Nueva tecnología de biodetección POC mejora detección de biomarcadores moleculares

Por el contrario, los diagnósticos en el punto de atención se realizan y producen resultados directamente en el lugar de atención del paciente, ya sea en el hogar, en una clínica o en otro lugar. Este enfoque permite pruebas rápidas, rentables y fáciles de usar que orientan las decisiones médicas inmediatas. Ejemplos comunes que ya se utilizan a diario incluyen las pruebas de embarazo en orina, los kits de antígenos de COVID-19 y los glucómetros que ayudan a los pacientes con diabetes a controlar las fluctuaciones de azúcar en sangre a lo largo del día. Los investigadores están explorando formas innovadoras de implementar estas tecnologías en entornos clínicos, como durante las visitas a oncólogos o cirujanos orales. Hacerlo podría reducir la presión logística y financiera de los pacientes, a la vez que mejora la capacidad de los médicos para tomar decisiones oportunas e informadas. Los investigadores están ahora un paso más cerca de alcanzar este objetivo mediante la integración del análisis basado en aprendizaje automático en las plataformas de biosensores en el punto de atención.

Investigadores del Instituto Carl R. Woese de Biología Genómica (Urbana, Illinois, EUA) han desarrollado un nuevo enfoque denominado LOCA-PRAM que simplifica la detección de biomarcadores al eliminar la necesidad de profesionales cualificados para analizar las imágenes resultantes. Este desarrollo se basa en el trabajo previo del equipo sobre la introducción de la Microscopía de Absorción por Resonador Fotónico (PRAM), una técnica de biodetección capaz de identificar moléculas individuales de biomarcadores, como ácidos nucleicos, antígenos y anticuerpos. A diferencia de los métodos convencionales, que miden señales de grandes grupos de moléculas, la PRAM ofrece la sensibilidad necesaria para detectar y analizar moléculas individuales.

Las imágenes PRAM aparecen como un campo rojo salpicado de puntos negros. Aunque visualmente son sencillas, determinar qué puntos representan moléculas de biomarcadores marcadas con AuNP requiere un análisis experto. Para que este método sea adecuado para entornos de atención inmediata, los investigadores propusieron incorporar aprendizaje automático al análisis de imágenes. A diferencia de otros métodos de biodetección que detectan principalmente señales ópticas, PRAM produce imágenes microscópicas, lo que la hace ideal para aplicaciones de aprendizaje profundo. Para garantizar datos de alta calidad para el entrenamiento del algoritmo, el equipo obtuvo imágenes de muestras idénticas utilizando tanto PRAM como microscopía electrónica de barrido.

Las AuNP (nanopartículas aproximadamente 1.000 veces más delgadas que un cabello) aparecen como diminutos puntos negros en las imágenes PRAM, pero son más visibles con el microscopio electrónico. Mediante un proceso laborioso, los investigadores cruzaron meticulosamente cada punto negro observado en las imágenes PRAM con las características correspondientes en las imágenes del microscopio electrónico para crear un conjunto de datos de entrenamiento preciso para el modelo de aprendizaje automático. Esto dio como resultado un método mejorado con aprendizaje profundo, conocido como Localización con Conciencia del Contexto, integrado con PRAM. Esta plataforma combinada ofrece una detección precisa de biomarcadores moleculares en tiempo real sin necesidad de la intervención de un técnico especializado. Tras su evaluación, los hallazgos publicados en Biosensors and Bioelectronics mostraron que LOCA-PRAM superó a las técnicas estándar al identificar concentraciones más bajas de biomarcadores y reducir la probabilidad de falsos positivos y negativos.

“Las tecnologías actuales requieren que los pacientes acudan a hospitales para obtener diagnósticos, lo cual lleva tiempo. Muchas personas también enfrentan barreras, ya que obtener más citas puede no ser viable económicamente o por falta de espacio”, afirmó Han Lee, primer autor del estudio y estudiante de posgrado del grupo de investigación de Nanosensores. “Creo que podemos marcar la diferencia desarrollando más tecnologías de punto de atención disponibles para las personas”.