دانشمندان دانشگاه جانز هاپکینز، موفق شدند برای اولین بار از یک کاوشگر نوری غیرتهاجمی برای درک تغییرات پیچیده تومورها بهره ببرند.

به گزارش خبرنگار حوزه بهداشت و درمان  گروه علمی پزشکی باشگاه خبرنگاران جوان، به نقل از مدیکال اکسپرس، مهندسان دانشگاه جان هاپکینز اولین کسانی هستند که از یک کاوشگر نوری غیرتهاجمی برای درک تغییرات پیچیده تومور‌ها پس از ایمونوتراپی استفاده کردند، درمانی که از سیستم ایمنی بدن برای مبارزه با سرطان استفاده می‌کند. روش آن‌ها ترکیبی از نگاشت دقیق ترکیب بیوشیمیایی تومور‌ها با یادگیری ماشینی است.

ایشان بارمن، دانشیار مهندسی مکانیک جان هاپکینز و نویسنده این مطالعه، که با همکاری همکارانش انجام شد، گفت: "ایمونوتراپی واقعاً مانند جادو عمل می‌کند و دیدگاه ما را در مورد نحوه مدیریت سرطان اساساً تغییر داده است.با این حال، تنها حدود ۲۵ درصد از بیماران از آن سود می‌برند، بنابراین نیاز فوری به شناسایی نشانگر‌های زیستی پیش بینی کننده برای تعیین افرادی که باید تحت درمان قرار بگیرند، وجود دارد. "

این تیم با استفاده از تکنیکی به نام طیف سنجی رامان که از نور برای تعیین ترکیب مولکولی مواد استفاده می‌کند، تومور‌های سرطان روده بزرگ را در موش‌هایی که با دو نوع مهارکننده ایست بازرسی ایمنی در ایمونوتراپی تحت درمان قرار گرفته اند؛ همچنین گروه کنترل موش‌های درمان نشده، مورد بررسی قرار دادند.

طیف سنجی رامان اخیراً برای کاربرد‌های زیست پزشکی بهینه شده است. سانتوش پائدی، یکی از نویسندگان اصلی که به عنوان دکترای مهندسی مکانیک روی این تحقیق کار کرده است، می‌گوید: "این اولین مطالعه‌ای است که توانایی این روش نوری را در شناسایی واکنش اولیه یا مقاومت در برابر ایمونوتراپی نشان می‌دهد. "

پائیدی که اکنون فوق دکترای دانشگاه کالیفرنیا، برکلی است، گفت: یکی از مزایای طیف سنجی رامان این است که ویژگی مولکولی فوق العاده‌ای را ارائه می‌دهد و شما یک امضای مولکولی بسیار دقیق دریافت می‌کنید. این روش همچنین برای بررسی تغییرات ترکیبی محیط ریز تومور و نه تنها سلول‌های سرطانی مناسب است.

این تیم از داده‌های رامان - تقریباً ۷۵۰۰ نقطه داده طیفی از ۲۵ تومور - برای آموزش الگوریتمی برای تعیین طیف وسیعی از ویژگی‌های ناشی از ایمونوتراپی استفاده کرد.

این تیم از داده‌های موش‌های مختلف برای ساخت طبقه بندی یادگیری ماشین و آزمایش عملکرد آن استفاده کردند. هدف این بود که تغییرات بیولوژیکی را که الگوریتم هنگام ارائه داده‌های جدید با آن مواجه می‌شود، تقلید کند.

بارمن گفت: "شما باید بدون شک ثابت کنید که تفاوت‌هایی که مشاهده می‌کنید ناشی از مهارکننده‌های بازرسی ایمنی هستند و نه تفاوت‌های بین دو فرد. "

این تیم گزارش داد که نتایج امیدوار کننده بود. بارمن می‌گوید: "توانستیم ثابت کنیم که سطح کلاژن، سطح چربی و سطح اسید نوکلئیک و همچنین توزیع فضایی آن‌ها در تومور به طور قابل توجهی تغییر می‌کند.

تفاوت‌ها بسیار ظریف، اما از نظر آماری معنی دار بودند و با تجزیه پروتئومیکس انجام شده، روی نمونه‌ها مطابقت داشت و به قدرت این تکنیک برای ارائه علائم اولیه نحوه واکنش تومور به درمان اشاره می‌کرد.

تحقیقات بیشتری مورد نیاز است، اما تیم معتقد است که کار آن‌ها راه را برای توسعه روشی برای پیش بینی پاسخ مثبت بیمار به ایمونوتراپی هموار می‌کند.

پایدی می‌گوید: "همراه با یادگیری ماشینی، طیف سنجی رامان می‌تواند روش‌های بالینی را برای پیش بینی پاسخ درمانی تغییر دهد. "


بیشتر بخوانید 


انتهای پیام/ 

اخبار پیشنهادی
تبادل نظر
آدرس ایمیل خود را با فرمت مناسب وارد نمایید.
آخرین اخبار