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

Pengesanan awal kanser berdasarkan biopsi cecair merupakan 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 lesi prakanser. Ia telah digunakan secara meluas sebagai penanda biologi baharu untuk diagnosis awal pelbagai keganasan, termasuk kanser paru-paru, tumor gastrousus, glioma dan tumor ginekologi.

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

Baru-baru ini, para penyelidik telah membangunkan platform pengesanan yang mudah dan langsung untuk pengesanan landskap metilasi berdasarkan nanopartikel emas berhias sisteinamina (Kista/AuNP) yang digabungkan dengan biosensor berasaskan telefon pintar yang membolehkan saringan awal yang pantas untuk 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 AuNP yang ditutup sisteinamina dan telefon pintar yang didayakan pembelajaran mesin.

Rajah 1. Platform pengesanan yang mudah dan pantas untuk saringan kanser melalui komponen Cyst/AuNP boleh dicapai dalam dua langkah mudah.

Ini ditunjukkan dalam Rajah 1. Pertama, larutan akueus digunakan untuk melarutkan serpihan DNA. Sista/AuNP kemudiannya ditambah ke dalam larutan campuran. DNA normal dan malignan mempunyai sifat metilasi yang berbeza, menghasilkan serpihan DNA dengan corak pemasangan kendiri yang berbeza. DNA normal mengagregat secara longgar dan akhirnya mengagregat Sista/AuNP, yang menghasilkan sifat Cyst/AuNP yang beralih merah, supaya perubahan warna dari 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 telah diambil menggunakan kamera telefon pintar. DNA kanser diukur dengan telefon pintar yang dilengkapi dengan pembelajaran mesin berbanding kaedah berasaskan spektroskopi.

Saringan kanser dalam sampel darah sebenar

Untuk melanjutkan utiliti platform penderiaan, para penyiasat menggunakan sensor yang berjaya membezakan antara DNA normal dan kanser dalam sampel darah sebenar. Corak metilasi di tapak CpG mengawal selia ekspresi gen secara epigenetik. Dalam hampir semua jenis kanser, perubahan dalam metilasi DNA dan seterusnya dalam ekspresi gen yang menggalakkan tumorigenesis telah diperhatikan berselang-seli.

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

DNA daripada sampel darah daripada 31 pesakit leukemia dan 12 individu 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 normal. Ini terutamanya disebabkan oleh hidrofobisiti yang dipertingkatkan yang membawa kepada pengagregatan DNA kanser yang padat, yang menghalang pengagregatan Cyst/AuNP. Hasilnya, nanopartikel ini tersebar sepenuhnya dalam lapisan luar agregat kanser, yang menghasilkan 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/AuNP yang 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 normal 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 bebas, ia menganggarkan kebarangkalian sesuatu peristiwa berlaku, seperti kanser atau kumpulan normal. Pembolehubah bersandar berada di antara 0 dan 1. Oleh itu, hasilnya adalah kebarangkalian. Kami menentukan kebarangkalian pengenalpastian kanser (P) berdasarkan ΔA650/525 seperti berikut.

di mana b=5.3533,w1=-6.965. Bagi 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 tersebut, termasuk kepekaan, kekhususan, nilai ramalan positif (PPV) dan nilai ramalan negatif (NPV).

Biosensor berasaskan telefon pintar

Untuk memudahkan lagi pengujian sampel tanpa menggunakan spektrofotometer, para penyelidik menggunakan kecerdasan buatan (AI) untuk mentafsir warna larutan dan membezakan antara individu normal dan kanser. Memandangkan ini, penglihatan komputer telah 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 larutan nanopartikel, dan tanpa menggunakan sebarang aksesori telefon pintar perkakasan optik. Akhir sekali, dua model pembelajaran mesin, termasuk Random Forest (RF) dan Support Vector Machine (SVM) telah dilatih untuk membina model. Kedua-dua model RF dan SVM telah mengelaskan sampel dengan betul sebagai positif dan negatif dengan ketepatan 90.0%. Ini menunjukkan bahawa penggunaan kecerdasan buatan dalam biosensing berasaskan telefon bimbit adalah sangat mungkin.

Rajah 3.(a) Kelas sasaran larutan 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/AuNP, para 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 saringan leukemia. Sensor yang dibangunkan menunjukkan bahawa DNA yang diekstrak daripada sampel darah sebenar mampu mengesan sejumlah kecil DNA kanser (3nM) dalam pesakit leukemia dengan cepat dan berkesan kos dalam masa 15 minit, dan menunjukkan ketepatan sebanyak 95.3%. Untuk memudahkan lagi ujian sampel dengan menghapuskan keperluan untuk spektrofotometer, pembelajaran mesin telah digunakan untuk mentafsir warna larutan dan membezakan antara individu normal dan kanser menggunakan gambar telefon bimbit, dan ketepatan juga dapat dicapai pada 90.0%.

Rujukan: DOI: 10.1039/d2ra05725e