Тестування на метилювання ДНК у поєднанні зі смартфонами для раннього скринінгу пухлин та скринінгу лейкемії з точністю 90,0%!

Раннє виявлення раку на основі рідкої біопсії є новим напрямком виявлення та діагностики раку, запропонованого Національним інститутом раку США в останні роки, з метою виявлення раннього раку або навіть передракових уражень. Він широко використовувався як новий біомаркер для ранньої діагностики різних злоякісних новоутворень, включаючи рак легенів, пухлини шлунково -кишкового тракту, гліоми та гінекологічні пухлини.

Поява платформ для виявлення біомаркерів метилювання ландшафту (метилсекату) може значно покращити існуючий ранній скринінг на рак, ставлячи пацієнтів на самій ранній стадії, що піддається лікуванню.

Нещодавно дослідники розробили просту та пряму платформу зондування для виявлення метилювання ландшафту на основі наночастинок золотих, оформлених цистеаміном (Cyst/AuNP) у поєднанні з біосенсором на основі смартфонів, що дозволяє швидко раннього скринінгу широкого спектру пухлин. Ранні скринінг на лейкемію можна проводити протягом 15 хвилин після вилучення ДНК з зразка крові з точністю 90,0%. Назва статті-це швидке виявлення ДНК раку в крові людини за допомогою кістаміну AUNP та смартфона з підтримкою машинного навчання。

Малюнок 1. Проста і швидка зондування платформи для скринінгу раку через компоненти Cyst/AuNP може бути здійснена двома простими етапами.

Це показано на малюнку 1. По -перше, для розчинення фрагментів ДНК було використано водний розчин. Потім до змішаного розчину додавали кісту/AuNP. Нормальна і злоякісна ДНК має різні властивості метилювання, що призводить до фрагментів ДНК з різними моделями самозбірки. Нормальна ДНК агрегує вільно і врешті-решт агрегує кісту/AuNP, що призводить до червоного змінного характеру кісти/AuNP, так що зміна кольору від червоного на фіолетовий можна спостерігати неозброєним оком. На відміну від цього, унікальний профіл метилювання ДНК раку призводить до виробництва великих скупчень фрагментів ДНК.

Зображення 96-лункових табличок були зроблені за допомогою камери смартфона. ДНК раку вимірювали смартфоном, оснащеним машинним навчанням порівняно з методами на основі спектроскопії.

Скринінг раку в реальних зразках крові

Щоб розширити корисність платформи зондування, слідчі застосували датчик, який успішно розрізняв між нормальною та раковою ДНК у реальних зразках крові. Схеми метилювання на сайтах CPG епігенетично регулюють експресію генів. Практично у всіх типах раку зміни метилювання ДНК і, таким чином, в експресії генів, що сприяють пухлиггенезу, спостерігалися чергові.

Як модель для інших ракових захворювань, пов'язаних з метилюванням ДНК, дослідники використовували зразки крові у хворих на лейкемію та здоровий контроль, щоб дослідити ефективність ландшафту метилювання при диференціюванні лейкемічних раку. Цей біомаркер метилювання не лише перевищує існуючі методи скринінгу швидкого лейкемії, але й демонструє доцільність поширення до раннього виявлення широкого спектру раку, використовуючи цей простий і простий аналіз.

ДНК із зразків крові у 31 пацієнта лейкемії та 12 здорових людей аналізували. Як показано на графіку коробки на малюнку 2a, відносна поглинання зразків раку (ΔA650/525) була нижчою, ніж у ДНК із нормальних зразків. В основному це було пов’язано з посиленою гідрофобністю, що призводить до щільної агрегації ДНК раку, що запобігло агрегації кістової/аунси. Як результат, ці наночастинки були повністю дисперговані у зовнішніх шарах агрегатів раку, що призвело до іншої дисперсії кістової/AuNP, адсорбованих на нормальних та ракових агрегатах ДНК. Потім криві ROC генерували шляхом зміни порогу від мінімального значення ΔA650/525 до максимального значення.

Малюнок 2. (a) Відносні значення поглинання розчинів кісток/AuNP, що показують наявність нормальної (синьої) та раку (червоної) ДНК в оптимізованих умовах

(DA650/525) ділянок коробки; (b) РОК -аналіз та оцінка діагностичних тестів. (c) Матриця плутанини для діагностики нормальних та рак -хворих. (d) Чутливість, специфічність, позитивне прогнозне значення (PPV), негативне прогнозне значення (NPV) та точність розробленого методу.

Як показано на малюнку 2b, площа під кривою ROC (AUC = 0,9274), отримана для розвиненого датчика, виявляла високу чутливість та специфічність. Як видно з ділянки коробки, найнижча точка, що представляє нормальну групу ДНК, недостатньо відокремлена від найвищої точки, що представляє групу ДНК раку; Тому логістична регресія була використана для розмежування нормальних та груп раку. Враховуючи набір незалежних змінних, він оцінює ймовірність виникнення події, наприклад, рак або нормальна група. Залежна змінна коливається між 0 і 1. Результат, отже, є ймовірністю. Ми визначили ймовірність ідентифікації раку (P) на основі ΔA650/525 наступним чином.

де B = 5.3533, W1 = -6.965. Для класифікації зразків ймовірність менше 0,5 вказує на нормальний зразок, тоді як ймовірність 0,5 або вище вказує на зразок раку. На малюнку 2С зображена матриця плутанини, що утворюється з перехресної перевірки, що відходить, яка була використана для підтвердження стабільності методу класифікації. На малюнку 2D узагальнено оцінку діагностичного тесту методу, включаючи чутливість, специфічність, позитивне значення прогнозування (PPV) та негативне прогнозне значення (NPV).

Біосенсори на базі смартфонів

Для подальшого спрощення тестування зразків без використання спектрофотометрів дослідники використовували штучний інтелект (AI) для інтерпретації кольору рішення та розмежування нормальних та ракових людей. Враховуючи це, комп'ютерне зору використовували для перекладу кольору розчину кісти/AuNP в звичайну ДНК (фіолетову) або ракову ДНК (червоний), використовуючи зображення 96-лункових табличок, взяті через камеру мобільного телефону. Штучний інтелект може зменшити витрати та покращити доступність у інтерпретації кольору рішень наночастинок та без використання будь -яких аксесуарів для смартфонів оптичного обладнання. Нарешті, дві моделі машинного навчання, включаючи випадковий ліс (RF) та підтримуюча векторна машина (SVM), навчалися для побудови моделей. І моделі RF, і SVM правильно класифікували зразки як позитивні та негативні з точністю 90,0%. Це говорить про те, що використання штучного інтелекту в біосенсуванні на основі мобільних телефонів цілком можливе.

Малюнок 3. (a) Цільовий клас рішення, записаний під час підготовки зразка для етапу збору зображення. (b) Приклад зображення, зроблене під час етапу збору зображень. (c) Інтенсивність кольору розчину кісти/AuNP в кожній лунці 96-лункової пластини, витягнутої із зображення (b).

Використовуючи CYST/AUNP, дослідники успішно розробили просту платформу зондування для виявлення ландшафту метилювання та датчик, здатний відрізнити нормальну ДНК від ДНК раку при використанні реальних зразків крові для скринінгу лейкемії. Розвинений сенсор продемонстрував, що ДНК, екстрагуватися з реальних зразків крові, змогла швидко та економічно виявляти невелику кількість ДНК раку (3 нм) у пацієнтів лейкемії за 15 хвилин і виявив точність 95,3%. Для подальшого спрощення тестування зразків шляхом усунення потреби в спектрофотометрі було використано машинне навчання для інтерпретації кольору рішення та розмежування між нормальними та раковими особами, які використовують фотографію мобільного телефону, і точність також могла бути досягнута на рівні 90,0%.

Довідка: doi: 10.1039/d2ra05725e