Sistem yang canggih untuk mendeteksi biomarker – molekul seperti DNA atau protein yang mengindikasikan adanya penyakit – sangat penting untuk perangkat diagnostik dan pemantauan penyakit secara real-time.
Holger Schmidt, profesor teknik elektro dan komputer terkemuka di UC Santa Cruz, dan kelompoknya telah lama berfokus pada pengembangan perangkat unik yang sangat sensitif yang disebut chip optofluida untuk mendeteksi biomarker.
Mahasiswa pascasarjana Schmidt, Vahid Ganjalizadeh, memimpin upaya untuk menggunakan pembelajaran mesin untuk meningkatkan sistem mereka dengan meningkatkan kemampuannya untuk mengklasifikasikan biomarker secara akurat. Jaringan saraf tiruan yang ia kembangkan mengklasifikasikan sinyal partikel dengan akurasi 99,8 persen secara real time, pada sistem yang relatif murah dan portabel untuk aplikasi di tempat perawatan, seperti yang ditunjukkan dalam makalah baru di Nature Scientific Reports.
Ketika membawa detektor biomarker ke lapangan atau tempat perawatan seperti klinik kesehatan, sinyal yang diterima oleh sensor mungkin tidak setinggi kualitasnya seperti di laboratorium atau lingkungan yang terkendali. Hal ini mungkin disebabkan oleh berbagai faktor, seperti kebutuhan untuk menggunakan chip yang lebih murah untuk menekan biaya, atau karakteristik lingkungan seperti suhu dan kelembapan.
Untuk mengatasi tantangan sinyal yang lemah, Schmidt dan timnya mengembangkan jaringan syaraf tiruan yang dapat mengidentifikasi sumber sinyal lemah tersebut dengan tingkat kepercayaan yang tinggi. Para peneliti melatih jaringan saraf dengan sinyal pelatihan yang telah diketahui, mengajarinya untuk mengenali variasi potensial yang dapat dilihatnya, sehingga jaringan tersebut dapat mengenali pola dan mengidentifikasi sinyal baru dengan akurasi yang sangat tinggi.
Pertama, pendekatan analisis wavelet klaster paralel (PCWA) yang dirancang di laboratorium Schmidt mendeteksi adanya sinyal. Kemudian, jaringan saraf memproses sinyal yang berpotensi lemah atau berisik, mengidentifikasi sumbernya. Sistem ini bekerja secara real time, sehingga pengguna dapat menerima hasilnya dalam sepersekian detik.
“Ini semua tentang memanfaatkan sinyal yang mungkin berkualitas rendah, dan melakukannya dengan sangat cepat dan efisien,” kata Schmidt.
Versi yang lebih kecil dari model jaringan saraf dapat berjalan pada perangkat portabel. Dalam makalah tersebut, para peneliti menjalankan sistem di atas papan Google Coral Dev, sebuah perangkat yang relatif murah untuk eksekusi algoritma kecerdasan buatan yang dipercepat. Ini berarti sistem ini juga membutuhkan lebih sedikit daya untuk menjalankan pemrosesan dibandingkan dengan teknik lainnya.
“Tidak seperti beberapa penelitian yang membutuhkan superkomputer untuk melakukan deteksi dengan akurasi tinggi, kami membuktikan bahwa perangkat yang ringkas, portabel, dan relatif murah pun bisa melakukan pekerjaan itu,” kata Ganjalizadeh. “Hal ini membuatnya tersedia, layak, dan portabel untuk aplikasi di tempat perawatan.”
Seluruh sistem ini dirancang untuk digunakan sepenuhnya secara lokal, yang berarti pemrosesan data bisa dilakukan tanpa akses internet, tidak seperti sistem lain yang mengandalkan komputasi awan. Hal ini juga memberikan keuntungan dari segi keamanan data, karena hasil dapat dihasilkan tanpa perlu berbagi data dengan penyedia server cloud.
Sistem ini juga dirancang untuk dapat memberikan hasil pada perangkat seluler, sehingga tidak perlu membawa laptop ke lapangan.
“Anda dapat membangun sistem yang lebih kuat yang dapat Anda bawa ke daerah dengan sumber daya yang kurang atau kurang berkembang, dan sistem ini tetap berfungsi,” kata Schmidt.
Sistem yang telah ditingkatkan ini akan bekerja untuk biomarker lain yang telah digunakan oleh sistem laboratorium Schmidt untuk mendeteksi di masa lalu, seperti biomarker COVID-19, Ebola, flu, dan kanker. Meskipun saat ini mereka berfokus pada aplikasi medis, sistem ini berpotensi diadaptasi untuk mendeteksi semua jenis sinyal.
Untuk mendorong teknologi ini lebih jauh, Schmidt dan anggota laboratoriumnya berencana untuk menambahkan kemampuan pemrosesan sinyal yang lebih dinamis ke perangkat mereka. Hal ini akan menyederhanakan sistem dan menggabungkan teknik pemrosesan yang diperlukan untuk mendeteksi sinyal pada konsentrasi molekul yang rendah dan tinggi. Tim ini juga bekerja untuk membawa bagian diskrit dari pengaturan ke dalam desain terintegrasi dari chip optofluida.
Sumber : https://www.sciencedaily.com/releases/2023/05/230502155410.htm
