Et si les gens pouvaient détecter le cancer et d'autres maladies avec la même vitesse et la même facilité de test de grossesse ou de glycémie? Les chercheurs de l'Institut Carl R. Woese pour la biologie génomique sont un pas de plus en plus de réaliser cet objectif en intégrant l'analyse basée sur l'apprentissage automatique dans les technologies de biodétection des points de service.
La nouvelle méthode, surnommée Loca-pram, a été signalée dans le journal Biocapteurs et bioélectronique et améliore l'accessibilité de la détection des biomarqueurs en éliminant la nécessité pour les experts techniques d'effectuer l'analyse d'image.
Les techniques de diagnostic médical traditionnelles obligent les médecins à envoyer des échantillons de sang ou de tissu des patients aux laboratoires cliniques où des scientifiques experts effectuent les procédures de test et l'analyse des données.
Les technologies actuelles obligent les patients à visiter les hôpitaux pour obtenir des diagnostics, ce qui prend du temps. Beaucoup de gens ont également des obstacles où davantage de rendez-vous peuvent ne pas être financièrement ou spatialement possibles. Je pense que nous pouvons faire une différence en développant plus de technologies de point de service qui sont disponibles pour les personnes. «
Han Lee, premier auteur de l'étude et étudiante diplômée dans le groupe de recherche Nanosensors
Les diagnostics de point de service sont effectués et donnent des résultats sur le site des soins aux patients, que ce soit à la maison, le cabinet du médecin ou n'importe où entre les deux. Cela permet des tests à moindre coût, facile à utiliser et rapides qui peuvent aider à éclairer les prochaines étapes. Certains exemples déjà adoptés dans la vie quotidienne comprennent les tests de grossesse urinaire, les kits de test d'antigène Covid-19 et les compteurs de glycémie qui permettent aux personnes atteintes de diabète de répondre aux trempettes et aux pointes dans leur glycémie tout au long de la journée.
Dans le domaine du point de service, les chercheurs étudient de nouvelles façons d'intégrer ces types de technologies dans les établissements de soins aux patients, tels que des rendez-vous avec des spécialistes comme les oncologues ou les chirurgiens oraux. Cela aiderait à réduire le temps et le fardeau financier pour les patients, tout en améliorant la prise de décision en temps réel pour les médecins.
« Les médecins disent qu'ils aimeraient quelque chose de similaire lorsque vous entrez avec une infection bactérienne. Ils font un test sur vous juste là, puis vous renvoient de votre rendez-vous avec les bons antibiotiques qui traiteront les bactéries particulières que vous avez », a déclaré Brian Cunningham (CGD leader), professeur de génie électrique et informatique. « Alors pourquoi ne pas faire une chose similaire pour choisir le bon médicament anti-cancéreux ou déterminer si le médicament que vous avez pris depuis quelques semaines commence à fonctionner ou non. »
Auparavant, le groupe a signalé une nouvelle méthode de biodétection appelée microscopie d'absorption par résonateur photonique, ou Pram, pour détecter les biomarqueurs moléculaires-molécules dans l'organisme dont la présence et les niveaux indiquent des états sains ou pathologiques. Pram permet la détection de molécules de biomarqueurs uniques, y compris les acides nucléiques, les antigènes et les anticorps; Les techniques de biosensage courantes détectent plutôt le signal cumulatif de centaines à des milliers de molécules.
Cunningham a déclaré: « Fondamentalement, ce que nous faisons, c'est briller une lumière LED rouge au bas d'un capteur. Ensuite, au-dessus du capteur, les molécules atterrissent et sont détectées chaque fois qu'elles ont une petite particule en or – que nous appelons des nanoparticules d'or ou des aunps-attaches. »
Les images générées à l'aide de Pram représentent un fond rouge avec de petites taches noires saupoudrées. Mais alors que ces images elles-mêmes semblent relativement simples, l'obtention d'un décompte précise nécessite un œil entraîné qui peut déchiffrer les taches correspond vraiment aux molécules de biomarqueurs marquées aunp.
« Il existe de nombreux types d'artefacts tels que des particules de poussière ou des agrégats des nanoparticules. Si vous n'avez pas beaucoup d'expérience, il est difficile de les distinguer », a déclaré Lee. « L'algorithme de comptage conventionnel que nous avons utilisé nécessite d'ajuster beaucoup de paramètres pour se débarrasser de ces artefacts. »
Afin de déplacer ce processus hors du laboratoire et de le rendre mieux adapté aux environnements de points de service, Lee a proposé d'intégrer l'apprentissage automatique dans le processus d'analyse d'image.
« Han vraiment a développé un intérêt pour l'apprentissage automatique après avoir suivi un cours ici à l'université juste pour en savoir plus », a déclaré Cunningham. « Il est venu vers moi un jour et a dit qu'il pensait qu'il pouvait faire plus précisément un algorithme d'apprentissage automatique compte nos points noirs. »
Par rapport à d'autres techniques de biosensage, Pram se prête bien pour incorporer des algorithmes d'apprentissage en profondeur car il génère des images de microscope, plutôt que de simplement détecter les signaux optiques. Mais parce que ces algorithmes ne sont aussi bons que les données qui l'ont formé, Lee a décidé d'imaginer les mêmes échantillons en utilisant à la fois la microscopie électronique PRAM et le balayage.
Les AuNPs, qui sont 1000 fois plus petits que les cheveux humains et n'apparaissent que comme de petites taches noires dans les images Pram, peuvent être plus clairement visualisées au microscope électronique. Dans un processus à forte intensité de temps, Lee Cross a fait référence à chaque place des images Pram avec les images au microscope électronique pour obtenir des données très précises pour l'ensemble de formation d'apprentissage automatique.
« Trouver le bon endroit à comparer a été en fait très difficile, car c'est comme trouver une aiguille dans un désert. Une façon que j'ai conçue était de créer un point de référence, comme un phare dans une mer. Ensuite, nous pouvons trouver exactement le même endroit pour les inscriptions », a déclaré Lee.
La méthode basée sur l'apprentissage en profondeur qui en résulte, appelé localisation avec une conscience de contexte, intégrée à Pram, permet une détection de biomarqueurs moléculaires en temps réel et de haute précision sans avoir besoin des yeux et de l'expérience d'un expert technique. Lorsqu'il a été testé, l'équipe a constaté que Loca-pram dépassait les techniques conventionnelles en précision, détectant des niveaux inférieurs des biomarqueurs et minimisant les taux de faux positifs et de négatifs.
« Tout le voyage de mon doctorat a commencé parce que je voulais apporter des modifications dans le domaine du point de service », a déclaré Lee. « Je veux juste faire tout ce qui est en mon pouvoir pour développer des technologies plus avancées qui peuvent avoir un impact à l'avenir. »
La publication, « La localisation et la quantification des nanoparticules d'or compatibles à l'apprentissage en profondeur physiquement fondées dans la microscopie d'absorption de résonateurs photoniques pour la résolution numérique diagnostics moléculaires » peuvent être trouvées sur https://doi.org/10.1016/j.bios.2025.117455 et ont été soutenus par la National Instituts of Health, Usda Afri Nanotechnology Grant, et la National Instituts of Health, Usda Afri Nanotechnology Grant, et la National Instituts of Health, Usda Afri Nanotechnology Grant, et la National Science Foundation.
