Sequenciação por Nanoporos para Identificação Rápida do Tipo de Tumor Durante a Cirurgia

Introdução

Os tumores do sistema nervoso central (SNC), especialmente em crianças, estão entre as formas mais letais de cancro. A intervenção cirúrgica é geralmente o tratamento principal para esta condição, representando um desafio considerável para os neurocirurgiões. Encontrar o equilíbrio certo entre maximizar a remoção do tumor e minimizar os danos neurológicos e as complicações relacionadas com a cirurgia é fundamental.

No entanto, o conhecimento pré-operatório do tipo preciso de tumor é frequentemente limitado, e o padrão atual depende fortemente da imagiologia pré-operatória e da análise histológica de secções congeladas intraoperatórias. Infelizmente, esses métodos ocasionalmente fornecem diagnósticos inconclusivos ou incorretos, necessitando da intervenção de um patologista para um diagnóstico definitivo, tipicamente uma semana após a cirurgia.

Para além da questão do tempo de resposta, os tumores neurológicos distintos exigem estratégias de resseção cirúrgica personalizadas. Por exemplo, a resseção completa oferece uma melhoria prognóstica limitada em comparação com a resseção quase total no caso do meduloblastoma, destacando que a resseção máxima nem sempre é a abordagem preferida para esses tumores. Por outro lado, alguns outros tumores podem beneficiar de um protocolo de resseção agressivo. Este dilema sublinha os riscos de uma remoção excessiva de tecido cerebral saudável, levando a danos neurológicos, ou de uma remoção incompleta do tumor que necessite de uma segunda cirurgia, impondo um fardo substancial ao paciente e à sua família.

O nível de agressividade na neurocirurgia é, portanto, dependente da obtenção de um diagnóstico tumoral preciso e fiável.

Esturjão e Sequenciação Rápida por Nanoporos para Diagnóstico Intraoperatório de Tumores

Jeroen de Ridder e a sua equipa no Centro Médico UMC em Utrecht, Países Baixos, redirecionaram o seu foco para Sequenciação por nanoporoAs vantagens da sequenciação por nanoporo, incluindo a sua relação custo-eficácia, análise de dados em tempo real e preparação de amostras acelerada, apresentam uma enorme promessa para o diagnóstico de subtipos tumorais durante procedimentos cirúrgicos. Consequentemente, estas tecnologias baseadas em sequenciação por nanoporo permitem uma análise precoce de amostras de tecido, permitindo que os cirurgiões adaptem as suas estratégias neurocirúrgicas em resposta a um rápido feedback diagnóstico molecular.

Representação esquemática da simulação, abordagem de validação cruzada e resultados em dados simulados. (Vermeulen et al., 2023)

No entanto, o desafio prático enfrentado por Jeroen de Ridder e a sua equipa reside no facto de que a tomada de decisões neurocirúrgicas ocorre frequentemente dentro de um intervalo de tempo reduzido de menos de 90 minutos. A sequenciação dentro de tais restrições produz um perfil de metilação algo 'escasso'. Além disso, a identificação de locais específicos de CpG no genoma que serão cobertos e gerarão sinais de metilação continua a ser imprevisível.

Para abordar estas questões, os investigadores desenvolveram uma ferramenta avançada de aprendizagem profunda conhecida como 'Esturjão'. Este classificador de rede neural independente do paciente está cuidadosamente ajustado para lidar com dados escassos, integrando tecnologias de ponta como a aprendizagem automática, que se torna cada vez mais integral ao Análise de dados de sequenciação por nanoporo kit de ferramentas.

O que distingue o Sturgeon é a sua alocação substancial de recursos computacionais para treinar e validar redes neurais complexas antes da cirurgia. Isso diferencia-o dos algoritmos de classificação existentes, que dependem do treinamento de modelos específicos para o paciente durante a operação. Após o treinamento em 36,8 milhões de execuções simuladas de Nanopore e validação em mais 4,2 milhões de execuções simuladas de sequenciamento de nanopore, o Sturgeon exibe uma velocidade notável, levando apenas alguns segundos para ser executado num laptop e fornecer uma determinação precisa do tipo de tumor utilizando dados de metilação gerados por Nanopore.

Os investigadores testaram o desempenho do Sturgeon aplicando-o a um conjunto de dados retrospectivo de tumores do SNC, que compreendia 50 espécimes de tumores do SNC e 415 dados de sequenciação de nanopore disponíveis publicamente. Impressionantemente, o modelo classificou com precisão a maioria das amostras (45 em 50) com base no equivalente a 20-40 minutos de dados de sequenciação, classificando corretamente 92,2% (383 em 415) das amostras no total. Isto demonstra o desempenho consistente e fiável do modelo.

Desempenho de classificação ao longo do tempo em corridas de nanopore simuladas a partir de arrays de metilação de tumores do SNC pediátricos. (Vermeulen et al., 2023)

Para confirmar ainda mais a praticidade do Sturgeon em conjunto com o Rapid. Sequenciação por NanoporosOs investigadores implementaram e avaliaram todo o fluxo de trabalho num ambiente do mundo real, envolvendo 25 ressecções de tumores do SNC. Conseguiram completar todo o processo, desde a recolha de espécimes até à classificação e diagnóstico do tumor, num período de 90 minutos, alcançando 18 diagnósticos intraoperatórios corretos — um intervalo de tempo ideal para orientar decisões cirúrgicas.

Tecnologia de Sequenciação por Nanoporos

Sequenciação por nanoporo está na vanguarda das tecnologias contemporâneas de sequenciação de genes, apresentando atributos notáveis, incluindo sequenciação em tempo real, operação amigável e alta taxa de rendimento. As suas aplicações vão além da sequenciação do genoma completo e da investigação do transcriptoma, destacando-se notavelmente na análise direta da metilação. Uma das suas vantagens inerentes reside na eliminação da necessidade de PCR de ácidos nucleicos, permitindo uma análise de metilação sem preparação adicional de amostras. Além disso, revela informações sobre a metilação em regiões genómicas que podem escapar ou desafiar os métodos de sequenciação tradicionais.

Referência:

1. Vermeulen, C., et al. "Classificação ultra-rápida de tumores do SNC aprendida em profundidade durante a cirurgia." Natureza (2023): 1-8.