Testy metylacji DNA w połączeniu ze smartfonami na wczesne badania przesiewowe nowotworów i badań przesiewowych białaczkowych z dokładnością 90,0%!

Wczesne wykrywanie raka na podstawie biopsji płynnej jest nowym kierunkiem wykrywania raka i diagnozy zaproponowanej przez National Cancer Institute w ostatnich latach, w celu wykrycia wczesnego raka, a nawet zmian przedrakowych. Jest szeroko stosowany jako nowy biomarker wczesnej diagnozy różnych nowotworów, w tym raka płuc, guzów żołądkowo -jelitowych, glejaków i guzów ginekologicznych.

Pojawienie się platform do identyfikacji biomarkerów krajobrazu metylacji (metylscape) może potencjalnie poprawić istniejące wczesne badania przesiewowe w kierunku raka, stawiając pacjentów w najwcześniejszym stadium leczenia.

Ostatnio naukowcy opracowali prostą i bezpośrednią platformę wykrywania krajobrazu metylacji opartej na ozdobionej cysteaminie nanocząstkach złota (Cyst/AUNPS) w połączeniu z biosensorem opartym na smartfonach, który umożliwia szybkie wczesne badanie szerokiej gamy guzów. Wczesne badania przesiewowe w kierunku białaczki można wykonać w ciągu 15 minut po ekstrakcji DNA z próbki krwi, z dokładnością 90,0%. Tytuł artykułu to szybkie wykrywanie DNA raka we krwi ludzkiej za pomocą auNP-cysteaminy i smartfona z obsługą maszynową。

Ryc. 1. Prosta i szybka platforma do badań przesiewowych raka za pośrednictwem komponentów torbieli/AUNP można wykonać w dwóch prostych krokach.

Jest to pokazane na rycinie 1. Po pierwsze, do rozpuszczenia fragmentów DNA zastosowano roztwór wodny. Następnie do mieszanego roztworu dodano torbiel/AUNP. Normalne i złośliwe DNA mają różne właściwości metylacji, co powoduje fragmenty DNA o różnych wzorach samoorganizacji. Normalny DNA agreguje luźno i ostatecznie agreguje torbiel/AUNP, co powoduje, że przesunięta na czerwono natura torbiel/AUNP, dzięki czemu można zaobserwować zmianę koloru z czerwonego na fiolet z gołym okiem. Natomiast unikalny profil metylacji DNA raka prowadzi do produkcji większych klastrów fragmentów DNA.

Obrazy 96-studzienkowych płyt zostały wykonane za pomocą aparatu smartfona. DNA raka mierzono smartfonem wyposażonym w uczenie maszynowe w porównaniu z metodami opartymi na spektroskopii.

Badania przesiewowe raka w prawdziwych próbkach krwi

Aby rozszerzyć użyteczność platformy wykrywającej, badacze zastosowali czujnik, który z powodzeniem rozróżniał normalny i rakowy DNA w prawdziwych próbkach krwi. Wzory metylacji w miejscach CPG epigenetycznie regulują ekspresję genów. W prawie wszystkich typach raka zaobserwowano zmiany metylacji DNA, a tym samym w ekspresji genów promujących nowotwory.

Jako model innych nowotworów związanych z metylacją DNA, naukowcy wykorzystali próbki krwi z pacjentów z białaczką i zdrowe kontrole, aby zbadać skuteczność krajobrazu metylacji w różnicowaniu nowotworów białaczkowych. Ten biomarker krajobrazu metylacji nie tylko przewyższa istniejące metody badań przesiewowych szybkiego białaczki, ale także pokazuje wykonalność rozszerzania się do wczesnego wykrywania szerokiego zakresu nowotworów przy użyciu tego prostego i prostego testu.

Analizowano DNA z próbek krwi od 31 pacjentów z białaczką i 12 zdrowych osób. Jak pokazano na wykresie pola na ryc. 2A, względna absorbancja próbek raka (δA650/525) była niższa niż w przypadku DNA z normalnych próbek. Wynika to głównie z zwiększonej hydrofobowości prowadzącej do gęstej agregacji DNA raka, co zapobiegało agregacji torbieli/AUNP. W rezultacie te nanocząstki zostały całkowicie rozproszone w zewnętrznych warstwach agregatów raka, co spowodowało inną dyspersję torbieli/AUNP adsorbowanych na agregatach DNA normalnego i raka. Krzywe ROC wygenerowano następnie przez zmianę progu od minimalnej wartości δA650/525 do maksymalnej wartości.

Ryc. 2. (a) Względne wartości absorbancji roztworów torbieli/AUNPS pokazujących obecność normalnego (niebieskiego) i raka (czerwonego) DNA w zoptymalizowanych warunkach

(DA650/525) wykresów pudełkowych; (b) Analiza ROC i ocena testów diagnostycznych. (c) Matryca zamieszania w diagnozie normalnych i rakowych pacjentów. (d) Czułość, swoistość, dodatnia wartość predykcyjna (PPV), ujemna wartość predykcyjna (NPV) i dokładność opracowanej metody.

Jak pokazano na ryc. 2B, obszar pod krzywą ROC (AUC = 0,9274) uzyskany dla rozwiniętego czujnika wykazywał wysoką czułość i swoistość. Jak widać na wykresie pudełkowym, najniższy punkt reprezentujący normalną grupę DNA nie jest dobrze oddzielony od najwyższego punktu reprezentującego grupę DNA raka; Dlatego regresję logistyczną zastosowano do rozróżnienia między grupami normalnymi i rakowymi. Biorąc pod uwagę zestaw zmiennych niezależnych, szacuje prawdopodobieństwo wystąpienia zdarzenia, takiego jak rak lub grupa normalna. Zmienna zależna wynosi od 0 do 1. Wynik jest zatem prawdopodobieństwo. Określiliśmy prawdopodobieństwo identyfikacji raka (P) na podstawie δA650/525 w następujący sposób.

gdzie b = 5,3533, W1 = -6,965. W przypadku klasyfikacji próbki prawdopodobieństwo mniejsze niż 0,5 wskazuje na normalną próbkę, podczas gdy prawdopodobieństwo 0,5 lub wyższego wskazuje na próbkę raka. Ryc. 2C przedstawia macierz zamieszania wygenerowanej z walidacji krzyżowej Leave-IT, która została użyta do weryfikacji stabilności metody klasyfikacji. Rysunek 2D podsumowuje ocenę testu diagnostycznego metody, w tym czułość, swoistość, dodatnią wartość predykcyjną (PPV) i ujemną wartość predykcyjną (NPV).

Biosensory oparte na smartfonach

W celu dalszego uproszczenia testowania próbek bez użycia spektrofotometrów, naukowcy wykorzystali sztuczną inteligencję (AI) do interpretacji koloru rozwiązania i rozróżnienia między osobami normalnymi i rakowymi. Biorąc to pod uwagę, wizja komputerowa została użyta do przetłumaczenia koloru roztworu torbieli/AUNPS na normalne DNA (fioletowe) lub rakowe DNA (czerwone) przy użyciu zdjęć 96-studzienkowych płyt wykonanych za pomocą aparatu telefonu komórkowego. Sztuczna inteligencja może obniżyć koszty i poprawić dostępność w interpretacji koloru roztworów nanocząstek oraz bez użycia optycznych akcesoriów smartfonów. Wreszcie przeszkolono dwa modele uczenia maszynowego, w tym losowy las (RF) i maszyna wektorowa wsparcia (SVM) do budowy modeli. Zarówno modele RF, jak i SVM poprawnie sklasyfikowały próbki jako dodatnie i ujemne z dokładnością 90,0%. Sugeruje to, że korzystanie z sztucznej inteligencji w bioczujaniu telefonów komórkowych jest całkiem możliwe.

Rysunek 3. (a) Klasa docelowa rozwiązania zarejestrowana podczas przygotowania próbki do etapu akwizycji obrazu. (b) Przykładowy obraz wykonany podczas etapu pozyskiwania obrazu. (c) Intensywność kolorów roztworu torbieli/AUNPS w każdej studzience 96-studzienkowej płyty wyodrębnionej z obrazu (B).

Korzystając z torbieli/AUNP, naukowcy z powodzeniem opracowali prostą platformę wykrywającą do wykrywania krajobrazu metylacji i czujnik zdolny do odróżnienia normalnego DNA od DNA raka podczas stosowania prawdziwych próbek krwi do badań przesiewowych białaczki. Rozwinięty czujnik wykazał, że DNA ekstrahowane z prawdziwych próbek krwi było w stanie szybko i opłacalnie wykryć niewielkie ilości DNA raka (3NM) u pacjentów z białaczką w 15 minut i wykazał dokładność 95,3%. Aby dodatkowo uprościć testowanie próbek, eliminując potrzebę spektrofotometru, uczenie maszynowe zastosowano do interpretacji koloru rozwiązania i rozróżnienia między osobami normalnymi i rakowymi za pomocą zdjęcia telefonu komórkowego, a dokładność można było również osiągnąć na poziomie 90,0%.

Odniesienie: DOI: 10.1039/D2RA05725E