Okostelefonnal kombinált DNS-metilációs vizsgálat a daganatok korai szűrésére és a leukémia szűrésére 90,0%-os pontossággal!

A rák folyékony biopszián alapuló korai felismerése a rákfelismerés és -diagnózis új iránya az Egyesült Államok Nemzeti Rákkutató Intézete által az elmúlt években, melynek célja a korai rák vagy akár a rákmegelőző elváltozások kimutatása. Széles körben alkalmazták új biomarkerként különféle rosszindulatú daganatok korai diagnosztizálására, beleértve a tüdőrákot, a gyomor-bélrendszeri daganatokat, a gliomákat és a nőgyógyászati ​​daganatokat.

A metilációs tájkép (Methylscape) biomarkerek azonosítására szolgáló platformok megjelenése jelentős mértékben javíthatja a rák jelenlegi korai szűrését, így a betegek a legkorábbi kezelhető szakaszba kerülhetnek.

A közelmúltban a kutatók egy egyszerű és közvetlen érzékelő platformot fejlesztettek ki a metilációs táj detektálására, amely ciszteaminnal díszített arany nanorészecskék (Cyst/AuNP) és okostelefon-alapú bioszenzorral kombinálva lehetővé teszi a daganatok széles körének gyors korai szűrését. A leukémia korai szűrése a vérmintából történő DNS-kinyerést követően 15 percen belül elvégezhető, 90,0%-os pontossággal. A cikk címe: A rákos DNS gyors kimutatása emberi vérben ciszteamin-sapkás AuNP-k és gépi tanulásra képes okostelefon segítségével.

1. ábra. Egy egyszerű és gyors érzékelő platform a rákszűréshez Cyst/AuNPs komponenseken keresztül, két egyszerű lépésben valósítható meg.

Ezt az 1. ábra mutatja. Először vizes oldatot használtunk a DNS-fragmensek feloldására. Ezután ciszta/AuNP-ket 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, és végül aggregálja a Cyst/AuNP-ket, ami a Cyst/AuNP-k vörös eltolódását eredményezi, így szabad szemmel is megfigyelhető a vörösről a lilára való színváltozás. Ezzel szemben a rákos DNS egyedi metilációs profilja nagyobb DNS-fragmenscsoportok kialakulásához vezet.

A 96 lyukú lemezek képei okostelefon kamerájával készültek. A rák DNS-ét a spektroszkópián alapuló módszerekkel összehasonlítva gépi tanulással felszerelt okostelefonnal mérték.

Rákszűrés valódi vérmintákban

Az érzékelő platform hasznosságának kiterjesztése érdekében a kutatók olyan érzékelőt alkalmaztak, amely sikeresen megkülönböztette a normál és a rákos DNS-t valódi vérmintákban. a CpG helyeken lévő metilációs minták epigenetikailag szabályozzák a génexpressziót. Szinte minden ráktípusnál megfigyelték, hogy a DNS-metilációban és így a daganatképződést elősegítő gének expressziójában váltakoznak a változások.

A DNS-metilációval kapcsolatos egyéb rákos megbetegedések modelljeként a kutatók leukémiás betegek és egészséges kontrollok vérmintáit használták fel, hogy megvizsgálják a metilációs környezet hatékonyságát a leukémiás rákok megkülönböztetésében. Ez a metilációs tájbiomarker nemcsak felülmúlja a meglévő gyors leukémia-szűrési módszereket, hanem azt is bizonyítja, hogy ennek az egyszerű és egyértelmű vizsgálatnak a segítségével megvalósítható-e a rákos megbetegedések széles körének korai felismerése.

31 leukémiás beteg és 12 egészséges egyén vérmintáiból származó DNS-t elemezték. amint az a 2a. ábrán látható dobozban látható, a rákos minták relatív abszorbanciája (ΔA650/525) alacsonyabb volt, mint a normál mintákból származó DNS-é. ez főként a megnövekedett hidrofóbicitásnak volt köszönhető, ami a rákos DNS sűrű aggregációjához vezetett, ami megakadályozta a Cyst/AuNP-k aggregációját. Ennek eredményeként ezek a nanorészecskék teljesen szétszóródtak a rákos aggregátumok külső rétegeiben, ami a normál és a rákos DNS-aggregátumokon adszorbeált Cyst/AuNP-k eltérő diszperzióját eredményezte. Ezután ROC-görbéket generáltunk a küszöb ΔA650/525 minimális értékről a maximális értékre történő változtatásával.

2.(a) ábra Ciszta/AuNPs oldatok relatív abszorbancia értékei, amelyek a normál (kék) és a rákos (vörös) DNS jelenlétét mutatják optimalizált körülmények között

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

Amint a 2b. ábra mutatja, a kifejlesztett szenzorra kapott ROC-görbe alatti terület (AUC = 0,9274) nagy érzékenységet és specificitást mutatott. Amint az a doboz diagramból látható, a normál DNS-csoportot képviselő legalacsonyabb pont nincs jól elkülönítve a rákos DNS-csoportot képviselő legmagasabb ponttól; ezért logisztikus regressziót alkalmaztak a normál és a rákos csoportok megkülönböztetésére. Független változók halmaza alapján megbecsüli egy esemény bekövetkezésének valószínűségét, mint például egy rák vagy egy normál csoport. A függő változó 0 és 1 között van. Az eredmény tehát egy valószínűség. A rák azonosításának valószínűségét (P) a ΔA650/525 alapján határoztuk meg az alábbiak szerint.

ahol b=5,3533, w1=-6,965. A minta osztályozásánál a 0,5-nél kisebb valószínűség normális mintát, míg a 0,5 vagy annál nagyobb valószínűség rákos mintát jelez. A 2c. ábra a hagyja békén keresztellenőrzésből generált zavaros mátrixot ábrázolja, amelyet az osztályozási módszer stabilitásának validálására használtunk. A 2d. ábra a módszer diagnosztikai tesztértékelését foglalja össze, beleértve az érzékenységet, specificitást, pozitív prediktív értéket (PPV) és negatív prediktív értéket (NPV).

Okostelefon alapú bioszenzorok

A spektrofotométerek nélküli mintavizsgálat további egyszerűsítése érdekében a kutatók mesterséges intelligenciát (AI) használtak az oldat színének értelmezésére, valamint a normál és rákos egyének megkülönböztetésére. Ennek alapján a számítógépes látást arra használták, hogy a Cyst/AuNPs oldat színét normál DNS-vé (lila) vagy rákos DNS-sé (piros) fordítsák le, mobiltelefon kameráján keresztül készített 96 lyukú lemezek képei segítségével. A mesterséges intelligencia csökkentheti a költségeket és javíthatja a hozzáférhetőséget a nanorészecske-oldatok színének értelmezésében, optikai hardveres okostelefon-tartozékok használata nélkül. Végül két gépi tanulási modellt, köztük a Random Forest-et (RF) és a Support Vector Machine-t (SVM) képezték ki a modellek megalkotására. mind az RF, mind az SVM modell 90,0%-os pontossággal helyesen osztályozta a mintákat pozitívnak és negatívnak. Ez azt sugallja, hogy a mesterséges intelligencia használata a mobiltelefon-alapú bioérzékelésben teljesen lehetséges.

3.(a) ábra: Az oldat célosztálya, amelyet a minta előkészítése során rögzítettek a képfelvételi lépéshez. (b) A képfelvételi lépés során készített példakép. (c) A ciszta/AuNP-oldat színintenzitása a képről kinyert 96 lyukú lemez minden egyes üregében (b).

A Cyst/AuNP-k segítségével a kutatók sikeresen kifejlesztettek egy egyszerű érzékelő platformot a metilációs táj detektálására, valamint egy olyan érzékelőt, amely képes megkülönböztetni a normál DNS-t a rákos DNS-től, amikor valódi vérmintákat használnak a leukémia szűrésére. A kifejlesztett szenzor bebizonyította, hogy a valódi vérmintákból kinyert DNS képes gyorsan és költséghatékonyan kimutatni kis mennyiségű rákos DNS-t (3nM) leukémiás betegekben 15 perc alatt, és 95,3%-os pontosságot mutatott. A mintavizsgálat további egyszerűsítése érdekében a spektrofotométer szükségességének kiküszöbölése érdekében gépi tanulást alkalmaztak az oldat színének értelmezésére, valamint a normál és rákos egyének megkülönböztetésére mobiltelefonos fénykép segítségével, és a pontosság is 90,0%-os volt.

Hivatkozás: DOI: 10.1039/d2ra05725e