AI-drevet blodprøve opdager kræft i enkelte DNA-molekyler

Forskere på Johns Hopkins Kimmel Cancer Center er i gang med at udvikle en ny blodprøveteknologi kaldet GEMINI (Genome-wide Mutational Incidence for Non-Invasive detection of cancer). 

Ved at kombinere genomisk sekventering af enkelte DNA-molekyler fra tumorer med maskinlæring (ML) kan testen gøre det muligt at opdage lungekræft og andre former for kræft tidligere.

GEMINI-testen analyserer cellefrit DNA (cfDNA)-fragmenter, der udskilles af tumorer, og bruger ML til at opdage forskelle i kræft- og ikke-kræftmutationsfrekvenser på tværs af genomet. Højere scores genereret af modellen antyder en højere sandsynlighed for at have kræft.

I laboratorietests blev GEMINI anvendt på computertomografibilleder og opdagede over 90% lungekræft, selv i tidlige stadier. Den undersøgelse Resultaterne blev offentliggjort i Nature Genetics. 

Forskerne fokuserede primært på opsporing af lungekræft i højrisikogrupper.

Der blev dog også observeret ændrede mutationsprofiler i cfDNA fra patienter med leverkræft, melanom og lymfom, så denne tilgang kan bruges på tværs af forskellige kræfttyper. 

Sådan skabte forskerne GEMINI

For at udvikle GEMINI undersøgte teamet genomsekvenser fra 2.511 personer med 25 forskellige kræftformer. 

Forskellige tumortyper havde forskellige mutationsprofiler. Forskerne fandt, at genomiske regioner med en høj mutationsfrekvens var ens mellem tumorvæv og blodafledt cfDNA hos patienter med lungekræft, melanom eller B-celle non-Hodgkin-lymfom. 

GEMINI-testen blev derefter anvendt på cfDNA fra 365 personer med høj risiko for lungekræft, hvilket gav højere score hos personer med kræft end hos dem uden. 

Forskerne undersøgte også, om GEMINI kunne integreres med en tidligere test kendt som DELFI (DNA evaluation of fragments for early interception),

I alt identificerede GEMINI og DELFI kræftformer korrekt i 91% af tilfældene i 89 prøver.

Bemærkelsesværdigt nok opdagede GEMINI-testen abnormiteter i cfDNA-mutationsprofiler flere år før standarddiagnoser hos syv patienter uden påviselige tumorer på tidspunktet for blodindsamlingen. 

Seks blev testet positive med GEMINI og blev senere diagnosticeret med lungekræft mellem 231 og 1.868 dage efter, at prøverne blev taget.

Opdeling af undersøgelsen

1. Blodprøvetagning: Der tages en blodprøve fra en person, som kan være i risiko for at udvikle kræft. Denne prøve indeholder cfDNA, små fragmenter af DNA, der er blevet udskilt af celler i kroppen, herunder eventuelle tumorceller.
2. DNA-ekstraktion og sekventering: cfDNA'et udvindes fra blodprøven og sekventeres derefter. Det betyder, at forskerne kortlægger rækkefølgen af de 'byggesten', som DNA'et består af. Det hjælper dem med at identificere eventuelle ændringer eller mutationer i DNA'et.
3. Analyse af DNA-forandringer: Hvert enkelt DNA-molekyle analyseres for eventuelle sekvensændringer, hvilket gør det muligt for forskerne at kortlægge mutationsprofiler på tværs af hele genomet. I bund og grund leder de efter mønstre i mutationerne, som kan tyde på, at der er tale om kræft.
4. Maskinlæring: En maskinlæringsmodel, som er blevet trænet til at genkende forskellen mellem kræftfremkaldende og ikke-kræftfremkaldende mutationsfrekvenser i forskellige områder af genomet, bruges derefter til at analysere mutationsprofilerne. Maskinlæringsmodellen giver derefter en score fra 0 til 1, hvor en højere score indikerer en større sandsynlighed for kræft.
5. Yderligere validering og testning: Hvis GEMINI-scoren er høj, hvilket tyder på, at der er tale om kræft, anvendes yderligere tests som computertomografi og DELFI-testen (som registrerer ændringer i størrelsen og fordelingen af cfDNA-fragmenter på tværs af genomet) til at bekræfte diagnosen og registrere kræftstadiet. Denne kombination af tests har vist sig at være meget effektiv og har afsløret over 90% af lungekræfttilfældene i undersøgelsen.

Dette er endnu en spændende undersøgelse, der afslører den nye anvendelse af maskinlæring til medicinsk diagnostik, denne gang til at analysere kræft på celleniveau.

Større kliniske forsøg er nødvendige for at validere værktøjet, før det kan blive tilgængeligt til klinisk brug.

I denne uge har en AI-understøttet screening for brystkræft arbejdsgangen forbedrede hastigheden og effektiviteten i vurderingen af mammografier for kræft.