Tesis

Analisis Profil Metabolom pada Plasma Darah Pasien Kanker Payudara = Metabolome profile analysis in blood plasma of breast cancer patients.

Latar Belakang: Kanker payudara adalah jenis kanker paling umum dengan mayoritas kasus di Indonesia terdiagnosis pada stadium lanjut. Analisis metabolomik berpotensi mendeteksi biomarker untuk diagnosis dini. Penelitian ini menggunakan analisis metabolomik plasma darah pasien kanker payudara yang divalidasi dengan machine learning untuk mengidentifikasi profil metabolom dan menemukan biomarker potensial. Metode: Sebanyak 24 pasien kanker payudara dan 24 kontrol sehat dianalisis plasma darahnya dan dilakukan analisis secara untargeted dengan GC-MS. Identifikasi perbedaan profil kedua kelompok dianalisis secara komprehensif dengan univariat dan multivariat diskriminan untuk mendapatkan potensial biomarker. Pendekatan dengan algoritma machine learning digunakan untuk validasi biomarker terpilih. Hasil: Sebanyak 5 metabolit terpilih sebagai potensial kandidat biomarker yang berasal dari kelompok karbohidrat, asam organik, dan asam amino, dengan konsentrasi yang lebih tinggi pada kanker payudara. Pathway metabolik yang terlibat meliputi metabolisme arginin dan prolin, glikolisis/glukoneogenesis, serta metabolisme alanin, aspartat, dan glutamat. Dengan AUC lebih dari 0,8 dan akurasi lebih dari 80%, validasi machine learning menunjukkan hasil yang baik untuk metabolit ini sebagai biomarker potensial kanker payudara. Kesimpulan: Kombinasi analisis metabolomik plasma darah secara untargeted menggunakan GC-MS dan validasi dengan algoritma machine learning dapat mengidentifikasi profil metabolit kanker payudara dan menemukan potensial biomarker
Kata kunci : kanker payudara, metabolomik, machine learning


Background: Breast cancer is the most common type of cancer, with the majority of cases in Indonesia diagnosed at an advanced stage. Metabolomic analysis has the potential to detect biomarkers for early diagnosis. This study employs metabolomic analysis of plasma from breast cancer patients, validated with machine learning, to identify metabolomic profiles and discover potential biomarkers. Methods: Plasma samples from 24 breast cancer patients and 24 healthy controls were analyzed using untargeted gas chromatography-mass spectrometry (GC-MS). Differences in metabolic profiles between the two groups were comprehensively examined using univariate and multivariate discriminant analyses to identify potential biomarker. Some machine learning algorithms were utilized to validate the selected biomarkers. Results: Five metabolites were identified as potential biomarker candidates, originating from carbohydrate, organic acid, and amino acid groups, with higher concentrations in breast cancer patients. The involved metabolic pathways include arginine and proline metabolism, glycolysis/gluconeogenesis, and alanine, aspartate, and glutamate metabolism. With an area under the curve (AUC) greater than 0.8 and accuracy exceeding 80%, machine learning validation demonstrated favorable results for these metabolites as potential biomarkers for breast cancer. Conclusions: The combination of untargeted plasma metabolomic analysis using GC-MS and validation with machine learning algorithms can effectively identify the metabolic profiles of breast cancer and discover potential biomarker.
Keywords : breast cancer, metabolomics, machine learning