Informatique hyper-dimensionnelle pour une analyse sans marqueurs améliorée des particules dans un système optique de détection en flux

Voir les particules minuscules sous un nouveau jour

De nombreux tests en médecine et en sciences de l’environnement reposent sur la détection et le tri de particules minuscules, des cellules aux billes plastiques. Aujourd’hui, cela nécessite souvent des marqueurs chimiques ou des microscopes encombrants, ce qui peut être lent, coûteux et parfois stressant pour des cellules vivantes. Cette étude montre comment un mélange astucieux de détection optique rapide et de calcul inspiré du cerveau peut trier des particules par taille sans aucun marqueur, en utilisant du matériel compact susceptible, un jour, d’entrer dans des outils de diagnostic portables.

Pourquoi les tests sans marqueurs comptent

Dans les systèmes optiques en flux classiques, les particules traversent un canal étroit tandis qu’une lumière les éclaire, et des caméras ou détecteurs enregistrent la façon dont elles diffusent cette lumière. Si les particules sont marquées par des colorants fluorescents, elles sont plus faciles à distinguer, mais la préparation de ces échantillons prend du temps et peut modifier les cellules que les scientifiques souhaitent étudier. Les méthodes sans marqueurs évitent les colorants et lisent plutôt les empreintes optiques naturelles de chaque particule, comme la manière dont elles réfractent ou diffusent la lumière. Le défi est que ces motifs bruts sont complexes et arrivent très rapidement, de sorte que les transformer en décisions fiables en temps réel n’est pas trivial.

Une caméra qui écoute le changement

Les chercheurs ont remplacé une caméra vidéo classique par un capteur événementiel, un dispositif qui n’intervient que lorsque la luminosité d’un pixel change. Alors que des billes de polystyrène de quatre tailles différentes s’écoulaient dans un canal plastique mince et traversaient un faisceau laser focalisé, le capteur a enregistré des rafales d’événements lumineux et sombres retraçant l’évolution des motifs d’interférence autour de chaque bille. Parce qu’il ignore l’arrière-plan statique, la caméra génère beaucoup moins de données et capture le mouvement avec un timing très fin, ce qui est idéal quand des milliers de particules défilent chaque seconde. L’équipe a aussi conçu soigneusement ses mesures pour que chaque type de bille soit enregistré dans des conditions variées, réduisant les biais cachés qui pourraient sinon gonfler les performances annoncées.

Des codes inspirés du cerveau pour des décisions rapides

Plutôt que d’entraîner un réseau neuronal lourd, l’équipe a utilisé l’informatique hyper-dimensionnelle, qui représente chaque motif par un code binaire très long appelé hypervecteur. Les événements positifs et négatifs du capteur sont transformés en cartes binaires séparées puis combinés, préservant les différences subtiles entre l’éclaircissement et l’assombrissement de la lumière. Pendant l’entraînement, de nombreux hypervecteurs issus d’une même taille de bille sont fusionnés en un seul code prototype pour cette classe. Lors des tests, un nouveau motif est encodé et comparé à ces prototypes, et la bille est attribuée à la classe dont le code est le plus similaire. Cette approche n’exige que des opérations simples sur des bits, tout en atteignant plus de 93 % de précision sans artifices optiques supplémentaires.

Façonner la lumière pour mieux voir

Pour améliorer encore les performances, les chercheurs ont placé une feuille de verre dépoli entre le canal et la caméra. Cette couche de diffusion étale la lumière en motifs de speckles plus riches qui véhiculent des signatures plus distinctives pour chaque taille de bille. En testant des diffuseurs avec des rugosités de surface différentes, ils ont constaté qu’un morceau de verre plus grossier produisait des motifs plus larges et plus informatifs, faisant monter la précision moyenne jusqu’à 98,67 %. Ils ont aussi montré qu’il n’est pas nécessaire de conserver chaque pixel : la réduction d’échantillonnage des images à des résolutions modérées préservait la majeure partie de la précision tout en réduisant le coût computationnel, renforçant l’adéquation de la méthode pour des dispositifs petits et économes en énergie.

Des billes plastiques aux échantillons du monde réel

Le travail utilise des billes plastiques simples comme cas de test propre, démontrant que la combinaison de la vision événementielle, d’une diffusion optique intelligente et de l’informatique hyper-dimensionnelle peut classifier des particules en flux rapidement et avec une grande fiabilité. Passer à des cellules réelles et à des particules plus variées ajoutera de la complexité, car la forme, la structure interne et les différences de matériau influencent toutes la diffusion de la lumière. Néanmoins, les résultats indiquent une voie vers des systèmes compacts et sans marqueurs qui non seulement détectent mais pourraient éventuellement aider à trier les particules en temps réel, soutenant de futurs outils pour le diagnostic, la surveillance environnementale et le contrôle qualité industriel.

Citation: 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

Mots-clés: cytométrie en flux sans marqueurs, imagerie événementielle, informatique hyper-dimensionnelle, classification de microparticules, microfluidique