Платформа наносенсоров на основе перцепции может улучшить диагностику рака яичников

Ежегодно от рака яичников умирает 14 000 женщин в США. Это пятая по значимости причина смерти от рака среди женщин, и его высокая летальность отчасти связана с трудностью раннего выявления. Симптомы часто появляются только после распространения болезни, а надежных скрининговых тестов для ранней диагностики нет.

Две недавние работы описывают прогресс в создании нового метода обнаружения рака яичников. Подход использует методы машинного обучения для анализа спектральных сигнатур углеродных нанотрубок с целью выявления биомаркеров болезни и распознавания самого рака.

Обнаружение биомаркеров с помощью машинного обучения

В первой статье, опубликованной в Science Advances в ноябре, исследователи продемонстрировали, что платформа наносенсоров на основе перцепции может обнаруживать биомаркеры рака яичников с использованием машинного обучения.

Традиционно для обнаружения биомаркеров требуется молекула молекулярного распознавания, например, антитело, специфичное для каждого маркера. Однако для рака яичников не существует единственного биомаркера. Измерение нескольких аналитов повышает точность теста, но требует больше антител, что увеличивает его стоимость и время выполнения.

Как работает система:

• Сенсорная решетка состоит из однослойных углеродных нанотрубок, обернутых цепочками ДНК. Различные последовательности ДНК создают разнообразные поверхности на нанотрубках.
• Эти поверхности притягивают различные белки в образце лаважа матки, обогащенного биомаркерами рака яичников.
• Углеродные нанотрубки обладают особыми электронными свойствами: при освещении они излучают свет, цвет и интенсивность которого меняются в зависимости от того, что к ним прилипает.
• Машинное обучение обучается на данных об излучении нанотрубок (спектральных сигнатурах), чтобы распознавать паттерн, сигнализирующий о наличии и концентрации каждого биомаркера.

По словам Ананда Джаготы, ключевой прорыв заключается в том, что эти нанотрубки являются неспецифическими сенсорами. Они не запрограммированы на связывание с чем-то конкретным, но, используя их комбинацию, алгоритм можно обучить с высокой точностью математически преобразовывать входные данные в выходные.

Распознавание самой болезни

Вторая статья, опубликованная в марте в Nature Biomedical Engineering, пошла дальше. Исследователи задались вопросом, может ли эта технология отличить образец крови пациента с раком яичников от образца пациента без этого заболевания (включая здоровых людей и людей с другими болезнями).

В этом исследовании нанотрубки были функционализированы квантовыми дефектами, что увеличило разнообразие их ответов и дало более богатые данные. Модель обучалась не на биомаркере, а на состоянии болезни, разработав "отпечаток болезни" на основе спектрального излучения нанотрубок.

Результаты показали статистически значимую специфичность модели в обнаружении рака яичников и чувствительность к известным и неизвестным биомаркерам болезни.

Аналогия и перспективы

Дэниел Хеллер приводит аналогию с человеческим носом: не существует одного рецептора для каждого запаха. Вместо этого множество различных обонятельных рецепторов связываются с молекулами и создают паттерн или "отпечаток", который обрабатывается мозгом. Так и здесь алгоритм интерпретирует, что является болезнью, а что нет, на основе паттерна реакции различных сенсоров.

Команда показала, что их метод может обнаруживать рак яичников лучше существующих, но пока не может идентифицировать самые ранние стадии болезни, отчасти из-за нехватки образцов для обучения алгоритма на этих этапах.

Следующие шаги включают работу над обнаружением болезни на максимально ранних стадиях, адаптацию техники для ряда других заболеваний и оптимизацию для клинического использования. Технология также потенциально применима в других областях, например, для идентификации загрязнителей в воздухе.