Моделирование искусственной нейронной сети и оптимизация электрохимического биосенсора для выявления рака молочной железы по плазменному miR-155

Почему это важно для ранней проверки на рак

Врачи и исследователи ищут простые анализы крови, которые могли бы выявлять рак задолго до появления симптомов. Многообещающим маркером в крови является крошечный фрагмент генетического материала — miR-155, связанный с раком молочной железы, а также с некоторыми иммунными и воспалительными состояниями. Создать сенсор, который надежно измеряет столь слабый сигнал, сложно и обычно требует месяцев проб и ошибок в лаборатории. В этом исследовании показано, что сочетание интеллектуальных компьютерных моделей с электрохимическим биосенсором может сделать этот процесс быстрее, дешевле и эффективнее, приблизив практические тесты для раннего обнаружения.

Как капля крови превращается в предупреждение

Работа сосредоточена на электрохимическом биосенсоре, который измеряет уровни miR-155 в плазме — жидкой части крови. Сердцем устройства является крошечный золотой электрод, поверхность которого тщательно подготовлена в несколько этапов. Сначала к металлу прикрепляют короткие цепочки ДНК, разработанные для распознавания miR-155. Затем небольшая молекула заполняет промежутки, чтобы посторонние вещества не прилипали. Когда добавляют образец пациента, любой присутствующий miR-155 связывается с ДНК-зонтиками, и молекула-пятно под названием Oracet Blue вклинивается в эти гибридные структуры. Наконец, электрическое сканирование измеряет перенос заряда, давая ток, величина которого отражает количество miR-155 в образце.

Почему традиционная наладка медленная и расточительная

Хотя базовая идея сенсинга проста, эффективность биосенсора сильно зависит от того, как он собран. Важны шесть ключевых шагов: концентрация ДНК-зонда, время его прикрепления, длительность обработки блокирующей молекулой, время на связывание целевой микроРНК, а также количество и время инкубации с Oracet Blue. В предыдущих работах исследователи изменяли один или два параметра за раз, проводили свежие эксперименты и постепенно продвигались к лучшей конфигурации. Такой подход требует дорогостоящих материалов, занимает много рабочего времени и может упустить наилучшие сочетания, особенно когда поведение системы сильно нелинейно — небольшие изменения во времени или концентрации могут внезапно удвоить или вдвое уменьшить сигнал.

Дать компьютерам научиться лучшему рецепту сборки

Чтобы преодолеть это узкое место, авторы обратились к машинному обучению, используя два подхода: искусственные нейронные сети (ANN) и адаптивную нейро-нечеткую систему (ANFIS). Они собрали данные по 51 различному способу изготовления того же сенсора miR-155, каждый определён уникальной комбинацией из шести ключевых шагов, и зафиксировали получающийся электрический ток. ANN научилась сопоставлять выборы при изготовлении с показаниями сенсора, используя компактную сеть с одним скрытым слоем и 13 внутренними узлами. Подход ANFIS сочетал нечеткие правила (например, «низкий» или «высокий» уровень) с нейронной обучаемостью и также использовал статистический прием для уменьшения перекрытия между входами. После тщательной тренировки и тестирования ANN оказалась более точной и удобной в работе, лучше улавливая сложные взаимодействия между шагами по сравнению с более правило-ориентированной нечеткой моделью.

Поиск в пространстве дизайнов с помощью цифровой эволюции

Когда ANN смогла достоверно имитировать поведение биосенсора, команда связала её с генетическим алгоритмом — методом поиска, вдохновленным эволюцией. Этот цифровой оптимизатор начинал с множества случайных рецептов изготовления сенсора и многократно «скрещивал» и мутиовал их, оставляя те, которые ANN предсказывала с более сильным сигналом. В этой виртуальной среде лабораторная работа не требовалась: компьютер мог исследовать бесчисленные варианты in silico. Победивший рецепт оказался примечательным. По сравнению с лучшими условиями, которые исследователи фактически испытывали у лабораторного стола, оптимизированная комбинация использовала меньше ДНК-зонда и меньше Oracet Blue в целом, сократила несколько этапов инкубации и, тем не менее, по прогнозу должна была более чем вдвое увеличить выходной ток сенсора — с 98 до 223 наноампер — делая сигнал сильнее и легче отличимым от фонового шума.

Что это значит для будущих анализов крови

Для неспециалиста ключевое сообщение в том, что авторы превратили наладку биосенсоров из процесса наугад в управляемый, основанный на данных. Позволив нейронной сети узнать, как этапы изготовления влияют на итоговый электрический сигнал, а затем дав эволюционному алгоритму задачу найти лучший рецепт, они обнаружили условия, которые должны дать более яркое и надежное считывание miR-155 при меньших затратах времени и материалов. Хотя оптимизированные установки все еще требуют полной экспериментальной проверки и исследование сосредоточено на одном типе маркера рака молочной железы, та же стратегия применима ко многим другим биосенсорам. В долгосрочной перспективе такой умный дизайн может помочь сделать быстрые и недорогие анализы крови для раннего обнаружения рака и других заболеваний частью рутинной клинической практики.

Цитирование: Imani, A., Hosseinpour, S., Azimzadeh, M. et al. Artificial neural network modeling and optimization of an electrochemical biosensor for plasma miR-155-based breast cancer detection. Sci Rep 16, 7893 (2026). https://doi.org/10.1038/s41598-026-36466-6

Ключевые слова: биосенсор для рака молочной железы, обнаружение микроРНК-155, электрохимический сенсор, искусственные нейронные сети, оптимизация с помощью генетического алгоритма