Computación hiperdimensional para un análisis mejorado sin marcas de partículas en un sistema de detección óptica en flujo

Ver las partículas diminutas con una luz nueva

Muchas pruebas en medicina y ciencia ambiental dependen de detectar y clasificar partículas pequeñas, desde células hasta microesferas de plástico. Hoy en día eso a menudo requiere marcadores químicos o microscopios voluminosos, que pueden ser lentos, costosos y, en ocasiones, estresantes para las células vivas. Este estudio muestra cómo una combinación inteligente de detección óptica rápida y computación inspirada en el cerebro puede ordenar partículas por tamaño sin etiquetas, usando hardware compacto que en el futuro podría integrarse en herramientas diagnósticas portátiles.

Por qué importa el análisis sin marcadores

En los sistemas ópticos basados en flujo estándar, las partículas atraviesan un canal estrecho mientras la luz incide sobre ellas, y cámaras o detectores registran cómo dispersan esa luz. Si las partículas están etiquetadas con colorantes fluorescentes, son más fáciles de distinguir, pero preparar estas muestras lleva tiempo y puede alterar las propias células que los científicos desean estudiar. Los métodos sin marcadores evitan los colorantes y, en su lugar, leen las huellas ópticas naturales de cada partícula, como cómo desvían o dispersan la luz. El reto es que estos patrones crudos son complejos y llegan muy rápido, por lo que convertirlos en decisiones fiables en tiempo real no es sencillo.

Una cámara que escucha el cambio

Los investigadores reemplazaron una cámara de vídeo convencional por un sensor basado en eventos, un dispositivo que responde solo cuando la luminosidad en un píxel cambia. Cuando las microesferas de poliestireno de cuatro tamaños distintos fluyeron por un canal de plástico delgado y cruzaron un haz láser enfocado, el sensor registró ráfagas de eventos claros y oscuros que trazaron los patrones de interferencia en evolución alrededor de cada esfera. Como ignora el fondo estático, la cámara genera muchos menos datos y captura el movimiento con temporización muy fina, lo que es ideal cuando miles de partículas pasan cada segundo. El equipo también diseñó cuidadosamente sus mediciones para que cada tipo de esfera se registrara bajo condiciones variadas, reduciendo sesgos ocultos que de otro modo podrían inflar la precisión.

Códigos inspirados en el cerebro para decisiones rápidas

En lugar de entrenar una red neuronal pesada, el equipo usó computación hiperdimensional, que representa cada patrón como un código binario muy largo llamado hipervector. Los eventos positivos y negativos del sensor se convierten en mapas binarios separados y luego se combinan, conservando diferencias sutiles en cómo la luz se aclara y oscurece. Durante el entrenamiento, muchos hipervectores de un mismo tamaño de esfera se fusionan en un código prototipo único para esa clase. En la prueba, un nuevo patrón se codifica y se compara con estos prototipos, y la esfera se asigna a la clase cuyo código es más similar. Este enfoque solo necesita operaciones sencillas sobre bits y aun así alcanzó más del 93 por ciento de precisión sin trucos ópticos adicionales.

Moldear la luz para ver con mayor claridad

Para mejorar el rendimiento, los investigadores colocaron una lámina de vidrio esmerilado entre el canal y la cámara. Esta capa dispersora extiende la luz en patrones de moteado más ricos que contienen firmas más distintivas para cada tamaño de esfera. Al probar difusores con diferente rugosidad superficial, encontraron que un vidrio más grueso producía patrones más amplios e informativos, aumentando la precisión media hasta el 98,67 por ciento. También demostraron que no es necesario conservar cada píxel: reducir la resolución de las imágenes a niveles moderados preservó la mayor parte de la precisión mientras recortaba el coste computacional, reforzando la idoneidad del método para dispositivos pequeños y eficientes energéticamente.

De microesferas de plástico a muestras del mundo real

El trabajo utiliza microesferas de plástico simples como caso de prueba limpio, demostrando que la combinación de visión basada en eventos, dispersión óptica inteligente y computación hiperdimensional puede clasificar partículas en flujo de forma rápida y con alta fiabilidad. Pasar a células reales y partículas más variadas añadirá complejidad, porque la forma, la estructura interna y las diferencias de material influyen en cómo se dispersa la luz. Aun así, los resultados sugieren un camino hacia sistemas compactos sin marcadores que no solo detecten sino que eventualmente puedan ayudar a clasificar partículas en tiempo real, apoyando futuras herramientas para diagnóstico, monitorización ambiental y control de calidad industrial.

Cita: 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

Palabras clave: citometría de flujo sin marcadores, imagen basada en eventos, computación hiperdimensional, clasificación de micropartículas, microfluidos