Hyperdimensionale Berechnung zur verbesserten labelfreien Partikelanalyse in einem flussbasierten optischen Detektionssystem

Winzige Partikel in neuem Licht sehen

Viele Tests in Medizin und Umweltwissenschaften beruhen darauf, winzige Partikel einzeln zu erkennen und zu sortieren – von Zellen bis zu Plastikkügelchen. Heute erfordert das meist chemische Marker oder sperrige Mikroskope, was zeitaufwendig, kostspielig und für lebende Zellen belastend sein kann. Diese Studie zeigt, wie eine kluge Kombination aus schneller optischer Erfassung und gehirninspirierter Berechnung Partikel ohne Marker nach Größe sortieren kann, mithilfe kompakter Hardware, die eines Tages in tragbare Diagnostikgeräte passen könnte.

Warum labelfreie Tests wichtig sind

In herkömmlichen flussbasierten optischen Systemen treiben Partikel durch einen schmalen Kanal, während Licht auf sie fällt und Kameras oder Detektoren aufzeichnen, wie sie dieses Licht streuen. Sind die Partikel mit fluoreszierenden Farbstoffen markiert, lassen sie sich leichter unterscheiden, doch die Probenpräparation kostet Zeit und kann die Zellen verändern, die Forschende untersuchen möchten. Labelfreie Methoden verzichten auf Farbstoffe und lesen stattdessen die natürlichen optischen Fingerabdrücke jedes Partikels aus, etwa wie sie Licht brechen oder streuen. Die Schwierigkeit liegt darin, dass diese Rohmuster komplex und sehr schnell eintreffen, sodass sie in Echtzeit zuverlässig zu Entscheidungen zu verarbeiten nicht trivial ist.

Eine Kamera, die auf Änderung hört

Die Forschenden ersetzten eine normale Videokamera durch einen ereignisbasierten Sensor, ein Gerät, das nur reagiert, wenn sich die Helligkeit an einem Pixel ändert. Während Polystyrolkügelchen in vier verschiedenen Größen durch einen dünnen Plastikkanal flossen und einen fokussierten Laserstrahl kreuzten, zeichnete der Sensor Ausbrüche von Hell- und Dunkelereignissen auf, die die sich entwickelnden Interferenzmuster um jedes Kügelchen nachzeichneten. Weil er statischen Hintergrund ignoriert, erzeugt die Kamera deutlich weniger Daten und erfasst Bewegung mit sehr feiner Zeitauflösung – ideal, wenn tausende Partikel pro Sekunde vorbeiströmen. Das Team gestaltete seine Messungen zudem so, dass jeder Kügelchentyp unter variierenden Bedingungen aufgenommen wurde, wodurch versteckte Verzerrungen reduziert wurden, die sonst die Genauigkeit verfälschen könnten.

Gehirninspirierte Codes für schnelle Entscheidungen

Statt ein schwergewichtiges neuronales Netz zu trainieren, nutzte das Team hyperdimensionale Berechnung, bei der jedes Muster als sehr langer binärer Code, ein sogenannter Hypervektor, repräsentiert wird. Positive und negative Ereignisse des Sensors werden in separate binäre Karten umgewandelt und dann kombiniert, sodass subtile Unterschiede darin erhalten bleiben, wie das Licht heller oder dunkler wird. Während des Trainings werden viele Hypervektoren derselben Kügelchengröße zu einem einzigen Prototyp-Code für diese Klasse zusammengeführt. Im Test wird ein neues Muster kodiert und mit diesen Prototypen verglichen; das Kügelchen wird der Klasse zugewiesen, deren Code am ähnlichsten ist. Dieser Ansatz benötigt nur einfache Bit-Operationen und erreichte dennoch über 93 Prozent Genauigkeit ohne zusätzliche optische Tricks.

Licht formen, um klarer zu sehen

Um die Leistung weiter zu steigern, platzierten die Forschenden eine Scheibe aus Planspiegelglas zwischen Kanal und Kamera. Diese Streuschicht verteilt das Licht in reichere Specklemuster, die für jede Kügelchengröße unterscheidbarere Signaturen tragen. Beim Testen von Diffusoren mit unterschiedlicher Oberflächenrauheit zeigte sich, dass ein gröberes Glas breitere und informativere Muster erzeugte und die mittlere Genauigkeit auf bis zu 98,67 Prozent anhob. Sie zeigten außerdem, dass nicht jedes Pixel erhalten werden muss: Eine moderate Herunterskalierung der Bilder bewahrte den Großteil der Genauigkeit, während die Rechenkosten sanken, was die Eignung der Methode für kleine, energieeffiziente Geräte stärkt.

Von Plastikkügelchen zu Proben aus der Praxis

Die Arbeit verwendet einfache Plastikkügelchen als sauberen Prüfballast und beweist, dass die Kombination aus ereignisbasierter Sicht, intelligenter optischer Streuung und hyperdimensionaler Berechnung fließende Partikel schnell und zuverlässig klassifizieren kann. Der Übergang zu echten Zellen und vielfältigeren Partikeln wird zusätzliche Komplexität bringen, denn Form, innere Struktur und Materialunterschiede beeinflussen alle, wie Licht gestreut wird. Dennoch deuten die Ergebnisse auf einen Weg zu kompakten, labelfreien Systemen hin, die nicht nur detektieren, sondern möglicherweise künftig Partikel in Echtzeit sortieren können – eine Hilfe für Diagnostik, Umweltüberwachung und industrielle Qualitätskontrolle.

Zitation: Yue, Y., Gouda, M., Sunada, S. et al. Hyper-dimensional computing for enhanced label-free particle analysis in a flow-based optical detection system. Sci Rep 16, 14900 (2026). https://doi.org/10.1038/s41598-026-44705-z

Schlüsselwörter: labelfreie Durchflusszytometrie, ereignisbasierte Bildgebung, hyperdimensionale Berechnung, Mikropartikel-Klassifikation, Microfluidik