Ein neues diagnostisches Testsystem, das gemeinsam an der Pritzker School of Molecular Engineering (PME) der University of Chicago und der Samueli School of Engineering der UCLA entwickelt wurde, verbindet einen leistungsstarken, empfindlichen Transistor mit einem kostengünstigen, papierbasierten Diagnosetest. In Kombination mit maschinellem Lernen wird das System zu einer neuen Art von Biosensor, der Tests und Diagnosen zu Hause letztlich revolutionieren könnte.
Unter der Leitung von Prof. Junhong Chen von der University of Chicago und Prof. Aydogan Ozcan von der UCLA kombinierte das Forschungsteam einen Feldeffekttransistor (FET) – ein Gerät, das Konzentrationen biologischer Moleküle erkennen kann – mit einer papierbasierten Analysekartusche (derselben Technologie, die bei Schwangerschafts- und COVID-Heimtests verwendet wird).
Die Kombination vereint die hohe Empfindlichkeit von FETs mit den niedrigen Kosten der papierbasierten Kartuschen. In Kombination mit maschinellem Lernen maß der Test Cholesterin in einer Serumprobe mit einer Genauigkeit von über 97 %, verglichen mit Ergebnissen des CLIA-zertifizierten klinisch-chemischen Labors der University of Chicago Medicine unter der Leitung von Prof. KT Jerry Yeo.
Die Forschung, veröffentlicht In ACS Nanowurde in Zusammenarbeit mit Ozcans Team an der UCLA durchgeführt, das auf papierbasierte Sensorsysteme und maschinelles Lernen spezialisiert ist. Das Ergebnis ist ein Proof of Concept, der letztendlich zur Entwicklung kostengünstiger, hochpräziser Diagnosetests für zu Hause verwendet werden könnte, mit denen eine Vielzahl von Biomarkern für Gesundheit und Krankheit gemessen werden können.
„Indem wir die Einschränkungen der einzelnen Komponenten behoben und maschinelles Lernen hinzugefügt haben, haben wir eine neue Testplattform geschaffen, mit der Krankheiten diagnostiziert, Biomarker erkannt und Therapien zu Hause überwacht werden können“, sagte Hyun-June Jang, Postdoktorandin und gemeinsam mit Hyou-Arm Joung von der UCLA Co-Leitautorin der Studie.
Bei Diagnosetests für zu Hause, wie Schwangerschafts- oder COVID-Tests, wird eine papierbasierte Testtechnologie verwendet, um das Vorhandensein eines Zielmoleküls festzustellen. Diese Tests sind zwar einfach und kostengünstig, aber weitgehend qualitativ und informieren den Benutzer darüber, ob der Biomarker vorhanden ist oder nicht.
Am anderen Ende des Testspektrums stehen FETs, die ursprünglich für elektronische Geräte entwickelt wurden. Heute werden sie auch als hochempfindliche Biosensoren eingesetzt, die Biomarker in Echtzeit erkennen können. Viele glauben, dass FETs die Zukunft der Biosensorik sind, aber ihre Kommerzialisierung wird durch die spezifischen Anforderungen an die Testbedingungen behindert. In einer hochkomplexen Matrix wie Blut kann es für FETs schwierig sein, ein Signal von einem Analyten zu erkennen.
Die Teams von Chen und Ozcan wollten beide Technologien kombinieren, um ein neuartiges Testsystem zu entwickeln. Die Papierfluidtechnologie – insbesondere ihre poröse Sensormembran – reduzierte den Bedarf an der komplizierten, kontrollierten Testumgebung, die normalerweise für FETs erforderlich ist. Außerdem bietet sie eine kostengünstige Basis für das System, da jede Patrone etwa 15 Cent kostet.
Durch die Integration einer kinetischen Deep-Learning-Analyse verbesserte das Team die Genauigkeit und Präzision der Testergebnisse im FET.
„Wir haben die Genauigkeit erhöht und ein Gerät entwickelt, das insgesamt weniger als 50 Dollar kostet“, sagte Jang. „Und der FET kann mit Einweg-Kartuschentests wiederverwendet werden.“
Um das System zu testen, programmierte das Team das Gerät so, dass es den Cholesterinspiegel in anonymisierten, menschlichen Plasmarestproben messen konnte. In 30 Blindtests maß das System den Cholesterinspiegel mit einer Genauigkeit von über 97 % – und übertraf damit die zulässige Fehlerquote von 10 % laut CLIA-Richtlinien bei weitem.
Das Team führte außerdem ein Proof-of-Concept-Experiment durch, das zeigte, dass das Gerät Immunassays integrieren kann, die häufig zur Quantifizierung von Hormonen, Tumormarkern und Herz-Biomarkern verwendet werden.
„Es handelt sich um ein klassisches Diagnosesystem, das deutlich verbessert wurde. Das wird wichtig sein, da Tests und Diagnosen zu Hause im US-Gesundheitssystem immer beliebter werden“, sagte Jang.
Als nächstes wird das Team das System für Immunoassay-Tests entwickeln und schließlich zeigen, wie das System mehrere Biomarker mit einer einzigen Probeneingabe erkennen kann. „Diese Technologie hat das Potenzial, mehrere Biomarker aus einem einzigen Blutstropfen zu erkennen“, sagte Jang.
Weitere Co-Autoren des Artikels sind Artem Goncharov, Anastasia Gant Kanegusuku, Clarence W. Chan, Kiang-Teck Jerry Yeo und Wen Zhuang.
Weitere Informationen:
Hyun-June Jang et al, Deep Learning-basierte kinetische Analyse in papierbasierten Analysekartuschen mit integrierten Feldeffekttransistoren, ACS Nano (2024). DOI: 10.1021/acsnano.4c02897