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 — это новое направление в диагностике и выявлении рака, предложенное Национальным институтом рака США в последние годы 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, желудочно-кишечные опухоли, глиомы и гинекологические опухоли.

Появление платформ для идентификации биомаркеров метилового ландшафта (Methylscape) может значительно улучшить существующий ранний скрининг рака, позволяя пациентам находиться на самой ранней стадии, поддающейся лечению.

Недавно исследователи разработали простую и прямую сенсорную платформу для обнаружения ландшафта метилирования на основе золотых наночастиц, декорированных цистеамином (Cyst/AuNP), в сочетании с биосенсором на базе смартфона, что позволяет проводить быстрый ранний скрининг широкого спектра опухолей. Ранний скрининг лейкемии можно проводить в течение 15 минут после извлечения ДНК из образца крови с точностью 90,0%. Название статьи: Быстрое обнаружение раковой ДНК в крови человека с использованием AuNP, покрытых цистеамином, и смартфона с поддержкой машинного обучения.

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

Это показано на рисунке 1. Сначала для растворения фрагментов ДНК использовался водный раствор. Затем к смешанному раствору добавлялись Cyst/AuNP. Нормальная и злокачественная ДНК имеют разные свойства метилирования, что приводит к образованию фрагментов ДНК с разными схемами самосборки. Нормальная ДНК агрегирует неплотно и в конечном итоге агрегирует Cyst/AuNP, что приводит к сдвигу Cyst/AuNP в красную область спектра, 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. Раковая ДНК была измерена смартфоном, оснащенным машинным обучением, по сравнению с методами, основанными на спектроскопии.

Скрининг рака в реальных образцах крови

Чтобы расширить полезность сенсорной платформы, исследователи применили сенсор, который успешно различал нормальную и раковую ДНК в реальных образцах крови. Паттерны метилирования на участках CpG эпигенетически регулируют экспрессию генов. Почти при всех типах рака наблюдалось чередование изменений в метилировании ДНК и, следовательно, в экспрессии генов, способствующих опухолеобразованию.

В качестве модели для других видов рака, связанных с метилированием ДНК, исследователи использовали образцы крови больных лейкемией и здоровых лиц для изучения эффективности ландшафта метилирования в дифференциации лейкемических видов рака. Этот биомаркер ландшафта метилирования не только превосходит существующие методы быстрого скрининга лейкемии, но и демонстрирует возможность расширения до раннего выявления широкого спектра видов рака с использованием этого простого и понятного анализа.

Была проанализирована ДНК из образцов крови 31 пациента с лейкемией и 12 здоровых людей. Как показано на диаграмме на рисунке 2а, относительное поглощение образцов рака (ΔA650/525) было ниже, чем у ДНК из нормальных образцов. Это было в основном из-за повышенной гидрофобности, приводящей к плотной агрегации ДНК рака, что предотвращало агрегацию Cyst/AuNP. В результате эти наночастицы были полностью диспергированы во внешних слоях агрегатов рака, что привело к различной дисперсии Cyst/AuNP, адсорбированных на агрегатах нормальной и раковой ДНК. Затем были получены ROC-кривые путем изменения порогового значения от минимального значения ΔA650/525 до максимального значения.

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

(DA650/525) диаграмм ящиков; (b) ROC-анализ и оценка диагностических тестов. (c) Матрица путаницы для диагностики здоровых и онкологических пациентов. (d) Чувствительность, специфичность, положительная прогностическая ценность (PPV), отрицательная прогностическая ценность (NPV) и точность разработанного метода.

Как показано на рисунке 2b, площадь под ROC-кривой (AUC = 0,9274), полученная для разработанного сенсора, показала высокую чувствительность и специфичность. Как видно из диаграммы, самая низкая точка, представляющая нормальную группу ДНК, не очень хорошо отделена от самой высокой точки, представляющей раковую группу ДНК; поэтому для дифференциации нормальных и раковых групп использовалась логистическая регрессия. Учитывая набор независимых переменных, она оценивает вероятность наступления события, такого как рак или нормальная группа. Зависимая переменная находится в диапазоне от 0 до 1. Таким образом, результатом является вероятность. Мы определили вероятность идентификации 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, тогда как вероятность 0,5 или выше указывает на раковый образец. На рисунке 2c изображена матрица путаницы, полученная в результате перекрестной проверки «оставьте все как есть», которая использовалась для проверки стабильности метода классификации. На рисунке 2d суммирована диагностическая оценка метода, включая чувствительность, специфичность, положительную прогностическую ценность (PPV) и отрицательную прогностическую ценность (NPV).

Биосенсоры на базе смартфона

Чтобы еще больше упростить тестирование образцов без использования спектрофотометров, исследователи использовали искусственный интеллект (ИИ) для интерпретации цвета раствора и различения нормальных и раковых индивидуумов. 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, сделанных камерой мобильного телефона. Искусственный интеллект может снизить затраты и улучшить доступность при интерпретации цвета растворов наночастиц, причем без использования каких-либо оптических аппаратных аксессуаров смартфона. Наконец, две модели машинного обучения, включая Random Forest (RF) и Support Vector Machine (SVM), были обучены для построения моделей. 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 биосенсорике на основе мобильного телефона вполне возможно.

Рисунок 3. (a) Целевой класс раствора, зарегистрированный во время подготовки образца для этапа получения изображения. (b) Пример изображения, полученного во время этапа получения изображения. (c) Интенсивность цвета раствора циста/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 экономически эффективно обнаруживать небольшие количества раковой ДНК (3 нМ) у пациентов с лейкемией за 15 минут и показала точность 95,3%. Чтобы еще больше упростить тестирование образцов, исключив необходимость в спектрофотометре, было использовано машинное обучение для интерпретации цвета раствора и различения нормальных и раковых людей с помощью фотографии на мобильный телефон, и точность также достигла 90,0%.

Ссылка: DOI: 10.1039/d2ra05725e