Testiranje DNA metilacije u kombinaciji s pametnim telefonima za rani probir tumora i leukemije s točnošću od 90,0%!

Rano otkrivanje raka na temelju tekuće biopsije novi je smjer otkrivanja i dijagnostike raka koji je posljednjih godina predložio američki Nacionalni institut za rak, s ciljem otkrivanja ranog raka ili čak prekanceroznih lezija. Naširoko se koristi kao novi biomarker za ranu dijagnozu raznih zloćudnih bolesti, uključujući rak pluća, gastrointestinalne tumore, gliome i ginekološke tumore.

Pojava platformi za identifikaciju biomarkera krajolika metilacije (Methylscape) ima potencijal značajno poboljšati postojeći rani probir za rak, stavljajući pacijente u najraniju fazu liječenja.

Nedavno su istraživači razvili jednostavnu i izravnu senzorsku platformu za detekciju krajolika metilacije koja se temelji na zlatnim nanočesticama ukrašenim cisteaminom (Cyst/AuNP) u kombinaciji s biosenzorom temeljenim na pametnom telefonu koji omogućuje brzi rani pregled širokog spektra tumora. Rani probir na leukemiju može se provesti unutar 15 minuta nakon ekstrakcije DNA iz uzorka krvi, s točnošću od 90,0%. Naslov članka je Brzo otkrivanje DNK raka u ljudskoj krvi pomoću AuNP-ova s ​​cisteaminom i pametnog telefona s omogućenim strojnim učenjem.

Slika 1. Jednostavna i brza platforma za otkrivanje raka putem komponenata Cyst/AuNPs može se postići u dva jednostavna koraka.

To je prikazano na slici 1. Najprije je vodena otopina korištena za otapanje fragmenata DNA. Cista/AuNP su zatim dodani u miješanu otopinu. Normalna i maligna DNA imaju različita svojstva metilacije, što rezultira fragmentima DNA s različitim obrascima samosastavljanja. Normalna DNK se labavo nakuplja i na kraju nakuplja ciste/AuNP-ove, što rezultira crvenim pomakom prirode cista/AuNP-ova, tako da se promjena boje iz crvene u ljubičastu može uočiti golim okom. Nasuprot tome, jedinstveni profil metilacije DNK raka dovodi do proizvodnje većih skupina fragmenata DNK.

Slike ploča s 96 jažica snimljene su kamerom pametnog telefona. DNK raka mjeren je pametnim telefonom opremljenim strojnim učenjem u usporedbi s metodama temeljenim na spektroskopiji.

Probir raka u pravim uzorcima krvi

Kako bi proširili korisnost senzorske platforme, istraživači su primijenili senzor koji je uspješno razlikovao normalnu i kancerogenu DNK u stvarnim uzorcima krvi. obrasci metilacije na CpG mjestima epigenetski reguliraju ekspresiju gena. U gotovo svim tipovima raka, primijećeno je da se promjene u metilaciji DNA, a time i u ekspresiji gena koji potiču tumorogenezu, izmjenjuju.

Kao model za druge vrste raka povezane s metilacijom DNA, istraživači su koristili uzorke krvi pacijenata s leukemijom i zdravih kontrola kako bi istražili učinkovitost metilacijskog krajolika u razlikovanju leukemijskih karcinoma. Ovaj biomarker krajolika metilacije ne samo da nadmašuje postojeće metode brzog probira leukemije, već također pokazuje izvedivost proširenja na rano otkrivanje širokog spektra karcinoma pomoću ovog jednostavnog i izravnog testa.

Analiziran je DNK iz uzoraka krvi 31 pacijenta s leukemijom i 12 zdravih osoba. kao što je prikazano u dijagramu na slici 2a, relativna apsorbancija uzoraka raka (ΔA650/525) bila je niža od one DNK iz normalnih uzoraka. to je uglavnom bilo zbog pojačane hidrofobnosti koja je dovela do guste agregacije DNK raka, što je spriječilo agregaciju cista/AuNP-ova. Kao rezultat toga, te su nanočestice potpuno raspršene u vanjskim slojevima agregata raka, što je rezultiralo različitom disperzijom Cyst/AuNP-ova adsorbiranih na agregatima normalne i raka DNK. Zatim su generirane ROC krivulje mijenjanjem praga od minimalne vrijednosti ΔA650/525 do maksimalne vrijednosti.

Slika 2. (a) Vrijednosti relativne apsorbancije cista/AuNPs otopina koje pokazuju prisutnost normalne (plavo) i raka (crveno) DNK u optimiziranim uvjetima

(DA650/525) kutijastih parcela; (b) ROC analiza i evaluacija dijagnostičkih testova. (c) Matrica zabune za dijagnozu normalnih pacijenata i pacijenata s rakom. (d) Osjetljivost, specifičnost, pozitivna prediktivna vrijednost (PPV), negativna prediktivna vrijednost (NPV) i točnost razvijene metode.

Kao što je prikazano na slici 2b, površina ispod ROC krivulje (AUC = 0,9274) dobivena za razvijeni senzor pokazala je visoku osjetljivost i specifičnost. Kao što se može vidjeti iz okvirnog dijagrama, najniža točka koja predstavlja normalnu DNK skupinu nije dobro odvojena od najviše točke koja predstavlja DNK skupinu raka; stoga je korištena logistička regresija za razlikovanje između normalnih i skupina s rakom. S obzirom na skup nezavisnih varijabli, procjenjuje se vjerojatnost događanja događaja, poput raka ili normalne skupine. Zavisna varijabla kreće se između 0 i 1. Rezultat je stoga vjerojatnost. Odredili smo vjerojatnost identifikacije raka (P) na temelju ΔA650/525 kako slijedi.

gdje je b=5,3533,w1=-6,965. Za klasifikaciju uzorka, vjerojatnost manja od 0,5 označava normalan uzorak, dok vjerojatnost od 0,5 ili veća ukazuje na uzorak raka. Slika 2c prikazuje matricu zabune generiranu unakrsnom provjerom valjanosti koja je korištena za provjeru stabilnosti metode klasifikacije. Slika 2d sažima dijagnostičku procjenu metode, uključujući osjetljivost, specifičnost, pozitivnu prediktivnu vrijednost (PPV) i negativnu prediktivnu vrijednost (NPV).

Biosenzori temeljeni na pametnim telefonima

Kako bi dodatno pojednostavili testiranje uzoraka bez upotrebe spektrofotometara, istraživači su upotrijebili umjetnu inteligenciju (AI) za tumačenje boje otopine i razlikovanje između normalnih i kancerogenih pojedinaca. S obzirom na to, korišten je računalni vid za prevođenje boje otopine Cyst/AuNPs u normalnu DNK (ljubičastu) ili kancerogenu DNK (crvenu) pomoću slika ploča s 96 jažica snimljenih kamerom mobilnog telefona. Umjetna inteligencija može smanjiti troškove i poboljšati dostupnost u tumačenju boja otopina nanočestica, i to bez upotrebe bilo kakvog optičkog hardverskog pribora pametnog telefona. Konačno, dva modela strojnog učenja, uključujući Random Forest (RF) i Support Vector Machine (SVM) obučeni su za konstruiranje modela. i RF i SVM modeli ispravno su klasificirali uzorke kao pozitivne i negativne s točnošću od 90,0%. To sugerira da je upotreba umjetne inteligencije u biosenziranju temeljenom na mobilnim telefonima sasvim moguća.

Slika 3. (a) Ciljna klasa otopine snimljena tijekom pripreme uzorka za korak snimanja slike. (b) Primjer slike snimljene tijekom koraka snimanja slike. (c) Intenzitet boje otopine cista/AuNPs u svakoj jažici ploče s 96 jažica ekstrahiranoj sa slike (b).

Koristeći Cyst/AuNP, istraživači su uspješno razvili jednostavnu senzorsku platformu za detekciju krajolika metilacije i senzor koji može razlikovati normalnu DNK od DNK raka kada koriste prave uzorke krvi za probir leukemije. Razvijeni senzor pokazao je da je DNK ekstrahirana iz pravih uzoraka krvi bila u stanju brzo i isplativo detektirati male količine DNK raka (3nM) kod pacijenata s leukemijom u 15 minuta, i pokazala je točnost od 95,3%. Kako bi se dodatno pojednostavilo testiranje uzorka eliminiranjem potrebe za spektrofotometrom, korišteno je strojno učenje za tumačenje boje otopine i razlikovanje između normalnih i kancerogenih osoba pomoću fotografije mobilnog telefona, a točnost se također mogla postići od 90,0%.

Referenca: DOI: 10.1039/d2ra05725e