.
A combinação de aprendizado de máquina com detecção eletroquímica multimodal pode melhorar significativamente o desempenho analítico de biossensores, de acordo com novas descobertas de uma equipe de pesquisa da Penn State. Essas melhorias podem beneficiar o monitoramento de saúde não invasivo, como testes que envolvem saliva ou suor. As conclusões foram publicadas este mês na Analytica Chimica Acta.
Os pesquisadores desenvolveram uma nova plataforma analítica que lhes permitiu medir seletivamente várias biomoléculas usando um único sensor, economizando espaço e reduzindo a complexidade em comparação com a rota usual de uso de sistemas multissensores. Em particular, eles mostraram que seu sensor pode detectar simultaneamente pequenas quantidades de ácido úrico e tirosina – dois importantes biomarcadores associados a doenças renais e cardiovasculares, diabetes, distúrbios metabólicos e distúrbios neuropsiquiátricos e alimentares – no suor e na saliva, tornando o desenvolvido método adequado para acompanhamento e intervenção de saúde personalizada.
Muitos biomarcadores têm estruturas moleculares semelhantes ou assinaturas eletroquímicas sobrepostas, dificultando sua detecção simultânea. Aproveitar o aprendizado de máquina para medir vários biomarcadores pode melhorar a precisão e a confiabilidade dos diagnósticos e, como resultado, melhorar os resultados dos pacientes, de acordo com os pesquisadores. Além disso, a detecção usando o mesmo dispositivo economiza recursos e volumes de amostra biológica necessários para testes, o que é crítico com amostras clínicas com quantidades escassas.
“Desenvolvemos uma nova abordagem para melhorar o desempenho de biossensores eletroquímicos combinando aprendizado de máquina com medição multimodal”, disse Aida Ebrahimi, Thomas e Sheila Roell, professor assistente de engenharia elétrica e professor assistente de engenharia biomédica. “Usando nossa arquitetura de aprendizado de máquina otimizada, podemos detectar biomoléculas em quantidades 100 vezes menores do que os métodos de detecção convencionais podem fazer”.
A metodologia dos pesquisadores apresenta um sistema de hardware/software que permite coletar e processar informações automaticamente com base em um modelo de aprendizado de máquina treinado para identificar biomoléculas em fluidos biológicos, como saliva e suor, escolhas comuns para monitoramento não invasivo da saúde.
“A abordagem de diagnóstico eletroquímico com aprendizado de máquina apresentada neste artigo pode encontrar uma aplicação mais ampla na detecção bioquímica multiplexada”, disse Vinay Kammarchedu, 2022-23 Milton e Albertha Langdon Memorial Fellow em Engenharia Elétrica na Penn State e primeiro autor do artigo. “Por exemplo, este método pode ser estendido a uma variedade de outras moléculas, incluindo toxinas de alimentos e água, drogas e neuroquímicos que são difíceis de detectar simultaneamente usando métodos eletroquímicos convencionais”.
Em seu trabalho em andamento, os pesquisadores estão aplicando essa abordagem em tais neuroquímicos, que são difíceis de detectar devido a semelhanças em sua estrutura molecular e assinaturas eletroquímicas sobrepostas.
“Nossa metodologia usou com sucesso um material para diferenciar e distinguir quatro neuroquímicos que são importantes em doenças como Parkinson e Alzheimer”, disse Ebrahimi. “Embora esses dados preliminares sejam promissores, devemos trabalhar mais para poder detectar os níveis mais baixos desses neuroquímicos em amostras biológicas, como a saliva”.
Além dos resultados específicos com ácido úrico e tirosina, os pesquisadores estão entusiasmados com o potencial e a versatilidade da metodologia.
“É uma nova maneira de projetar métodos de diagnóstico eletroquímico que podem ser aplicados a uma variedade de aplicações além dos sistemas biomédicos”, disse Ebrahimi.
Combinado com inovações em engenharia de materiais e dispositivos para desenvolvimento de sensores, o método analítico dos pesquisadores pode oferecer oportunidades em produtos farmacêuticos, pesquisa em ciências da vida, triagem de alimentos, detecção de toxinas ambientais e biodefesa, onde são necessários testes precisos e multiplexados ou monitoramento em linha.
Convencionalmente, a multiplexação é obtida por métodos espectroscópicos que dependem de equipamentos volumosos e caros, mais adequados para análises em laboratório. No atual estágio de protótipo dos pesquisadores, o hardware é do tamanho de uma bancada. Eles estão trabalhando para criar um sistema menor que possa ser implementado para mais do que apenas monitoramento de saúde.
“Em última análise, vislumbramos um dispositivo portátil e implantável em campo que será mais fácil de usar e mais prontamente disponível do que as práticas atuais usadas em ambientes laboratoriais ou clínicos”, disse Kammarchedu.
A pesquisa foi financiada pela Fase II do Programa de Centros de Pesquisa Cooperativa Indústria-Universidade da National Science Foundation (NSF) (I/UCRC). Derrick Butler, que era aluno de doutorado em engenharia elétrica durante este projeto, contribuiu para esta pesquisa. Kammarchedu, Butler e Ebrahimi também são afiliados ao Center for Atomically Thin Multifunctional Coatings (ATOMIC), que é um NSF:I/UCRC Center no Materials Research Institute da Penn State.
Fonte da história:
Materiais fornecidos por Estado de Penn. Original escrito por Mary Fetzer. Observação: o conteúdo pode ser editado quanto ao estilo e tamanho.
.
