El cáncer de ovario mata a 200.000 mujeres cada año. Es la quinta causa principal de muerte por cáncer entre las mujeres, y es tan mortal, en parte, porque la enfermedad es difícil de detectar en sus primeras etapas. Los pacientes a menudo no experimentan síntomas hasta que el cáncer ha comenzado a propagarse y no existen pruebas de detección confiables para la detección temprana. Los biomarcadores séricos a menudo no son lo suficientemente sensibles para facilitar la detección del cáncer en las pruebas de diagnóstico.
En el cáncer de ovario, los pocos biomarcadores séricos establecidos son muy específicos, pero insuficientemente sensibles para detectar la enfermedad en etapa temprana y variar las tasas de mortalidad de los pacientes. En el artículo Detection of ovarian cancer via the spectral figerprinting of quantum-defect-modified carbon nanotubes in serum by machine learning (Nature Biomedical Engineering) un equipo de investigadores de distintas instituciones de los E.E.U.U. muestran como una “huella dactilar” de la enfermedad permite detectar el carcinoma de ovario en muestras de suero con una sensibilidad del 87 % y un 98 % de especificidad. La huella se adquiere a través del aprendizaje automático a partir de los espectros de las emisiones de fluorescencia del infrarrojo cercano de una serie de nanotubos de carbono funcionalizados con defectos cuánticos. Los nanotubos de carbono tienen propiedades electrónicas interesantes, si se les aplica luz monocromática, emiten radicación de un color de luz (longitud de onda) diferente. El color y la intensidad de esa luz pueden cambiar según lo que se adhiera al nanotubo. Para el citado estudio en particular la matriz consta de nanotubos de carbono de pared simple envueltos en distintas hebras de ADN constituyendo una gama de diferentes sensores capaces de detectar cosas ligeramente diferentes. El algoritmo de aprendizaje automático se entrenó utilizando los datos de la emisión de nanotubos de 269 muestras de suero lo que permitió la discriminación de pacientes con cáncer de ovario de aquellos con otras enfermedades y de individuos sanos. Una técnica aplicable no solo a la detección de una variedad de enfermedades, también, por ejemplo, podría utilizarse en la identificación de contaminantes ambientales en el aire.
 |
| Crédito: Universidad de Lehigh. Nature Biomedical Engineering 6, 267-275. 2022 |
En el cáncer de ovario, los pocos biomarcadores séricos establecidos son muy específicos, pero insuficientemente sensibles para detectar la enfermedad en etapa temprana y variar las tasas de mortalidad de los pacientes. En el artículo Detection of ovarian cancer via the spectral figerprinting of quantum-defect-modified carbon nanotubes in serum by machine learning (Nature Biomedical Engineering) un equipo de investigadores de distintas instituciones de los E.E.U.U. muestran como una “huella dactilar” de la enfermedad permite detectar el carcinoma de ovario en muestras de suero con una sensibilidad del 87 % y un 98 % de especificidad. La huella se adquiere a través del aprendizaje automático a partir de los espectros de las emisiones de fluorescencia del infrarrojo cercano de una serie de nanotubos de carbono funcionalizados con defectos cuánticos. Los nanotubos de carbono tienen propiedades electrónicas interesantes, si se les aplica luz monocromática, emiten radicación de un color de luz (longitud de onda) diferente. El color y la intensidad de esa luz pueden cambiar según lo que se adhiera al nanotubo. Para el citado estudio en particular la matriz consta de nanotubos de carbono de pared simple envueltos en distintas hebras de ADN constituyendo una gama de diferentes sensores capaces de detectar cosas ligeramente diferentes. El algoritmo de aprendizaje automático se entrenó utilizando los datos de la emisión de nanotubos de 269 muestras de suero lo que permitió la discriminación de pacientes con cáncer de ovario de aquellos con otras enfermedades y de individuos sanos. Una técnica aplicable no solo a la detección de una variedad de enfermedades, también, por ejemplo, podría utilizarse en la identificación de contaminantes ambientales en el aire.
Información complementaria:
Excelente ejemplo de cómo Machine Learning y la Nanotecnología va a aportar a la detección temprana sin la necesidad métodos invasivos
ResponderEliminarGracias Alejandro por el comentario.
ResponderEliminar