Análise clínica baseada no uso de um sensor eletroquímico microfluídico e modelos de machine learning tem potencial para tornar mais prático e econômico o diagnóstico e prognóstico de diversas doenças (foto: divulgação/CNPEM)

Publicado em 23/04/2021

Agência FAPESP * – Em artigo publicado na ACS (American Chemical Society), pesquisadores do Centro Nacional de Pesquisa em Energia e Materiais (CNPEM), em Campinas, apresentaram a proposta de um novo conceito de análise clínica baseada no uso de um sensor eletroquímico microfluídico e modelos de machine learning com potencial para tornar mais prático e econômico o diagnóstico e prognóstico de diversas doenças. O método também visa obter resultados seguros sem a dependência de insumos caros e escassos como anticorpos.

O dispositivo microfluídico usa materiais de baixo custo. Os eletrodos de grafite, constituídos de minas de lápis, do mesmo tipo usado em lápis escolares, atuam como sensores de padrões eletroquímicos. Conectados a um equipamento portátil capaz de medir a impedância da corrente elétrica (potenciostato) e a um smartphone é possível determinar, em menos de 15 minutos, a presença e a concentração de biomarcadores de interesse em amostras com mínimos volumes de sangue.

"São dados que não só contribuem para a triagem de casos, mas podem também dar referências de prognóstico de evolução da doença em cada paciente", esclarece o pesquisador do CNPEM Renato Sousa Lima, do Laboratório Nacional de Nanotecnologia (LNNano).

O estudo, que contou com apoio da FAPESP, descreve a aplicação do método para diagnóstico de câncer de mama em amostras de sangue de camundongos. Estruturas lipídicas extracelulares e as proteínas presentes na sua membrana foram usadas como biomarcadores do tumor de Ehrlich para identificar animais sadios e com o tumor. O método também permitiu a quantificação simultânea desses dois biomarcadores, que contribuem para uma análise do estágio do câncer de mama com acurácia elevada. O grupo realizou o preparo das amostras em parceria com o Instituto de Química da USP em São Carlos (IQSC/USP).

Cada amostra de sangue gera um espectro único de capacitância, que serve como impressão digital, e pode gerar até 100 variáveis. A identificação dos padrões específicos de interesse é tarefa para o modelo computacional de machine learning, uma classe de métodos capaz de descobrir padrões usando apenas os dados observados, sem ser explicitamente programado, o que permite que se torne ainda mais eficiente à medida que novas amostras são incluídas no banco de dados do teste, explica Adalberto Fazzio, diretor do Laboratório Nacional de Nanotecnologia (LNNano).

O estudo ainda se valeu de um padrão matemático com robustez estatística. "Mesmo com um pequeno número de amostras [12] para aquisição do algoritmo, demonstrou poder de exatidão e deve se tornar ainda mais eficiente com a incorporação de dados de mais amostras no futuro", reforça Lima.

Além de esforços em ciência e engenharia, os autores fizeram uso da tecnologia para trazer telemedicina às análises. Um smartphone foi usado para controle de um equipamento portátil para medidas eletroquímicas, aquisição e tratamento dos dados do sensor por machine learning e a apresentação do resultado de interesse em sua tela, eliminando qualquer etapa de processamento de dados pelo usuário.

Além de simplificar a análise, o uso do smartphone pode ser muito útil como ferramenta de auxílio a programas de saúde em regiões remotas do país. Os dados obtidos nos exames podem ser compartilhados rapidamente e as informações contribuírem para ações estratégicas, como encaminhamento de pacientes para os centros de tratamento mais próximos.

É necessária uma etapa de preparo antes de levar a amostra de sangue para o dispositivo de diagnóstico. Um cartucho simples, com colunas porosas, é usado para isolar as vesículas extracelulares. As biomoléculas menores são retidas na fase sólida do cartucho e as vesículas (50 a 150 nanômetros) diluídas em uma solução comum na biologia, que é o tampão fosfato. O processo leva cerca de 10 minutos, é simples e tem custo estimado em pouco menos de R$ 50 por amostra. A análise pelo sensor leva menos de 5 minutos e o resultado do diagnóstico é mostrado automaticamente na tela do smartphone.

*Com informações da Assessoria de Comunicação do CNPEM

Fonte: https://agencia.fapesp.br/33848