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

Spektroskopi er disiplinen for å studere interaksjonene mellom lys og materie, for å utføre analyser uten sidestykke når det gjelder hastigheten på datainnsamling. Avhengig av spektralområdene som brukes av sensorene, er det mulig å utføre molekylær (molekylær og vibrasjonsspektroskopi) eller elementær (atomær spektroskopi) analyser.

Som en del av dette prosjektet har GreenTropism valgt Surface Enhanced Raman Scattering (SERS) teknologi som en spektral teknikk. Den vitenskapelige litteraturen rapporterer flere tilfeller av bruk av SERS-teknologi for virusanalyse, under variable forhold: variabel virusbelastning, etter amplifikasjon, bruk av substrater beriket med antigener.

SERS tillater en analyse av en prøve avsatt på et underlag i gjennomsnitt (fra femten sekunder til 10 minutter avhengig av enhetene og tilstedeværelsen av komplementær bildebehandling). Allerede bevist for identifisering av virus på stammer som er patogene for mennesker og dyr, blir distribusjonen bremset av kompleksiteten til dataene som skal behandles.

Disse spektra-innsamlingsteknologiene krever felles bruk av statistiske verktøy og multivariate analyser for å tillate prøvediskriminering (klassifisering) og/eller kvantifisering. Inntil nylig var kapasiteten og ytelsen til statistiske verktøy begrenset av tilgjengelige beregningskapasiteter. Løftingen av denne teknologiske låsen tillot fremveksten og demokratiseringen av kunstig intelligens (AI)-teknikker som ble teoretisert på 1960-tallet og anvendt i dag.

GreenTropisms Kaïssa, AI-verktøy, i tillegg til å behandle store data, er designet og trent spesielt for å behandle spektraldata og automatisere alle algoritmekjedene som trengs for å gå fra spektrumstøtte til tolkningen, og presentasjonen av det endelige svaret.

Analysen av kjemometriske data, for klassifiseringsformål, implementerer flere typer algoritmer som Kaïssa bruker, og kombinerer dem automatisk for å oppnå best mulig analyser av disse dataene. Disse algoritmene er delt inn i to store grupper: matematisk forbehandling og klassifikasjonsmodeller.

Kombinasjonen av fotoniske teknologier (her SERS) og AI tillater sanntidsanalyser av flere substrater, uten forhåndskjennskap til brukeren på prøven og uten forutgående ekspertise. Disse egenskapene gjør det til et verdifullt verktøy for å diagnostisere SARS-CoV-2-infeksjon i sammenheng med Point Of Care.

I et arbeid utført mellom månedene mars og juni 2020, viste flere modeller, på testdatabaser som ikke er integrert i læringen, ytelsen til diskriminering mellom positive og negative pasienter for SARS-CoV-2 i henhold til RT-PCR tilsvarende Youden-indekser på 0,6 til 0,92. På den annen side har disse modellene fremhevet en variasjon i bruken av prøver som resulterer i et fall i ytelse under tester på statistisk uavhengige databaser som krever ytterligere spektralinnsamlinger, noe som i dag fører til presentasjonen av dette rapportprosjektet.