O câncer de ovário mata 14.000 mulheres nos Estados Unidos a cada ano. É a quinta causa de morte por câncer entre as mulheres, e é tão mortal, em parte, porque a doença é difícil de pegar em seus estágios iniciais. Os pacientes geralmente não apresentam sintomas até que o câncer comece a se espalhar, e não há testes de triagem confiáveis ​​para detecção precoce.
Uma equipe de pesquisadores está trabalhando para mudar isso. O grupo inclui pesquisadores do Memorial Sloan Kettering Cancer Center, Weill Cornell Medicine, da Universidade de Maryland, dos Institutos Nacionais de Padrões e Tecnologia e da Universidade de Lehigh.

Dois artigos recentes descrevem seus avanços em direção a um novo método de detecção de câncer de ovário. A abordagem usa técnicas de aprendizado de máquina para analisar com eficiência as assinaturas espectrais de nanotubos de carbono para detectar biomarcadores da doença e reconhecer o próprio câncer.

O primeiro artigo foi publicado em Science Advances em novembro.

"Demonstramos que uma plataforma de nanosensor baseada em percepção poderia detectar biomarcadores de câncer de ovário usando aprendizado de máquina", diz Yoona Yang, pesquisadora associada de pós-doutorado no Departamento de Engenharia Química e Biomolecular de Lehigh e co-autora do artigo junto com Zvi Yaari, pós-doutoranda pesquisador do Memorial Sloan Kettering Cancer Center, em Nova York. Os autores também incluíram Ming Zheng, um químico de pesquisa do Instituto Nacional de Padrões e Tecnologia, Anand Jagota, professor de bioengenharia e engenharia química e biomolecular na Universidade de Lehigh, e Daniel Heller, membro associado e chefe do Laboratório de Nanotecnologia do Câncer no Memorial Centro de Câncer Sloan Kettering.

Jagota, que também atua como reitor associado de pesquisa da Faculdade de Saúde de Lehigh, e Yang são membros do Nano de Lehigh | Human Interfaces Presidential Initiative, uma iniciativa de pesquisa multidisciplinar que visa mudar a maneira como trabalhamos com dados e os sofisticados instrumentos de descoberta científica.

Tradicionalmente, a detecção de biomarcadores para doenças requer que uma molécula de reconhecimento molecular, como um anticorpo, seja combinada com cada marcador. Mas para o câncer de ovário, não há um único biomarcador – ou analito – que indique a presença de câncer. Quando vários analitos precisam ser medidos em uma determinada amostra, o que pode aumentar a precisão de um teste, mais anticorpos são necessários, o que aumenta o custo do teste e o tempo de resposta.

"Funções de detecção baseadas em percepção como o cérebro humano", diz Yang. "O sistema consiste em uma matriz de detecção que captura uma determinada característica dos analitos de uma maneira específica e, em seguida, a resposta do conjunto da matriz é analisada pelo modelo perceptivo computacional. Ele pode detectar vários analitos de uma só vez, o que o torna muito mais eficiente."

Para este estudo em particular, a matriz consistia em nanotubos de carbono de parede simples envoltos em fitas de DNA. A maneira como o DNA foi enrolado e a variedade de sequências de DNA que foram usadas criaram uma diversidade de superfícies nos nanotubos. As diversas superfícies, por sua vez, atraíram uma variedade de proteínas dentro de uma amostra de lavagem uterina enriquecida com níveis variados de biomarcadores de câncer de ovário.

"Os nanotubos de carbono têm propriedades eletrônicas interessantes", diz Heller. "Se você atirar luz neles, eles emitem uma cor diferente de luz, e a cor e a intensidade dessa luz podem mudar com base no que está aderindo ao nanotubo. Conseguimos aproveitar a complexidade de tantas interações de ligação potenciais usando uma variedade de nanotubos com vários invólucros. E isso nos deu uma variedade de sensores diferentes que podiam detectar coisas ligeiramente diferentes, e acabou que eles responderam de maneira diferente a diferentes proteínas."

O algoritmo de aprendizado de máquina foi treinado usando os dados da emissão do nanotubo – as assinaturas espectrais – para reconhecer o padrão de emissão que sinalizava a presença e a concentração de cada biomarcador.

"O avanço mental aqui é que esses nanotubos são sensores não específicos", diz Jagota. "Eles não sabem nada sobre biomarcadores, o que significa que não estão programados para se ligar a nada específico. Tudo o que sabíamos é que eles podem ser expostos a um meio aquoso, e tudo o que estão expostos nesse meio produzirá mudanças espectrais. e mudanças de magnitude. E usando uma combinação desses sensores, conseguimos treinar o algoritmo para transformar matematicamente essas entradas em saídas com alta precisão. É como ter 20 conjuntos de olhos que veem coisas sobrepostas. Nenhum olho é tão bom , mas como uma coleção, eles podem ser treinados para ter um desempenho melhor do que os métodos de detecção existentes para câncer de ovário."

O segundo artigo foi publicado em março na Nature Biomedical Engineering e compreendeu o trabalho de muitos dos mesmos pesquisadores. Além disso, os autores incluíram YuHuang Wang, professor do departamento de química e bioquímica da Universidade de Maryland, e Mijin Kim, pesquisador associado de pós-doutorado no Memorial Sloan Kettering Cancer Center, autor principal do estudo.

“Neste artigo, não estávamos mais analisando biomarcadores, estávamos analisando a própria doença”, diz Heller. "Queríamos saber se essa tecnologia poderia diferenciar uma amostra de sangue de um paciente com câncer de ovário de um paciente sem câncer de ovário?"

Aqueles pacientes sem câncer de ovário incluíam pessoas saudáveis ​​e pessoas com outras doenças.

Neste estudo, os nanotubos foram funcionalizados com defeitos quânticos, o que essencialmente aumentou a diversidade de respostas que os nanotubos forneceriam.

"Os nanotubos tinham uma certa molécula ligada a eles que dava um sinal extra em termos de dados", diz Jagota. "Os dados mais ricos vieram de cada combinação nanotubo-DNA. E o modelo foi treinado não no biomarcador, mas no estado da doença."

O modelo desenvolveu uma "impressão digital da doença" a partir das emissões espectrais dos nanotubos. Os resultados foram estatisticamente significativos em termos de especificidade do modelo na detecção de câncer de ovário e sensibilidade na detecção de biomarcadores conhecidos e desconhecidos da doença.

Heller diz que uma analogia de como o modelo de aprendizado de máquina funciona – em ambos os artigos – é o nariz humano. Por exemplo, não há um único receptor de odor para cada cheiro.

“Em vez disso, há vários receptores de odor diferentes que se ligam a certas moléculas e criam um padrão ou uma espécie de impressão digital”, diz ele. "E esse padrão é processado pelo seu cérebro, que por sua vez, diz o que você está cheirando. Então aqui, não há um sensor específico que responde a uma coisa em particular. Mas, com base no padrão de diferentes sensores respondendo a várias mudanças em cor e intensidade de comprimento de onda, o algoritmo é capaz de interpretar o que é um biomarcador e o que não é, ou o que é doença e o que não é doença."

A equipe mostrou que sua técnica pode detectar câncer de ovário melhor do que os métodos atuais, mas ainda não consegue identificar os estágios iniciais da doença. Em parte, diz Heller, o problema é encontrar amostras suficientes para treinar o algoritmo porque poucas pessoas são diagnosticadas nesses momentos.

"Estamos trabalhando para determinar como podemos realmente detectar esta doença nos estágios mais precoces possíveis", diz ele.

Os próximos passos também podem incluir desenvolver a técnica para uma série de doenças e determinar se ela pode ser otimizada para funcionar em condições clínicas, diz Jagota.

"E essa é uma técnica que pode ser aplicada em diversas áreas", diz. "Estamos focados na saúde, mas isso pode ser usado para identificar poluentes no ar, por exemplo. Existe o potencial de perseguir muitas doenças e condições diferentes, e acho isso fascinante." + Explorar mais

Pesquisadores usam sondas fluorescentes de nanotubos de carbono para detectar câncer de ovário