Do sad su korišteni različiti genetski testovi i rani probir kod osoba koje imaju genetsku predispoziciju, no sada su istraživači sa Sveučilišta u Kaliforniji, Berkley i tvrtke City of Hope pronašli novi način koji procjenjuje rizik na staničnoj razini.

Trenutačno ne postoji negenetski test koji može identificirati žene s većim rizikom od raka dojke. Oko šest posto žena koje obole od raka dojke nose poznate genetske mutacije. Za žene izvan ove skupine, rizik se procjenjuje neizravno na temelju populacijskih modela ili mjerenja gustoće dojki mamografijom. Ovi pristupi mogu i precijeniti i podcijeniti individualni rizik od raka dojke kod žena, što dovodi do prekomjernog probira, nedovoljnog probira, nepotrebne brige ili propuštenih znakova upozorenja.

U studiji objavljenoj u časopisu Lancet eBioMedicine, istaknuli su kako više od 90 posto žena nema poznatu genetsku predispoziciju za rak dojke ili obiteljsku anamnezu raka dojke, pa bi ovaj inovativni pristup mogao popuniti kritičnu prazninu u procjeni rizika i spasiti brojne živote.

Radi se o novoj mikrofluidnoj platformi MechanoAge, prvoj takve vrste, koja stišće pojedinačne epitelne stanice dojke i mjeri kako se one deformiraju, oporavljaju i ponašaju pod stresom.

Stanice dojke, ističu znanstvenici, imaju 'mehaničku starost' odvojenu od kronološke dobi osobe, što se pokazuje načinom na koji stanice fizički reagiraju na stres. Dok inženjeri proučavaju starenje materijala poput metala, betona i polimera, ovo je prvi put da je mehanička starost kvantificirana u biološkim stanicama.

'Za žene s poznatim genetskim faktorom rizika za rak dojke postoje stvari koje mogu učiniti, poput pridržavanja protokola probira za veći rizik. Svi ostali se pitaju: 'Jesam li u visokom riziku?'' rekao je dr. Mark LaBarge, profesor na Odjelu za populacijske znanosti u City of Hopeu. 'Prevođenjem fizičkih promjena u stanicama u kvantificirane podatke, ovaj alat ženama daje nešto opipljivo o čemu mogu razgovarati sa svojim liječnicima - ne samo procjene rizika, već dokaze dobivene izravno iz njihovih stanica.'

U studiji pojašnjavaju kako su razvili algoritam strojnog učenja koji identificira i mjeri stanice koje pokazuju znakove ubrzanog starenja, kvantificirajući individualni rizik od raka dojke. Znanstvenicima je bilo važno stvoriti platformu koja koristi jednostavnu elektroniku, kako bi mogla biti široko dostupačna.

'Naš tim nije prvi koji mjeri mehanička svojstva stanica. Međutim, drugi pristupi zahtijevaju naprednu tehnologiju snimanja koja je skupa, glomazna i ima ograničenu dostupnost', rekla je dr. sc. Lydia Sohn, voditeljica katedre za strojarstvo Almy C. Maynard i Agnes Offield Maynard na Berkeleyju. 'Nasuprot tome, MechanoAge koristi računalne čipove koji su jednostavniji od Apple Watcha i koji su jeftini i jednostavni za sastavljanje, što potencijalno čini uređaj vrlo skalabilnim.'

Fizička svojstva stanica dojke mijenjaju se s godinama

Znanstvenici pojašnjavaju kako mjere električnu struju preko kanala ispunjenog tekućinom, slično kao što se struja mjeri preko žice. Dok stanice prolaze, one prekidaju struju, generirajući mjerenja o veličini i obliku stanica. Sužavanjem dijelova kanala, istraživači stišću stanice, a zatim mjere koliko je vremena potrebno svakoj stanici da se vrati u svoj normalni oblik.

Algoritmi strojnog učenja, koje su razvili, zatim otkrivaju razlike u stanicama starijih i mlađih žena. Istraživači su otkrili da se fizička svojstva stanica dojke mijenjaju s godinama. Tako su stanice starijih žena bile kruće i trebalo im je dulje da se oporave nakon stiskanja. Zatim je uslijedilo iznenađujuće otkriće: podskupina mlađih žena imala je stanice koje su se ponašale kao da potječu od starijih žena. Te su stanice potjecale od žena s genetskim mutacijama koje ih izlažu visokom riziku od raka dojke.

Algoritam je takvim rezultatima dodijelio ocjenu rizika na temelju svih mehaničkih i fizičkih svojstava izmjerenih u stanicama. Uspješno je identificirao žene s poznatim genetskim rizicima.

'Uspjeli smo utvrditi koje su žene imale visok rizik od raka dojke, a koje nisu', rekao je dr. LaBarge. 'Uključivanje mehaničkog fenotipiziranja u klinička ispitivanja moglo bi poboljšati dizajn ispitivanja i omogućiti točniju procjenu učinkovitosti intervencije i strategija smanjenja rizika', ističu na kraju studije znanstvenici.