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

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

Появление платформ для идентификации биомаркеров метилового ландшафта (Methylscape) может существенно улучшить существующий ранний скрининг рака, позволяя пациентам проходить лечение на самой ранней стадии.

Недавно исследователи разработали простую и прямую сенсорную платформу для обнаружения метилированных ландшафтов 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 фрагменты ДНК растворялись в водном растворе. Затем к смешанному раствору добавлялись Cyst/AuNP. Нормальная и злокачественная ДНК обладают разными свойствами метилирования, что приводит к образованию фрагментов ДНК с разными паттернами самосборки. Нормальная ДНК агрегирует неплотно и в конечном итоге агрегирует с 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.

Снимки 96-луночных планшетов были сделаны камерой смартфона. Уровень раковой ДНК измерялся с помощью смартфона, оснащенного технологией машинного обучения, в сравнении с методами спектроскопии.

Скрининг рака в реальных образцах крови

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

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

Был проведен анализ ДНК из образцов крови 31 пациента с лейкемией и 12 здоровых лиц. Как показано на диаграмме на рисунке 2а, относительное поглощение образцов раковых клеток (ΔA650/525) было ниже, чем у ДНК из нормальных образцов. Это было обусловлено главным образом повышенной гидрофобностью, приводящей к плотной агрегации ДНК рака, что предотвращало агрегацию Cyst/AuNP. В результате эти наночастицы были полностью диспергированы во внешних слоях агрегатов раковых клеток, что привело к различному распределению Cyst/AuNP, адсорбированных на агрегатах ДНК нормальных клеток и раковых клеток. 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 ошибок для диагностики здоровых и онкологических пациентов. (d) Чувствительность, специфичность, положительная прогностическая ценность (ППЦ), отрицательная прогностическая ценность (ОПЦ) и точность разработанного метода.

Как показано на рисунке 2b, площадь под ROC-кривой (AUC = 0,9274), полученная для разработанного сенсора, продемонстрировала высокую чувствительность и специфичность. Как видно из диаграммы, самая низкая точка, представляющая группу с нормальной ДНК, не отделена от самой высокой точки, представляющей группу с раковой ДНК; поэтому для дифференциации групп с нормальной ДНК и раковой ДНК была использована логистическая регрессия. При наличии набора независимых переменных она оценивает вероятность наступления события, например, развития рака или развития нормальной ДНК. Зависимая переменная принимает значения от 0 до 1. Таким образом, результат представляет собой вероятность. Вероятность выявления рака (P) была определена на основе ΔA650/525 следующим образом.

где b = 5,3533, w1 = -6,965. При классификации образцов вероятность менее 0,5 указывает на нормальный образец, а вероятность 0,5 или выше — на раковый. На рисунке 2c представлена ​​матрица ошибок, полученная в результате кросс-валидации по принципу «оставьте всё как есть», которая использовалась для проверки стабильности метода классификации. На рисунке 2d представлена ​​диагностическая оценка метода, включая чувствительность, специфичность, положительную прогностическую ценность (ППЦ) и отрицательную прогностическую ценность (ОПЦ).

Биосенсоры на базе смартфонов

Чтобы еще больше упростить тестирование образцов без использования спектрофотометров, исследователи использовали искусственный интеллект (ИИ) для интерпретации цвета раствора и различения здоровых и больных раком 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, сделанных камерой мобильного телефона. Искусственный интеллект может снизить затраты и улучшить доступность интерпретации цвета растворов наночастиц, причем без использования каких-либо оптических аппаратных аксессуаров смартфона. Наконец, для построения моделей были обучены две модели машинного обучения, включая случайный лес (RF) и опорную векторную машину (SVM). Как модель RF, так и модель 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 метилирования и сенсор, способный отличать нормальную ДНК от раковой ДНК при использовании реальных образцов крови для скрининга лейкемии. Разработанный сенсор 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 с точностью 95,3%. Для дальнейшего упрощения тестирования образцов путем устранения необходимости в спектрофотометре было использовано машинное обучение для интерпретации цвета раствора и дифференциации здоровых и больных раком людей с помощью фотографии, сделанной на мобильный телефон. Точность также достигла 90,0%.

Ссылка: DOI: 10.1039/d2ra05725e