SARS-CoV-2 (COVID-19) havaitseminen SERS-spektroskopialla yhdistettynä tekoälyyn (Kaïssa Covid)

Spektroskopia on tieteenala, jossa tutkitaan valon ja aineen välisiä vuorovaikutuksia, jotta voidaan tehdä analyyseja, jotka ovat vertaansa vailla tiedonkeruunopeuden suhteen. Antureiden käyttämistä spektrialueista riippuen on mahdollista suorittaa molekyyli- (molekyyli- ja värähtelyspektroskopia) tai alkuaineanalyysejä (atomispektroskopia).

Osana tätä projektia GreenTropism on valinnut spektritekniikaksi Surface Enhanced Raman Scattering (SERS) -teknologian. Tieteellinen kirjallisuus raportoi useita tapauksia, joissa SERS-teknologiaa on käytetty virusanalyysiin vaihtelevissa olosuhteissa: vaihtelevat viruskuormat, monistamisen jälkeen, antigeeneilla rikastettujen substraattien käyttö.

SERS mahdollistaa substraatille kerrostetun näytteen analysoinnin keskimäärin (15 sekunnista 10 minuuttiin riippuen laitteista ja täydentävän kuvantamisen olemassaolosta). Se on jo todistettu virusten tunnistamiseen ihmisille ja eläimille patogeenisistä kannoista, ja sen käyttöönottoa hidastaa käsiteltävän tiedon monimutkaisuus.

Nämä spektrien hankintatekniikat edellyttävät tilastollisten työkalujen ja monimuuttujaanalyysien yhteiskäyttöä näytteiden erottelun (luokituksen) ja/tai kvantifioinnin mahdollistamiseksi. Viime aikoihin asti tilastollisten työkalujen kapasiteettia ja suorituskykyä rajoittivat käytettävissä olevat laskentakapasiteetit. Tämän teknologisen lukon poistaminen mahdollisti 1960-luvulla teoretisoitujen ja nykyään sovellettujen tekoälytekniikoiden syntymisen ja demokratisoitumisen.

GreenTropismin Kaïssa, AI -työkalu ison datan käsittelyn lisäksi on suunniteltu ja koulutettu erityisesti spektridatan käsittelyyn ja automatisoimaan kaikki algoritmiset ketjut, joita tarvitaan spektrin tuesta sen tulkintaan ja lopullisen vastauksen esittämiseen.

Kemometristen tietojen analysointi luokittelua varten toteuttaa usean tyyppisiä Kaïssan käyttämiä algoritmeja yhdistäen niitä automaattisesti parhaan mahdollisen analyysin saamiseksi näistä tiedoista. Nämä algoritmit on jaettu kahteen suureen ryhmään: matemaattisiin esikäsittely- ja luokittelumalleihin.

Fotonitekniikoiden (tässä SERS) ja tekoälyn yhdistelmä mahdollistaa useiden substraattien reaaliaikaisen analyysin ilman näytteen käyttäjän ennakkotietoa ja ilman aiempaa asiantuntemusta. Nämä ominaisuudet tekevät siitä arvokkaan työkalun SARS-CoV-2-infektion diagnosoinnissa Point Of Caren yhteydessä.

Maaliskuun ja kesäkuun 2020 välisenä aikana tehdyssä työssä useat mallit osoittivat testitietokannassa, jota ei ole integroitu oppimiseen, SARS-CoV-2:n positiivisten ja negatiivisten potilaiden välisen erottelun RT-PCR:n mukaan, joka vastaa Youdenin indeksejä. 0,6 - 0,92. Toisaalta nämä mallit ovat korostaneet vaihtelua näytteiden käytössä, mikä johtaa suorituskyvyn laskuun tilastollisesti riippumattomien tietokantojen testeissä, jotka vaativat lisäspektrihankintoja, mikä johti tänään tämän raporttiprojektin esittelyyn.