Påvisning af SARS-CoV-2 (COVID-19) ved SERS-spektroskopi kombineret med kunstig intelligens (Kaïssa Covid)

Spektroskopi er disciplinen til at studere interaktionerne mellem lys og stof for at udføre analyser uden sidestykke med hensyn til hastigheden af ​​dataopsamling. Afhængigt af de spektrale områder, der anvendes af sensorerne, er det muligt at udføre molekylær (molekylær og vibrationsspektroskopi) eller elementær (atomær spektroskopi) analyser.

Som en del af dette projekt har GreenTropism valgt Surface Enhanced Raman Scattering (SERS) teknologi som en spektral teknik. Den videnskabelige litteratur rapporterer om adskillige tilfælde af brug af SERS-teknologi til virusanalyse under variable forhold: variabel virusbelastning, efter amplifikation, brug af substrater beriget med antigener.

SERS tillader en analyse af en prøve aflejret på et substrat i gennemsnit (fra femten sekunder til 10 minutter afhængigt af enhederne og tilstedeværelsen af ​​komplementær billeddannelse). Allerede bevist til identifikation af vira på stammer, der er patogene for mennesker og dyr, er dets udbredelse bremset af kompleksiteten af ​​de data, der skal behandles.

Disse spektra-opsamlingsteknologier kræver fælles brug af statistiske værktøjer og multivariate analyser for at tillade prøvediskriminering (klassificering) og/eller kvantificering. Indtil for nylig var kapaciteten og ydeevnen af ​​statistiske værktøjer begrænset af den tilgængelige beregningskapacitet. Ophævelsen af ​​denne teknologiske lås muliggjorde fremkomsten og demokratiseringen af ​​kunstig intelligens (AI) teknikker, der blev teoretiseret i 1960'erne og anvendt i dag.

GreenTropisms Kaïssa, AI-værktøj, er udover at behandle big data, blevet designet og trænet specifikt til at behandle spektrale data og automatisere alle de algoritmiske kæder, der er nødvendige for at gå fra spektrumunderstøttelse til dets fortolkning og præsentationen af ​​det endelige svar.

Analysen af ​​kemometriske data, med henblik på klassificering, implementerer flere typer algoritmer, som Kaïssa bruger, og kombinerer dem automatisk for at opnå de bedst mulige analyser af disse data. Disse algoritmer er opdelt i to store grupper: matematisk forbehandling og klassifikationsmodeller.

Kombinationen af ​​fotoniske teknologier (her SERS) og AI tillader realtidsanalyser af flere substrater uden forudgående kendskab til brugeren på prøven og uden forudgående ekspertise. Disse egenskaber gør det til et værdifuldt værktøj til diagnosticering af SARS-CoV-2-infektion i forbindelse med Point Of Care.

I et arbejde udført mellem marts og juni 2020 viste flere modeller, på testdatabaser, der ikke er integreret i indlæringen, præstation af diskrimination mellem positive og negative patienter for SARS-CoV-2 i henhold til RT-PCR svarende til Youden-indekser på 0,6 til 0,92. På den anden side har disse modeller fremhævet en variabilitet i brugen af ​​prøver, som resulterer i et fald i ydeevnen under test på statistisk uafhængige databaser, der kræver yderligere spektralopsamlinger, hvilket i dag fører til præsentationen af ​​dette rapportprojekt.