Tesis

Studi Metabolomik Pada Pasien Kanker Payudara Penentuan Profil Kandidat Biomarker Untuk Diagnosis = Metabolomics Study in Breast Cancer Patients Determination Biomarker Candidate Profiles For Diagnosis.

Latar Belakang: kanker payudara merupakan insiden terbanyak yang sering didiagnosis pada wanita setelah kanker paru dengan tingkat mortalitas yang cukup tinggi baik di dunia maupun di Indonesia.. Pasien dengan kanker payudara di Indonesia yang berobat dan didiagnosis kanker payudara sering datang pada stadium lanjut (Advance). Metode screening konvensional selama ini yaitu dengan anamnesis, pemeriksaan klinis dan pemeriksaan penunjang dengan menggunakan USG, Mammografi, MRI untuk imaging nya, kemudian dilanjutkan dengan biopsy jaringan, baik itu dengan core needle biopsy maupun biopsy insisi. Metode ini prosedur yang invasive dan butuh biaya serta waktu yang cukup lama untuk konfirmasi hasilnya sedangkan perjalanan penyakit akan berjalan terus. Maka dibutuhkan metode alternatif lain untuk screening dini yaitu dengan cara memeriksa biomarker dari metabolit plasma darah. Dari Analisis metabolomik ini mempunyai potensi untuk mengidentifikasi kandidat biomarker untuk diagnosis dini Kanker payudara . Penelitian ini menggunakan analisis metabolomik GCMS untargeted dari plasma darah pasien kanker payudara dan control sehat, yang divalidasikan dengan orange data mining dari machine learning , untuk mengidentifikasi kandidat biomarker kanker Payudara. Metode: Penelitian ini adalah Cross sectional studi dengan Sampel dari plasma darah pasien kanker payudara 45 sample dan 45 kontrol sehat, dilakukan optimasi dan dianalisis menggunakan kromatografi gas-spektrometri massa (GC-MS) tanpa target. Perbedaan profil metabolik antara kedua kelompok diperiksa secara komprehensif menggunakan analisis diskriminan univariat dan multivariat untuk mengidentifikasi kandidat biomarker potensial. Pendekatan algoritma machine learning digunakan untuk memvalidasi biomarker yang terpilih. Hasil: Dari 301 metabolit yang teridentifikasi dilakukan alignment dihasilkan 93 metabolit teridentifikasi dan setelah dilakukan kurasi manual diidentifikasi sebanyak 10 metabolit sebagai kandidat biomarker potensial, yang berasal dari kelompok karbohidrat, asam organik, dan asam amino, dan 5 metabolit dengan konsentrasi yang lebih tinggi yaitu lactic acid, D-glucose, L-Hidroxiproline, Citric acid, Glutamic acid setelah dikoreksi p value FDR Secara statistic dengan p < 0,01 hanya 3 metabolit yang signifikan yaitu lactic acid D-Glucose dan L-Hydroxyproline. Jalur-jalur metabolisme yang terlibat meliputi metabolisme arginin dan prolin, glikolisis/glukoneogenesis, dan metabolisme alanin, aspartat, dan glutamat. Dengan area di bawah kurva (AUC) lebih besar dari 0,818 dan dengan akurasi melebihi 92,2% dengan sensitivitas 0,933 dan spesifisitas 0,911 baik dengan model Neural Network maupun dengan model SVM, validasi pembelajaran mesin menunjukkan hasil yang baik untuk metabolit ini sebagai kandidat biomarker untuk kanker payudara. Kesimpulan: Terdapat perbedaan profil metabolit pada pasien kanker payudara dan sehat control yang dapat dijadikan sebagai kandidat biomarker yang potensial untuk pasien kanker payudaran dengan cara analisis metabolomik plasma Untargeted menggunakan GC-MS dan validasi dengan algoritma machine learning.
Kata kunci : kanker payudara, plasma darah, metabolomik, GC-MS, orange data mining, machine learning


Background: Breast cancer is the most common incident diagnosed in women after lung cancer with a fairly high mortality rate both in the world and in Indonesia. Patients with breast cancer in Indonesia who seek treatment and are diagnosed with breast cancer often come at an advanced stage. Conventional screening methods so far have been with anamnesis, clinical examination and supporting examinations using USG, Mammography, MRI for imaging, then continued with tissue biopsy, either with core needle biopsy or incision biopsy. This method is an invasive procedure and requires a long cost and time to confirm the results while the course of the disease will continue. So another alternative method is needed for early screening, namely by examining biomarkers from blood plasma metabolites. From this metabolomic analysis, it has the potential to identify candidate biomarkers for early diagnosis of breast cancer. This study uses untargeted GC-MS metabolomic analysis of blood plasma of breast cancer patients and healthy controls, which is validated with orange data mining from machine learning, to identify candidate breast cancer biomarkers. Method: This study was a cross-sectional study with samples from blood plasma of 45 breast cancer patients and 45 healthy controls, optimized and analyzed using untargeted gas chromatography-mass spectrometry (GC-MS). The differences in metabolic profiles between the two groups were comprehensively examined using univariate and multivariate discriminant analysis to identify potential biomarker candidates. A machine learning algorithm approach was used to validate the selected biomarkers. Results: Of the 301 identified metabolites, alignment resulted in 93 identified metabolites and after manual curation, 10 metabolites were identified as potential biomarker candidates, originating from the carbohydrate, organic acid, and amino acid groups, and 5 metabolites with higher concentrations, namely lactic acid, D-glucose, LHydroxyproline, Citric acid, Glutamic acid after being corrected for the FDR p value Statistically with p < 0.01 only 3 metabolites were significant, namely lactic acid DGlucose and L-Hydroxyproline. The metabolic pathways involved include arginine and proline metabolism, glycolysis/gluconeogenesis, and alanine, aspartate, and glutamate metabolism. With an area under the curve (AUC) greater than 0.818 and with an accuracy exceeding 92.2% with a sensitivity of 0.933 and a specificity of 0.911 both with the Neural Network model and the SVM model, machine learning validation showed good results for these metabolites as biomarker candidates for breast cancer. Conclusion: There are differences in metabolite profiles in breast cancer patients and healthy controls that can be used as potential biomarker candidates for breast cancer patients by analyzing untargeted plasma metabolomics using GC-MS and validating with machine learning algorithms.
Keywords : breast cancer, blood plasma, metabolomics, GC-MS, orange data mining, machine learning