Тестирование метилирования ДНК в сочетании со смартфонами для раннего скрининга опухолей и скрининга лейкемии с точностью 90,0%!

Раннее выявление рака на основе жидкой биопсии — новое направление выявления и диагностики рака, предложенное в последние годы Национальным институтом рака США с целью выявления раннего рака или даже предраковых поражений. Он широко используется в качестве нового биомаркера для ранней диагностики различных злокачественных новообразований, включая рак легких, опухоли желудочно-кишечного тракта, глиомы и гинекологические опухоли.

Появление платформ для идентификации биомаркеров ландшафта метилирования (Mmethylscape) может значительно улучшить существующий ранний скрининг рака, переводя пациентов на самую раннюю излечимую стадию.

Недавно исследователи разработали простую и прямую сенсорную платформу для обнаружения ландшафта метилирования на основе украшенных цистеамином наночастиц золота (Cyst/AuNP) в сочетании с биосенсором на базе смартфона, который обеспечивает быстрый ранний скрининг широкого спектра опухолей. Ранний скрининг на лейкоз можно провести в течение 15 минут после выделения ДНК из образца крови с точностью 90,0%. Название статьи: Быстрое обнаружение раковой ДНК в крови человека с использованием AuNP, содержащих цистеамин, и смартфона с поддержкой машинного обучения.

Рисунок 1. Простую и быструю сенсорную платформу для скрининга рака с помощью компонентов Cyst/AuNP можно создать в два простых шага.

Это показано на рисунке 1. Сначала для растворения фрагментов ДНК использовали водный раствор. Затем к смешанному раствору добавляли Cyst/AuNP. Нормальная и злокачественная ДНК обладают разными свойствами метилирования, в результате чего образуются фрагменты ДНК с разными паттернами самосборки. Нормальная ДНК агрегирует свободно и в конечном итоге агрегирует Cyst/AuNP, что приводит к красному смещению Cyst/AuNP, так что изменение цвета с красного на фиолетовый можно наблюдать невооруженным глазом. Напротив, уникальный профиль метилирования раковой ДНК приводит к образованию более крупных кластеров фрагментов ДНК.

Изображения 96-луночных планшетов были сделаны с помощью камеры смартфона. ДНК рака измерялась с помощью смартфона, оснащенного машинным обучением, по сравнению с методами, основанными на спектроскопии.

Скрининг рака с использованием реальных образцов крови

Чтобы расширить возможности сенсорной платформы, исследователи применили датчик, который успешно различал нормальную и раковую ДНК в реальных образцах крови. Паттерны метилирования в сайтах CpG эпигенетически регулируют экспрессию генов. Почти при всех типах рака наблюдалось чередование изменений в метилировании ДНК и, следовательно, в экспрессии генов, способствующих опухолевому генезу.

В качестве модели для других видов рака, связанных с метилированием ДНК, исследователи использовали образцы крови пациентов с лейкемией и здоровых людей, чтобы изучить эффективность ландшафта метилирования при дифференциации лейкемического рака. Этот биомаркер ландшафта метилирования не только превосходит существующие методы быстрого скрининга лейкемии, но также демонстрирует возможность раннего выявления широкого спектра видов рака с помощью этого простого и понятного анализа.

Была проанализирована ДНК из образцов крови 31 больного лейкемией и 12 здоровых людей. как показано на диаграмме на рисунке 2а, относительная оптическая плотность образцов рака (ΔA650/525) была ниже, чем у ДНК из нормальных образцов. в основном это произошло из-за повышенной гидрофобности, приводящей к плотной агрегации раковой ДНК, что предотвращало агрегацию Cyst/AuNP. В результате эти наночастицы были полностью диспергированы во внешних слоях раковых агрегатов, что привело к разной дисперсии Cyst/AuNP, адсорбированных на нормальных и раковых агрегатах ДНК. Затем были созданы кривые ROC путем изменения порога от минимального значения ΔA650/525 до максимального значения.

Рисунок 2. (a) Относительные значения оптической плотности растворов цист/AuNP, показывающие наличие нормальной (синий) и раковой (красный) ДНК в оптимизированных условиях.

(DA650/525) коробчатых диаграмм; (б) ROC-анализ и оценка диагностических тестов. (c) Матрица путаницы для диагностики нормальных и онкологических больных. (г) Чувствительность, специфичность, положительная прогностическая ценность (PPV), отрицательная прогностическая ценность (NPV) и точность разработанного метода.

Как показано на рисунке 2б, площадь под кривой ROC (AUC = 0,9274), полученная для разработанного сенсора, показала высокую чувствительность и специфичность. Как видно на диаграмме, самая низкая точка, представляющая нормальную группу ДНК, не очень хорошо отделена от самой высокой точки, представляющей группу ДНК рака; поэтому логистическая регрессия использовалась для дифференциации нормальных и раковых групп. Учитывая набор независимых переменных, он оценивает вероятность возникновения события, например, рака или нормальной группы. Зависимая переменная находится в диапазоне от 0 до 1. Таким образом, результат является вероятностью. Мы определили вероятность выявления рака (P) на основе ΔA650/525 следующим образом.

где b=5,3533,w1=-6,965. Для классификации образцов вероятность менее 0,5 указывает на нормальный образец, а вероятность 0,5 или выше указывает на раковый образец. На рисунке 2c изображена матрица путаницы, полученная в результате перекрестной проверки «не в покое», которая использовалась для проверки стабильности метода классификации. На рисунке 2d обобщена оценка диагностического теста метода, включая чувствительность, специфичность, прогностическую ценность положительного результата (PPV) и прогностическую ценность отрицательного результата (NPV).

Биосенсоры на базе смартфонов

Чтобы еще больше упростить тестирование образцов без использования спектрофотометров, исследователи использовали искусственный интеллект (ИИ), чтобы интерпретировать цвет раствора и различать нормальных и раковых людей. Учитывая это, компьютерное зрение использовалось для перевода цвета раствора Cyst/AuNPs в нормальную ДНК (фиолетовый) или раковую ДНК (красный) с использованием изображений 96-луночных планшетов, снятых через камеру мобильного телефона. Искусственный интеллект может снизить затраты и улучшить доступность интерпретации цвета растворов наночастиц без использования каких-либо оптических аппаратных аксессуаров для смартфонов. Наконец, для построения моделей были обучены две модели машинного обучения, включая случайный лес (RF) и машину опорных векторов (SVM). обе модели RF и SVM правильно классифицировали образцы как положительные и отрицательные с точностью 90,0%. Это говорит о том, что использование искусственного интеллекта в биосенсорстве на базе мобильных телефонов вполне возможно.

Рисунок 3. (a) Целевой класс решения, записанный во время подготовки образца к этапу получения изображения. (б) Пример изображения, полученного на этапе получения изображения. (c) Интенсивность цвета раствора кисты/AuNP в каждой лунке 96-луночного планшета, извлеченная из изображения (b).

Используя Cyst/AuNP, исследователи успешно разработали простую сенсорную платформу для обнаружения ландшафта метилирования и датчик, способный отличать нормальную ДНК от раковой ДНК при использовании реальных образцов крови для скрининга лейкемии. Разработанный датчик продемонстрировал, что ДНК, выделенная из реальных образцов крови, способна быстро и экономично обнаруживать небольшие количества раковой ДНК (3 нМ) у пациентов с лейкемией за 15 минут, и показал точность 95,3%. Чтобы еще больше упростить тестирование образцов за счет устранения необходимости в спектрофотометре, было использовано машинное обучение для интерпретации цвета раствора и различения нормальных и больных раком людей с помощью фотографии с мобильного телефона, при этом точность также удалось достичь на уровне 90,0%.

Ссылка: DOI: 10.1039/d2ra05725e.