卵巢癌每年在美国导致 14,000 名女性死亡。它是女性癌症死亡的第五大原因，它如此致命，部分原因是这种疾病在早期阶段很难被发现。在癌症开始扩散之前，患者通常不会出现症状，并且没有任何可靠的筛查测试可以早期发现。
一组研究人员正在努力改变这种状况。该小组包括来自纪念斯隆凯特琳癌症中心、威尔康奈尔医学院、马里兰大学、美国国家标准与技术研究院和利哈伊大学的研究人员。
最近的两篇论文描述了他们在卵巢癌新检测方法方面取得的进展。该方法使用机器学习技术来有效分析碳纳米管的光谱特征，以检测疾病的生物标志物并识别癌症本身。
第一篇论文发表 在 11 月 的《科学进展》上。
“我们证明了基于感知的纳米传感器平台可以使用机器学习检测卵巢癌生物标志物，”Lehigh 化学和生物分子工程系的博士后研究助理 Yoona Yang 说，他与博士后 Zvi Yaari 是该论文的共同第一作者。纽约纪念斯隆凯特琳癌症中心的研究员。作者还包括美国国家标准与技术研究院的研究化学家 Ming Zheng、Lehigh 大学生物工程和化学与生物分子工程教授 Anand Jagota以及纪念馆癌症纳米技术实验室副成员兼负责人 Daniel Heller斯隆凯特琳癌症中心。
Jagota，他也是 Lehigh 健康学院的研究副院长，Yang 是 Lehigh's Nano | 的成员。Human Interfaces Presidential Initiative，一项多学科研究计划，旨在改变我们处理数据和科学发现的复杂工具的方式。
传统上，检测疾病的生物标志物需要像抗体这样的分子识别分子与每个标志物相匹配。但对于卵巢癌，没有单一的生物标志物或分析物表明癌症的存在。当需要在给定样品中测量多种分析物时，可以提高测试的准确性，需要更多的抗体，这会增加测试成本和周转时间。
“基于感知的传感功能类似于人脑，”杨说。“该系统由一个传感阵列组成，该阵列以特定方式捕获分析物的某种特征，然后通过计算感知模型分析来自阵列的整体响应。它可以一次检测各种分析物，这使它更加高效的。”
对于这项特殊的研究，该阵列由包裹在 DNA 链中的单壁碳纳米管组成。DNA 的包裹方式以及所使用的 DNA 序列的多样性，在纳米管上形成了多种多样的表面。反过来，不同的表面在富含不同水平卵巢癌生物标志物的子宫灌洗液样本中吸引了一系列蛋白质。
“碳纳米管具有有趣的电子特性，”海勒说。“如果你向它们射光，它们会发出不同颜色的光，光的颜色和强度会根据粘附在纳米管上的物质而改变。我们能够通过使用一系列具有各种包装的纳米管。这为我们提供了一系列不同的传感器，它们都可以检测到略有不同的事物，结果证明它们对不同的蛋白质的反应不同。”
机器学习算法使用来自纳米管发射的数据(光谱特征)进行训练，以识别发出每种生物标志物存在和浓度信号的发射模式。
“这里的精神突破是这些纳米管是非特异性传感器，”Jagota 说。“他们对生物标志物一无所知，这意味着它们没有被编程为与任何特定的东西结合。我们所知道的是它们可以暴露在水性介质中，而无论它们在该介质中暴露在什么环境中都会产生光谱变化和大小的变化。使用这些传感器的组合，我们能够训练算法以数学方式将这些输入转换为高精度的输出。就像有 20 组眼睛都看到重叠的东西。没有一只眼睛那么好，但作为一个集合，可以训练它们比现有的卵巢癌检测方法表现更好。”
第二篇论文发表在 3 月的 Nature Biomedical Engineering 上，由许多相同研究人员的工作组成。此外，作者还包括马里兰大学化学与生物化学系教授王玉煌和该研究的第一作者、纪念斯隆凯特琳癌症中心博士后研究员金米金。
“在这篇论文中，我们不再关注生物标志物，而是关注疾病本身，”Heller 说。“我们想知道，这项技术能否区分卵巢癌患者和非卵巢癌患者的血液样本?”
那些没有卵巢癌的患者包括健康人和患有其他疾病的人。
在这项研究中，纳米管被量子缺陷功能化，这从本质上增加了纳米管将提供的响应的多样性。
“纳米管上结合了某种分子，在数据方面给它一个额外的信号，”Jagota 说。“如此丰富的数据来自每一个纳米管-DNA 组合。模型不是根据生物标志物训练的，而是根据疾病状态训练的。”
该模型从纳米管的光谱发射中开发出“疾病指纹”。就模型在检测卵巢癌方面的特异性和在检测已知和未知的疾病生物标志物方面的敏感性而言，结果具有统计学意义。
海勒说机器学习模型如何工作的一个类比——在这两篇论文中——是人的鼻子。例如，每种气味都没有单一的气味受体。
“相反，有一堆不同的气味受体与某些分子结合并产生某种模式或指纹，”他说。“这种模式会被你的大脑处理，反过来，它会告诉你你闻到了什么。所以在这里，没有一个特定的传感器对一件特定的事情做出反应。但是，基于不同传感器对各种变化做出反应的模式在颜色和波长强度方面，该算法能够解释什么是生物标志物，什么不是，或者什么是疾病，什么不是疾病。”
该团队已经证明他们的技术可以比目前的方法更好地检测卵巢癌，但它还不能识别疾病的早期阶段。Heller 说，部分问题在于找到足够的样本来训练算法，因为在这些时间点被诊断出的人很少。
“我们正在努力确定如何在尽可能早的阶段实际检测到这种疾病，”他说。
Jagota 说，接下来的步骤还可能包括扩展开发用于一系列疾病的技术，并确定它是否可以优化以在临床条件下工作。
“这是一种可以应用于一系列领域的技术，”他说。“我们专注于健康，但它可以用来识别空气中的污染物，例如。有可能追踪许多不同的疾病和状况，我觉得这很有趣。”