По словам группы исследователей во главе с Penn State, метод высокоточной и чувствительной идентификации вирусов с использованием рамановской спектроскопии, портативного устройства для захвата вирусов и машинного обучения может обеспечить обнаружение и идентификацию вирусов в режиме реального времени, чтобы помочь в борьбе с будущими пандемиями.
«Этот метод обнаружения вирусов не содержит меток и не нацелен на какой-либо конкретный вирус, что позволяет нам идентифицировать потенциальные новые штаммы вирусов», — сказал Шэнси Хуан, доцент кафедры электротехники и биомедицинской инженерии и соавтор исследования, которое появилось сегодня (2 июня) в Proceedings of the National Academy of Sciences . «Кроме того, он быстрый, поэтому подходит для быстрого скрининга в людных общественных местах. Кроме того, богатые рамановские функции вместе с анализом машинного обучения позволяют глубже понять структуру вируса».
Спектроскопия комбинационного рассеяния обнаруживает уникальные вибрации в молекулах, улавливая сдвиги, когда луч лазерного излучения вызывает эти вибрации. Для захвата вирусов будет использоваться инструмент, известный как микрожидкостное устройство , которое будет улавливать вирусы между лесами выровненных углеродных нанотрубок.
Микрожидкостные устройства используют очень небольшое количество биологических жидкостей на микрочипе для проведения медицинских и лабораторных тестов. Такое устройство может использовать вирусные культуры, слюну, смывы из носа или даже выдыхаемый воздух, включая образцы, собранные на месте во время вспышки. Леса углеродных нанотрубок будут отфильтровывать любые посторонние вещества или фоновые молекулы из хозяина или окружающего воздуха, что может затруднить получение точных показаний.
«Тот факт, что мы используем углеродные нанотрубки для обогащения образцов, очень полезен, потому что таким образом мы обогащаем образец вирусами и устраняем другие биологические шумы, которые вам не нужны при поиске вируса», — сказал Маурисио. Терронес, профессор Университета Эвана Пью и профессор физики Верна М. Уилламана и соавтор исследования.
После захвата образцов и их изучения рамановским микроскопом в игру вступает аспект машинного обучения. Исследователи собрали спектры комбинационного рассеяния трех различных категорий вирусов: респираторных вирусов человека, птичьих вирусов и энтеровирусов. Затем эти данные используются для обучения модели машинного обучения , сверточной нейронной сети, которая идентифицирует вирусы.
«После того, как модель машинного обучения обучена, а затем с учетом неизвестного спектра комбинационного рассеяния неизвестного вируса, наша модель машинного обучения может автоматически распознавать, какой это тип вируса», — сказала Шарон Хуанг, доцент кафедры информационных наук и технологий и автор-корреспондент. изучение. «Это включает, например, в случае с гриппом, распознавание его типа, будь то грипп A или грипп B, и модель может даже распознавать подтипы вирусов, такие как H1N1 или H3N2».
По словам исследователей, у такого устройства много преимуществ, особенно в условиях быстро распространяющейся вспышки.
«Благодаря предоставлению устройства для быстрого обнаружения вирусов без этикеток для наблюдения за вирусами этот подход позволит должностным лицам системы здравоохранения более внимательно следить за эволюцией вируса», — сказал Инь-Тинг Йе, доцент-исследователь Колледжа наук и науки Эберли. соавтор исследования.
Наряду с исследователями из Университета штата Пенсильвания, Университета Джорджа Вашингтона и Университета Джона Хопкинса в исследовании также приняли участие исследователи из Национальных институтов здравоохранения (NIH). Следующие шаги исследовательской группы будут включать сбор дополнительных спектров комбинационного рассеяния различных вирусов человека и животных, включая ДНК-вирусы, для пополнения базы данных спектров вирусов. Это позволит более тщательно тренировать модели машинного обучения и повысить их обобщаемость и способность обнаруживать новые штаммы вирусов. Кроме того, они будут работать над улучшением рамановского усиления в устройстве, чтобы повысить интенсивность сигнала и снизить уровень биошума.
«Хотя использование машинного обучения для обработки рамановских сигналов само по себе не является чем-то новым», — сказала Элоди Гедин, старший исследователь отдела системной геномики Национального института здравоохранения и соавтор исследования. «Что делает этот подход новым, так это сочетание портативного устройства для захвата вирусов, сбора спектров комбинационного рассеяния от захваченных вирусов на этом устройстве и быстрой и точной классификации вирусов с использованием модели машинного обучения . временной подход особенно актуален для борьбы с текущими и будущими вспышками».
