Diseño automático y optimización de sensores neuroquímicos basados en resonancia magnética mediante aprendizaje por...

Área de la Ciencia:

• Ingeniería biomédica
• Nanotecnología
• Neurociencia computacional

Sus antecedentes:

• La resonancia magnética es vital para el diagnóstico médico, con más de 100 millones de procedimientos al año.
• Los nanosensores basados en resonancia magnética, en particular las nanopartículas de óxido de hierro superparamagnéticas (SPION) con proteínas, son prometedores para la detección neuroquímica.
• Los sensores actuales de SPION-proteína requieren una mayor velocidad de señal y respuesta para detectar fluctuaciones neuroquímicas sutiles relacionadas con la actividad neuronal.

Objetivo del estudio:

• Desarrollar un modelo computacional avanzado basado en el aprendizaje por refuerzo para optimizar el diseño de nanosensores basados en RM.
• Tratar el diseño del sensor como un problema de toma de decisiones óptima, maximizando el rendimiento del sensor como un objetivo de recompensa ponderado.
• Elucidar las alteraciones conformacionales de las SPION y las proteínas que influyen en los cambios de contraste de la RM en respuesta a los neuroquímicos.

Principales métodos:

• Utilizó un modelo computacional de aprendizaje de refuerzo para ajustar autónomamente las configuraciones de SPION y proteínas y los momentos magnéticos.
• Diseño del sensor tratado como un proceso de toma de decisiones, optimizando el rendimiento del sensor a través de una función de recompensa ponderada.
• Se realizó una validación experimental in vitro mediante microscopía electrónica de transmisión (TEM) y relajometría por resonancia magnética.

Principales resultados:

• El modelo aclaró los cambios en la conformación del sensor responsables de los incrementos de contraste T2 con el calcio y la dopamina.
• El algoritmo de aprendizaje automático identificó los parámetros estructurales óptimos para los sensores de proteínas SPION.
• La validación experimental confirmó los diámetros óptimos previstos de SPION: 9 nm para la detección de calcio y 11 nm para la detección de dopamina.

Conclusiones:

• La plataforma desarrollada permite el modelado versátil y el diseño autónomo de sensores neuroquímicos mejorados basados en RM.
• Los resultados proporcionan información sobre el comportamiento del sensor en condiciones operativas, cruciales para el diagnóstico in vitro.
• Este enfoque ofrece una hoja de ruta para optimizar los tamaños y geometrías de los sensores de resonancia magnética para mejorar la detección neuroquímica.