Pengesanan awal kanser berdasarkan biopsi cecair adalah arah baru pengesanan kanser dan diagnosis yang dicadangkan oleh Institut Kanser Kebangsaan AS pada tahun -tahun kebelakangan ini, dengan tujuan mengesan kanser awal atau lesi precancerous. Ia telah digunakan secara meluas sebagai biomarker baru untuk diagnosis awal pelbagai keganasan, termasuk kanser paru -paru, tumor gastrousus, gliomas dan tumor ginekologi.
Kemunculan platform untuk mengenal pasti biomarker landskap metilasi (methylscape) berpotensi untuk meningkatkan pemeriksaan awal yang sedia ada untuk kanser, meletakkan pesakit pada tahap yang paling awal dirawat.
Baru-baru ini, para penyelidik telah membangunkan platform penderiaan yang mudah dan langsung untuk pengesanan landskap metilasi berdasarkan nanopartikel emas dihiasi cysteamine (Cyst/AuNPs) yang digabungkan dengan biosensor berasaskan telefon pintar yang membolehkan pemeriksaan awal yang cepat dari pelbagai tumor. Pemeriksaan awal untuk leukemia boleh dilakukan dalam masa 15 minit selepas pengekstrakan DNA dari sampel darah, dengan ketepatan 90.0%. Tajuk artikel adalah pengesanan pesat DNA kanser dalam darah manusia menggunakan AuNPs cysteamine dan telefon pintar yang dibolehkan pembelajaran。。
Rajah 1. Platform penderiaan yang mudah dan cepat untuk pemeriksaan kanser melalui komponen Cyst/AuNPS boleh dicapai dalam dua langkah mudah.
Ini ditunjukkan dalam Rajah 1. Pertama, penyelesaian berair digunakan untuk membubarkan serpihan DNA. Cyst/AuNPs kemudiannya ditambah kepada larutan campuran. DNA normal dan malignan mempunyai sifat metilasi yang berbeza, menghasilkan serpihan DNA dengan corak pemasangan diri yang berbeza. Agregat DNA biasa longgar dan akhirnya mengagregatkan sista/AuNPs, yang mengakibatkan sifat beralih merah/AuNPs, supaya perubahan warna dari merah ke ungu dapat diperhatikan dengan mata kasar. Sebaliknya, profil metilasi unik DNA kanser membawa kepada pengeluaran kelompok besar serpihan DNA.
Imej plat 96-baik diambil menggunakan kamera telefon pintar. DNA kanser diukur oleh telefon pintar yang dilengkapi dengan pembelajaran mesin berbanding dengan kaedah berasaskan spektroskopi.
Pemeriksaan kanser dalam sampel darah sebenar
Untuk memperluaskan utiliti platform penderiaan, penyiasat menggunakan sensor yang berjaya dibezakan 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 oleh itu dalam ekspresi gen yang menggalakkan tumourigenesis telah diperhatikan kepada pengganti.
Sebagai model untuk kanser lain yang berkaitan dengan metilasi DNA, penyelidik menggunakan sampel darah dari pesakit leukemia dan kawalan yang sihat untuk menyiasat keberkesanan landskap metilasi dalam membezakan kanser leukaemic. Biomarker landskap metilasi ini bukan sahaja mengatasi kaedah pemeriksaan leukemia pesat yang sedia ada, tetapi juga menunjukkan kemungkinan untuk meluaskan pengesanan awal pelbagai jenis kanser menggunakan ujian mudah dan mudah ini.
DNA dari sampel darah dari 31 pesakit leukemia dan 12 individu yang sihat dianalisis. Seperti yang ditunjukkan dalam plot kotak dalam Rajah 2a, penyerapan relatif sampel kanser (ΔA650/525) adalah lebih rendah daripada DNA dari sampel biasa. Ini disebabkan terutamanya oleh hidrofobisiti yang dipertingkatkan yang membawa kepada agregasi padat DNA kanser, yang menghalang pengagregatan sista/AuNPs. Akibatnya, nanopartikel ini telah tersebar sepenuhnya dalam lapisan luar agregat kanser, yang mengakibatkan penyebaran yang berbeza dari sista/AuNPs yang terserap pada agregat DNA normal dan kanser. Kurva ROC kemudiannya dihasilkan dengan mengubah ambang dari nilai minimum ΔA650/525 ke nilai maksimum.
Rajah 2. (a) Nilai penyerapan relatif penyelesaian sista/AUNPS menunjukkan kehadiran DNA normal (biru) dan kanser (merah) di bawah keadaan yang dioptimumkan
(DA650/525) Plot kotak; (b) Analisis dan penilaian ROC 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 diperolehi 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 dari 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 peristiwa yang berlaku, seperti kanser atau kumpulan biasa. Oleh itu, pemboleh ubah bergantung antara 0 dan 1. Hasilnya adalah kebarangkalian. Kami menentukan kebarangkalian pengenalan kanser (P) berdasarkan ΔA650/525 seperti berikut.
di mana b = 5.3533, w1 = -6.965. Untuk klasifikasi sampel, kebarangkalian kurang daripada 0.5 menunjukkan sampel biasa, sementara kebarangkalian 0.5 atau lebih tinggi menunjukkan sampel kanser. Rajah 2C menggambarkan matriks kekeliruan yang dihasilkan daripada pengesahan silang cuti-sendiri, yang digunakan untuk mengesahkan kestabilan kaedah klasifikasi. Rajah 2D meringkaskan penilaian ujian diagnostik kaedah, termasuk kepekaan, kekhususan, nilai ramalan positif (PPV) dan nilai ramalan negatif (NPV).
Biosensor berasaskan telefon pintar
Untuk memudahkan ujian sampel tanpa menggunakan spektrofotometer, para penyelidik menggunakan kecerdasan buatan (AI) untuk mentafsirkan warna penyelesaian dan membezakan antara individu yang normal dan kanser. Memandangkan ini, penglihatan komputer digunakan untuk menterjemahkan warna penyelesaian sista/AuNPS ke DNA biasa (ungu) atau DNA kanser (merah) menggunakan imej plat 96-baik yang diambil melalui kamera telefon bimbit. Kecerdasan buatan dapat mengurangkan kos dan meningkatkan kebolehcapaian dalam menafsirkan warna penyelesaian nanopartikel, dan tanpa menggunakan sebarang aksesori telefon pintar perkakasan optik. Akhirnya, dua model pembelajaran mesin, termasuk Random Hutan (RF) dan mesin vektor sokongan (SVM) 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 sangat mungkin.
Rajah 3. (a) Kelas sasaran penyelesaian yang direkodkan semasa penyediaan sampel untuk langkah pengambilalihan imej. (b) Contoh imej yang diambil semasa langkah pengambilalihan imej. (c) Intensiti warna penyelesaian sista/AuNPS di setiap telaga plat 96-baik yang diekstrak dari imej (b).
Menggunakan sista/AuNPs, penyelidik telah berjaya membangunkan platform penderiaan mudah untuk pengesanan landskap metilasi dan sensor yang mampu membezakan DNA normal dari DNA kanser apabila menggunakan sampel darah sebenar untuk pemeriksaan leukemia. Sensor yang dibangunkan menunjukkan bahawa DNA yang diekstrak dari sampel darah sebenar dapat dengan cepat dan kos efektif mengesan sedikit DNA kanser (3nm) dalam pesakit leukemia dalam 15 minit, dan menunjukkan ketepatan 95.3%. Untuk memudahkan ujian sampel dengan menghapuskan keperluan spektrofotometer, pembelajaran mesin digunakan untuk menafsirkan warna penyelesaian dan membezakan antara individu yang normal dan kanser menggunakan gambar telefon bimbit, dan ketepatan juga dapat dicapai pada 90.0%.
Rujukan: doi: 10.1039/d2ra05725e
Masa Post: Feb-18-2023