Tilbake til søkeresultatene

IKTPLUSS-IKT og digital innovasjon

Internet of Bio-NanoThings for Prediction and Prevention of Infectious Diseases

Alternativ tittel: Bionano-tingenes internett for prediksjon og prevensjon av smittsomme infeksjoner

Tildelt: kr 16,0 mill.

Forskningsfokuset i 2023 var å undersøke grunnlaget for utvikling av en Bio-Nano-sensor for tidlig påvisning av bakterielle infeksjoner. Denne sensoren vil inkludere genmodifiserte bakterier som kan registrere en spesifikk analytt, for eksempel et Quorum Sensing (QS) signal. Når bakteriene oppdager analytten, produseres et målbart lyssignal gjennom bioluminescens eller fluorescens. For å utvikle pålitelige kvantitative modeller for å forutsi responsen til bakteriesensoren på signalet, er det avgjørende å undersøke de komplekse biokjemiske prosessene som er involvert. Disse prosessene omfatter opptak av molekyler i bakteriecellene og ekspresjon av gener (f.eks. LuxABCDE, firely luciferase) som er ansvarlige for bioluminescens. Gjennom detaljert undersøkelse har prosjektet som mål å utlede nøyaktige modeller som beskriver og forutsier hvordan bakteriesensoren reagerer på signal/QS-molekylene. Bakterielle reporterstammer og quorum sensing (QS)-signaler spiller en avgjørende rolle for å forstå mikrobiell kommunikasjon og dens innvirkning på ulike biologiske prosesser. I 2023 gikk de fleste ressursene innenfor den teoretiske modelleringsarbeidspakken til CLIPEUS-prosjektet til videre undersøkelse av bakteriesensorer generelt. Dette er stort sett i tråd med forskningen gjort i 2022, men fokuset var mest på fortsatt analytisk undersøkelse og matematisk modellering av bakteriebaserte sensorer, i motsetning til det forventede skiftet av oppmerksomhet mot mikrofluidisk oppsett og integrering av bakterier i en praktisk sensor. For dette formål har forskjellige tilnærminger blitt fulgt: i tillegg til tilpassede matematiske modeller i form av ordinære differensialligninger (ODEs) avledet fra Mass-Action-prinsipper som beskriver den molekylære dynamikken i en bakteriell sensor, ble alternative modelleringsteknikker brukt. Dette ble gjort ved å bruke programvareløsninger som VCell, COPASI eller MCell som er godt vedlikeholdte og støttede verktøy innen system- og beregningsbiologi. Ved å bruke disse programmene er det mulig å raskt og effektivt bygge modeller av biokjemiske systemer som den undersøkte bakteriebaserte sensoren, og deretter simulere systemene både deterministisk og stokastisk. Bruken av denne tilnærmingen gir de utviklede modellene troverdighet. I et ytterligere forsøk på å trekke ut nyttig informasjon fra en analytisk modelleringstilnærming, ble ideer fra Biochemical-Systems-Theory (BST) brukt til å konstruere representasjoner av sensormodellen som muliggjør forenklet steady-state behandling og i tillegg muliggjør analyse av systemdynamikken i forhold til deres følsomhet mht. å modellere parametere. Denne informasjonen kan brukes til å identifisere muligheter for å optimalisere og konstruere bakteriesensorer med fokus på viktige sensoraspekter som sensitivitet og respons. Etter det første prosjektforslaget ble ytterligere ressurser brukt på integrering av databaserte modelleringsmetoder. For dette formål ble Machine-Learning (ML)-modeller implementert som tilnærmer det funksjonelle forholdet mellom analyttkonsentrasjon og sensorrespons som ikke krever domenekunnskap, dvs. innsikt om de nøyaktige molekylære mekanismene til en bakteriesensor. Det er planlagt å integrere de datastøttede modelleringstilnærmingene i den analytiske innsatsen i form av Physics-Informed-Neural-Networks (PINNs). I 2023 gikk de fleste ressursene i den eksperimentelle modelleringsarbeidspakken til CLIPEUS-prosjektet til ytterligere å fremme prosjektarbeidet mot utviklingen av den bakteriebaserte sensoren, genmanipulerte reporterfarger av Streptococcus mutans og det store menneskelige patogenet Streptococcus pneumoniae ble brukt i tidsserier av genekspresjonsluminescensanalyser. Eksperimentelle data fra våtlaboratoriet ga innsikt i signalresponser ved tilsetning av tre viktige QS-molekyler: autoinduser 2 (AI-2), kompetansestimulerende peptid (CSP) og sig X - induserende peptid (XIP). AI-2 er det eneste signalmolekylet som gjenkjennes av Gram-positive og Gram-negative bakterier, og lar ulike arter kommunisere og koordinere sin oppførsel. Hos S. pneumoniae er QS regulert av AI-2 og den artsspesifikke CSP involvert i dannelse av biofilmer og spredning fra nasopharynx til lungene. Å studere disse signalene både sammen og individuelt muliggjør derfor en omfattende utforskning av bakteriell kommunikasjon og koordinering, og gir en dypere forståelse av de intrikate signalnettverkene som styrer bakteriell atferd og fenotypiske utfall. Slik kunnskap er av vital betydning i utviklingen av en bakteriebasert sensor og vil bli brukt i de matematiske modellene.

Our ability to miniaturize sensors and electronics is unprecedented, and our understanding of biological systems enables fine-grained manipulation of cellular behavior down to the molecular level. This project will leverage the PIs’ unique combination of expertise at the crossroads of biology, bio-sensor interface design, and wireless communications, to address the challenges for human health applications such as prediction and prevention of infections. CLIPEUS (Shield in Latin) aims at creating a communications network among man-made implantable devices and the natural cells inside the body under the novel communication paradigm, called Internet of Bio-NanoThings, where sensing, actuation, and computing processes are tightly coupled to pervasively, perpetually, and precisely sense, process, control, and exchange health information of the body in real time to defend it against infections. CLIPEUS focuses on the detection of infections inside the body based on the detection of the molecular communication among the infectious bacteria by man-made bio-nanothings, called GLADIO (Sword in Latin), consisting of bionanosensors for detection, low power electronics for processing and antenna for near field communication to transfer the data through the tissues to outside of the body. Due to the power limitations of GLADIO, the inherent noise of biological processes, and the non-deterministic response of patients to infections, the collected data will be sparse and noisy. Novel machine learning techniques will be developed to interpret this data for future personalized medicine applications. The system will be extensively tested and ameliorated by phantom experiments as a first step before in vivo experiments. The project will recruit and train 2 PhD students and 2 Postdocs and has drawn up a comprehensive, multifaceted plan to disseminate, communicate and exploit the project results.

Budsjettformål:

IKTPLUSS-IKT og digital innovasjon