Используя передовые методы жидкостной хроматографии и масс-спектрометрии в сочетании с компьютерными алгоритмами машинного обучения, исследователи идентифицировали 16 соединений метаболитов, которые обеспечили беспрецедентную точность в различении 46 женщин с ранней стадией рака яичников от контрольной группы из 49 женщин, у которых не было этого заболевания. Образцы крови для исследования были собраны в широком географическом районе — Канаде, Филадельфии и Атланте.
Хотя набор биомаркеров, представленных в этом исследовании, является наиболее точным на сегодняшний день для ранней стадии рака яичников, потребуется более обширное тестирование на более широкой популяции, чтобы определить, будет ли высокая диагностическая точность сохраняться для большей группы женщин, представляющих разнообразие этнических и расовых групп.
Об исследовании планируется опубликовать 17 ноября в журнале Scientific Reports, журнале с открытым доступом от издательства Nature.
«Эта работа представляет собой доказательство концепции, согласно которой использование интегрированного подхода, сочетающего аналитическую химию и алгоритмы обучения, может быть способом определения оптимальных диагностических функций», — сказал Джон Макдональд, профессор Школы биологии Технологического института Джорджии и директор его Комплексный центр исследования рака. «Мы думаем, что наши результаты являются многообещающими, и мы планируем дополнительно подтвердить наши выводы на гораздо более крупных выборках."
Рак яичников трудно поддается лечению, потому что он обычно не диагностируется до тех пор, пока он не метастазирует в другие области тела.
Исследователи искали рутинный скрининговый тест, который мог бы диагностировать заболевание на первой или второй стадии — когда рак ограничивается яичниками.
Сотрудничество с тремя центрами лечения рака в США.S. и Канада, исследователи Технологического института Джорджии взяли образцы крови у женщин с раком яичников первой и второй стадий. Они выделили сыворотку, содержащую белки и метаболиты — молекулы, образующиеся в результате ферментативных реакций в организме.
Образцы сыворотки были проанализированы с помощью высокоэффективной жидкостной хроматографии-масс-спектрометрии (UPLC-MS), которая представляет собой два прибора, соединенных вместе для лучшего разделения образцов на их отдельные компоненты.
Более тяжелые молекулы отделяются от более легких молекул, а молекулярные сигнатуры определяются с достаточной точностью, чтобы идентифицировать конкретные соединения. Исследователи Технологического института Джорджии решили в своем исследовании рассматривать только метаболиты.
«Люди смотрели на белки для диагностики рака яичников в течение нескольких десятилетий, и результаты не были очень впечатляющими», — сказал Факундо Фернандес, профессор Школы химии и биохимии Технологического института Джорджии, который руководил отделом аналитической химии исследовать. "Мы решили поискать в другом месте молекулы, которые потенциально могут предоставить диагностические возможности. Это одно из мест, которое раньше люди не изучали."
Образцы от каждого из 46 больных раком были разделены, чтобы их можно было проанализировать в двух экземплярах. Исследователи также изучили образцы сыворотки крови 49 женщин, не болевших раком.
Работа требовала устранения неродственных соединений, таких как кофеин, и молекул, которые не присутствовали у всех онкологических больных.
«Мы использовали оборудование и приборы с действительно высоким разрешением, чтобы иметь возможность разделять большинство компонентов образцов», — пояснил Фернандес. "В противном случае выявить рак яичников на ранней стадии очень сложно, потому что у вас есть множество мешающих факторов."
Химическая работа определила около тысячи соединений-кандидатов. Это число было уменьшено примерно до 255 благодаря работе исследователя Дэвида Галла, который удалил дубликаты и неродственные молекулы из коллекции.
Эти 255 соединений были затем проанализированы алгоритмом обучения, который оценил прогностическую ценность каждого из них. Молекулы, которые не способствовали предсказательной точности скрининга, были исключены. В конечном итоге алгоритм создал список из 16 молекул, которые вместе позволили дифференцировать больных раком с чрезвычайно высокой точностью — более 90 процентов.
«Алгоритм смотрит на метаболические особенности и соотносит их с тем, были ли образцы взяты от онкологических или контрольных пациентов», — пояснил Макдональд. "Алгоритм не знает, что это за соединения.
Он просто ищет комбинацию молекул, которая обеспечивает оптимальную точность прогнозов. Обнадеживает то, что многие из выявленных диагностических признаков представляют собой метаболиты, которые ранее были связаны с раком яичников."
В качестве следующего шага Макдональд и Фернандес хотели бы изучить образцы из более широкого населения, которое включает значительное количество различных этнических и расовых групп.
У этих людей могут быть разные метаболиты, которые могут служить биомаркерами рака яичников.
Хотя для идентификации 16 молекул требовалось сложное лабораторное оборудование, скрининговый тест не потребовал бы такого же уровня сложности, сказал Фернандес.
«Как только вы узнаете, что это за молекулы, следующим шагом будет проведение клинического анализа», — сказал он. «Масс-спектрометрия — распространенный инструмент в этой области. Мы могли бы использовать клинический масс-спектрометр, чтобы смотреть только на интересующие нас молекулы.
Перенос этого в клинический анализ потребует работы, но я не вижу никаких технических препятствий для этого."
Группы Фернандеса и Макдональда использовали аналогичный подход к раку простаты и планируют изучить его полезность для обнаружения других типов рака.