Birçok biyosensör uygulama; proteinler, virüsler ve bakteriler gibi spesifik analitlerin, mikro veya nano ölçekli parçacıkların kullanılmasıyla gerçekleştirilebilecek diğer birçok hedefin karakterizasyonuna dayanır. Bu gibi biyosensörlerde, bu parçacıklar; karşılık olarak hedef analiz oluşturma kümelerine yapışmasını sağlayan bir yüzey kimyası ile kaplanır. Hedef analitik konsantrasyonu arttıkça; küme sayısı gittikçe yükselir. Bu yüzden; bu parçacık kümelerinin izlenmesi ve karakterize edilmesi, hedef analitiğin bir numunede mevcut olup olmadığını ve hangi konsantrasyonda olduğunu bize söyleyebilir. Bu tür bir analizi gerçekleştirmek için mevcut yöntemler; sadece kaba bir okuma yapabilme kabiliyetine sahip olmaları veya özellikle kaynakların sınırlı olduğu ortamlarda, farklı biyosensörel ihtiyaçlara yönelik uygulanabilirliklerini sınırlayan pahalı ve hacimli mikroskoplara dayanmaları nedeniyle sınırlıdır.
UCLA araştırmacıları mevcut çözümlerin eksikliklerinin üstesinden gelmek için; derin öğrenme ile bir araya getirilen holografiye dayanan hızlı ve otomatik bir biyosensör yöntemi geliştirdi. Şu anda yapay zekanın en umut verici ve başarılı kullanılan yöntemlerinden biri olarak görülüyor. Bu sistemde, bir numunedeki tüm parçacık kümeleri ve ayrı ayrı mikro parçacıkları; ilk önce 3D olan hologramlarda ve daha sonra 20 mm2’den büyük, on kattan fazla, çok geniş bir örnek alan üzerinde görüntülendi. Bu ölçü; standart bir optik mikroskobun görüntüleme alanından daha büyüktür.
Görüntülemeden sonra; eğitimli bir derin sinir ağı, bu hologramları işliyor ve bunları hızlı bir şekilde standart bir tarama mikroskobu ile elde edilebilecek olanlara benzetiyor. Bunu çok daha hızlı ve önemli ölçüde daha büyük bir numunenin hacmine orantılayarak; kümeler halinde görüntüler. Bu işlem sırasında; mikro ölçekte bulunan (hedef analitiğin yapısını açıklayarak), laboratuvar dereceli mikroskoba benzer bir hassasiyetle otomatik olarak hesaplar.
Konseptin bir kanıtı olarak, UCLA araştırmacıları; herpes simpleks virüsünü (HSV) saptamak için bu derin öğrenme temelli biyosensör uygulanmasını başarıyla gösterdi. Mikro-litre başına ~ 5 virüs (HSV) saptama limiti sağladı.
UCLA Elektrik ve Bilgisayar Mühendisliği Bölümü Doktora Sonrası Araştırmacı Aniruddha Ray: “Çalışmamız, çok çeşitli parçacık kümelenmesi temelli biyosensörlerin hızlı okunması ve miktarının ölçülmesi için otomatik, ucuz bir platform olduğunu gösteriyor.”
