Forscher, darunter auch diejenigen der University of Tokyo, entwickelten eine tiefe Nanometrie, eine analytische Technik, die fortschrittliche optische Geräte mit einem Rauschentfernungsalgorithmus basiert, das auf unbeaufsichtigtem tiefem Lernen basiert. Tiefe Nanometrie kann Nanopartikel in medizinischen Proben mit hoher Geschwindigkeit analysieren, was es ermöglicht, die Mengen seltener Partikel genau zu erkennen. Dies hat das Potenzial für die Erkennung extrazellulärer Vesikel nachgewiesen, was an frühe Anzeichen von Dickdarmkrebs hinweist, und es ist zu hoffen, dass sie auf andere medizinische und industrielle Bereiche angewendet werden kann.
Wussten Sie, dass Ihr Körper voller mikroskopischer Partikel ist, die kleiner sind als Zellen? Dazu gehören die sogenannten extrazellulären Vesikel (EVs), die bei der Erkennung von Krankheiten und auch bei der Abgabe von Arzneimitteln nützlich sein können. EVs sind jedoch sehr selten, und das Finden von Millionen anderer Partikel erforderte zeitaufwändige und teure Voranrichelungsprozesse. Dies hat Forscher veranlasst, einschließlich des Postdoktorandenforschers Yuichiro Iwamoto vom Forschungszentrum für fortschrittliche Wissenschaft und Technologie und sein Team, um EVs schnell und zuverlässig zu erkennen.
„Herkömmliche Messtechniken haben häufig einen begrenzten Durchsatz, was es schwierig macht, seltene Partikel in kurzer Zeit zuverlässig zu erkennen“, sagte Iwamoto. „Um dies zu beheben, haben wir eine tiefe Nanometrie (DNM), ein neues Nanopartikel-Erkennungsgerät und eine unbeaufsichtigte Methode für die Reduktion von Deep Learning Rauschen entwickelt, um seine Empfindlichkeit zu steigern. Dies ermöglicht einen hohen Durchsatz, was es ermöglicht, seltene Partikel wie EVs zu erkennen.“
Im Herzen von DNM befindet sich seine Fähigkeit, Partikel mit 30 Nanometern (Milliardstel einer Meter) zu erfassen und gleichzeitig mehr als 100.000 Partikel pro Sekunde nachzuweisen. Bei herkömmlichen Hochgeschwindigkeitserkennungswerkzeugen werden starke Signale erkannt, aber es können schwache Signale übersehen werden, während DNM sie fangen kann. Dies ist möglicherweise analog zur Suche nach einem kleinen Boot auf einem turbulenten Ozean inmitten von Crash -Wellen – es wird viel einfacher, wenn sich die Wellen auflösen würden, einen ruhigen Ozean zu lassen, um nach dem Boot zu skizzieren. Die KI -Komponente für künstliche Intelligenz (KI) hilft in dieser Hinsicht, indem die Eigenschaften von und damit das Verhalten der Wellen herausgefiltert werden.
Diese Technologie kann auf eine breite Palette klinischer Diagnosen erweitert werden, die auf der Partikelerkennung beruhen, und sie hat auch Potenzial in Bereichen wie Impfstoffentwicklung und Umweltüberwachung. Darüber hinaus könnte das AI-basierte Signal-Denoising unter anderem auf elektrische Signale angewendet werden.
„Die Entwicklung von DNM war für mich eine sehr persönliche Reise“, sagte Iwamoto. „Es ist nicht nur ein wissenschaftlicher Fortschritt, sondern auch eine Hommage an meine verstorbene Mutter, die mich dazu inspirierte, die frühe Erkennung von Krebs zu erforschen. Unser Traum ist es, lebensrettende Diagnostika schneller und für alle zugänglicher zu gestalten.“
