La bioelettronica e i biosensori nei sistemi di apprendimento automatico

credits: synthego.com

La bioelettronica integra dispositivi elettronici e sistemi biologici con la capacità di monitorare e controllare i processi biologici. Dall’omeostasi (tendenza naturale alla stabilità delle proprietà chimiche, fisiche e comportamentali degli organismi viventi) ai riflessi sensomotori, il controllo a circuito chiuso con feedback è un punto fermo della maggior parte dei sistemi biologici e fondamentale per la vita stessa. A partire da alcuni esempi in medicina bioelettronica, il controllo a circuito chiuso dei processi biologici utilizzando la bioelettronica non è così diffuso come in natura. L’adozione del controllo a circuito chiuso utilizzando la bioelettronica è stata lenta perché i metodi di controllo tradizionali sono difficili da applicare alla complessa dinamica dei sistemi biologici e alla loro sensibilità ai cambiamenti ambientali. L’apprendimento automatico può migliorare notevolmente la portata del controllo bioelettronico a circuito chiuso e comporta vantaggi rispetto al tradizionale approccio di controllo. Le potenziali applicazioni del controllo a circuito chiuso basato sull’apprendimento automatico con la bioelettronica comportano un ulteriore impatto nella medicina bioelettronica.

 

INTRODUZIONE

A partire dagli studi di Galvani sull’elettricità negli animali, la bioelettronica ha unito dispositivi elettronici con sistemi viventi. L’avvento della microfabbricazione e di nuovi materiali ha consentito di ridurre le dimensioni dell’interfaccia bioelettronica di dispositivi in ​​grado di comunicare con singole cellule e proteine ​. Questo ha ridotto i confini tra bioelettronica, elettrofisiologia, interfacce cervello-macchina, dispositivi medici ed elettronici con molta collaborazione incrociata tra i vari campi. Alcuni degli ultimi sensori bioelettronici funzionano su vasta scala contenendo migliaia di elettrodi di monitoraggio con capacità di risoluzione sub-cellulare. Questi sensori e attuatori sono composti da differenti materiali inorganici, organici e nanomateriali che condividono modalità di funzionamento magnetiche, elettrochimiche ed optoelettroniche. Queste tecnologie trovano applicazione per interfacciarsi con vari livelli della biologia, dalle componenti sub-cellulari, agli organi e agli organismi. Lo sviluppo costante della bioelettronica ha aperto opportunità per sfruttare sensori e attuatori bioelettronici per ottenere il controllo biologico in sistemi simili come nella biologia sintetica e terapeutica. La natura ottiene il controllo biologico utilizzando il feedback in cui i sensori e gli attuatori lavorano all’unisono per mantenere uno stato stazionario come nell’omeostasi o per raggiungere uno stato desiderato come nei movimenti sensomotori. In questo articolo si fà riferimento al controllo biologico, ossia, al raggiungimento di una risposta voluta e prevista in un sistema biologico. In generale, il feedback è la caratteristica dell’utilizzo di informazioni sulla risposta del sistema agli input passati per informare immediatamente gli organi dell’azione. Questo tipo di controllo è denominato controllo a loop chiuso. A tal fine, gli sforzi per integrare il controllo biologico a circuito chiuso i sistemi si sono evoluti principalmente nella biologia sintetica. Il controllo a loop chiuso nella biologia sintetica imita i sistemi naturali come l’ingegneria genetica.

 

CONTROLLO BIOLOGICO A LOOP CHIUSO IN BIOELETTRONICA

Gli approcci bioelettronici per il controllo del comportamento cellulare sono spesso focalizzati su applicazioni sanitarie come pacemaker, impianti neurali ed elettroceutici (impianti della medicina bioelettronica per la stimolazione elettrica sul corpo umano). I metodi attuali nel controllo a loop chiuso per sistemi biologici all’interno e all’esterno della bioelettronica si affidano a strumenti tradizionali dalla teoria del controllo. In Figura 1 viene riportato lo schema di un sistema bioelettronico a loop chiuso con il controllo Machine Learning (ML) bioelettronico degli attuatori mediante il feedback dei sensori bioelettronici.

Figura 1 – Sistema bioelettronico a loop chiuso con apprendimento automatico

Ad esempio, gli sforzi per il controllo applicato ad un pancreas artificiale sono stati numerosi ma generalmente trovano soluzione in una delle due strategie: la prima strategia è basata su un controllore proporzionale-integrale-derivativo (PID), che è un metodo comune nel settore e pensato per imitare la natura; la seconda strategia è un controller predittivo del modello (metodo MPC) che utilizza un modello per prevedere gli effetti del controllo sul sistema. Gli MPC vengono utilizzati per prevedere gli effetti dell’insulina sui livelli di glucosio e scegliere la strategia ottimale per raggiungere il livello di glucosio desiderato. In Figura 2 viene mostrato un biosensore per il monitoraggio del glucosio nel tessuto sottocutaneo le cui dimensioni sono 59x45x8 mm. I componenti elettronici sono racchiusi ermeticamente in un involucro, mentre l’antenna e la sonda del sensore sono stampate nell’intestazione epossidica.

Figura 2 – Biosensore per il monitoraggio del glucosio (Wikipedia)

Mentre il PID è il controller comunemente adottato in pratica, le sue prestazioni degradano quando il sistema è esposto alle non linearità, l’incertezza e i disturbi sconosciuti indotti da fenomeni indesiderati come i cambiamenti delle condizioni ambientali. I ricercatori hanno sviluppato metodi per migliorare le prestazioni PID aumentando la robustezza riguardo ai sistemi non lineari, compresa l’incertezze e il rumore di processo; l’ostacolo principale del controller PID è che gli approcci convenzionali alla progettazione dei parametri PID si basano su un modello lineare o linearizzato del sistema invariante nel tempo. Questo diventa un problema quando le dinamiche diventano imprevedibili o gli obiettivi aumentano di complessità e si allontanano dal mantenere l’omeostasi. D’altra parte, un approccio MPC è in grado di gestire la non linearità e tracciare l’output del target variabile nel tempo.

[boris]

L’APPRENDIMENTO AUTOMATICO PER IL CONTROLLO BIOELETTRONICO

Le tecniche basate sul ML sono adatte quando è richiesto un controllo preciso in assenza di un preciso modello matematico. Le tecniche ML si basano sulla disponibilità di grandi set di dati a priori e non sono state applicate per controllare i dispositivi bioelettronici. Le tecniche basate sul ML vengano esplorate come soluzioni di controllo al di fuori della biologia nei casi che coinvolgono sistemi complessi non lineari adatti anche per la chiusura del loop per i sistemi bioelettronici contenenti biosensori, biologia e attuatori bioelettronici. A tal fine, possono essere adottati strumenti della teoria dei sistemi di controllo che sfruttano il ML utilizzato per imparare da nuove osservazioni per un funzionamento efficace in tempo reale senza dati a priori. È possibile implementare tecniche basate sul ML direttamente o indirettamente per risolvere problemi di controllo complessi. Un esempio del controllo ML della bioelettronica è il controllo in tempo reale del pH.

 

I BIOSENSORI NELLA TECNOLOGIA BIOELETTRONICA

I biosensori sono i prodotti di una tecnologia avanzata che combina la sensibilità biologica e l’abilità di calcolo dei microprocessori in un campo è veramente interdisciplinare. I biosensori hanno una vasta gamma di applicazioni con un grande potenziale, dal monitoraggio dei livelli di salute e forma fisica personale al monitoraggio del consumo di cibo e alla valutazione delle condizioni ambientali. A differenza delle modalità analitiche industriali e dei servizi sanitari, i biosensori sono portatili e, allo stesso tempo, convenienti e semplici da utilizzare. Questi dispositivi analitici che combinano i principi di un fenomeno biologico con il rilevamento fisico-chimico, hanno avuto un grande impatto sul progresso della scienza e dell’ingegneria biomedica come lo sviluppo di pacemaker cardiaci, misuratori di glicemia e dispositivi diagnostici, compresa la tecnologia di imaging. La bioelettronica si occupa dell’integrazione di biomolecole con elementi bioelettronici che producono dispositivi funzionali. Ci sono stati grandi progressi compiuti nella bioelettronica, compresa l’integrazione di enzimi, antigeni, anticorpi, DNA e proteine ​​alle unità elettroniche per la progettazione e fabbricazione di biosensori per varie applicazioni, tra cui diagnosi clinica, rilevamento di agenti patogeni, analisi del cibo, monitoraggio ambientale. L’accoppiamento di neuroni biologici con componenti elettronici ha dato luogo alla possibilità di calcoli biologici, archiviazione di informazioni, e unità di elaborazione per il recupero delle informazioni. Inoltre, sono state sviluppate anche le celle a biocarburante. Anche l’applicazione della nanotecnologia per la progettazione di biosensori ha fatto grandi progressi. Le molecole biologiche sono state accoppiate con successo ai semiconduttori e alle nanoparticelle metalliche nelle applicazioni industriali, sanitarie e ambientali. La tecnologia bioelettronici, oltre ai biosensori, include i bioattuatori, le applicazioni sanitarie, validazione clinica, elettrochimica, trasduttori, metodi fotometrici, piezoelettrici e metodi basati su termistori e trasduttori, metodi elettroanalitici, immunosensori, nanodispositivi come il biosensore microfluidico. La Chemiometria (branca della chimica che studia l’applicazione di metodi statistici ai dati chimici) gioca un ruolo fondamentale nel rilevamento, nell’analisi e nella diagnosi basati sui biosensori. Al giorno d’oggi, come branca dell’intelligenza artificiale, l’apprendimento automatico ha raggiunto progressi impressionanti. Tuttavia, i nuovi metodi avanzati di ML, in particolare il deep learning (apprendimento profondo), famoso per l’analisi delle immagini, il riconoscimento facciale e il riconoscimento vocale, sono rimasti relativamente sfuggenti alla comunità dei biosensori. Il ML può essere utile nelle applicazioni con i biosensori. I vantaggi e gli svantaggi degli algoritmi ML più diffusi sono riassunti sulla base dell’analisi dei dati di rilevamento. In particolare, vengono enfatizzati metodi di apprendimento profondo come la rete neurale convoluzionale (CNN) e la rete neurale ricorrente (RNN). Il settore dei biosensori include biosensori elettrochimici assistiti da ML, elettronica indossabile, SERS (Surface-Enhanced Raman Spectroscopy – metodo spettroscopico di misurazione per l’identificazione e la quantificazione di nanoparticelle attive come tracce di narcotici, pesticidi, germi e sostanze simili), biosensori a fluorescenza e biosensori colorimetrici. Reti di biosensori e la fusione dei dati rilevati consente inoltre la realizzazione di strutture multi-biosensore. In Figura 3 viene riportata una classificazione dei biosensori basata su tipi di trasduttori.

Figura 3 – Classificazione dei biosensori (Wikipedia)

CONCLUSIONI

La natura e la vita stessa ruotano attorno al controllo di processi biologici a circuito chiuso. Con i dispositivi bioelettronici, abbiamo l’opportunità di rilevare e attivare i sistemi biologici e quindi necessitano potenti algoritmi di controllo per farlo. Questi algoritmi devono essere immuni al rumore, all’incertezza e alla variabilità nel tempo e nella risposta tipica di sistemi biologici. Le tecniche basate sull’apprendimento automatico possono fornire un controllo preciso per superare questi limiti e poichè possono imparare e migliorare con il tempo, non richiedono una conoscenza a priori del sistema. In questo articolo abbiamo descritto gli approcci per il controllo a loop chiuso con l’apprendimento automatico che può espandere la portata dei dispositivi bioelettronici. L’implementazione del controllo con l’apprendimento automatico alla bioelettronica faciliterà la convergenza della bioelettronica con la biologia sintetica aprendo molte nuove opportunità in entrambi i campi e migliorare le applicazioni terapeutiche.

[/boris]