Ujian metilasi DNA digabungkan dengan telefon pintar untuk saringan awal tumor dan saringan leukemia dengan ketepatan 90.0%!

Pengesanan awal kanser berdasarkan biopsi cecair ialah hala tuju baharu pengesanan dan diagnosis kanser yang dicadangkan oleh Institut Kanser Kebangsaan AS dalam beberapa tahun kebelakangan ini, dengan tujuan untuk mengesan kanser awal atau bahkan lesi prakanser. Ia telah digunakan secara meluas sebagai biomarker baru untuk diagnosis awal pelbagai keganasan, termasuk kanser paru-paru, tumor gastrousus, glioma dan tumor ginekologi.

Kemunculan platform untuk mengenal pasti biomarker landskap metilasi (Methylscape) berpotensi untuk meningkatkan dengan ketara saringan awal sedia ada untuk kanser, meletakkan pesakit pada peringkat terawal yang boleh dirawat.

Baru-baru ini, penyelidik telah membangunkan platform penderiaan yang mudah dan langsung untuk pengesanan landskap metilasi berdasarkan nanozarah emas yang dihias cysteamine (Cyst/AuNPs) digabungkan dengan biosensor berasaskan telefon pintar yang membolehkan pemeriksaan awal pantas pelbagai jenis tumor. Saringan awal untuk leukemia boleh dilakukan dalam masa 15 minit selepas pengekstrakan DNA daripada sampel darah, dengan ketepatan 90.0%. Tajuk artikel ialah Pengesanan pantas DNA kanser dalam darah manusia menggunakan AuNPs bertutup cysteamine dan telefon pintar berdaya pembelajaran mesin。

Rajah 1. Platform penderiaan yang mudah dan pantas untuk pemeriksaan kanser melalui komponen Cyst/AuNPs boleh dicapai dalam dua langkah mudah.

Ini ditunjukkan dalam Rajah 1. Pertama, larutan akueus digunakan untuk melarutkan serpihan DNA. Cyst/AuNPs kemudiannya ditambah kepada larutan campuran. DNA normal dan malignan mempunyai sifat metilasi yang berbeza, menghasilkan serpihan DNA dengan corak pemasangan sendiri yang berbeza. DNA biasa terkumpul secara longgar dan akhirnya mengagregatkan Cyst/AuNPs, yang menghasilkan sifat peralihan merah Cyst/AuNPs, supaya perubahan warna daripada merah kepada ungu dapat diperhatikan dengan mata kasar. Sebaliknya, profil metilasi unik DNA kanser membawa kepada penghasilan kelompok serpihan DNA yang lebih besar.

Imej plat 96 telaga diambil menggunakan kamera telefon pintar. DNA kanser diukur dengan telefon pintar yang dilengkapi dengan pembelajaran mesin berbanding kaedah berasaskan spektroskopi.

Pemeriksaan kanser dalam sampel darah sebenar

Untuk memanjangkan utiliti platform penderiaan, penyiasat menggunakan sensor yang berjaya membezakan antara DNA normal dan kanser dalam sampel darah sebenar. corak metilasi di tapak CpG secara epigenetik mengawal ekspresi gen. Dalam hampir semua jenis kanser, perubahan dalam metilasi DNA dan dengan itu dalam ekspresi gen yang menggalakkan tumourigenesis telah diperhatikan secara bergantian.

Sebagai model untuk kanser lain yang dikaitkan dengan metilasi DNA, para penyelidik menggunakan sampel darah daripada pesakit leukemia dan kawalan sihat untuk menyiasat keberkesanan landskap metilasi dalam membezakan kanser leukemia. Biomarker landskap metilasi ini bukan sahaja mengatasi kaedah pemeriksaan leukemia pantas sedia ada, tetapi juga menunjukkan kemungkinan untuk melanjutkan kepada pengesanan awal pelbagai jenis kanser menggunakan ujian mudah dan mudah ini.

DNA daripada sampel darah daripada 31 pesakit leukemia dan 12 individu yang sihat telah dianalisis. seperti yang ditunjukkan dalam plot kotak dalam Rajah 2a, penyerapan relatif sampel kanser (ΔA650/525) adalah lebih rendah daripada DNA daripada sampel biasa. ini disebabkan terutamanya oleh hidrofobisiti yang dipertingkatkan yang membawa kepada pengagregatan padat DNA kanser, yang menghalang pengagregatan Cyst/AuNPs. Akibatnya, nanopartikel ini tersebar sepenuhnya di lapisan luar agregat kanser, yang mengakibatkan penyebaran Cyst / AuNP yang berbeza yang terserap pada agregat DNA normal dan kanser. Lengkung ROC kemudiannya dijana dengan mengubah ambang daripada nilai minimum ΔA650/525 kepada nilai maksimum.

Rajah 2.(a) Nilai penyerapan relatif larutan sista/AuNPs menunjukkan kehadiran DNA normal (biru) dan kanser (merah) di bawah keadaan yang dioptimumkan

(DA650/525) plot kotak; (b) Analisis ROC dan penilaian ujian diagnostik. (c) Matriks kekeliruan untuk diagnosis pesakit normal dan kanser. (d) Kepekaan, kekhususan, nilai ramalan positif (PPV), nilai ramalan negatif (NPV) dan ketepatan kaedah yang dibangunkan.

Seperti yang ditunjukkan dalam Rajah 2b, kawasan di bawah lengkung ROC (AUC = 0.9274) yang diperoleh untuk sensor yang dibangunkan menunjukkan kepekaan dan kekhususan yang tinggi. Seperti yang dapat dilihat dari plot kotak, titik terendah yang mewakili kumpulan DNA biasa tidak dipisahkan dengan baik daripada titik tertinggi yang mewakili kumpulan DNA kanser; Oleh itu, regresi logistik digunakan untuk membezakan antara kumpulan normal dan kanser. Memandangkan satu set pembolehubah tidak bersandar, ia menganggarkan kebarangkalian sesuatu kejadian berlaku, seperti kanser atau kumpulan normal. Pembolehubah bersandar berjulat antara 0 dan 1. Oleh itu, hasilnya adalah kebarangkalian. Kami menentukan kebarangkalian pengenalan kanser (P) berdasarkan ΔA650/525 seperti berikut.

di mana b=5.3533,w1=-6.965. Untuk pengelasan sampel, kebarangkalian kurang daripada 0.5 menunjukkan sampel normal, manakala kebarangkalian 0.5 atau lebih tinggi menunjukkan sampel kanser. Rajah 2c menggambarkan matriks kekeliruan yang dijana daripada pengesahan silang biarkan sahaja, yang digunakan untuk mengesahkan kestabilan kaedah pengelasan. Rajah 2d meringkaskan penilaian ujian diagnostik kaedah, termasuk sensitiviti, kekhususan, nilai ramalan positif (PPV) dan nilai ramalan negatif (NPV).

Biosensor berasaskan telefon pintar

Untuk memudahkan lagi ujian sampel tanpa menggunakan spektrofotometer, para penyelidik menggunakan kecerdasan buatan (AI) untuk mentafsir warna penyelesaian dan membezakan antara individu normal dan kanser. Memandangkan ini, penglihatan komputer digunakan untuk menterjemahkan warna larutan Cyst/AuNPs kepada DNA normal (ungu) atau DNA kanser (merah) menggunakan imej plat 96-telaga yang diambil melalui kamera telefon bimbit. Kecerdasan buatan boleh mengurangkan kos dan meningkatkan kebolehcapaian dalam mentafsir warna penyelesaian zarah nano, dan tanpa menggunakan sebarang aksesori telefon pintar perkakasan optik. Akhirnya, dua model pembelajaran mesin, termasuk Hutan Rawak (RF) dan Mesin Vektor Sokongan (SVM) telah dilatih untuk membina model. kedua-dua model RF dan SVM dengan betul mengklasifikasikan sampel sebagai positif dan negatif dengan ketepatan 90.0%. Ini menunjukkan bahawa penggunaan kecerdasan buatan dalam biosensing berasaskan telefon mudah alih adalah mungkin.

Rajah 3.(a) Kelas sasaran bagi penyelesaian yang direkodkan semasa penyediaan sampel untuk langkah pemerolehan imej. (b) Contoh imej yang diambil semasa langkah pemerolehan imej. (c) Keamatan warna larutan sista/AuNPs dalam setiap telaga plat 96 telaga yang diekstrak daripada imej (b).

Menggunakan Cyst/AuNPs, penyelidik telah berjaya membangunkan platform penderiaan mudah untuk pengesanan landskap metilasi dan sensor yang mampu membezakan DNA normal daripada DNA kanser apabila menggunakan sampel darah sebenar untuk pemeriksaan leukemia. Penderia yang dibangunkan menunjukkan bahawa DNA yang diekstrak daripada sampel darah sebenar dapat mengesan sejumlah kecil DNA kanser (3nM) dengan cepat dan kos efektif dalam pesakit leukemia dalam masa 15 minit, dan menunjukkan ketepatan 95.3%. Untuk memudahkan lagi ujian sampel dengan menghapuskan keperluan untuk spektrofotometer, pembelajaran mesin digunakan untuk mentafsir warna penyelesaian dan membezakan antara individu normal dan kanser menggunakan gambar telefon bimbit, dan ketepatan juga dapat dicapai pada 90.0%.

Rujukan: DOI: 10.1039/d2ra05725e