Obliczenia hiperdimensionalne dla poprawionej analizy cząstek bez znakowania w optycznym systemie detekcji w przepływie

Widzenie drobnych cząstek w nowym świetle

Wiele testów w medycynie i naukach o środowisku opiera się na wykrywaniu i segregowaniu drobnych cząstek, od komórek po kulki z tworzywa sztucznego. Obecnie często wymaga to użycia chemicznych znaczników lub dużych mikroskopów, co może być wolne, kosztowne i czasem obciążające dla żywych komórek. W tym badaniu pokazano, jak sprytne połączenie szybkiego pomiaru optycznego z obliczeniami inspirowanymi pracą mózgu pozwala sortować cząstki według rozmiaru bez znakowania, wykorzystując kompaktowy sprzęt, który w przyszłości mógłby zmieścić się w przenośnych narzędziach diagnostycznych.

Dlaczego testy bez znaczników mają znaczenie

W standardowych systemach optycznych opartych na przepływie cząstki przemieszczają się przez wąski kanał, podczas gdy oświetlenie pada na nie, a kamery lub detektory rejestrują sposób, w jaki rozpraszają światło. Jeśli cząstki są oznaczone świecącymi barwnikami, łatwiej je rozróżnić, ale przygotowanie takich próbek zajmuje czas i może zmieniać badane komórki. Metody bez znaczników pomijają barwniki i zamiast tego odczytują naturalne optyczne odciski palców każdej cząstki, na przykład to, jak załamują lub rozpraszają światło. Trudność polega na tym, że te surowe wzory są złożone i pojawiają się bardzo szybko, więc przekształcenie ich w niezawodne decyzje w czasie rzeczywistym nie jest proste.

Kamera, która „słyszy” zmiany

Naukowcy zastąpili zwykłą kamerę wizyjną sensorem zdarzeniowym — urządzeniem reagującym tylko wtedy, gdy jasność na pikselu ulega zmianie. Gdy kuleczki polistyrenowe o czterech różnych rozmiarach przepływały przez cienki plastikowy kanał i przecinały skupioną wiązkę lasera, sensor rejestrował serie zdarzeń jasności i zaciemnienia tworzące ewoluujące wzory interferencyjne wokół każdej kulki. Ponieważ ignoruje tło statyczne, kamera generuje znacznie mniej danych i rejestruje ruch z bardzo dokładnym czasowaniem, co jest idealne, gdy tysiące cząstek przepływają w każdej sekundzie. Zespół starannie zaprojektował też pomiary tak, aby każdy rodzaj kulki był rejestrowany w różnych warunkach, zmniejszając ukryte uprzedzenia, które inaczej mogłyby zawyżać dokładność.

Kody inspirowane mózgiem dla szybkich decyzji

Zamiast trenować ciężką sieć neuronową, zespół zastosował obliczenia hiperdimensionalne, które reprezentują każdy wzór jako bardzo długi kod binarny zwany hipervektorem. Pozytywne i negatywne zdarzenia z sensora przekształcane są w oddzielne mapy binarne, a następnie łączone, zachowując subtelne różnice w tym, jak światło się rozjaśnia i przyciemnia. Podczas treningu wiele hipervektorów z tego samego rozmiaru kulki jest łączonych w pojedynczy prototypowy kod dla danej klasy. W fazie testowej nowy wzór jest kodowany i porównywany z tymi prototypami, a kulka przypisywana jest do klasy o najbardziej podobnym kodzie. To podejście wymaga jedynie prostych operacji na bitach, a mimo to osiągnęło ponad 93 procent dokładności bez dodatkowych trików optycznych.

Modelowanie światła, aby widzieć wyraźniej

Aby zwiększyć wydajność, badacze umieścili arkusz mlecznego szkła między kanałem a kamerą. Ta warstwa rozpraszająca rozsiewa światło w bogatsze wzory typu speckle, które przenoszą bardziej rozróżniające sygnatury dla każdego rozmiaru kulki. Testując dyfuzory o różnej chropowatości powierzchni, odkryli, że grubszy kawałek szkła generuje szersze i bardziej informatywne wzory, podnosząc średnią dokładność do 98,67 procent. Pokaźnie wykazali też, że nie trzeba zachowywać każdego piksela: zmniejszenie próbki obrazu do umiarkowanej rozdzielczości zachowało większość dokładności przy jednoczesnym obniżeniu kosztów obliczeniowych, co potwierdza przydatność metody w małych, energooszczędnych urządzeniach.

Od plastikowych kulek do próbek zrealnego świata

Badanie wykorzystuje proste plastikowe kulki jako czysty przypadek testowy, udowadniając, że połączenie wizji zdarzeniowej, inteligentnego rozpraszania optycznego i obliczeń hiperdimensionalnych potrafi szybko i niezawodnie klasyfikować przepływające cząstki. Przejście do rzeczywistych komórek i bardziej zróżnicowanych cząstek wprowadzi dodatkową złożoność, ponieważ kształt, struktura wewnętrzna i różnice materiałowe wpływają na to, jak światło jest rozpraszane. Mimo to wyniki wskazują drogę do kompaktowych systemów bez znaczników, które nie tylko wykrywają, lecz w przyszłości mogą także sortować cząstki w czasie rzeczywistym, wspierając narzędzia diagnostyczne, monitorowanie środowiska i kontrolę jakości w przemyśle.

Cytowanie: 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

Słowa kluczowe: cytometria przepływowa bez znaczników, obrazowanie zdarzeniowe, obliczenia hiperdimensionalne, klasyfikacja mikropartykul, mikrofluidyka