Aprendizaje profundo basado en la interpretabilidad para la clasificación de virus respiratorios basada en SERS

Área de la Ciencia:

• Nanotecnología
• Ingeniería biomédica
• Aprendizaje automático

Sus antecedentes:

• Los virus respiratorios como la gripe, el RSV y el SARS-CoV-2 representan riesgos significativos para la salud mundial.
• Los diagnósticos precisos y rápidos a nivel de variante son cruciales para el manejo de brotes.
• Los métodos de diagnóstico existentes pueden carecer de velocidad, precisión o capacidad para diferenciar variantes específicas.

Objetivo del estudio:

• Desarrollar una plataforma de diagnóstico integrada para la detección y diferenciación rápidas de múltiples virus respiratorios.
• Aprovechar la dispersión de Raman mejorada en superficie (SERS) y los nanopillares plasmónicos 3D para mejorar la detección viral.
• Aplicar el aprendizaje profundo basado en la interpretabilidad para una clasificación precisa de los virus y la transparencia del modelo.

Principales métodos:

• Desarrollo de una plataforma de diagnóstico que utilice sustratos nanopillares plasmónicos en 3D para la adquisición mejorada de señales SERS.
• Entrenamiento de una red neuronal convolucional unidimensional (1D-CNN) en los espectros SERS de 13 tipos de virus respiratorios, incluidas las variantes del SARS-CoV-2.
• Aplicación de la cartografía de activación de clase ponderada por gradiente (Grad-CAM) para identificar las regiones críticas de desplazamiento de Raman para la discriminación de virus.

Principales resultados:

• Se logró una precisión de clasificación superior al 98% en la identificación de 13 tipos de virus respiratorios utilizando el modelo 1D-CNN.
• Se ha demostrado la captura robusta y reproducible de componentes virales, mejorando las señales SERS para la huella molecular.
• Performance confiable validado en muestras clínicas complejas, confirmando la aplicabilidad en el mundo real.

Conclusiones:

• La plataforma desarrollada proporciona una solución escalable y libre de etiquetas para la detección rápida, precisa y a nivel de variante del virus respiratorio.
• La integración de sustratos 3D SERS y el aprendizaje profundo mejora las capacidades de diagnóstico.
• La tecnología tiene potencial para aplicaciones en el punto de atención y para mejorar la vigilancia epidemiológica.