Beyin doku kesitlerinde raman spektroskopi ve mikroskopisi kullanılarak doku tipi, moleküler kompozisyon, ve glioblastoma tespiti

Glioblastoma (GB) en sık görülen birincil malign beyin tümörüdür. Tedavilerdeki gelişmelere rağmen, son 20 yılda çoğu hasta için hayatta kalma olasılığı 2 yıldan daha kısa kalmıştır. GB'nin doğru teşhisi, rutin veya özel boyama ile birlikte ışık mikroskobu kullanılarak tümör dokularının patolojik değerlendirmesini gerektirir. Yakın zamanda yapılan araştırmalar, rutin patolojik değerlendirmeye ek olarak tanı ve tedaviyi etkileyen önemli genetik/epigenetik değişiklikleri de tespit etmiştir. Tümör tespiti, dokunun birçok kez örneklenmesini ve ek zaman, kaynak ve uzmanlık gerektiren farklı yöntemler kullanılarak analiz edilmesini gerektirir. Rutin analiz için kullanılan dokunun boyama veya genetik analiz yapmadan daha detaylı ve kapsamlı analiz yapmak için kullanılıp kullanılamayacağını belirlemek için etiketsiz ve tahribatsız bir teknik olan Raman Spektroskopisini (RS) kullanmayı öneriyoruz. RS, hızlı analiz için bir numunenin kimyasal bileşiminden moleküle özgü spektrumlar ölçülmesini sağlar. Bu tezde, rutin histomorfolojik tanı sürecindekine benzer bir tanı hassasiyetinin elde edilip edilemeyeceğini belirlemek için RS kullanarak glioblastoma, beyaz madde (BM), gri madde (GM) ve nekroz (NK) bölgelerini araştırdık. İlk olarak, parafinin güçlü Raman spektrumunu ortadan kaldırmak için, doku morfolojisini ve kimyasal bileşimi bozmadan, formalin ile fikse edilmiş parafine gömülü beyin dokusu kesitlerinden parafini etkili bir şekilde temizlemek için geliştirdiğimiz bir protokol önerdik. İkinci olarak, Raman spektrum ölçüm parametreleri (uyarma dalga boyu, edinim süresi, ölçüm sayısı), doku kalınlığı ve Raman alttaş türü (CaF2, cam) seçimini optimize ettik. Üçüncüsü, GB, BM, GM ve NK bölgelerinin Raman spektrumlarını ölçtük ve elde ettiğimiz spektral profillerini literatürde verilen Raman pikleri ile analiz ettik. Uzman bir nöropatolog tarafından belirlenmiş GB ve BM bölgelerinin (nGB = 20, nWM = 18) Raman spektrumları, makine öğrenimi modelleri kullanılarak %87.2±1 GB ve %90.7±1 BM eğitim / test doğruluğu ile sınıflanmıştır. Raman spektrumlarının ön işlenmesinin sınıflandırma doğruluklarına etkisi araştırılmıştır. Örnek hazırlama koşulları, Raman ölçüm protokolleri ve makine öğrenimi sınıflama modelleri, önerilen Raman temelli GB tanımlama iş akışının başarıyla uygulandığını göstermektedir. Gelişmiş eğitim ve test doğrulukları için makine öğrenimi modellerinin daha da çalışılması gerekse de, bu protokoller ileride klinikte fayda sağlamak üzere geliştirilebilir. Bu tekniklerin kliniğe uygulanabilirliği ve daha yüksek örneklemle ilerletilen sınıflandırma doğruluğu gösterildikten sonra, bu protokoller kliniklerde patologlara GB'nin daha yüksek doğrulukla tanımlanmasında yardımcı olabilir.