Гиперразмерные вычисления для улучшенного безметочного анализа частиц в оптической системе обнаружения с поточной подачей

Видеть крошечные частицы в новом свете

Во многих медицинских и экологических тестах требуется обнаруживать и сортировать крошечные частицы — от клеток до пластиковых шариков. Сегодня для этого часто нужны химические метки или громоздкие микроскопы, что может быть медленным, дорогим и иногда стрессовым для живых клеток. В этом исследовании показано, как хитрое сочетание быстрого оптического сенсора и вычислений, вдохновлённых работой мозга, позволяет сортировать частицы по размеру без меток, используя компактное оборудование, которое в будущем может поместиться в портативных диагностических приборах.

Почему важны безметочные тесты

В стандартных проточных оптических системах частицы движутся по узкому каналу, пока на них падает свет, а камеры или детекторы регистрируют, как они рассеивают этот свет. Если частицы помечены свечащимися красителями, их легче различать, но подготовка таких образцов занимает время и может изменить те клетки, которые учёные хотят изучать. Безметодные методы обходятся без красителей и вместо этого считывают естественные оптические отпечатки каждой частицы — например, то, как они преломляют или рассеивают свет. Сложность в том, что эти исходные паттерны сложны и приходят очень быстро, поэтому превращение их в надёжные решения в реальном времени даёт непростую задачу.

Камера, которая «слушает» изменения

Исследователи заменили обычную видеокамеру на событийный сенсор — устройство, реагирующее только тогда, когда яркость в пикселе меняется. Когда полистироловые шарики четырёх разных размеров протекали через тонкий пластиковый канал и пересекали сфокусированный лазерный луч, сенсор записывал всплески светлых и тёмных событий, которые отображали развивающиеся интерференционные узоры вокруг каждой частицы. Поскольку он игнорирует статический фон, камера генерирует значительно меньше данных и захватывает движение с очень тонкой временной точностью, что идеально, когда тысячи частиц проходят каждую секунду. Команда также тщательно спроектировала измерения так, чтобы каждый тип шарика регистрировался в разных условиях, уменьшая скрытые смещения, которые могли бы исказить точность.

Коды, вдохновлённые мозгом, для быстрых решений

Вместо обучения тяжёлой нейронной сети команда использовала гиперразмерные вычисления, которые представляют каждый паттерн как очень длинный двоичный код, называемый гипервектором. Положительные и отрицательные события сенсора переводятся в отдельные двоичные карты и затем комбинируются, сохраняя тонкие различия в том, как свет становится ярче и темнее. В процессе обучения многие гипервекторы одного размера шарика объединяются в единый прототипный код для этого класса. При тестировании новый паттерн кодируется и сравнивается с этими прототипами, и шарик присваивается тому классу, чей код наиболее похож. Этот подход требует только простых битовых операций, но при этом достиг точности свыше 93 процентов без каких-либо дополнительных оптических ухищрений.

Формирование света для более чёткого видения

Чтобы повысить производительность, исследователи поместили лист матового стекла между каналом и камерой. Этот рассеивающий слой распространяет свет в более богатые «спекл»-узоры, которые несут более отличительные подписи для каждого размера шарика. Тестируя диффузоры с разной шершавостью поверхности, они обнаружили, что более грубое стекло создаёт более широкие и информативные паттерны, повышая среднюю точность до 98,67 процента. Они также показали, что не требуется сохранять каждый пиксель: понижение разрешения до умеренных значений сохраняло большую часть точности при снижении вычислительных затрат, что подчёркивает пригодность метода для небольших энергоэффективных устройств.

От пластиковых шариков к реальным образцам

Работа использует простые пластиковые шарики в качестве чистого тестового случая, доказывая, что сочетание событийного зрения, умного оптического рассевания и гиперразмерных вычислений может быстро и надёжно классифицировать движущиеся частицы. Переход к реальным клеткам и более разнообразным частицам добавит сложности, поскольку форма, внутренняя структура и материал влияют на рассеяние света. Тем не менее результаты указывают путь к компактным безметочным системам, которые не только обнаруживают, но возможно в будущем будут сортировать частицы в реальном времени, поддерживая диагностические, экологические и промышленные приложения.

Цитирование: 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

Ключевые слова: безметочная проточная цитометрия, событийная съёмка, гиперразмерные вычисления, классификация микрочастиц, микрофлюидика