Detectie van SARS-CoV-2 (COVID-19) door SERS-spectroscopie gecombineerd met kunstmatige intelligentie (Kaïssa Covid)

Spectroscopie is de discipline van het bestuderen van de interacties tussen licht en materie, om analyses uit te voeren die ongeëvenaard zijn in termen van de snelheid van data-acquisitie. Afhankelijk van de spectrale bereiken die door de sensoren worden gebruikt, is het mogelijk om moleculaire (moleculaire en vibratiespectroscopie) of elementaire (atoomspectroscopie) analyses uit te voeren.

Als onderdeel van dit project heeft GreenTropism Surface Enhanced Raman Scattering (SERS)-technologie geselecteerd als spectrale techniek. De wetenschappelijke literatuur vermeldt verschillende gevallen van gebruik van de SERS-technologie voor virusanalyse, onder variabele omstandigheden: variabele virale belasting, na amplificatie, gebruik van substraten verrijkt met antigenen.

De SERS maakt een analyse mogelijk van een monster dat gemiddeld op een substraat is afgezet (van vijftien seconden tot 10 minuten, afhankelijk van de apparaten en de aanwezigheid van aanvullende beeldvorming). Reeds bewezen voor de identificatie van virussen op stammen die pathogeen zijn voor mens en dier, wordt de inzet ervan vertraagd door de complexiteit van de te verwerken gegevens.

Deze spectra-acquisitietechnologieën vereisen het gezamenlijke gebruik van statistische hulpmiddelen en multivariate analyses om steekproefdiscriminatie (classificatie) en/of kwantificering mogelijk te maken. Tot voor kort werden de capaciteit en prestaties van statistische tools beperkt door de beschikbare rekencapaciteit. Het opheffen van deze technologische vergrendeling maakte de komst en democratisering mogelijk van technieken voor kunstmatige intelligentie (AI), die in de jaren zestig werden getheoretiseerd en vandaag worden toegepast.

De AI-tool Kaïssa van GreenTropism is, naast het verwerken van big data, speciaal ontworpen en getraind voor het verwerken van spectrale gegevens en het automatiseren van alle algoritmische ketens die nodig zijn om van spectrumondersteuning naar de interpretatie ervan en de presentatie van het uiteindelijke antwoord te gaan.

De analyse van chemometrische gegevens, met het oog op classificatie, implementeert verschillende soorten algoritmen die Kaïssa gebruikt en combineert ze automatisch om de best mogelijke analyse van deze gegevens te verkrijgen. Deze algoritmen zijn verdeeld in twee grote groepen: wiskundige voorverwerking en classificatiemodellen.

De combinatie van fotonische technologieën (hier SERS) en AI maakt real-time analyses van meerdere substraten mogelijk, zonder voorafgaande kennis van de gebruiker op het monster en zonder voorafgaande expertise. Deze kenmerken maken het een waardevol hulpmiddel voor het diagnosticeren van SARS-CoV-2-infectie in de context van Point Of Care.

In een werk dat werd uitgevoerd tussen de maanden maart en juni 2020, toonden verschillende modellen, op testdatabases die niet in het leerproces waren geïntegreerd, prestatie van discriminatie tussen positieve en negatieve patiënten voor SARS-CoV-2 volgens RT-PCR equivalent aan Youden-indices van 0,6 tot 0,92. Aan de andere kant hebben deze modellen een variabiliteit in het gebruik van monsters aan het licht gebracht, wat resulteert in een prestatiedaling tijdens tests op statistisch onafhankelijke databases die aanvullende spectrale acquisities vereisen, wat vandaag leidde tot de presentatie van dit rapportproject.