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

Раннє виявлення раку на основі рідкої біопсії - це новий напрямок виявлення та діагностики раку, запропонований Національним інститутом раку США в останні роки з метою виявлення раннього раку або навіть передракових утворень. Він широко використовується як новий біомаркер для ранньої діагностики різних злоякісних новоутворень, включаючи рак легенів, пухлини шлунково-кишкового тракту, гліоми та гінекологічні пухлини.

Поява платформ для ідентифікації біомаркерів ландшафту метилювання (Methylscape) має потенціал для значного покращення існуючого раннього скринінгу раку, переводячи пацієнтів на саму ранню стадію, яку можна вилікувати.

Нещодавно дослідники розробили просту та пряму сенсорну платформу для виявлення ландшафту метилювання на основі декорованих цистеаміном наночастинок золота (Cyst/AuNP) у поєднанні з біосенсором на основі смартфона, який забезпечує швидкий ранній скринінг широкого спектру пухлин. Ранній скринінг на лейкемію можна провести протягом 15 хвилин після виділення ДНК із зразка крові з точністю 90,0%. Назва статті: Швидке виявлення ДНК раку в крові людини за допомогою блокованих цистеаміном AuNP і смартфона з підтримкою машинного навчання.

Малюнок 1. Просту та швидку сенсорну платформу для скринінгу раку за допомогою компонентів Cyst/AuNPs можна створити за два прості кроки.

Це показано на малюнку 1. Спочатку використовували водний розчин для розчинення фрагментів ДНК. Потім до змішаного розчину додавали Cyst/AuNP. Нормальна та злоякісна ДНК мають різні властивості метилювання, що призводить до фрагментів ДНК з різними моделями самоскладання. Нормальна ДНК нещільно агрегує і, зрештою, агрегує Cyst/AuNP, що призводить до червоного зміщення природи Cyst/AuNP, так що зміну кольору від червоного до фіолетового можна спостерігати неозброєним оком. Навпаки, унікальний профіль метилювання ракової ДНК призводить до виробництва більших кластерів фрагментів ДНК.

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

Скринінг раку в реальних зразках крові

Щоб розширити корисність сенсорної платформи, дослідники застосували датчик, який успішно розрізняв нормальну та ракову ДНК у реальних зразках крові. Патерни метилювання в сайтах CpG епігенетично регулюють експресію генів. Майже в усіх типах раку зміни метилювання ДНК і, таким чином, експресії генів, які сприяють пухлиноутворенню, змінюються.

Як модель для інших видів раку, пов’язаних з метилюванням ДНК, дослідники використовували зразки крові пацієнтів з лейкемією та здорових осіб з контролю, щоб дослідити ефективність ландшафту метилювання в диференціації лейкемічних раків. Цей ландшафтний біомаркер метилювання не тільки перевершує існуючі швидкі методи скринінгу на лейкемію, але також демонструє доцільність поширення на раннє виявлення широкого спектру ракових захворювань за допомогою цього простого та прямого аналізу.

Було проаналізовано ДНК зразків крові 31 хворого на лейкемію та 12 здорових осіб. як показано на прямокутному графіку на малюнку 2a, відносне поглинання зразків раку (ΔA650/525) було нижчим, ніж у ДНК з нормальних зразків. головним чином це було пов’язано з підвищеною гідрофобністю, що призвела до щільної агрегації ракової ДНК, яка перешкоджала агрегації Cyst/AuNP. У результаті ці наночастинки були повністю дисперговані у зовнішніх шарах ракових агрегатів, що призвело до різної дисперсії Cyst/AuNP, адсорбованих на нормальних і ракових агрегатах ДНК. Потім були створені криві ROC, змінюючи порогове значення від мінімального значення ΔA650/525 до максимального значення.

Рисунок 2. (a) Значення відносного поглинання розчинів кісти/AuNPs, що показує присутність нормальної (синій) і ракової (червоний) ДНК за оптимізованих умов

(DA650/525) ящикових ділянок; (b) Аналіз ROC та оцінка діагностичних тестів. (c) Матриця плутанини для діагностики здорових і онкологічних пацієнтів. (d) Чутливість, специфічність, позитивна прогностична цінність (PPV), негативна прогностична цінність (NPV) і точність розробленого методу.

Як показано на малюнку 2b, площа під кривою ROC (AUC = 0,9274), отримана для розробленого датчика, показала високу чутливість і специфічність. Як видно з прямокутного графіка, найнижча точка, що представляє нормальну групу ДНК, погано відокремлена від найвищої точки, що представляє групу ДНК раку; тому логістичну регресію використовували для розмежування між нормальними та раковими групами. Враховуючи набір незалежних змінних, він оцінює ймовірність події, такої як рак або нормальна група. Залежна змінна коливається від 0 до 1. Тому результат є ймовірністю. Ми визначили ймовірність ідентифікації раку (P) на основі ΔA650/525 наступним чином.

де b=5,3533,w1=-6,965. Для класифікації вибірки ймовірність менше 0,5 вказує на нормальний зразок, тоді як ймовірність 0,5 або вище вказує на зразок раку. На рисунку 2c зображено матрицю плутанини, сформовану в результаті перехресної перевірки, яка була використана для перевірки стабільності методу класифікації. На малюнку 2d наведено оцінку діагностичного тесту методу, включаючи чутливість, специфічність, позитивну прогностичну цінність (PPV) і негативну прогностичну цінність (NPV).

Біосенсори на основі смартфонів

Щоб ще більше спростити тестування зразків без використання спектрофотометрів, дослідники використали штучний інтелект (ШІ), щоб інтерпретувати колір розчину та розрізняти здорових і ракових людей. Враховуючи це, комп’ютерний зір використовувався для перетворення кольору розчину Cyst/AuNPs у нормальну ДНК (фіолетовий) або ракову ДНК (червоний) за допомогою зображень 96-лункових планшетів, зроблених камерою мобільного телефону. Штучний інтелект може зменшити витрати та покращити доступність для інтерпретації кольору розчинів наночастинок без використання будь-яких оптичних апаратних аксесуарів для смартфонів. Нарешті, дві моделі машинного навчання, включаючи Random Forest (RF) і Support Vector Machine (SVM), були навчені створювати моделі. обидві моделі RF і SVM правильно класифікували зразки як позитивні та негативні з точністю 90,0%. Це свідчить про те, що використання штучного інтелекту в біодатчику на основі мобільних телефонів цілком можливо.

Рисунок 3. (a) Цільовий клас розчину, записаний під час підготовки зразка для етапу отримання зображення. (b) Приклад зображення, зроблене під час етапу отримання зображення. (c) Інтенсивність кольору розчину кісти/AuNPs у кожній лунці 96-лункового планшета, вилученого із зображення (b).

Використовуючи Cyst/AuNP, дослідники успішно розробили просту сенсорну платформу для виявлення ландшафту метилювання та датчик, здатний відрізняти нормальну ДНК від ДНК раку при використанні реальних зразків крові для скринінгу на лейкемію. Розроблений датчик продемонстрував, що ДНК, виділена зі зразків реальної крові, здатна швидко та економічно ефективно виявляти невеликі кількості ракової ДНК (3 нМ) у пацієнтів з лейкемією за 15 хвилин, і показала точність 95,3%. Щоб ще більше спростити тестування зразків, усунувши потребу в спектрофотометрі, було використано машинне навчання для інтерпретації кольору розчину та розрізнення між нормальними та раковими особами за допомогою фотографії мобільного телефону, і точність також була досягнута на рівні 90,0%.

Посилання: DOI: 10.1039/d2ra05725e