Point-of-care (POC) serological testing provides actionable information for several difficult to diagnose illnesses, empowering distributed health systems. Accessible and adaptable diagnostic platforms that can assay the repertoire of antibodies formed against pathogens are essential to drive early detection and improve patient outcomes. Here, we report a POC serologic test for Lyme disease (LD), leveraging synthetic peptides tuned to be highly specific to the LD antibody repertoire across patients and compatible with a paper-based platform for rapid, reliable, and cost-effective diagnosis. A subset of antigenic epitopes conserved across Borrelia burgdorferi genospecies and targeted by IgG and IgM antibodies, were selected based on their seroreactivity to develop a multiplexed panel for a single-step measurement of combined IgM and IgG antibodies from LD patient sera. Multiple peptide epitopes, when combined synergistically using a machine learning-based diagnostic model, yielded a high sensitivity without any loss in specificity. We blindly tested the platform with samples from the U.S. Centers for Disease Control & Prevention (CDC) LD repository and achieved a sensitivity and specificity matching the lab-based two-tier results with a single POC test, correctly discriminating cross-reactive look-alike diseases. This computational LD diagnostic test can potentially replace the cumbersome two-tier testing paradigm, improving diagnosis and enabling earlier effective treatment of LD patients while also facilitating immune monitoring and surveillance of the disease in the community.

We present a deep learning-based framework to design and quantify point-of-care sensors. As its proof-of-concept and use-case, we demonstrated a low-cost and rapid paper-based vertical flow assay (VFA) for high sensitivity C-Reactive Protein (hsCRP) testing, a common medical test used for quantifying the degree of inflammation in patients at risk of cardio-vascular disease (CVD). A machine learning-based sensor design framework was developed for two key tasks: (1) to determine an optimal configuration of immunoreaction spots and conditions, spatially-multiplexed on a paper-based sensing membrane, and (2) to accurately infer the target analyte concentration based on the signals of the optimal VFA configuration. Using a custom-designed mobile-phone based VFA reader, a clinical study was performed with 85 human serum samples to characterize the quantification accuracy around the clinically defined cutoffs for CVD risk stratification. Results from blindly-tested VFAs indicate a competitive coefficient of variation of 11.2% with a linearity of R2 = 0.95; in addition to the success in the high-sensitivity CRP range (i.e., 0-10 mg/L), our results further demonstrate a mitigation of the hook-effect at higher CRP concentrations due to the incorporation of antigen capture spots within the multiplexed sensing membrane of the VFA. This paper-based computational VFA that is powered by deep learning could expand access to CVD health screening, and the presented machine learning-enabled sensing framework can be broadly used to design cost-effective and mobile sensors for various point-of-care diagnostics applications.