires à celles qui pourraient être obtenues avec un microscope à balayage standard, mais cela est beaucoup plus rapide et pour un volume d'échantillon nettement plus important. Au cours de ce processus, tous les amas de particules à l'échelle microscopique (révélant la présence de l'analyte cible) sont automatiquement comptés avec une sensibilité similaire à celle d'un microscope de laboratoire.

Comme preuve de concept, Les chercheurs de l'UCLA ont démontré avec succès l'application de cette approche de biodétection basée sur l'apprentissage en profondeur pour détecter le virus de l'herpès simplex (HSV) et ont atteint une limite de détection de ~ 5 virus par micro-litre, fournissant un niveau de sensibilité cliniquement pertinent pour la détection du HSV. Le HSV est l'une des infections virales les plus répandues, dont on estime qu'elle a touché plus de 50 % des adultes aux États-Unis.

Ce travail a été publié en tant qu'article de couverture dans ACS Photonique , un journal de l'American Chemical Society. La recherche a été dirigée par le Dr Aydogan Ozcan, directeur associé du California NanoSystems Institute (CNSI) et professeur de génie électrique et informatique du Chancelier à la Henry Samueli School of Engineering and Applied Science de l'UCLA, avec Yichen Wu, un étudiant diplômé, et Aniruddha Ray, un chercheur postdoctoral, au département de génie électrique et informatique de l'UCLA.

"Notre travail démontre une automatisation, plate-forme peu coûteuse pour la lecture et la quantification rapides d'une grande variété de biocapteurs basés sur le regroupement de particules. Cette capacité unique permise par l'apprentissage en profondeur aidera à démocratiser l'instrumentation de biodétection, les rendant aptes à une utilisation à grande échelle, même dans les pays en développement, " dit Ozcan.