Kredit:Lehigh University
Äggstockscancer dödar 14 000 kvinnor i USA varje år. Det är den femte vanligaste orsaken till cancerdöd bland kvinnor, och det är så dödligt, delvis eftersom sjukdomen är svår att fånga i sina tidiga skeden. Patienter upplever ofta inte symtom förrän cancern har börjat sprida sig, och det finns inga tillförlitliga screeningtester för tidig upptäckt.
Ett team av forskare arbetar för att ändra på det. I gruppen ingår utredare från Memorial Sloan Kettering Cancer Center, Weill Cornell Medicine, University of Maryland, National Institutes of Standards and Technology och Lehigh University.
Två nya artiklar beskriver deras framsteg mot en ny upptäcktsmetod för äggstockscancer. Metoden använder maskininlärningstekniker för att effektivt analysera spektrala signaturer av kolnanorör för att upptäcka biomarkörer för sjukdomen och känna igen själva cancern.
Den första uppsatsen dök upp i Science Advances i november.
"Vi visade att en perceptionsbaserad nanosensorplattform kunde upptäcka biomarkörer för äggstockscancer med hjälp av maskininlärning", säger Yoona Yang, en postdoktor vid Lehighs avdelning för kemi och biomolekylär teknik och medförfattare till artikeln tillsammans med Zvi Yaari, postdoktor. forskarassistent vid Memorial Sloan Kettering Cancer Center i New York. Författarna inkluderade också Ming Zheng, en forskningskemist vid National Institute of Standards and Technology, Anand Jagota, en professor i bioteknik och kemisk och biomolekylär teknik vid Lehigh University, och Daniel Heller, associerad medlem och chef för Cancer Nanotechnology Laboratory vid Memorial Sloan Kettering Cancer Center.
Jagota, som också fungerar som biträdande dekan för forskning för Lehigh's College of Health, och Yang är medlemmar i Lehigh's Nano | Human Interfaces Presidential Initiative, ett tvärvetenskapligt forskningsinitiativ som syftar till att förändra hur vi arbetar med data och de sofistikerade instrumenten för vetenskaplig upptäckt.
Traditionellt kräver detektering av biomarkörer för sjukdom en molekylär igenkänningsmolekyl som en antikropp som matchas med varje markör. Men för äggstockscancer finns det inte en enda biomarkör - eller analyt - som indikerar förekomsten av cancer. När flera analyter behöver mätas i ett givet prov, vilket kan öka noggrannheten i ett test, krävs fler antikroppar, vilket ökar kostnaden för testet och handläggningstiden.
"Perceptionsbaserad avkänning fungerar som den mänskliga hjärnan", säger Yang. "Systemet består av en avkänningsarray som fångar en viss egenskap hos analyterna på ett specifikt sätt, och sedan analyseras ensemblens respons från arrayen av den beräkningsbara perceptiva modellen. Den kan detektera olika analyter samtidigt, vilket gör det mycket mer effektiv."
För denna speciella studie bestod arrayen av enkelväggiga kolnanorör insvept i DNA-strängar. Sättet på vilket DNA:t lindades in, och mängden DNA-sekvenser som användes, skapade en mångfald av ytor på nanorören. De olika ytorna lockade i sin tur till sig en rad proteiner i ett livmodersköljprov berikat med olika nivåer av biomarkörer för äggstockscancer.
"Kolnanorör har intressanta elektroniska egenskaper", säger Heller. "Om du skjuter ljus mot dem avger de en annan ljusfärg, och ljusets färg och intensitet kan ändras beroende på vad som fastnar på nanoröret. Vi kunde utnyttja komplexiteten i så många potentiella bindningsinteraktioner genom att använda en rad olika nanorör med olika omslag. Och det gav oss en rad olika sensorer som alla kunde detektera lite olika saker, och det visade sig att de svarade olika på olika proteiner."
Maskininlärningsalgoritmen tränades med hjälp av data från nanorörsemissionen – de spektrala signaturerna – för att känna igen mönstret av emission som signalerade närvaron och koncentrationen av varje biomarkör.
"Det mentala genombrottet här är att dessa nanorör är ospecifika sensorer", säger Jagota. "De vet ingenting om biomarkörer, vilket betyder att de inte är programmerade att binda till något specifikt. Allt vi visste är att de kan exponeras för ett vattenhaltigt medium, och vad de än utsätts för inom det mediet kommer att producera spektrala skiftningar och förändringar i magnitud. Och med en kombination av dessa sensorer kunde vi träna algoritmen för att matematiskt omvandla dessa ingångar till utgångar med hög noggrannhet. Det är som att ha 20 uppsättningar ögon som alla ser överlappande saker. Inget enskilt öga är så bra , men som en samling kan de tränas för att prestera bättre än de befintliga upptäcktsmetoderna för äggstockscancer."
Den andra uppsatsen publicerades i mars i Nature Biomedical Engineering och omfattade arbetet av många av samma forskare. Dessutom inkluderade författarna YuHuang Wang, professor vid avdelningen för kemi och biokemi vid University of Maryland, och Mijin Kim, postdoktorand forskningsassistent vid Memorial Sloan Kettering Cancer Center, som var huvudförfattare till studien.
"I det här dokumentet tittade vi inte på biomarkörer längre, vi tittade på själva sjukdomen", säger Heller. "Vi ville veta, kunde den här tekniken skilja ett blodprov från en patient med äggstockscancer från en patient utan äggstockscancer?"
De patienter utan äggstockscancer inkluderade både friska människor och personer med andra sjukdomar.
I denna studie funktionaliserades nanorören med kvantdefekter, vilket väsentligt ökade mångfalden av svar som nanorören skulle ge.
"Nanorören hade en viss molekyl bunden till sig som gav den en extra signal när det gäller data", säger Jagota. "Så rikare data kom från varje nanorör-DNA-kombination. Och modellen tränades inte på biomarkören, utan på sjukdomstillståndet."
Modellen utvecklade ett "sjukdomsfingeravtryck" från de spektrala utsläppen från nanorören. Resultaten var statistiskt signifikanta när det gäller modellens specificitet för att upptäcka äggstockscancer och känslighet för att upptäcka både kända och okända biomarkörer för sjukdomen.
Heller säger att en analogi för hur maskininlärningsmodellen fungerar – i båda artiklarna – är den mänskliga näsan. Till exempel finns det inte en enda luktreceptor för varje lukt.
"Istället finns det ett gäng olika luktreceptorer som binder till vissa molekyler och skapar ett mönster eller ett slags fingeravtryck", säger han. "Och det mönstret bearbetas av din hjärna, som i sin tur talar om för dig vad du luktar. Så här finns det inte en speciell sensor som reagerar på en viss sak. Men baserat på mönstret av olika sensorer som svarar med olika förändringar i färg och våglängdsintensitet kan algoritmen tolka vad som är en biomarkör och vad som inte är det, eller vad som är sjukdom och vad som inte är sjukdom."
Teamet har visat att deras teknik kan upptäcka äggstockscancer bättre än de nuvarande metoderna, men den kan ännu inte identifiera tidiga stadier av sjukdomen. Delvis, säger Heller, är problemet att hitta tillräckligt med prover för att träna algoritmen eftersom så få människor diagnostiseras vid dessa tidpunkter.
"Vi jobbar på att bestämma hur vi faktiskt kan upptäcka denna sjukdom så tidigt som möjligt", säger han.
Nästa steg kan också inkludera att utveckla tekniken för en rad sjukdomar och att avgöra om den kan optimeras för att fungera under kliniska förhållanden, säger Jagota.
"Och det här är en teknik som kan tillämpas på en rad olika områden", säger han. "Vi är fokuserade på hälsa, men det skulle kunna användas för att identifiera föroreningar i luften, till exempel. Det finns potential att gå efter många olika sjukdomar och tillstånd, och jag tycker att det är fascinerande." + Utforska vidare
