Forscher, darunter auch solche von der Universität Tokio, entwickelten die Deep Nanometry, eine analytische Technik, die moderne optische Geräte mit einem Rauschunterdrückungsalgorithmus kombiniert, der auf unüberwachtem Deep Learning basiert. Die Deep Nanometry kann Nanopartikel in medizinischen Proben mit hoher Geschwindigkeit analysieren, wodurch es möglich wird, selbst Spurenmengen seltener Partikel genau zu erkennen. Dies hat ihr Potenzial zur Erkennung extrazellulärer Vesikel bewiesen, die frühe Anzeichen von Dickdarmkrebs anzeigen, und es besteht die Hoffnung, dass sie in anderen medizinischen und industriellen Bereichen eingesetzt werden kann.
Wussten Sie, dass Ihr Körper voller mikroskopischer Partikel ist, die kleiner als Zellen sind? Dazu gehören sogenannte extrazelluläre Vesikel (EVs), die bei der Früherkennung von Krankheiten und auch bei der Verabreichung von Medikamenten nützlich sein können. EVs sind jedoch sehr selten, und um sie unter Millionen anderer Partikel zu finden, war ein zeitaufwändiger und teurer Voranreicherungsprozess erforderlich. Dies hat Forscher, darunter den Postdoktoranden Yuichiro Iwamoto vom Research Center for Advanced Science and Technology und sein Team, dazu veranlasst, ein Mittel zu finden, um EVs schnell und zuverlässig zu erkennen.
„Herkömmliche Messtechniken haben oft einen begrenzten Durchsatz, was es schwierig macht, seltene Partikel in kurzer Zeit zuverlässig zu erkennen“, sagte Iwamoto. „Um dieses Problem zu lösen, haben wir Deep Nanometry (DNM) entwickelt, ein neues Gerät zur Erkennung von Nanopartikeln und eine unbeaufsichtigte Deep-Learning-Rauschunterdrückungsmethode zur Steigerung seiner Empfindlichkeit. Dies ermöglicht einen hohen Durchsatz und macht es möglich, seltene Partikel wie Elektrofahrzeuge zu erkennen.“
Das Herzstück von DNM ist seine Fähigkeit, Partikel mit einer Größe von nur 30 Nanometern (Milliardstel Meter) zu erkennen und gleichzeitig mehr als 100.000 Partikel pro Sekunde zu erkennen. Mit herkömmlichen Hochgeschwindigkeits-Erkennungswerkzeugen werden starke Signale erkannt, schwache Signale können jedoch übersehen werden, während DNM in der Lage ist, sie zu erfassen. Dies könnte mit der Suche nach einem kleinen Boot auf einem turbulenten Ozean inmitten tosender Wellen vergleichbar sein – es wird viel einfacher, wenn sich die Wellen auflösen und ein ruhiger Ozean übrig bleibt, auf dem man nach dem Boot Ausschau halten kann. Die Komponente der künstlichen Intelligenz (KI) hilft dabei, indem sie die Eigenschaften der Wellen lernt und so hilft, das Verhalten der Wellen herauszufiltern.
Diese Technologie kann auf eine breite Palette klinischer Diagnosen ausgeweitet werden, die auf Partikelerkennung beruhen, und sie hat auch Potenzial in Bereichen wie Impfstoffentwicklung und Umweltüberwachung. Darüber hinaus könnte die KI-basierte Signalentstörung unter anderem auf elektrische Signale angewendet werden.
https://www.nature.com/articles/s41467-025-56812-y
