Hyper-dimensionaal rekenen voor verbeterde labelvrije deeltjesanalyse in een flow-gebaseerd optisch detectiesysteem

Microscopisch kleine deeltjes in een nieuw licht zien

Veel tests in de geneeskunde en milieuwetenschap hangen af van het detecteren en sorteren van kleine deeltjes, van cellen tot plastic korrels. Tegenwoordig vereist dat vaak chemische labels of omvangrijke microscopen, wat traag, duur en soms stressvol voor levende cellen kan zijn. Deze studie laat zien hoe een slimme combinatie van snelle optische detectie en hersen-geïnspireerd rekenen deeltjes op grootte kan scheiden zonder labels, met compact apparatuur die mogelijk ooit in draagbare diagnostische instrumenten past.

Waarom labelvrije tests belangrijk zijn

In standaard flow-gebaseerde optische systemen bewegen deeltjes door een smalle kanaal terwijl licht er op schijnt, en camera’s of detectoren leggen vast hoe ze dat licht verstrooien. Als de deeltjes gemerkt zijn met fluorescerende kleurstoffen, zijn ze makkelijker te onderscheiden, maar het voorbereiden van zulke monsters kost tijd en kan de cellen die men wil bestuderen veranderen. Labelvrije methoden slaan de kleurstoffen over en lezen in plaats daarvan de natuurlijke optische vingerafdrukken van elk deeltje, zoals hoe ze licht buigen of verstrooien. De uitdaging is dat deze ruwe patronen complex zijn en zeer snel binnenkomen, dus ze in realtime omzetten naar betrouwbare beslissingen is niet eenvoudig.

Een camera die reageert op verandering

De onderzoekers vervingen een gewone videocamera door een event-based sensor, een apparaat dat alleen reageert wanneer de helderheid op een pixel verandert. Terwijl polystyreenbolletjes van vier verschillende groottes door een dun plastic kanaal stroomden en een gefocusseerde laser passeerden, registreerde de sensor uitbarstingen van lichte en donkere gebeurtenissen die de zich ontwikkelende interferentiepatronen rond elk bolletje volgden. Omdat hij statische achtergrond negeert, genereert de camera veel minder data en legt hij beweging met zeer fijne timing vast, wat ideaal is wanneer duizenden deeltjes per seconde voorbijrazen. Het team ontwierp hun metingen ook zorgvuldig zodat elk bollettype onder gevarieerde omstandigheden werd opgenomen, waardoor verborgen vertekeningen die anders de nauwkeurigheid kunstmatig zouden verhogen, worden verminderd.

Hersengeïnspireerde codes voor snelle beslissingen

In plaats van een zwaar neuraal netwerk te trainen, gebruikte het team hyper-dimensionaal rekenen, dat elk patroon voorstelt als een zeer lange binaire code, een zogeheten hypervector. Positieve en negatieve gebeurtenissen van de sensor worden omgezet in afzonderlijke binaire kaarten en vervolgens gecombineerd, waarmee subtiele verschillen in hoe het licht oplicht en dimt behouden blijven. Tijdens de training worden veel hypervectors van dezelfde bolgrootte samengevoegd tot één prototype-code voor die klasse. Tijdens de test wordt een nieuw patroon gecodeerd en vergeleken met deze prototypes, en wordt het bolletje toegewezen aan de klasse wiens code het meest overeenkomt. Deze aanpak vereist alleen eenvoudige bitbewerkingen, en bereikte toch meer dan 93 procent nauwkeurigheid zonder extra optische trucs.

Licht vormgeven om duidelijker te zien

Om de prestaties verder te verbeteren plaatsten de onderzoekers een vel groundglass tussen het kanaal en de camera. Deze verstrooiende laag spreidt het licht uit in rijkere speckle-patronen die meer onderscheidende kenmerken voor elke bolgrootte bevatten. Door diffusers met verschillende oppervlaktestructuren te testen, ontdekten ze dat een grover stuk glas bredere en informatievere patronen produceerde, waardoor de gemiddelde nauwkeurigheid toenam tot 98,67 procent. Ze lieten ook zien dat ze niet elke pixel hoeven te behouden: het herleiden van de resolutie van de beelden naar gematigde afmetingen behield het grootste deel van de nauwkeurigheid terwijl de rekencapaciteit werd verminderd, wat de geschiktheid van de methode voor kleine, energiezuinige apparaten versterkt.

Van plastic bolletjes naar real-world monsters

Het werk gebruikt eenvoudige plastic bolletjes als een zuivere testcase en bewijst dat de combinatie van event-based visie, slimme optische verstrooiing en hyper-dimensionaal rekenen stromende deeltjes snel en met hoge betrouwbaarheid kan classificeren. Overstappen naar echte cellen en meer gevarieerde deeltjes voegt complexiteit toe, omdat vorm, interne structuur en materiaaleigenschappen allemaal invloed hebben op hoe licht wordt verstrooid. Toch wijzen de resultaten op een weg naar compacte, labelvrije systemen die niet alleen detecteren, maar mogelijk uiteindelijk ook deeltjes in realtime kunnen sorteren, en daarmee toekomstige instrumenten voor diagnostiek, milieubewaking en industriële kwaliteitscontrole ondersteunen.

Bronvermelding: 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

Trefwoorden: labelvrije flowcytometrie, event-based beeldvorming, hyper-dimensionaal rekenen, micropartikelclassificatie, microfluidica