Plazmada miR-155 tabanlı meme kanseri tespiti için bir elektrokimyasal biyosensörün yapay sinir ağı modellemesi ve optimizasyonu

Erken kanser kontrolleri için bunun önemi

Doktorlar ve araştırmacılar, semptomlar ortaya çıkmadan çok önce kanseri tespit edebilecek basit kan testleri arıyor. Kanda umut verici bir gösterge, meme kanseri ve bazı bağışıklık ile inflamatuar durumlarla ilişkili küçük bir genetik parça olan miR-155’dir. Bu kadar zayıf bir sinyali güvenilir şekilde ölçebilen bir sensör geliştirmek zordur ve genellikle laboratuvarda aylar süren deneme-yanılma gerektirir. Bu çalışma, akıllı bilgisayar modellerini bir elektrokimyasal biyosensörle eşleştirmenin bu süreci daha hızlı, daha ucuz ve daha etkili hâle getirebileceğini göstererek pratik erken tanı testlerini bir adım daha yakınlaştırıyor.

Bir damla kanı uyarı sinyaline dönüştürmek

Çalışma, plazmadaki miR-155 düzeylerini okuyan bir elektrokimyasal biyosensöre odaklanıyor; plazma kanın sıvı kısmıdır. Cihazın kalbi, yüzeyi birkaç aşamada dikkatle hazırlanmış küçük bir altın elektrottur. İlk olarak, miR-155’i tanıyacak şekilde tasarlanmış kısa DNA dizileri metale bağlanır. Ardından, yabancı maddelerin yapışmasını engellemek için boşlukları dolduran küçük bir bloke edici molekül uygulanır. Hasta örneği eklendiğinde, mevcut olan miR-155 bu DNA dizilerine tutunur ve Oracet Blue adlı boya benzeri bir molekül bu çiftlenmiş yapılara girer. Son olarak, bir elektriksel tarama ne kadar yük aktarıldığını ölçer; ortaya çıkan akımın büyüklüğü örnekteki miR-155 miktarını yansıtır.

Geleneksel ayarlamanın neden yavaş ve israfçı olduğu

Temel algılama fikri basit olsa da, biyosensörün performansı nasıl inşa edildiğine çok bağlıdır. Altı ana adım önem taşır: DNA probunun konsantrasyonu, bağlanması için verilen süre, bloke edici molekülün tutulma süresi, hedef miRNA’ya bağlanma süresi ve Oracet Blue’un miktarı ile bekletme süresi. Önceki çalışmalarda araştırmacılar bu parametrelerden birini ya da ikisini aynı anda değiştirir, yeni deneyler yapar ve yavaş yavaş daha iyi bir tasarıma yaklaşırdı. Bu yaklaşım pahalı malzeme tüketir, araştırmacı zamanını çokça alır ve davranış son derece doğrusal olmayan durumlarda en iyi kombinasyonları kaçırabilir—zamanlama veya konsantrasyondaki küçük değişiklikler sinyali aniden iki katına çıkarabilir ya da yarıya indirebilir.

Bilgisayarların en iyi üretim tarifini öğrenmesine izin vermek

Bu darboğazı aşmak için yazarlar makine öğrenmesine başvurdu; iki modelleme stilini kullandılar: yapay sinir ağları (ANN) ve uyarlamalı nöro-bulanık sistem (ANFIS). Aynı miR-155 sensörünü 51 farklı şekilde üretmenin verilerini derlediler; her biri altı ana adımın benzersiz bir karışımı ile tanımlanıyordu ve ortaya çıkan elektriksel akım kaydedildi. ANN, üretim tercihlerini doğrudan sensör çıkışına eşleyen kompakt bir ağ ile bir gizli katman ve 13 iç birim kullanarak öğrendi. ANFIS yaklaşımı, bulanık kuralları (örneğin “düşük” veya “yüksek” seviyeler) sinir ağı tarzı eğitimle birleştirdi ve girdiler arasındaki örtüşmeyi azaltmak için istatistiksel bir hile de kullandı. Titiz eğitim ve testlerin ardından ANN daha doğru ve kullanımı daha kolay çıktı; adımlar arasındaki karmaşık etkileşimleri, daha kural-ağırlıklı bulanık modelden daha iyi yakaladı.

Tasarım alanını dijital evrimle aramak

ANN biyosensörü güvenilir şekilde taklit edebildiğinde, ekip onu genetik bir algoritmayla bağladı; bu yöntem evrimden esinlenen bir arama stratejisidir. Bu dijital optimize edici, sensörü yapmaya yönelik birçok rastgele tarifle başladı ve bunları tekrar tekrar “çaprazlayıp” mutasyona uğratarak ANN’nin daha güçlü sinyal vereceğini öngördüğü kombinasyonları elinde tuttu. Bu sanal ortamda yeni laboratuvar çalışması gerekmedi: bilgisayar sayısız olasılığı in silico keşfedebildi. Kazanan tarif çarpıcıydı. Araştırmacıların gerçekten tezgahta test ettikleri en iyi koşullarla karşılaştırıldığında, optimize edilmiş kombinasyon daha az DNA probu ve daha az Oracet Blue kullanıyor, birkaç inkübasyon adımını kısaltıyor ve yine de sensörün çıkış akımını öngörülen olarak iki kattan fazla artırıyordu—98 nanoamperden 223 nanoampereye—bu da sinyali daha güçlü ve arka plan gürültüsünden ayırt etmeyi kolaylaştırıyordu.

Gelecekteki kan testleri için bunun anlamı

Uzman olmayan bir kişi için kilit mesaj, yazarların biyosensör ayarını tahmine dayalı bir işten veri odaklı, yönlendirilmiş bir sürece dönüştürdükleri yönündedir. Bir sinir ağının üretim adımlarının son elektriksel sinyali nasıl etkilediğini öğrenmesine izin verip ardından evrimsel bir algoritmanın en iyi tarifi aramasına olanak vererek, miR-155’in daha parlak ve daha güvenilir bir okunmasını sağlayacak koşullar buldular; üstelik daha az zaman ve malzeme israfıyla. Optimize edilmiş ayarların tam deneysel doğrulaması hâlâ gerekli olsa da ve çalışma tek bir meme kanseri belirtecine odaklansa da, aynı strateji birçok diğer biyosensöre uygulanabilir. Uzun vadede, bu tür akıllı tasarım, erken kanser ve diğer hastalıklar için hızlı, düşük maliyetli kan testlerini rutin klinik kullanıma kazandırmaya yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: meme kanseri biyosensörü, microRNA-155 tespiti, elektrokimyasal sensör, yapay sinir ağları, genetik algoritma optimizasyonu