DNA-metylaatiotestaus yhdistettynä älypuhelimiin kasvainten varhaiseen seulomiseen ja leukemiaseulontaan 90,0 %:n tarkkuudella!

Syövän varhainen havaitseminen nestebiopsian perusteella on Yhdysvaltain kansallisen syöpäinstituutin viime vuosina ehdottama uusi suunta syövän havaitsemisessa ja diagnosoinnissa, jonka tavoitteena on havaita varhainen syöpä tai jopa syövän esiasteet. Sitä on käytetty laajasti uutena biomarkkerina erilaisten pahanlaatuisten kasvainten, mukaan lukien keuhkosyövän, maha-suolikanavan kasvainten, glioomien ja gynekologisten kasvainten varhaiseen diagnosointiin.

Metylaatiomaiseman (Methylscape) biomarkkerien tunnistamiseen tarkoitettujen alustojen syntyminen voi parantaa merkittävästi olemassa olevaa varhaista syövän seulontaa, jolloin potilaat ovat varhaisessa hoidettavissa olevassa vaiheessa.

Äskettäin tutkijat ovat kehittäneet yksinkertaisen ja suoran tunnistusalustan metylaatiomaiseman havaitsemiseen, joka perustuu kysteamiinilla koristeltuihin kultananohiukkasiin (Cyst/AuNP) yhdistettynä älypuhelimeen perustuvaan biosensoriin, joka mahdollistaa useiden kasvainten nopean varhaisen seulonnan. Leukemian varhainen seulonta voidaan tehdä 15 minuutin sisällä DNA:n erottamisesta verinäytteestä 90,0 prosentin tarkkuudella. Artikkelin otsikko on Syöpä-DNA:n nopea havaitseminen ihmisen verestä käyttämällä kysteamiinikorkista AuNP:tä ja koneoppimista tukevaa älypuhelinta.

Kuva 1. Yksinkertainen ja nopea tunnistusalusta syöpäseulonnalle Cyst/AuNPs-komponenttien avulla voidaan toteuttaa kahdessa yksinkertaisessa vaiheessa.

Tämä on esitetty kuviossa 1. Ensin DNA-fragmenttien liuottamiseen käytettiin vesiliuosta. Kyst/AuNP:t lisättiin sitten sekoitettuun liuokseen. Normaalilla ja pahanlaatuisella DNA:lla on erilaiset metylaatioominaisuudet, mikä johtaa DNA-fragmentteihin, joilla on erilaiset itsekokoamismallit. Normaali DNA aggregoituu löyhästi ja lopulta aggregoi Cyst/AuNP:t, mikä johtaa kyst/AuNP:iden punasiirtyneeseen luonteeseen, joten värin muutos punaisesta purppuraan voidaan havaita paljaalla silmällä. Sitä vastoin syöpä-DNA:n ainutlaatuinen metylaatioprofiili johtaa suurempien DNA-fragmenttien klustereiden muodostumiseen.

Kuvia 96-kuoppaisista levyistä otettiin älypuhelimen kameralla. Syövän DNA:ta mitattiin älypuhelimella, jossa oli koneoppiminen verrattuna spektroskopiaan perustuviin menetelmiin.

Syövän seulonta oikeilla verinäytteillä

Laajentaakseen tunnistusalustan käyttökelpoisuutta tutkijat käyttivät sensoria, joka onnistui erottamaan normaalin ja syövän DNA:n oikeissa verinäytteissä. Metylaatiomallit CpG-kohdissa säätelevät epigeneettisesti geeniekspressiota. Lähes kaikissa syöpätyypeissä muutosten DNA:n metylaatiossa ja siten tuumorigeneesiä edistävien geenien ilmentymisessä on havaittu vuorottelevan.

Muiden DNA-metylaatioon liittyvien syöpien mallina tutkijat käyttivät leukemiapotilaiden ja terveiden kontrollien verinäytteitä tutkiakseen metylaatiomaiseman tehokkuutta leukeemisten syöpien erottamisessa. Tämä metylaatiomaiseman biomarkkeri ei ainoastaan ​​ylitä olemassa olevia nopeita leukemiaseulontamenetelmiä, vaan se osoittaa myös, että on mahdollista laajentaa useiden syöpien varhaiseen havaitsemiseen käyttämällä tätä yksinkertaista ja suoraviivaista määritystä.

DNA analysoitiin 31 leukemiapotilaan ja 12 terveen henkilön verinäytteistä. kuten kuvion 2a laatikkokäyrässä on esitetty, syöpänäytteiden suhteellinen absorbanssi (AA650/525) oli pienempi kuin normaaleista näytteistä saadun DNA:n. tämä johtui pääasiassa lisääntyneestä hydrofobisuudesta, joka johti syöpä-DNA:n tiheään aggregaatioon, mikä esti kyst/AuNP:iden aggregoitumisen. Tämän seurauksena nämä nanopartikkelit dispergoituivat täysin syöpäaggregaattien ulkokerroksiin, mikä johti normaaliin ja syöpä-DNA-aggregaatteihin adsorboituneiden kyst/AuNP:iden erilaiseen dispersioon. Sitten muodostettiin ROC-käyrät muuttamalla kynnystä minimiarvosta ΔA650/525 maksimiarvoon.

Kuva 2.(a) Kysta/AuNP-liuosten suhteelliset absorbanssiarvot, jotka osoittavat normaalin (sininen) ja syövän (punainen) dna:n läsnäolon optimoiduissa olosuhteissa

(DA650/525) laatikkotontteja; b) ROC-analyysi ja diagnostisten testien arviointi. (c) Sekaannusmatriisi normaalien ja syöpäpotilaiden diagnosointiin. (d) Herkkyys, spesifisyys, positiivinen ennustearvo (PPV), negatiivinen ennustearvo (NPV) ja kehitetyn menetelmän tarkkuus.

Kuten kuvasta 2b näkyy, kehitetylle anturille saatu ROC-käyrän alla oleva pinta-ala (AUC = 0,9274) osoitti suurta herkkyyttä ja spesifisyyttä. Kuten laatikkokaaviosta voidaan nähdä, alin piste, joka edustaa normaalia DNA-ryhmää, ei ole hyvin erotettu korkeimmasta pisteestä, joka edustaa syövän DNA-ryhmää; siksi logistista regressiota käytettiin erottamaan normaalit ja syöpäryhmät. Riippumattomien muuttujien joukon perusteella se arvioi tapahtuman, kuten syövän tai normaalin ryhmän, esiintymisen todennäköisyyden. Riippuva muuttuja on välillä 0 ja 1. Tulos on siis todennäköisyys. Määritimme syövän tunnistamisen todennäköisyyden (P) ΔA650/525:n perusteella seuraavasti.

jossa b = 5,3533, w1 = -6,965. Näytteen luokittelussa todennäköisyys alle 0,5 tarkoittaa normaalia näytettä, kun taas todennäköisyys 0,5 tai suurempi tarkoittaa syöpänäytettä. Kuvassa 2c on esitetty jätä se yksin ristiinvalidaatiosta luotu sekaannusmatriisi, jota käytettiin luokittelumenetelmän stabiilisuuden validointiin. Kuvassa 2d on yhteenveto menetelmän diagnostisen testin arvioinnista, mukaan lukien herkkyys, spesifisyys, positiivinen ennustearvo (PPV) ja negatiivinen ennustearvo (NPV).

Älypuhelimeen perustuvat biosensorit

Yksinkertaistaakseen edelleen näytteiden testausta ilman spektrofotometreja, tutkijat käyttivät tekoälyä (AI) tulkitsemaan liuoksen väriä ja erottamaan normaalit ja syöpäpotilaat. Tämän vuoksi tietokonenäköä käytettiin kääntämään Cyst/AuNPs-liuoksen väri normaaliksi DNA:ksi (violetti) tai syöpä-DNA:ksi (punainen) käyttämällä matkapuhelimen kameran läpi otettuja kuvia 96-kuoppaisista levyistä. Tekoäly voi vähentää kustannuksia ja parantaa saavutettavuutta nanopartikkeliratkaisujen värien tulkinnassa ilman optisten laitteistojen älypuhelinlisälaitteita. Lopuksi kaksi koneoppimismallia, mukaan lukien Random Forest (RF) ja Support Vector Machine (SVM), koulutettiin mallien rakentamiseen. sekä RF- että SVM-mallit luokittelivat näytteet oikein positiivisiksi ja negatiivisiksi 90,0 %:n tarkkuudella. Tämä viittaa siihen, että tekoälyn käyttö matkapuhelinpohjaisessa biosensoinnissa on täysin mahdollista.

Kuva 3.(a) Liuoksen kohdeluokka, joka on tallennettu näytteen valmistelun aikana kuvanottovaihetta varten. (b) Esimerkkikuva, joka on otettu kuvanottovaiheen aikana. (c) Kysta/AuNPs-liuoksen värin intensiteetti 96-kuoppaisen levyn jokaisessa kuoppassa, joka on uutettu kuvasta (b).

Kyst/AuNP:iden avulla tutkijat ovat onnistuneesti kehittäneet yksinkertaisen tunnistusalustan metylaatiomaiseman havaitsemiseen ja anturin, joka pystyy erottamaan normaalin DNA:n syöpä-DNA:sta käytettäessä oikeita verinäytteitä leukemiaseulonnassa. Kehitetty anturi osoitti, että oikeista verinäytteistä erotettu DNA pystyi nopeasti ja kustannustehokkaasti havaitsemaan pieniä määriä syöpä-DNA:ta (3nM) leukemiapotilailta 15 minuutissa, ja osoitti 95,3 prosentin tarkkuutta. Näytteiden testauksen yksinkertaistamiseksi entisestään poistamalla spektrofotometrin tarve koneoppimisen avulla tulkittiin liuoksen väri ja erotettiin normaalit ja syöpäpotilaat matkapuhelimen valokuvan avulla, ja tarkkuus oli myös 90,0 %.

Viite: DOI: 10.1039/d2ra05725e