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

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

Pojava platformi za identificiranje biomarkera metilacijskog (metilskara) može značajno poboljšati postojeći rani probir raka, što pacijenti stavljaju u najraniju fazu liječenja.

Nedavno su istraživači razvili jednostavnu i izravnu senzirajuću platformu za otkrivanje pejzaža metilacije na temelju cisteaminskog ukrašenih zlatnih nanočestica (Cyst/AuNPS) u kombinaciji s biosenzorom temeljenim na pametnom telefonu koji omogućava brz rani pregled širokog raspona tumora. Rani probir leukemije može se izvesti u roku od 15 minuta nakon ekstrakcije DNK iz uzorka krvi, s točnošću od 90,0%. Naslov članka je brzo otkrivanje DNK raka u ljudskoj krvi pomoću Cysteamin-ovih AuNP-a i pametnog telefona s omogućenim strojnim učenjem。

Slika 1. Jednostavna i brzo senzorska platforma za probir raka putem komponenti Cyst/AuNPS može se postići u dva jednostavna koraka.

To je prikazano na slici 1., prvo je vodena otopina korištena za otapanje fragmenata DNK. Cyst/AuNP -ovi su zatim dodani u miješanu otopinu. Normalna i zloćudna DNA imaju različita svojstva metilacije, što rezultira fragmentima DNA s različitim obrascima samo-sklapanja. Normalni agregati DNK lagano i na kraju agregiraju ciste/auNP-ove, što rezultira crvenom pomakom prirodom ciste/auNP-a, tako da se s golim okom može primijetiti promjena u boji iz crvene u ljubičastu. Suprotno tome, jedinstveni profil metilacije DNK raka dovodi do proizvodnje većih klastera fragmenata DNA.

Slike ploča s 96 jažica snimljene su pomoću kamere pametnih telefona. DNK raka izmjeren je pametnim telefonom opremljenim strojnim učenjem u usporedbi s metodama temeljenim na spektroskopiji.

Pregled raka u stvarnim uzorcima krvi

Kako bi proširili korisnost senzorne platforme, istraživači su primijenili senzor koji je uspješno razlikovao normalnu i karcinolnu DNK u stvarnim uzorcima krvi. Uzorci metilacije na CPG mjestima epigenetički reguliraju ekspresiju gena. U gotovo svim tipovima karcinoma, primijećene su promjene u metilaciji DNA i na taj način u ekspresiji gena koji promiču tumourigenezu.

Kao model ostalih karcinoma povezanih s metilacijom DNA, istraživači su koristili uzorke krvi od bolesnika s leukemijom i zdrave kontrole kako bi istražili učinkovitost pejzaža metilacije u razlikovanju leukamijskog karcinoma. Ovaj biomarker metilacije ne samo da nadmašuje postojeće brze metode probira leukemije, već također pokazuje izvedivost proširenja do ranog otkrivanja širokog raspona karcinoma pomoću ovog jednostavnog i izravnog ispitivanja.

Analizirana je DNK iz uzoraka krvi od 31 bolesnika s leukemijom i 12 zdravih pojedinaca. Kao što je prikazano na okviru na slici 2A, relativna apsorpcija uzoraka raka (ΔA650/525) bila je niža od one DNK iz normalnih uzoraka. To je uglavnom zbog pojačane hidrofobnosti što je dovelo do guste agregacije DNK raka, što je spriječilo agregaciju ciste/AuNP -a. Kao rezultat toga, ove nanočestice su se potpuno raspršile u vanjskim slojevima agregata raka, što je rezultiralo različitom disperzijom ciste/AuNP -a adsorbiranih na normalnim agregatima DNK raka. Roc krivulje su zatim generirane promjenom praga od minimalne vrijednosti ΔA650/525 do maksimalne vrijednosti.

Slika 2. (a) Relativne vrijednosti apsorpcije otopina ciste/auNPS -a koje pokazuju prisutnost normalne (plave) i raka (crvene) DNA u optimiziranim uvjetima

(DA650/525) okvira za parcele; (b) ROC analiza i procjena dijagnostičkih testova. (c) Matrica zabune za dijagnozu normalnih i karcinoma. (D) Osjetljivost, specifičnost, pozitivna prediktivna vrijednost (PPV), negativna prediktivna vrijednost (NPV) i točnost razvijene metode.

Kao što je prikazano na slici 2B, područje ispod ROC krivulje (AUC = 0,9274) dobiveno za razvijeni senzor pokazalo je visoku osjetljivost i specifičnost. Kao što se može vidjeti s okvira, najniža točka koja predstavlja normalnu DNK skupinu nije dobro odvojena od najviše točke koja predstavlja grupu DNK raka; Stoga je logistička regresija korištena za razlikovanje normalnih i skupina raka. S obzirom na skup neovisnih varijabli, procjenjuje vjerojatnost da će se događaj dogoditi, poput raka ili normalne skupine. Ovisna varijabla raspon između 0 i 1. rezultat je, dakle, vjerojatnost. Utvrdili 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 ukazuje na normalan uzorak, dok vjerojatnost od 0,5 ili više ukazuje na uzorak raka. Slika 2C prikazuje matricu zbrke generiranu iz unakrsne validacije napuštanja, koja je korištena za potvrđivanje stabilnosti metode klasifikacije. Slika 2D sažima dijagnostičku procjenu ispitivanja metode, uključujući osjetljivost, specifičnost, pozitivnu prediktivnu vrijednost (PPV) i negativnu prediktivnu vrijednost (NPV).

Biosenzori temeljeni na pametnim telefonom

Kako bi dodatno pojednostavili testiranje uzoraka bez upotrebe spektrofotometra, istraživači su koristili umjetnu inteligenciju (AI) za tumačenje boje otopine i razlikovati normalne i karcinozne pojedince. S obzirom na to, računalni vid korišten je za prevođenje boje otopine Cyst/AuNPS u normalnu DNK (ljubičasta) ili kanceroznu DNK (crvena) koristeći slike ploča s 96 jažica snimljenih putem kamere mobilnog telefona. Umjetna inteligencija može smanjiti troškove i poboljšati pristupačnost u tumačenju boje rješenja nanočestica, a bez upotrebe bilo kakvih dodataka za pametne telefone optičkog hardvera. Konačno, dva modela strojnog učenja, uključujući slučajne šume (RF) i podršku vektora (SVM), osposobljena su za izgradnju modela. I RF i SVM modeli ispravno su klasificirali uzorke kao pozitivne i negativne s točnošću od 90,0%. Ovo sugerira da je upotreba umjetne inteligencije u biosenziranju na mobilnim telefonom sasvim moguća.

Slika 3. (a) Ciljna klasa otopine zabilježene tijekom pripreme uzorka za korak stjecanja slike. (b) Primjer slike snimljene tijekom koraka stjecanja slike. (c) Intenzitet boje otopine ciste/auNPS u svakoj jažici ploče s 96 jažica izvađenom iz slike (b).

Koristeći Cyst/AuNPS, istraživači su uspješno razvili jednostavnu senzornu platformu za otkrivanje pejzaža metilacije i senzor koji je sposoban razlikovati normalnu DNK od DNK raka kada koriste stvarne uzorke krvi za probir leukemije. Razvijeni senzor pokazao je da DNK ekstrahiran iz stvarnih uzoraka krvi može brzo i isplativo otkriti male količine DNA raka (3NM) u bolesnika s leukemijom u 15 minuta, te je pokazao točnost od 95,3%. Da bi se dodatno pojednostavio testiranje uzoraka uklanjanjem potrebe za spektrofotometrom, strojno učenje korišteno je za tumačenje boje otopine i razlikovanje normalnih i karcinoma pomoću fotografije mobilnog telefona, a točnost se također mogla postići na 90,0%.

Referenca: doi: 10.1039/d2ra05725e