Detektion av SARS-CoV-2 (COVID-19) med SERS-spektroskopi kombinerat med artificiell intelligens (Kaïssa Covid)

Spektroskopi är disciplinen att studera växelverkan mellan ljus och materia, för att utföra analyser oöverträffade när det gäller hastigheten för datainsamling. Beroende på de spektralområden som används av sensorerna är det möjligt att utföra molekylära (molekylära och vibrationsspektroskopi) eller elementära (atomära spektroskopi) analyser.

Som en del av detta projekt har GreenTropism valt Surface Enhanced Raman Scattering (SERS) teknologi som en spektral teknik. Den vetenskapliga litteraturen rapporterar flera fall av användning av SERS-teknologi för virusanalys, under varierande förhållanden: varierande virusmängder, efter amplifiering, användning av substrat berikade med antigener.

SERS tillåter en analys av ett prov avsatt på ett substrat i genomsnitt (från femton sekunder till 10 minuter beroende på enheterna och närvaron av komplementär bildbehandling). Redan bevisat för identifiering av virus på stammar som är patogena för människor och djur, bromsas dess utplacering upp av komplexiteten hos de data som ska behandlas.

Dessa tekniker för insamling av spektra kräver gemensam användning av statistiska verktyg och multivariata analyser för att möjliggöra urvalsdiskriminering (klassificering) och/eller kvantifiering. Fram till nyligen begränsades kapaciteten och prestanda hos statistiska verktyg av den tillgängliga beräkningskapaciteten. Lyftet av detta tekniska lås möjliggjorde tillkomsten och demokratiseringen av tekniker för artificiell intelligens (AI) som teoretiserades på 1960-talet och tillämpades idag.

GreenTropisms Kaïssa, AI-verktyg, förutom att bearbeta big data, har designats och tränats specifikt för att bearbeta spektraldata och automatisera alla de algoritmiska kedjorna som behövs för att gå från spektrumstöd till dess tolkning, och presentationen av det slutliga svaret.

Analysen av kemometriska data, i syfte att klassificera, implementerar flera typer av algoritmer som Kaïssa använder, kombinerar dem automatiskt för att få bästa möjliga analyser av dessa data. Dessa algoritmer är indelade i två stora grupper: matematisk förbearbetning och klassificeringsmodeller.

Kombinationen av fotoniska teknologier (här SERS) och AI tillåter realtidsanalyser av flera substrat, utan förhandskännedom om användaren på provet och utan tidigare expertis. Dessa egenskaper gör det till ett värdefullt verktyg för att diagnostisera SARS-CoV-2-infektion i samband med Point Of Care.

I ett arbete som utfördes mellan mars och juni 2020 visade flera modeller, på testdatabaser som inte är integrerade i inlärningen, prestanda för diskriminering mellan positiva och negativa patienter för SARS-CoV-2 enligt RT-PCR motsvarande Youden-index av 0,6 till 0,92. Å andra sidan har dessa modeller belyst en variation i användningen av prover som resulterar i en sänkning av prestanda under tester på statistiskt oberoende databaser som kräver ytterligare spektralinsamlingar, vilket idag leder till presentationen av detta rapportprojekt.