Kredit:Lehigh University
Kræft i æggestokkene dræber 14.000 kvinder i USA hvert år. Det er den femte hyppigste årsag til kræftdød blandt kvinder, og den er så dødelig, delvist fordi sygdommen er svær at fange i dens tidlige stadier. Patienter oplever ofte ikke symptomer, før kræften er begyndt at sprede sig, og der er ingen pålidelige screeningstest til tidlig påvisning.
Det arbejder et team af forskere på at ændre på. Gruppen omfatter efterforskere fra Memorial Sloan Kettering Cancer Center, Weill Cornell Medicine, University of Maryland, National Institutes of Standards and Technology og Lehigh University.
To nyere artikler beskriver deres fremskridt hen imod en ny metode til påvisning af kræft i æggestokkene. Tilgangen bruger maskinlæringsteknikker til effektivt at analysere spektrale signaturer af kulstofnanorør for at opdage biomarkører for sygdommen og genkende selve kræften.
Det første papir dukkede op i Science Advances i november.
"Vi demonstrerede, at en perceptionsbaseret nanosensorplatform kunne detektere biomarkører for kræft i æggestokkene ved hjælp af maskinlæring," siger Yoona Yang, en postdoktoral forskningsmedarbejder i Lehighs afdeling for kemisk og biomolekylær ingeniørvidenskab og medførsteforfatter af papiret sammen med Zvi Yaari, postdoc. forskningsstipendiat ved Memorial Sloan Kettering Cancer Center i New York. Forfatterne inkluderede også Ming Zheng, en forskningskemiker ved National Institute of Standards and Technology, Anand Jagota, en professor i bioteknik og kemisk og biomolekylær teknik ved Lehigh University, og Daniel Heller, associeret medlem og leder af Cancer Nanotechnology Laboratory ved Memorial Sloan Kettering Cancer Center.
Jagota, der også fungerer som associeret forskningsdekan for Lehigh's College of Health, og Yang er medlemmer af Lehigh's Nano | Human Interfaces Presidential Initiative, et tværfagligt forskningsinitiativ, der har til formål at ændre den måde, vi arbejder med data og de sofistikerede instrumenter til videnskabelig opdagelse på.
Traditionelt kræver påvisning af biomarkører for sygdom et molekylært genkendelsesmolekyle som et antistof, der skal matches med hver markør. Men for kræft i æggestokkene er der ikke en eneste biomarkør - eller analyt - der indikerer tilstedeværelsen af kræft. Når der skal måles flere analytter i en given prøve, hvilket kan øge nøjagtigheden af en test, kræves der flere antistoffer, hvilket øger prisen på testen og behandlingstiden.
"Perceptionsbaseret sansning fungerer ligesom den menneskelige hjerne," siger Yang. "Systemet består af et sensing-array, der fanger et bestemt træk ved analytterne på en specifik måde, og derefter analyseres ensemble-responsen fra arrayet af den computational perceptive model. Den kan detektere forskellige analytter på én gang, hvilket gør den meget mere effektiv."
Til denne særlige undersøgelse bestod arrayet af enkeltvæggede kulstofnanorør pakket ind i DNA-strenge. Måden, hvorpå DNA'et blev pakket ind, og de mange forskellige DNA-sekvenser, der blev brugt, skabte en mangfoldighed af overflader på nanorørene. De forskellige overflader tiltrak til gengæld en række proteiner i en livmoderskylningsprøve beriget med varierende niveauer af biomarkører for ovariecancer.
"Carbon nanorør har interessante elektroniske egenskaber," siger Heller. "Hvis du skyder lys mod dem, udsender de en anden farve af lys, og det lyss farve og intensitet kan ændre sig baseret på, hvad der klæber til nanorøret. Vi var i stand til at udnytte kompleksiteten af så mange potentielle bindingsinteraktioner ved at bruge en række af nanorør med forskellige indpakninger. Og det gav os en række forskellige sensorer, der alle kunne registrere lidt forskellige ting, og det viste sig, at de reagerede forskelligt på forskellige proteiner."
Maskinlæringsalgoritmen blev trænet ved hjælp af data fra nanorør-emissionen – spektralsignaturerne – til at genkende emissionsmønsteret, der signalerede tilstedeværelsen og koncentrationen af hver biomarkør.
"Det mentale gennembrud her er, at disse nanorør er uspecifikke sensorer," siger Jagota. "De ved ikke noget om biomarkører, hvilket betyder, at de ikke er programmeret til at binde sig til noget specifikt. Alt, hvad vi vidste, er, at de kan udsættes for et vandigt medium, og hvad end de udsættes for i det medium, vil producere spektrale skift og ændringer i størrelse. Og ved at bruge en kombination af disse sensorer var vi i stand til at træne algoritmen til matematisk at transformere disse input til output med høj nøjagtighed. Det er som at have 20 sæt øjne, der alle ser overlappende ting. Intet enkelt øje er så godt , men som en samling kan de trænes til at præstere bedre end de eksisterende påvisningsmetoder for kræft i æggestokkene."
Den anden artikel udkom i marts i Nature Biomedical Engineering og omfattede mange af de samme forskeres arbejde. Derudover inkluderede forfatterne YuHuang Wang, professor i afdelingen for kemi og biokemi ved University of Maryland, og Mijin Kim, postdoktoral forskningsassistent ved Memorial Sloan Kettering Cancer Center, som var hovedforfatter på undersøgelsen.
"I dette papir kiggede vi ikke længere på biomarkører, vi kiggede på selve sygdommen," siger Heller. "Vi ville gerne vide, om denne teknologi kunne differentiere en blodprøve fra en patient med kræft i æggestokkene fra en patient uden kræft i æggestokkene?"
De patienter uden kræft i æggestokkene omfattede både raske mennesker og mennesker med andre sygdomme.
I denne undersøgelse blev nanorørene funktionaliserede med kvantefejl, hvilket væsentligt øgede mangfoldigheden af reaktioner, som nanorørene ville give.
"Nanorørene havde et bestemt molekyle bundet til sig, som gav det et ekstra signal med hensyn til data," siger Jagota. "Så rigere data kom fra hver nanorør-DNA-kombination. Og modellen blev trænet ikke på biomarkøren, men på sygdomstilstanden."
Modellen udviklede et "sygdomsfingeraftryk" fra spektrale emissioner fra nanorørene. Resultaterne var statistisk signifikante med hensyn til modellens specificitet til påvisning af ovariecancer og sensitivitet til påvisning af både kendte og ukendte biomarkører for sygdommen.
Heller siger, at en analogi til, hvordan maskinlæringsmodellen fungerer - i begge papirer - er den menneskelige næse. For eksempel er der ikke en eneste lugtreceptor for hver lugt.
"I stedet er der en masse forskellige lugtreceptorer, der binder sig til bestemte molekyler og skaber et mønster eller et slags fingeraftryk," siger han. "Og det mønster bliver behandlet af din hjerne, som igen fortæller dig, hvad du lugter. Så her er der ikke en bestemt sensor, der reagerer på en bestemt ting. Men baseret på mønsteret af forskellige sensorer, der reagerer med forskellige ændringer i farve- og bølgelængdeintensitet er algoritmen i stand til at fortolke, hvad der er en biomarkør, og hvad der ikke er, eller hvad der er sygdom, og hvad der ikke er sygdom."
Holdet har vist, at deres teknik kan opdage kræft i æggestokkene bedre end de nuværende metoder, men den kan endnu ikke identificere tidlige stadier af sygdommen. Dels, siger Heller, er problemet at finde nok prøver til at træne algoritmen, fordi så få mennesker er diagnosticeret på disse tidspunkter.
"Vi arbejder på at bestemme, hvordan vi faktisk kan opdage denne sygdom på de tidligst mulige stadier," siger han.
Næste trin kunne også omfatte at forgrene sig for at udvikle teknikken til en række sygdomme og afgøre, om den kan optimeres til at virke under kliniske forhold, siger Jagota.
"Og dette er en teknik, der kan anvendes på en række områder," siger han. "Vi har fokus på sundhed, men det kunne bruges til at identificere forurenende stoffer i luften, for eksempel. Der er potentiale til at gå efter mange forskellige sygdomme og tilstande, og det synes jeg er fascinerende." + Udforsk yderligere