A DNS -metilezési tesztelés okostelefonokkal kombinálva a daganatok korai szűrésére és a leukémia szűrésére 90,0%pontossággal!

A rákos biopszián alapuló rák korai felismerése a rák kimutatásának és diagnosztizálásának új iránya, amelyet az Egyesült Államok Nemzeti Rák Intézete javasolt az utóbbi években, azzal a céllal, hogy kimutatja a korai rákot vagy akár a precanciális léziókat. Széles körben használják új biomarkerként a különféle rosszindulatú daganatok korai diagnosztizálására, ideértve a tüdőrákot, a gyomor -bélrendszeri daganatokat, a gliómákat és a nőgyógyászati ​​daganatokat.

A platformok megjelenése a metilezési táj (metilcape) biomarkerek azonosítására képes jelentősen javítani a rák meglévő korai szűrését, és a betegeket a legkorábban kezelhető stádiumba helyezi.

A közelmúltban a kutatók kifejlesztettek egy egyszerű és közvetlen érzékelési platformot a metilezési tájdetektáláshoz cisztaminnal díszített arany nanorészecskék (CYST/AUNP) alapú okostelefon-alapú bioszenzorral kombinálva, amely lehetővé teszi a daganatok széles skálájának gyors korai szűrését. A leukémia korai szűrése a vérmintából származó DNS -extrakció után 15 percen belül elvégezhető, pontossággal 90,0%. A cikk címe: A rák DNS gyors kimutatása az emberi vérben cisztaminnal borított AuNP-k és gépi tanulással rendelkező okostelefon felhasználásával。

1. ábra. Egy egyszerű és gyors érzékelési platform a rák szűrésére a CIST/AUNPS komponensek segítségével két egyszerű lépésben megvalósítható.

Ezt az 1. ábra mutatja. Először egy vizes oldatot használtunk a DNS -fragmensek feloldására. Ezután cisztát/AuNP -t adunk hozzá a vegyes oldathoz. A normál és a rosszindulatú DNS metilezési tulajdonságai eltérőek, ami DNS-fragmenseket eredményez, eltérő önszerelési mintákkal. A normál DNS-aggregátumok lazán és végül aggregálják a cisztát/AuNP-ket, ami a ciszta/AuNP-k vöröseltolódott jellegét eredményezi, így a színes színváltozás a vörös és a lila között megfigyelhető. Ezzel szemben a rákos DNS egyedi metilezési profilja a DNS -fragmensek nagyobb klasztereinek előállításához vezet.

A 96 üregű lemezek képeit okostelefon-kamerával készítették. A rákos DNS-t gépi tanulással felszerelt okostelefonnal mértük, összehasonlítva a spektroszkópia-alapú módszerekkel.

Rák szűrés valódi vérmintákban

Az érzékelő platform hasznosságának kiterjesztése érdekében a kutatók olyan érzékelőt alkalmaztak, amely sikeresen megkülönböztette a normál és a rákos DNS -t a valós vérmintákban. A metilezési minták a CPG helyeken epigenetikusan szabályozzák a gén expresszióját. Szinte minden ráktípusban a DNS -metilezés változásait és így a tumurigenezist elősegítő gének expressziójában váltakoztak.

A DNS -metilezéssel kapcsolatos egyéb rákok modelljeként a kutatók a leukémia betegek vérmintáit és az egészséges kontrollokat használták a metilezési táj hatékonyságának vizsgálatára a leukémiás rák megkülönböztetésében. Ez a metilezési táj biomarkere nemcsak a meglévő gyors leukémia szűrési módszereket felülmúlja, hanem bemutatja azt is, hogy a rákok széles körének korai felismerésére kiterjedhet -e ezen egyszerű és egyértelmű vizsgálat alkalmazásával.

A 31 leukémia beteg és 12 egészséges egyén vérmintáinak DNS -jét elemezték. Amint a 2a. Ábrán látható doboz grafikonon látható, a rákminták relatív abszorbanciája (ΔA650/525) alacsonyabb volt, mint a normál minták DNS -jének. Ennek oka elsősorban a rák DNS sűrű aggregációjához vezető fokozott hidrofób képesség volt, amely megakadályozta a ciszta/AuNP -k aggregációját. Ennek eredményeként ezeket a nanorészecskéket teljesen eloszlatják a rákos aggregátumok külső rétegeiben, ami a normál és a rákos DNS -aggregátumokon adszorbeált ciszta/AuNP -k eltérő diszperzióját eredményezte. A ROC görbéket ezután úgy hoztuk létre, hogy a küszöbértéket ΔA650/525 minimális értékről a maximális értékre változtatják.

2. ábra (a) A ciszta/AuNPS -oldatok relatív abszorbancia -értékei, amelyek megmutatják a normál (kék) és a rák (piros) DNS jelenlétét optimalizált körülmények között

(DA650/525) doboz parcellák; (B) ROC elemzése és a diagnosztikai tesztek értékelése. c) Zavart mátrix a normál és rákos betegek diagnosztizálására. (D) Érzékenység, specifitás, pozitív prediktív érték (PPV), negatív prediktív érték (NPV) és a kidolgozott módszer pontossága.

Amint a 2B. Ábrán látható, a fejlett érzékelőnél kapott ROC -görbe (AUC = 0,9274) alatti terület nagy érzékenységet és specifitást mutatott. Amint az a box -diagramból kitűnik, a normál DNS -csoportot ábrázoló legalacsonyabb pont nem különbözik jól a rák DNS -csoportját képviselő legmagasabb ponttól; Ezért logisztikus regressziót használtunk a normál és a rákcsoportok megkülönböztetésére. Független változók halmaza alapján becsüli meg az esemény bekövetkezésének valószínűségét, például egy rákot vagy normál csoportot. A függő változó 0 és 1 között van. Az eredmény tehát valószínűség. Az alábbiak szerint határoztuk meg a rák azonosításának valószínűségét (P) az ΔA650/525 alapján.

ahol b = 5,3533, W1 = -6,965. A minta osztályozásához a 0,5 -nél kisebb valószínűség egy normál mintát jelez, míg a 0,5 vagy annál magasabb valószínűség a rákmintát jelzi. A 2C. Ábra a szabadság-it-it-kereszt-validációból származó zavar mátrixot ábrázolja, amelyet az osztályozási módszer stabilitásának validálására használtak. A 2D. Ábra összefoglalja a módszer diagnosztikai teszt értékelését, beleértve az érzékenységet, a specifitást, a pozitív prediktív értéket (PPV) és a negatív prediktív értéket (NPV).

Okostelefon-alapú bioszenzorok

A minták vizsgálatának további egyszerűsítése érdekében spektrofotométerek használata nélkül a kutatók mesterséges intelligenciát (AI) használtak az oldat színének értelmezésére és a normál és rákos egyének megkülönböztetésére. Ezt figyelembe véve a számítógépes látást használtuk a ciszta/AuNPS oldat színének normál DNS-be (lila) vagy rákos DNS-re (piros) színének átfordításához, a mobiltelefon-kamerán keresztül vett 96 üregű lemezek képeivel. A mesterséges intelligencia csökkentheti a költségeket és javíthatja az akadálymentességet a nanorészecskék megoldásainak színének értelmezésében és az optikai hardver okostelefon -kiegészítők használata nélkül. Végül két gépi tanulási modellt, köztük a Random Forest (RF) és a Támogató Vektorgépet (SVM) képzettek a modellek felépítésére. Mind az RF, mind az SVM modellek helyesen besorolták a mintákat pozitívnak és negatívnak, 90,0%-os pontossággal. Ez azt sugallja, hogy a mesterséges intelligencia használata a mobiltelefon-alapú bioszenzingben meglehetősen lehetséges.

3. ábra (a) A minta előkészítése során rögzített oldat célosztálya a képszerzési lépéshez. (b) Példa a kép megszerzési lépése során készített kép. (C) A ciszta/AuNPS oldat színintenzitása a képből (B) kivont 96 üregű lemez mindegyik kútjában.

A CYST/AUNPS használatával a kutatók sikeresen kifejlesztettek egy egyszerű érzékelési platformot a metilezési táj kimutatására, és olyan érzékelőt, amely képes megkülönböztetni a normál DNS -t a rák DNS -től, amikor valódi vérmintákat használnak a leukémia szűréshez. A fejlett érzékelő bebizonyította, hogy a valós vérmintákból extrahált DNS képes gyorsan és költséghatékonyan kimutatni a kis mennyiségű rákos DNS-t (3NM) leukémia betegekben 15 perc alatt, és 95,3%-os pontosságot mutatott. A minta tesztelésének további egyszerűsítése érdekében a spektrofotométer szükségességének kiküszöbölésével a gépi tanulást használták a megoldás színének értelmezésére, és megkülönböztetni a normál és a rákos egyének között egy mobiltelefon -fénykép segítségével, és a pontosságot 90,0%-on is elérhetők lehetett elérni.

Referencia: doi: 10.1039/d2ra05725e