El método de detección de virus preciso y en tiempo real podría ayudar a combatir la próxima pandemia

Según un equipo de investigadores dirigido por Penn State, un método de identificación de virus altamente preciso y sensible que utiliza espectroscopia Raman, un dispositivo portátil de captura de virus y aprendizaje automático podría permitir la detección e identificación de virus en tiempo real para ayudar a combatir futuras pandemias.

«Este método de detección de virus no tiene etiqueta y no está dirigido a ningún virus específico, lo que nos permite identificar posibles nuevas cepas de virus», dijo Shengxi Huang, profesor asistente de ingeniería eléctrica e ingeniería biomédica y coautor del estudio que apareció. hoy (2 de junio) en el procedimientos de la Academia Nacional de Ciencias. «También es rápido, por lo que es adecuado para la detección rápida en espacios públicos concurridos. Además, las ricas características de Raman junto con el análisis de aprendizaje automático permiten una comprensión más profunda de las estructuras del virus».

La espectroscopia Raman detecta vibraciones únicas en las moléculas detectando cambios cuando un haz de luz láser induce estas vibraciones. Para capturar los virus, se usaría una herramienta conocida como dispositivo de microfluidos para atrapar virus entre bosques de nanotubos de carbono alineados.

Los dispositivos de microfluidos utilizan cantidades muy pequeñas de fluidos corporales en un microchip para realizar pruebas médicas y de laboratorio. Tal dispositivo podría usar cultivos de virus, saliva, lavados nasales o incluso aliento exhalado, incluidas muestras recolectadas en el sitio durante un brote. Los bosques de nanotubos de carbono filtrarían cualquier sustancia extraña o moléculas de fondo del huésped o del aire circundante que podrían dificultar la obtención de una lectura precisa.

“El hecho de que estemos usando nanotubos de carbono para enriquecer muestras ha sido muy útil porque de esa manera estamos enriqueciendo la muestra de virus y eliminando otros bioruidos que no quieres tener cuando buscas un virus”, dijo Mauricio. Terrones, profesor de la Universidad Evan Pugh y profesor de física Verne M. Willaman y coautor del estudio.

Una vez que se capturan las muestras y el microscopio Raman las examina, entra en juego el aspecto del aprendizaje automático. Los investigadores reunieron los espectros Raman de tres categorías diferentes de virus: virus respiratorios humanos, virus aviares y enterovirus. Estos datos luego se usan para entrenar un modelo de aprendizaje automático, una red neuronal convolucional, que identifica virus.

«Después de entrenar el modelo de aprendizaje automático, luego de recibir un espectro Raman desconocido de un virus desconocido, nuestro modelo de aprendizaje automático puede reconocer automáticamente qué tipo de virus es», dijo Sharon Huang, profesora asociada de ciencias y tecnología de la información y autora correspondiente de el estudio. «Esto incluye, como con la influenza, reconocer de qué tipo es, si es influenza A o influenza B, y el modelo puede incluso reconocer subtipos de virus, como H1N1 o H3N2».

Los beneficios de un dispositivo de este tipo son muchos, según los investigadores, especialmente en un brote de rápido movimiento.

«Al proporcionar un dispositivo de detección de virus rápido y sin etiquetas para la vigilancia de virus, este enfoque permitiría a los funcionarios de salud pública monitorear más de cerca la evolución de un virus», dijo Yin-Ting Yeh, profesor asistente de investigación en el Eberly College of Science and coautor del estudio.

Junto con investigadores de Penn State, la Universidad George Washington y la Universidad Johns Hopkins, también participaron en el estudio investigadores de los Institutos Nacionales de Salud (NIH). Los próximos pasos del equipo de estudio incluirán la recopilación de más espectros Raman de diferentes virus humanos y animales, incluidos los virus de ADN para hacer crecer la base de datos de espectros de virus. Esto permitiría un entrenamiento más extenso de los modelos de aprendizaje automático y mejoraría su generalización y capacidad para detectar nuevas cepas de virus. Además, trabajarán para mejorar la mejora de Raman en el dispositivo para permitir mejores intensidades de señal y niveles más bajos de bio-ruido.

«Si bien el uso del aprendizaje automático para el procesamiento de señales Raman no es novedoso en sí mismo», dijo Elodie Ghedin, investigadora principal de la sección de genómica de sistemas de los NIH y coautora del estudio. «Lo que hace que este enfoque sea novedoso es la combinación de un dispositivo portátil de captura de virus, la recopilación de espectros Raman de los virus capturados en este dispositivo y la clasificación rápida y precisa de los virus utilizando un modelo de aprendizaje automático. Esta detección de virus en real- El enfoque de tiempo es particularmente oportuno para abordar los brotes actuales y futuros».