Calcolo iperdimensionale per un’analisi potenziata senza marcatori delle particelle in un sistema di rilevazione ottica basato sul flusso

Vedere le particelle minute sotto una nuova luce

Molti test in medicina e nelle scienze ambientali dipendono dall’individuare e separare particelle minute, dalle cellule alle sfere di plastica. Oggi questo richiede spesso marcatori chimici o microscopi ingombranti, che possono essere lenti, costosi e a volte stressanti per le cellule viventi. Questo studio mostra come una combinazione intelligente di rilevamento ottico rapido e calcolo ispirato al cervello possa ordinare le particelle per dimensione senza alcun marcatore, usando hardware compatto che un giorno potrebbe entrare in strumenti diagnostici portatili.

Perché i test senza marcatori sono importanti

Nei sistemi ottici standard basati sul flusso, le particelle scorrono attraverso un canale stretto mentre la luce le illumina, e fotocamere o rivelatori registrano come diffondono quella luce. Se le particelle sono marcate con coloranti fluorescenti, sono più facili da distinguere, ma preparare questi campioni richiede tempo e può alterare le stesse cellule che i ricercatori vogliono studiare. I metodi senza marcatori evitano i coloranti e invece leggono le impronte ottiche naturali di ciascuna particella, come il modo in cui deviano o diffondono la luce. La sfida è che questi pattern grezzi sono complessi e arrivano molto velocemente, quindi trasformarli in decisioni affidabili in tempo reale non è semplice.

Una fotocamera che «ascolta» il cambiamento

I ricercatori hanno sostituito una videocamera tradizionale con un sensore event-based, un dispositivo che risponde solo quando la luminosità in un pixel cambia. Mentre sfere di polistirene di quattro diverse dimensioni scorrevano attraverso un sottile canale plastico e attraversavano un fascio laser focalizzato, il sensore ha registrato raffiche di eventi chiari e scuri che tracciavano l’evoluzione dei pattern di interferenza intorno a ogni sfera. Poiché ignora lo sfondo statico, la camera genera molti meno dati e cattura il movimento con tempistiche molto fini, ideale quando migliaia di particelle passano ogni secondo. Il team ha anche progettato accuratamente le misurazioni in modo che ogni tipo di sfera fosse registrato in condizioni variate, riducendo bias nascosti che altrimenti potrebbero gonfiare l’accuratezza.

Codici ispirati al cervello per decisioni rapide

Invece di addestrare una rete neurale pesante, il gruppo ha usato il calcolo iperdimensionale, che rappresenta ogni pattern come un codice binario molto lungo chiamato ipervettore. Eventi positivi e negativi provenienti dal sensore sono trasformati in mappe binarie separate e poi combinate, preservando differenze sottili nel modo in cui la luce si illumina o si affievolisce. Durante l’addestramento, molti ipervettori appartenenti alla stessa dimensione di sfera vengono fusi in un unico codice prototipo per quella classe. Durante il test, un nuovo pattern viene codificato e confrontato con questi prototipi, e la sfera viene assegnata alla classe il cui codice è più simile. Questo approccio richiede solo semplici operazioni sui bit, eppure ha raggiunto oltre il 93 percento di accuratezza senza trucchi ottici aggiuntivi.

Modellare la luce per vedere più chiaramente

Per spingere oltre le prestazioni, i ricercatori hanno inserito un foglio di vetro smerigliato tra il canale e la camera. Questo strato diffondente sparge la luce in pattern di speckle più ricchi che portano firme più distintive per ogni dimensione di sfera. Testando diffusori con diverse rugosità superficiali, hanno scoperto che un pezzo di vetro più grossolano produceva pattern più ampi e informativi, aumentando l’accuratezza media fino al 98,67 percento. Hanno anche mostrato che non è necessario mantenere ogni singolo pixel: ridimensionare le immagini a risoluzioni moderate ha preservato la maggior parte dell’accuratezza riducendo i costi computazionali, rafforzando l’idoneità del metodo per dispositivi piccoli ed energeticamente efficienti.

Dalle sfere di plastica ai campioni del mondo reale

Il lavoro utilizza semplici sfere di plastica come caso di test pulito, dimostrando che la combinazione di visione event-based, diffusione ottica intelligente e calcolo iperdimensionale può classificare particelle in flusso rapidamente e con alta affidabilità. Passare a cellule reali e particelle più variegate aggiungerà complessità, perché forma, struttura interna e differenze di materiale influenzano tutte il modo in cui la luce viene diffusa. Tuttavia, i risultati suggeriscono un percorso verso sistemi compatti e senza marcatori che non solo rilevano ma possono in futuro aiutare a separare le particelle in tempo reale, supportando strumenti per diagnostica, monitoraggio ambientale e controllo qualità industriale.

Citazione: 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

Parole chiave: citometria a flusso senza marcatori, imaging event-based, calcolo iperdimensionale, classificazione microparticelle, microfluidica