新的血液试验开发诊断卵巢癌

调查人员来自布莱根妇女医院和丹娜-法伯癌症研究所是利用人工智能的力量开发新技术来检测卵巢癌早期和准确。循环小分子核糖核酸的团队已经确定了网络——小,非编码的遗传物质——这与卵巢癌的风险,可以从血液样本检测。他们的发现发表在eLife。

大多数女性被诊断为卵巢癌病时在一个高级阶段,此时只有约四分之一的病人存活至少五年。但对于女性的癌症是捡起偶然出现在早期阶段,存活率更高。目前,fda批准的卵巢癌筛查技术存在,使它具有挑战性疾病早期诊断疾病的遗传倾向的女性或一般人群。

卵巢癌是相对罕见的相比于其他良性卵巢囊肿等妇科疾病。但早期检测测试,如超声波或检测CA125的蛋白质,为卵巢癌具有较高的假阳性率。和临床试验发现,当这些测试用于检测早期卵巢癌,他们没有一个有意义的对生存率的影响。法波和BWH的团队寻求一个工具,将更加敏感和具体检测早期疾病的真实情况下。

小组观察了一组被称为小分子核糖核酸分子基因组的非编码区域,帮助控制何时何地基因被激活。

“小分子核糖核酸基因组的文案人员编辑器:在基因转录成蛋白质,他们修改信息,校对记录添加到基因组,”主要作者凯文·伊莱亚斯说,医学博士BWH的妇产科学系。

“这个项目展示了这两个机构的协同DFCI BWH和临床与实验室科学家密切合作的力量。我的实验室一直致力于microrna十年,当凯文来到我们与患者样本,这是一个显而易见的启动这个项目”Chowdhury说,资深作者Dipanjan博士,部门的首席辐射和基因组的稳定在DFCI放射肿瘤学部门。

在实验室里,伊莱亚斯和Chowdhury及其同事发现卵巢癌细胞和正常细胞有不同的微rna的概要文件。与基因代码的其他部分不同,小分子核糖核酸的血液循环,使测量水平的血清样本。团队的小分子核糖核酸测序血液样本135名妇女(手术或化疗前)创建一个“训练集”来训练一个计算机程序寻找微差异例卵巢癌和例良性肿瘤,非侵入性肿瘤组织和健康组织。使用这种机器学习的方法,团队可以利用大量的微数据和开发不同的预测模型。模型最准确区分卵巢癌从良性组织被称为神经网络模型,它反映了复杂的小分子核糖核酸之间的相互作用。

“当我们训练计算机找到最好的microRNA模型,这有点像识别星座在夜空中。起初,只是有很多明亮的点,但是一旦你发现一个模式,世界上无论你在哪里,你可以拿出来,”伊莱亚斯说。

团队然后在一个独立的测试这个排序模型群44岁的女人来确定测试的准确性。一旦模型被确认的准确性,团队模型部署到多个病人样本集,利用共有859名患者样本测量模型的敏感性和特异性。这项新技术在预测卵巢癌远远优于超声波测试。而利用超声波将不到5%的异常测试结果卵巢癌,几乎100%的异常结果使用微测试实际上代表卵巢癌。最后,把他们的最终模式付诸实践,用微诊断测试预测51的外科护理病人的诊断在罗兹,波兰。在这一人群中,91.3%的异常检测结果卵巢癌病例——假阳性率很低。负面测试结果可靠地预测缺乏癌症大约80%的时间,也就是与子宫颈抹片检查测试的准确性。

“关键是这个测试很可能错误地诊断卵巢癌和给一个积极的信号,当没有恶性肿瘤。这是一个有效的诊断测试的标志,“Chowdhury说。

该小组还寻找证据的生物相关性小分子核糖核酸的区别。他们发现这些小分子核糖核酸的量的变化在血液样本采集前和手术后,表明微信号降低癌组织后删除。他们也采取了实际患者样本和成像中的小分子核糖核酸癌细胞,证明血清信号来自于癌组织。

将诊断工具走出实验室,进入诊所,研究小组将需要验证微签名如何改变随着时间的推移卵巢癌的风险增加。为此,他们将需要使用前瞻性收集,纵向样本后女性。他们特别感兴趣的是确定该工具将用于卵巢癌的高危妇女以及普通人群。

这篇文章被转载材料所提供的布莱根妇女医院。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。

参考:

伊莱亚斯,k . M。芬得勒,W。Stawiski, K。Fiascone, s . J。Vitonis, a F。干了,r S。,。Chowdhury, d . (2017)。潜力诊断血清microrna的神经网络检测卵巢癌。ELife 6。doi: 10.7554 / elife.28932