Využití metod strojového učení a hmotnostní spektrometrie pro klinické aplikace v nádorové biologii

Logo poskytovatele

Varování

Publikace nespadá pod Pedagogickou fakultu, ale pod Lékařskou fakultu. Oficiální stránka publikace je na webu muni.cz.
Autoři

PEČINKA Lukáš MORÁŇ Lukáš VLACHOVÁ Monika KOVAČOVICOVÁ Petra HAMPL Aleš HAVEL Josef ŠEVČÍKOVÁ Sabina VAŇHARA Petr

Rok publikování 2023
Druh Další prezentace na konferencích
Fakulta / Pracoviště MU

Lékařská fakulta

Citace
Popis S rostoucími nároky na analýzy biologických vzorků ve složitých matricích roste i zájem o vývoj a optimalizaci hmotnostně spektrometrických (MS) metod. MS analýza intaktních buněk, vzorků plazmy, ale také i ostatních biologických materiálů má velký význam pro sledování a objasňování biologických procesů v organismu a poskytuje důležité informace o pheno/genotypu organismu. Ve dvou zde prezentovaných tématech jsou představeny různé techniky, které se zabývají studii těchto biologických vzorků. MALDI MS intaktních buněk se již používá v klinické mikrobiologii a diagnostice. V posledních letech byla zavedena také do buněčné biologie, imunologie a studie nádorů. První téma se zaměřuje na klasifikaci buněk rakoviny vaječníků s různým procentuálním podílem buněčných populací s potlačenou expresí genu (TUSC3). Metoda MS byla kombinována s vícerozměrnými statistickými algoritmy a metodami strojového učení (ML), např. PLS-DA, ANN a RF. Všechny výpočetní modely byly sestaveny s využitím programovacího jazyka R. Optimalizací byla MS intaktních buněk spojena s metodami ML pro sledování změn TUSC3 genu. Data získaná z hmotnostních spekter byla analyzována pomocí vyvinutého skriptu v jazyce R. Byla popsána metodika pro předzpracovaní dat, která vedla ke snížení technické variability datasetu. Metodika byla popsána s využitím souboru dat čítajícím 175 hmotnostních spekter. Celkem bylo vytvořeno a porovnáno 5 klasifikátorů založených na různých algoritmech, které byly dále optimalizovány. Jako model s nejlepší klasifikační schopností se 100% přesností (95% interval spolehlivosti, Cl = 94,7-100 %) pro validační data byla určena diskriminační analýza částečných nejmenších čtverců (PLS-DA). Výše popsaná metoda byla použita i pro další studie, například pro sledování diferenciace hESC do ELEP. Zde byla provedena vizualizace diferenciační trajektorie pouze na základě spektrálních dat a odhalili jsme také některé fenotypové abnormality související s počtem pasáží a zástupně s aneuploidním stavem hESC. Druhým tématem je vývoj metody pro analýzu vzorků lidské plazmy pomocí MALDI MS. Cílem je vyvinutí metody pro rozlišení pacientů s mnohočetným myelomem (MM) a pacienty s plazmocelulární leukémii (PCL) a extramedulárním onemocněním (EMD). Pro analýzu vzorků byl vyvinut dvoustupňový protokol extrakce proteinů. Intenzita v celém použitém rozsahu m/z se při použití extrakčního protokolu zvýšila přibližně 50× (v porovnání s neupravenými vzorky plazmy). Klasifikace pomocí ML algoritmů (RF, PLS-DA a ANN) dosáhla přesnosti 80-90 % pro trénovací soubor dat a 79-87 % pro testovací soubor dat. Tato zjištění mohou pomoci urychlit integraci MALDI MS do klinického použití a zpřesnit diagnózu těchto onemocnění. Podpořeno Masarykovou univerzitou projekt č.: MUNI/A/1298/2022, MUNI/A/1301/2022, MUNI/11/ACC/3/2022, ministerstvem zdravotnictví ČR projekt č.: NU21-03-00076 a grantovou agentura České republiky projekt č.: GA23-06675S.
Související projekty:

Používáte starou verzi internetového prohlížeče. Doporučujeme aktualizovat Váš prohlížeč na nejnovější verzi.