Nowotwory są jedną z głównych przyczyn zgonów na całym świecie, a opóźniona diagnoza tej choroby jest jednym z kluczowych czynników wpływających na jej wysoką śmiertelność. Wczesne wykrycie raka ma kluczowe znaczenie dla poprawy wyników leczenia pacjentów. W ostatnich latach rozwój narzędzi diagnostycznych, umożliwiających wykrywanie nowotworów we wczesnych stadiach, przyciągnął ogromną uwagę badaczy i lekarzy. Jednym z obiecujących biomarkerów raka są specyficzne mikroRNA (miRNA) – małe, niekodujące RNA, które regulują ekspresję genów i mogą wspierać rozwój nowotworów. Chociaż miRNA krążące we krwi są uznawane za potencjalne biomarkery wczesnych stadiów raka, ich identyfikacja w płynach ustrojowych, takich jak krew czy mocz, nadal stanowi wyzwanie dla badaczy.
Nowe podejście do diagnostyki raka
W obliczu tych trudności zespół badaczy pod kierownictwem profesora Takao Yasui z Instytutu Naukowego w Tokio postanowił skupić swoje wysiłki na innowacyjnym podejściu opartym na nanodrutach oraz analizie z wykorzystaniem uczenia maszynowego (ML), aby wykrywać nowotworowe miRNA w moczu. Wyniki ich badań zostały opublikowane w prestiżowym czasopiśmie Analytical Chemistry 18 października 2024 roku.
Profesor Yasui wyjaśnia, że miRNA krążące we krwi są zazwyczaj otoczone pęcherzykami zewnątrzkomórkowymi (EV), które pełnią ważną rolę w regulacji. MiRNA różnią się między osobami zdrowymi a pacjentami z nowotworami, co czyni je cennym wskaźnikiem diagnostycznym. Zespół badawczy postanowił wykorzystać nanodruty tlenku cynku (ZnO) do wychwytywania i ekstrakcji miRNA z próbek moczu, aby stworzyć narzędzie do nieinwazyjnego wykrywania nowotworów.
Wykorzystanie nanotechnologii do wykrywania miRNA
Początkowe eksperymenty polegały na zastosowaniu nanodrutów ZnO do wychwytywania pęcherzyków zewnątrzkomórkowych (EV) obecnych w moczu i wykorzystaniu technologii mikromacierzy do identyfikacji specyficznych sekwencji genów w miRNA zamkniętych w EV. Użyto również techniki ultrawirowania, aby porównać skuteczność ekstrakcji miRNA za pomocą nanodrutów. Wyniki pokazały, że pęcherzyki EV zawierające miRNA, w tym egzosomy – specyficzne podtypy EV o rozmiarach od 40 do 200 nm – były skutecznie wychwytywane przy pomocy nanodrutów. W toku badań udało się potwierdzić obecność aż 2 486 różnych gatunków miRNA w analizie profilu miRNA przeprowadzonej na próbkach moczu od 200 osób.
Zastosowanie uczenia maszynowego w diagnostyce nowotworu płuc
Wyniki badań skłoniły zespół do postawienia hipotezy, że większość miRNA obecnych we krwi przenika do moczu podczas procesów filtracyjnych w nerkach. Aby potwierdzić tę teorię, badacze zastosowali klasyfikator oparty na regresji logistycznej zbudowany przy użyciu uczenia maszynowego (ML), aby zidentyfikować zespoły miRNA związane z rakiem płuc w próbkach moczu. Odkrycia były niezwykle obiecujące – zidentyfikowano konkretne grupy miRNA składające się z 53 gatunków, które były w stanie odróżnić osoby chore na raka od osób zdrowych z bardzo wysoką specyficznością i czułością.
Potencjalne zastosowania w praktyce
Profesor Yasui podkreśla, że zespół badaczy odkrył także inny zespół miRNA, który mógł wykrywać raka płuc w pierwszym stadium choroby. Ponieważ zespoły miRNA obecne w moczu mogą przewidzieć wczesne stadia raka płuc, badacze są przekonani, że mają one ogromny potencjał do zastosowania jako biopsje płynne w celu przewidywania wczesnych stadiów nowotworów.
To nowatorskie podejście do wczesnego wykrywania raka może zrewolucjonizować diagnostykę, oferując nową nadzieję na lepsze wyniki leczenia pacjentów i jaśniejszą przyszłość w opiece onkologicznej.
Podsumowanie
Badania nad zastosowaniem nanotechnologii i uczenia maszynowego w diagnostyce raka przynoszą obiecujące wyniki. Wykrywanie nowotworowych miRNA w moczu może być skutecznym, nieinwazyjnym narzędziem do wczesnego wykrywania raka, co ma kluczowe znaczenie dla poprawy rokowań pacjentów. Nowe technologie, takie jak nanodruty ZnO i algorytmy ML, mogą otworzyć drzwi do bardziej dostępnych, precyzyjnych i mniej inwazyjnych metod diagnostyki nowotworowej, znacząco poprawiając standardy opieki zdrowotnej w przyszłości.
