Hochentwickelte Systeme zur Erkennung von Biomarkern – Moleküle wie DNA oder Proteine, die das Vorhandensein einer Krankheit anzeigen – sind für Echtzeit-Diagnose- und Krankheitsüberwachungsgeräte von entscheidender Bedeutung.

Holger Schmidt, Professor für Elektro- und Computertechnik an der UC Santa Cruz, und seine Gruppe konzentrieren sich seit langem auf die Entwicklung einzigartiger, hochempfindlicher Geräte, so genannter optofluidischer Chips zum Nachweis von Biomarkern.

Schmidts Doktorand Vahid Ganjalizadeh war federführend bei den Bemühungen, ihre Systeme durch maschinelles Lernen zu verbessern, indem er ihre Fähigkeit zur genauen Klassifizierung von Biomarkern verbesserte. Das von ihm entwickelte tiefe neuronale Netzwerk klassifiziert Partikelsignale mit einer Genauigkeit von 99,8 Prozent in Echtzeit auf einem System, das relativ billig und tragbar für Point-of-Care-Anwendungen ist, wie in einem neuen Artikel in Nature Scientific Reports gezeigt wird.

Neuronales Netz kann Biomarker zuverlässig identifizieren

Wenn Biomarker-Detektoren im Feld oder an einem Point-of-Care-Standort wie einer Klinik eingesetzt werden, sind die von den Sensoren empfangenen Signale möglicherweise nicht so hochwertig wie die in einem Labor oder einer kontrollierten Umgebung. Dies kann auf verschiedene Faktoren zurückzuführen sein, z. B. auf die Notwendigkeit, billigere Chips zu verwenden, um die Kosten zu senken, oder auf Umwelteigenschaften wie Temperatur und Feuchtigkeit.

Um den Herausforderungen eines schwachen Signals zu begegnen, entwickelten Schmidt und sein Team ein tiefes neuronales Netzwerk, das die Quelle dieses schwachen Signals mit hoher Zuverlässigkeit identifizieren kann. Die Forscher trainierten das neuronale Netz mit bekannten Trainingssignalen und brachten ihm bei, potenzielle Abweichungen zu erkennen, so dass es Muster erkennen und neue Signale mit sehr hoher Genauigkeit identifizieren kann.

Zunächst erkennt ein in Schmidts Labor entwickelter Ansatz der parallelen Cluster-Wavelet-Analyse (PCWA), dass ein Signal vorhanden ist. Dann verarbeitet das neuronale Netz das potenziell schwache oder verrauschte Signal und identifiziert seine Quelle. Dieses System arbeitet in Echtzeit, so dass die Nutzer in Sekundenbruchteilen Ergebnisse erhalten.

“Es geht darum, das Beste aus möglicherweise schlechten Signalen herauszuholen, und zwar wirklich schnell und effizient”, so Schmidt.

Eine kleinere Version des neuronalen Netzmodells kann auf tragbaren Geräten ausgeführt werden. In der Arbeit lassen die Forscher das System über ein Google Coral Dev Board laufen, ein relativ preiswertes Edge-Device für die beschleunigte Ausführung von Algorithmen der künstlichen Intelligenz. Das bedeutet, dass das System im Vergleich zu anderen Techniken weniger Energie für die Ausführung der Verarbeitung benötigt.

“Im Gegensatz zu anderen Forschungen, die für eine hochpräzise Erkennung auf Supercomputern laufen müssen, haben wir bewiesen, dass auch ein kompaktes, tragbares und relativ billiges Gerät diese Aufgabe für uns erledigen kann”, so Ganjalizadeh. “Damit ist es für Point-of-Care-Anwendungen verfügbar, machbar und tragbar.”

Das gesamte System ist so konzipiert, dass es vollständig lokal genutzt werden kann, d. h. die Datenverarbeitung kann ohne Internetzugang erfolgen, im Gegensatz zu anderen Systemen, die auf Cloud Computing angewiesen sind. Dies bietet auch einen Vorteil in Bezug auf die Datensicherheit, da die Ergebnisse erstellt werden können, ohne dass die Daten mit einem Cloud-Server-Anbieter geteilt werden müssen.

Das System ist außerdem so konzipiert, dass es die Ergebnisse auf einem mobilen Gerät ausgeben kann, so dass kein Laptop mit ins Feld genommen werden muss.

“Man kann ein robusteres System bauen, das auch in unterversorgten oder weniger entwickelten Regionen eingesetzt werden kann, und das trotzdem funktioniert”, so Schmidt.

Neuronales Netz wird auch mit anderen Biomarkern funktionieren

Dieses verbesserte System wird auch für alle anderen Biomarker funktionieren, für die Schmidts Labor in der Vergangenheit eingesetzt wurde, z. B. COVID-19, Ebola, Grippe und Krebs-Biomarker. Obwohl sie sich derzeit auf medizinische Anwendungen konzentrieren, könnte das System potenziell für den Nachweis jeder Art von Signal angepasst werden.

Um die Technologie weiter voranzutreiben, planen Schmidt und seine Labormitglieder, ihre Geräte mit noch mehr dynamischen Signalverarbeitungsfunktionen auszustatten. Dies wird das System vereinfachen und die Verarbeitungstechniken kombinieren, die erforderlich sind, um Signale sowohl bei niedrigen als auch bei hohen Molekülkonzentrationen zu erkennen. Das Team arbeitet auch daran, diskrete Teile des Aufbaus in das integrierte Design des optofluidischen Chips zu integrieren.