实时、准确的病毒检测方法可以帮助抗击下一次大流行
![Scanning electron microscopy image showing carbon nanotubes (purple) effectively trapping Influenza viruses (light purple round objects). These trapped viruses are then analyzed by Raman spectroscopy and machine learning and they can be identified with accuracies >95%. Credit: Elizabeth Floresgomez and Yin-Ting Yeh 实时、准确的病毒检测方法可以帮助抗击下一次大流行](https://scx1.b-cdn.net/csz/news/800a/2022/real-time-accurate-vir.jpg)
宾夕法尼亚州立大学领导的一个研究团队说,一种使用拉曼光谱、便携式病毒捕获设备和机器学习的高度精确和灵敏的病毒识别方法可以实现实时病毒检测和识别,帮助对抗未来的大流行。
“这种病毒检测方法是无标签的,不针对任何特定的病毒,因此使我们能够识别潜在的新病毒株,”电子工程和生物医学工程助理教授黄盛喜说,他也是今天(6月2日)发表在《柳叶刀》杂志上的这项研究的合著者美国国家科学院院刊.它的播放速度也很快,适合在拥挤的公共场所快速播放。此外,丰富的拉曼特征和机器学习分析使我们能够更深入地了解病毒结构。”
拉曼光谱学通过捕捉激光束诱导振动时的位移来探测分子中独特的振动。为了捕获病毒,一种叫做微流体装置将被用于在排列的碳纳米管之间捕获病毒。
微流体装置利用微芯片上非常少量的体液来进行医疗和实验室测试。这种设备可以使用病毒培养物、唾液、鼻腔冲洗液,甚至呼出的气息,包括疫情爆发期间现场收集的样本。碳纳米管森林将过滤掉任何来自宿主或周围空气的外来物质或背景分子,这些物质或背景分子会使获得准确读数变得更加困难。
埃文·普大学教授、Verne M. Willaman物理学教授和研究合著者Mauricio Terrones说:“事实上,我们使用碳纳米管来丰富样本非常有用,因为通过这种方式,我们丰富了病毒样本,消除了寻找病毒时不想有的其他生物噪声。”
一旦样本被捕获,拉曼显微镜检查它们,那么机器学习方面就发挥作用了。研究人员收集了三种不同类型病毒的拉曼光谱:人类呼吸道病毒、禽类病毒和肠道病毒。然后这些数据被用来训练一个机器学习模型这是一种卷积神经网络,用于识别病毒。
信息科学与技术副教授、该研究的通讯作者Sharon Huang说:“在训练机器学习模型之后,然后给未知病毒的未知拉曼光谱,我们的机器学习模型可以自动识别出它是什么类型的病毒。”“这包括,例如流感,识别它是什么类型,是甲型流感还是乙型流感,该模型甚至可以识别病毒的亚型,如H1N1或H3N2。”
据研究人员说,这种设备的好处有很多,特别是在快速传播的疫情中。
“通过为病毒监测提供一种快速和无标签的病毒检测设备,这种方法将使公共卫生官员能够更密切地监测病毒的演变,”艾伯利科学学院助理研究教授、该研究的合著者尹廷叶(Yin-Ting Yeh)说。
除了宾夕法尼亚州立大学、乔治华盛顿大学和约翰霍普金斯大学的研究人员外,美国国立卫生研究院(NIH)的研究人员也参与了这项研究。该研究团队的下一步工作将包括收集更多不同人类和动物病毒的拉曼光谱,包括DNA病毒,以建立病毒光谱数据库。这将能够对机器学习模型进行更广泛的训练,并增强其普遍性和检测新病毒株的能力。此外,他们还将致力于改进设备的拉曼增强,以实现更好的信号强度和更低的生物噪声水平。
在为拉曼使用机器学习时信号处理本身并不新奇,”美国国立卫生研究院系统基因组组高级研究员、该研究的合著者Elodie Ghedin说。“这种方法的新颖之处在于它结合了便携式病毒捕获设备,从捕获的病毒中收集拉曼光谱设备和快速和准确的分类病毒使用一个机器学习模型。这病毒实时检测方法对于应对当前和未来的疫情特别及时。”
进一步探索