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

A folyékony biopszián alapuló korai rákfelismerés a rákfelismerés és -diagnózis új iránya, amelyet az Egyesült Államok Nemzeti Rákkutató Intézete javasolt az elmúlt években, azzal a céllal, hogy korai rákbetegséget vagy akár rákmegelőző elváltozásokat is kimutathasson. Széles körben alkalmazzák új biomarkerként különféle rosszindulatú daganatok, többek között tüdőrák, gyomor-bélrendszeri daganatok, gliómák és nőgyógyászati ​​daganatok korai diagnosztizálására.

A metilációs környezet biomarkereinek azonosítására szolgáló platformok (Methylscape) megjelenése jelentősen javíthatja a meglévő korai rákszűrést, a betegeket a legkorábbi kezelhető stádiumba helyezve.

A kutatók nemrégiben kifejlesztettek egy egyszerű és közvetlen érzékelő platformot a metilációs tájkép detektálására, amely ciszteaminnal díszített arany nanorészecskéken (Ciszta/AuNP-k) alapul, egy okostelefon-alapú bioszenzorral kombinálva, amely lehetővé teszi a daganatok széles körének gyors és korai szűrését. A leukémia korai szűrése a vérmintából történő DNS-kivonást követően 15 percen belül elvégezhető, 90,0%-os pontossággal. A cikk címe: Rákos DNS gyors kimutatása emberi vérben ciszteaminnal díszített AuNP-k és gépi tanulással rendelkező okostelefon segítségével.

1. ábra. Egy egyszerű és gyors érzékelő platform a ciszta/auNP-k komponensein keresztüli rákszűréshez két egyszerű lépésben megvalósítható.

Ez az 1. ábrán látható. Először egy vizes oldatot használtunk a DNS-fragmensek feloldására. Ezután ciszta/AuNP-kat adtunk a kevert oldathoz. A normál és a rosszindulatú DNS eltérő metilációs tulajdonságokkal rendelkezik, ami eltérő önszerveződési mintázatú DNS-fragmenseket eredményez. A normál DNS lazán aggregálódik, majd végül ciszta/AuNP-kat aggregál, ami a ciszta/AuNP-k vöröseltolódásos jellegét eredményezi, így a színük vörösről lilára változása szabad szemmel is megfigyelhető. Ezzel szemben a rákos DNS egyedi metilációs profilja nagyobb DNS-fragmentum-klaszterek kialakulásához vezet.

A 96-lyukú lemezek képeit okostelefon-kamerával készítették. A rákos DNS-t gépi tanulással felszerelt okostelefonnal mérték, összehasonlítva a spektroszkópián alapuló módszerekkel.

Rákszűrés valódi vérmintákban

Az érzékelő platform hasznosságának kibővítése érdekében a kutatók egy olyan szenzort alkalmaztak, amely sikeresen megkülönböztette a normál és a rákos DNS-t valódi vérmintákban. A CpG helyeken található metilációs mintázatok epigenetikusan szabályozzák a génexpressziót. Szinte minden ráktípusban megfigyelték, hogy a DNS-metilációban és így a tumorgenezist elősegítő gének expressziójában bekövetkező változások váltakoznak.

A DNS-metilációval összefüggő egyéb rákos megbetegedések modelljeként a kutatók leukémiás betegektől és egészséges kontrollcsoport tagjaitól származó vérmintákat használtak a metilációs környezet hatékonyságának vizsgálatára a leukémiás rákos megbetegedések megkülönböztetésében. Ez a metilációs környezet biomarkere nemcsak felülmúlja a meglévő gyors leukémia szűrőmódszereket, hanem azt is demonstrálja, hogy ez az egyszerű és egyértelmű vizsgálat a rákos megbetegedések széles körének korai felismerésére is kiterjeszthető.

31 leukémiás beteg és 12 egészséges egyén vérmintáiból származó DNS-t elemeztek. Amint a 2a. ábrán látható dobozdiagram mutatja, a rákos minták relatív abszorbanciája (ΔA650/525) alacsonyabb volt, mint a normál mintákból származó DNS-é. Ez főként a fokozott hidrofóbicitásnak köszönhető, ami a rákos DNS sűrű aggregációjához vezetett, és megakadályozta a ciszta/AuNP-k aggregációját. Ennek eredményeként ezek a nanorészecskék teljesen diszpergálódtak a rákos aggregátumok külső rétegeiben, ami a normál és a rákos DNS-aggregátumokon adszorbeált ciszta/AuNP-k eltérő eloszlását eredményezte. A ROC-görbéket ezután a küszöbérték ΔA650/525 minimális értéktől a maximális értékig történő változtatásával generálták.

2. ábra (a) Ciszta/AuNP oldatok relatív abszorbanciaértékei, amelyek a normál (kék) és a rákos (piros) DNS jelenlétét mutatják optimalizált körülmények között

(DA650/525) dobozdiagramok; (b) ROC-elemzés és diagnosztikai tesztek értékelése. (c) Konfúziós mátrix normál és rákos betegek diagnosztizálására. (d) A kidolgozott módszer érzékenysége, specificitása, pozitív prediktív értéke (PPV), negatív prediktív értéke (NPV) és pontossága.

Amint a 2b. ábrán látható, a kifejlesztett szenzor ROC-görbe alatti területe (AUC = 0,9274) nagy érzékenységet és specificitást mutatott. Amint a dobozdiagramon látható, a normál DNS-csoportot reprezentáló legalacsonyabb pont nem válik el jól a rákos DNS-csoportot reprezentáló legmagasabb ponttól; ezért logisztikus regressziót alkalmaztunk a normál és a rákos csoportok megkülönböztetésére. Egy független változó halmaza esetén egy esemény, például rákos vagy normál csoport bekövetkezésének valószínűségét becsüli meg. A függő változó 0 és 1 között mozog. Az eredmény tehát egy valószínűség. A rák azonosításának valószínűségét (P) a ΔA650/525 alapján a következőképpen határoztuk meg.

ahol b=5,3533, w1=-6,965. A minta osztályozása esetében a 0,5-nél kisebb valószínűség normális mintát jelöl, míg a 0,5 vagy annál nagyobb valószínűség rákos mintát. A 2c. ábra a „hagyjuk békén” keresztvalidációból generált zavart mátrixot ábrázolja, amelyet az osztályozási módszer stabilitásának validálására használtak. A 2d. ábra összefoglalja a módszer diagnosztikai tesztértékelését, beleértve az érzékenységet, a specificitást, a pozitív prediktív értéket (PPV) és a negatív prediktív értéket (NPV).

Okostelefon-alapú bioszenzorok

A spektrofotométerek használata nélküli mintavizsgálat további egyszerűsítése érdekében a kutatók mesterséges intelligenciát (MI) alkalmaztak az oldat színének értelmezésére és a normál és rákos egyének megkülönböztetésére. Ennek ismeretében számítógépes látást alkalmaztak a ciszta/AuNP-oldat színének normál DNS-sé (lila) vagy rákos DNS-sé (piros) való átalakítására, 96 lyukú lemezek mobiltelefon-kamerán keresztül készített képeinek felhasználásával. A mesterséges intelligencia csökkentheti a költségeket és javíthatja a nanorészecske-oldatok színének értelmezésének hozzáférhetőségét, bármilyen optikai hardveres okostelefon-kiegészítő használata nélkül. Végül két gépi tanulási modellt, köztük a Random Forest (RF) és a Support Vector Machine (SVM) modelleket képeztek ki a modellek felépítésére. Mind az RF, mind az SVM modellek 90,0%-os pontossággal osztályozták a mintákat pozitívként és negatívként. Ez arra utal, hogy a mesterséges intelligencia használata a mobiltelefon-alapú bioszenzorikában teljesen lehetséges.

3. ábra (a) Az oldat célzott osztálya, amelyet a képalkotási lépéshez szükséges minta előkészítése során rögzítettek. (b) A képalkotási lépés során készített példakép. (c) A ciszta/AuNP-oldat színintenzitása a 96-lyukú lemez egyes lyukaiban, a képről kivonva (b).

A kutatók ciszta/auNP-k segítségével sikeresen kifejlesztettek egy egyszerű érzékelő platformot a metilációs tájkép detektálására, valamint egy olyan szenzort, amely képes megkülönböztetni a normál DNS-t a rákos DNS-től, amikor valódi vérmintákat használnak leukémia szűréshez. A kifejlesztett szenzor kimutatta, hogy a valódi vérmintákból kivont DNS gyorsan és költséghatékonyan képes kimutatni kis mennyiségű rákos DNS-t (3 nM) leukémiás betegekben 15 perc alatt, és 95,3%-os pontosságot mutatott. A mintavizsgálat további egyszerűsítése érdekében, a spektrofotométer szükségességének kiküszöbölésével, gépi tanulást alkalmaztak az oldat színének értelmezésére és a normál és rákos egyének megkülönböztetésére mobiltelefonnal készített fénykép segítségével, és a pontosság 90,0% volt.

Hivatkozás: DOI: 10.1039/d2ra05725e