Ежегодно в США рак яичников убивает 14 000 женщин. Это пятая ведущая причина смерти от рака среди женщин, и она настолько смертельна отчасти потому, что болезнь трудно подхватить на ранних стадиях. Пациенты часто не испытывают симптомов до тех пор, пока рак не начнет распространяться, и не существует надежных скрининговых тестов для раннего выявления.
Команда исследователей работает над тем, чтобы изменить это. В группу входят исследователи из Мемориального онкологического центра имени Слоуна-Кеттеринга, Медицинского центра Вейла Корнелла, Университета Мэриленда, Национальных институтов стандартов и технологий и Университета Лихай.
Две недавние статьи описывают их продвижение к новому методу обнаружения рака яичников . В этом подходе используются методы машинного обучения для эффективного анализа спектральных характеристик углеродных нанотрубок для обнаружения биомаркеров заболевания и распознавания самого рака.
Первая статья появилась в журнале Science Advances в ноябре.
«Мы продемонстрировали, что наносенсорная платформа, основанная на восприятии, может обнаруживать биомаркеры рака яичников с помощью машинного обучения», — говорит Юна Янг, научный сотрудник с докторской степенью в Департаменте химической и биомолекулярной инженерии Лихай и соавтор статьи вместе с Цви Яари, докторантом. научный сотрудник Мемориального онкологического центра имени Слоана Кеттеринга в Нью-Йорке. Среди авторов также были Мин Чжэн, химик-исследователь из Национального института стандартов и технологий, Ананд Джагота, профессор биоинженерии, химической и биомолекулярной инженерии в Университете Лихай, и Дэниел Хеллер, ассоциированный член и глава Лаборатории нанотехнологий рака в Мемориале. Онкологический центр Слоана Кеттеринга.
Джагота, который также является заместителем декана по исследованиям в Колледже здоровья Лихай, и Ян являются членами Lehigh’s Nano | Президентская инициатива Human Interfaces, междисциплинарная исследовательская инициатива, целью которой является изменение способов работы с данными и сложными инструментами научных открытий.
Традиционно для обнаружения биомаркеров заболевания требуется, чтобы молекула молекулярного распознавания, такая как антитело, соответствовала каждому маркеру. Но для рака яичников нет ни одного биомаркера или аналита, который указывал бы на наличие рака. Когда в данном образце необходимо измерить несколько аналитов, что может повысить точность теста, требуется больше антител, что увеличивает стоимость теста и время выполнения.
«Ощущения, основанные на восприятии, функционируют подобно человеческому мозгу», — говорит Ян. «Система состоит из сенсорного массива, который определенным образом улавливает определенную характеристику аналитов, а затем совокупный отклик от массива анализируется вычислительной перцептивной моделью. Он может обнаруживать различные аналиты одновременно, что делает его гораздо более эффективный.»
Для этого конкретного исследования массив состоял из одностенных углеродных нанотрубок, обернутых нитями ДНК. Способ, которым была завернута ДНК, и разнообразие используемых последовательностей ДНК создали разнообразие поверхностей нанотрубок. Разнообразные поверхности, в свою очередь, привлекли ряд белков в образце маточного лаважа, обогащенного различными уровнями биомаркеров рака яичников.
«Углеродные нанотрубки обладают интересными электронными свойствами, — говорит Хеллер. «Если вы направите на них свет, они излучают свет другого цвета, и цвет и интенсивность этого света могут меняться в зависимости от того, что прилипает к нанотрубке. Мы смогли использовать сложность многих потенциальных связывающих взаимодействий, используя ряд нанотрубки с различной оберткой. И это дало нам ряд различных датчиков, которые могли обнаруживать немного разные вещи, и оказалось, что они по-разному реагировали на разные белки».
Алгоритм машинного обучения был обучен с использованием данных излучения нанотрубок — спектральных характеристик — для распознавания характера излучения, сигнализирующего о присутствии и концентрации каждого биомаркера.
«Ментальный прорыв здесь заключается в том, что эти нанотрубки являются неспецифическими сенсорами», — говорит Ягота. «Они ничего не знают о биомаркерах, а это означает, что они не запрограммированы на связывание с чем-то конкретным. Все, что мы знали, это то, что они могут подвергаться воздействию водной среды, и все, что на них воздействует в этой среде, вызывает спектральные сдвиги. и изменения в величине. Используя комбинацию этих датчиков, мы смогли обучить алгоритм математически преобразовывать эти входные данные в выходные с высокой точностью. , но в совокупности их можно научить работать лучше, чем существующие методы обнаружения рака яичников».
Вторая статья появилась в марте в журнале Nature Biomedical Engineering и включала работу многих из тех же исследователей. Кроме того, среди авторов были Юхуан Ван, профессор кафедры химии и биохимии Университета Мэриленда, и Миджин Ким, научный сотрудник Мемориального онкологического центра имени Слоана Кеттеринга, который был ведущим автором исследования.
«В этой статье мы больше не рассматривали биомаркеры, мы рассматривали само заболевание», — говорит Хеллер. «Мы хотели знать, может ли эта технология отличить образец крови пациента с раком яичников от пациента без рака яичников?»
Среди пациентов без рака яичников были как здоровые люди, так и люди с другими заболеваниями.
В этом исследовании нанотрубки были функционализированы квантовыми дефектами, что существенно увеличило разнообразие откликов, которые давали бы нанотрубки.
«С нанотрубками была связана определенная молекула, которая давала дополнительный сигнал с точки зрения данных», — говорит Джагота. «Поэтому более подробные данные были получены от каждой комбинации нанотрубки-ДНК. И модель обучалась не на биомаркере, а на болезненном состоянии».
Модель разработала «отпечаток пальца болезни» по спектральному излучению нанотрубок. Результаты были статистически значимыми с точки зрения специфичности модели при выявлении рака яичников и чувствительности при выявлении как известных, так и неизвестных биомаркеров заболевания.
Хеллер говорит, что аналогией того, как работает модель машинного обучения , в обеих статьях является человеческий нос. Например, не существует единого обонятельного рецептора для каждого запаха.
«Вместо этого существует множество различных рецепторов запаха, которые связываются с определенными молекулами и создают своего рода узор или отпечаток пальца», — говорит он. «И этот шаблон обрабатывается вашим мозгом, который, в свою очередь, сообщает вам, что вы чувствуете. Так что здесь нет одного конкретного датчика, который реагирует на одну конкретную вещь. по интенсивности цвета и длины волны алгоритм способен интерпретировать, что является биомаркером, а что нет, или что является болезнью, а что нет».
Команда показала, что их метод может выявлять рак яичников лучше, чем существующие методы, но он еще не может идентифицировать ранние стадии заболевания. Отчасти, по словам Хеллер, проблема заключается в поиске достаточного количества образцов для обучения алгоритма, потому что в эти моменты времени диагностируется очень мало людей.
«Мы работаем над определением того, как мы можем обнаружить это заболевание на самых ранних стадиях», — говорит он.
По словам Джаготы, следующие шаги могут также включать в себя разработку методики для ряда заболеваний и определение возможности ее оптимизации для работы в клинических условиях.
«И это техника, которую можно применять в самых разных областях», — говорит он. «Мы сосредоточены на здоровье, но его можно использовать, например, для выявления загрязняющих веществ в воздухе. Существует потенциал для борьбы со многими различными заболеваниями и состояниями, и я нахожу это захватывающим».
