Publicação: Identificação de metabólitos séricos e salivares por meio de análise metabolômica e técnicas de aprendizado de máquina para o diagnóstico do câncer colorretal
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Área do conhecimento
CNPQ::CIENCIAS DA SAUDE
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
Introdução: O câncer colorretal (CCR) é a terceira neoplasia mais prevalente em todo o
mundo, além de ser o segundo em mortalidade e frequentemente associado ao diagnóstico
tardio devido à baixa adesão de métodos de rastreamento e diagnóstico padrão-ouro como
a colonoscopia por ser considerada invasiva. Diante disso, a busca por metabólitos séricos
e salivares que possam auxiliar no desenvolvimento de ferramentas de rastreio e
contribuir para um diagnóstico melhor aceito pelos pacientes se faz necessário. Objetivo:
Analisar a abundância de metabólitos séricos e salivares por meio da Cromatografia
Líquida acoplada à Espectrometria de Massa (LC-MS) e por técnicas de aprendizado de
máquina para diagnóstico do CCR. Materiais e métodos: No primeiro manuscrito, foi
conduzido um estudo transversal com 52 pacientes com CCR e 47 indivíduos controle
saudáveis pareados por sexo e idade em que foram analisadas amostras de soro. No
segundo manuscrito, foi conduzido um estudo transversal com 55 pacientes com CCR e
46 indivíduos do grupo controle, pareados por sexo e idade, neste amostras de saliva
foram analisadas. Em ambos os estudos, as amostras foram analisadas por meio de LC-
MS. Uma análise de mapa de calor com agrupamento hierárquico e um gráfico de vulcão
foram utilizados para mostrar os metabólitos diferencialmente abundantes entre os
grupos. Critérios de significância (p ≤ 0,05; variação de expressão ≥ 2,0) foram aplicados.
Após, foram aplicadas abordagens de algoritmos de aprendizado de máquina. A acurácia
diagnóstica foi avaliada por meio da sensibilidade, especificidade e das respectivas curvas
ROC. Resultados: No primeiro manuscrito, foram identificados metabólitos
diferencialmente abundantes entre amostras de soro dos grupos, com aumento de sn-
glycero-3-phosphocholine, 18:1(13Z)(17Me), glyceryl 5-hydroxydecanoate e piperidina
nos pacientes com CCR, enquanto D-triptofano apresentou maior abundância no grupo
controle. Entre os modelos de aprendizado de máquina avaliados, o Random Forest
apresentou o melhor desempenho diagnóstico, com sensibilidade de 92,31%,
especificidade de 91,49% e área sob a curva ROC de 0,973. No segundo manuscrito,
observou-se aumento de metabólitos relacionados à vitamina E, poliaminas, glicerídeos,
fosfolipídios e esfingolipídios nos pacientes com câncer, enquanto glicerofosfolipídeos,
eicosanoides e 17-Hydroxy-5alpha,17alpha-pregn-1-en-3-one apresentaram maior
abundância no grupo controle. O modelo Naïve Bayes demonstrou excelente poder
discriminatório, com sensibilidade de 97,83%, especificidade de 96,36% e área sob a curva de 0,996. Conclusão: Os resultados indicam que a metabolômica, associada ao
aprendizado de máquina, representa uma técnica promissora para o rastreamento não
invasivo do CRC, com potencial para otimizar o diagnóstico, melhorar a aceitação pelos
pacientes e, consequentemente, o prognóstico clínico, desde que validada em estudos
futuros.
Abstract
Introduction: Colorectal cancer (CRC) is the third most prevalent neoplasm worldwide,
as well as the second leading cause of cancer death, and is frequently associated with late
diagnosis due to low adherence to gold-standard screening and diagnostic methods such
as colonoscopy, which is considered invasive. Therefore, the search for serum and
salivary metabolites that can aid in the development of screening tools and contribute to
a diagnosis better accepted by patients is necessary. Objective: To analyze the abundance
of serum and salivary metabolites using Liquid Chromatography coupled to Mass
Spectrometry (LC-MS) and machine learning (ML) techniques for CRC diagnosis.
Materials and methods: In the first manuscript, a cross-sectional study was conducted
with 52 CRC patients and 47 healthy control individuals matched for sex and age, in
which serum samples were analyzed. In the second manuscript, a cross-sectional study
was conducted with 55 CRC patients and 46 individuals in the control group, matched for
sex and age, in which saliva samples were analyzed. In both studies, samples were
analyzed using LC-MS. A heat map analysis with hierarchical clustering and a volcano
plot were used to show the differentially abundant metabolites between the groups.
Significance criteria (p ≤ 0.05; expression variation ≥ 2.0) were applied. Subsequently,
ML algorithm approaches were applied. Diagnostic accuracy was evaluated through
sensitivity, specificity, and respective ROC curves. Results: In the first manuscript,
differentially abundant metabolites were identified between serum samples from the
groups, with increased levels of sn-glycero-3-phosphocholine, 18:1(13Z)(17Me),
glyceryl 5-hydroxydecanoate, and piperidine in CRC patients, while D-tryptophan
showed greater abundance in the control group. Among the ML models evaluated,
Random Forest showed the best diagnostic performance, with a sensitivity of 92.31%,
specificity of 91.49%, and an area under the ROC curve of 0.973. In the second manuscript, an increase in metabolites related to vitamin E, polyamines, glycerides,
phospholipids, and sphingolipids was observed in cancer patients, while
glycerophospholipids, eicosanoids, and 17-Hydroxy-5alpha,17alpha-pregn-1-en-3-one
showed greater abundance in the control group. The Naïve Bayes model demonstrated
excellent discriminatory power, with a sensitivity of 97.83%, specificity of 96.36%, and
an area under the curve of 0.996. Conclusion: The results indicate that metabolomics,
combined with ML, represents a promising technique for non-invasive CRC screening, with the potential to optimize diagnosis, improve patient acceptance and, consequently,
clinical prognosis, provided it is validated in future studies.
Palavras-chave
Câncer colorretal, Metabolômica, Aprendizado de máquina, Diagnóstico, Colorectal cancer, Metabolomics, Machine learning, Diagnosis
Citação
SILVA, Karine de Almeida, Identificação de metabólitos séricos e salivares por meio de análise metabolômica e técnicas de aprendizado de máquina para o diagnóstico de câncer colorretal. 2026. 135 f. Tese (Doutorado em Ciências da Saúde) - Universidade Federal de Uberlândia, Uberlândia, 2026. DOI http://doi.org/10.14393/ufu.te.2026.480
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Embargado