Hyperdimensionell beräkning för förbättrad märkningsfri partikelanalys i ett flödesbaserat optiskt detektionssystem

Se små partiklar i ett nytt ljus

Många tester inom medicin och miljövetenskap bygger på att upptäcka och sortera små partiklar, från celler till plastkulor. Idag kräver det ofta kemiska markörer eller skrymmande mikroskop, vilket kan vara tidskrävande, kostsamt och ibland påfrestande för levande celler. Denna studie visar hur en smart kombination av snabb optisk mätning och hjärnliknande beräkning kan sortera partiklar efter storlek utan några markörer, med kompakt hårdvara som en dag skulle kunna rymmas i bärbara diagnostiska verktyg.

Varför märkningsfri testning spelar roll

I vanliga flödesbaserade optiska system driver partiklar genom en smal kanal medan ljus belyser dem, och kameror eller detektorer registrerar hur de sprider detta ljus. Om partiklarna är märkta med fluorescerande färgämnen är de lättare att särskilja, men att förbereda sådana prover tar tid och kan förändra de celler forskarna vill studera. Märkningsfria metoder hoppar över färgerna och läser istället av varje partikels naturliga optiska fingeravtryck, till exempel hur de bryter eller sprider ljus. Utmaningen är att dessa råa mönster är komplexa och anländer mycket snabbt, så att omvandla dem till tillförlitliga beslut i realtid är inte enkelt.

En kamera som lyssnar efter förändring

Forskarna ersatte en vanlig videokamera med en händelsebaserad sensor, en enhet som reagerar bara när ljusstyrkan i en pixel förändras. När polystyrenkulor i fyra olika storlekar flöt genom en tunn plastkanal och korsade en fokuserad lasern var sensorn uppmärksam på utbrott av ljusa och mörka händelser som spårade de föränderliga interferensmönstren runt varje kula. Eftersom den ignorerar statisk bakgrund genererar kameran mycket mindre data och fångar rörelse med mycket fin tidsupplösning, vilket är idealiskt när tusentals partiklar rusar förbi varje sekund. Teamet utformade också sina mätningar noggrant så att varje kulstorlek registrerades under varierade förhållanden, vilket minskar dolda snedvridningar som annars kunde ha blåst upp noggrannheten.

Hjärnliknande koder för snabba beslut

I stället för att träna ett tungt neuralt nätverk använde teamet hyperdimensionell beräkning, som representerar varje mönster som en mycket lång binär kod kallad en hypervektor. Positiva och negativa händelser från sensorn omvandlas till separata binära kartor och kombineras sedan, vilket bevarar subtila skillnader i hur ljuset ljusnar och mörknar. Under träningen slås många hypervektorer från samma kulstorlek ihop till en enda prototypkod för den klassen. Vid testning kodas ett nytt mönster och jämförs mot dessa prototyper, och kulan tilldelas den klass vars kod är mest lik. Detta tillvägagångssätt kräver bara enkla bitoperationer men nådde ändå över 93 procent noggrannhet utan några extra optiska finesser.

Forma ljuset för att se tydligare

För att förbättra prestandan placerade forskarna ett ark av frostat glas mellan kanalen och kameran. Detta spridningsskikt sprider ljuset till rikare speckelmönster som bär mer utmärkande signaturer för varje kulstorlek. Genom att testa diffuserare med olika ytstruktur fann de att ett grövre glas gav bredare och mer informativa mönster, vilket ökade medelnoggrannheten upp till 98,67 procent. De visade också att det inte är nödvändigt att behålla varje pixel: att nedprova bilderna till måttliga upplösningar bevarade större delen av noggrannheten samtidigt som beräkningskostnaden minskade, vilket stärker metodens lämplighet för små, energieffektiva enheter.

Från plastkulor till verkliga prover

Arbetet använder enkla plastkulor som ett rent testfall och visar att kombinationen av händelsebaserad vision, intelligent optisk spridning och hyperdimensionell beräkning kan klassificera flödande partiklar snabbt och med hög tillförlitlighet. Att gå vidare till verkliga celler och mer varierade partiklar kommer att lägga till komplexitet, eftersom form, intern struktur och materialskillnader alla påverkar hur ljuset sprids. Ändå antyder resultaten en väg mot kompakta, märkningsfria system som inte bara upptäcker utan kanske så småningom också hjälper till att sortera partiklar i realtid, och som kan stödja framtida verktyg för diagnostik, miljöövervakning och industriell kvalitetskontroll.

Citering: 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

Nyckelord: märkningsfri flödescytometri, händelsebaserad bildtagning, hyperdimensionell beräkning, klassificering av mikropartiklar, mikrofluidik