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

Раннее обнаружение рака на основе биопсии жидкости является новым направлением обнаружения и диагностики рака, предложенного Национальным институтом рака США в последние годы, с целью выявления раннего рака или даже предраковых поражений. Он широко использовался 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 метилирования (метилскап) может значительно улучшить существующий ранний скрининг на рак, ставя пациентов на самую раннюю стадию для лечения.

Недавно исследователи разработали простую и прямого восприятия платформы для обнаружения метилирования ландшафта на основе наночастиц золота, украшенных цистеамином, в сочетании с биосенсором на основе смартфонов, который обеспечивает быстрый ранний скрининг широкого спектра опухолей. Ранний скрининг на лейкемию может быть выполнен в течение 15 минут после экстракции ДНК из образца крови, с точностью 90,0%. Название статьи-это быстрое обнаружение ДНК рака в крови человека с использованием AuNP с закрепленным цистеамом и смартфона с поддержкой машинного обучения。

Рисунок 1. Простая и быстрое восприятие платформы для скрининга рака с помощью компонентов Cyst/AuNPS может быть выполнена в двух простых шагах.

Это показано на рисунке 1. Во -первых, водный раствор использовали для растворения фрагментов ДНК. Затем в смешанный раствор добавляли кисты/AuNP. Нормальная и злокачественная ДНК обладает различными свойствами метилирования, что приводит к фрагментам ДНК с различными паттернами самосборки. Нормальная ДНК-агрегаты свободно и в конечном итоге агрегирует кисту/AUNP, что приводит к красному красному характеру кисты/AuNP, так что изменение цвета от красного до фиолетового цвета можно наблюдать невооруженным глазом. Напротив, уникальный профиль метилирования ДНК рака приводит к выработке более крупных кластеров фрагментов ДНК.

Изображения 96-луночных пластин были взяты с использованием камеры смартфона. ДНК рака измеряли смартфоном, оснащенным машинным обучением по сравнению с методами на основе спектроскопии.

Скрининг рака в реальных образцах крови

Чтобы расширить полезность чувствительной платформы, исследователи применили датчик, который успешно различал нормальную и раковую ДНК в реальных образцах крови. Паттерны метилирования в сайтах CPG эпигенетически регулируют экспрессию генов. Практически во всех типах рака изменения в метилировании ДНК и, следовательно, в экспрессии генов, которые способствуют опухолеру, наблюдались чередующиеся.

В качестве модели для других видов рака, связанных с метилированием ДНК, исследователи использовали образцы крови у пациентов с лейкемией и здоровых контролей, чтобы исследовать эффективность ландшафта метилирования в дифференцированном лейкемическом раке. Этот биомаркер метилирования не только превосходит существующие методы быстрого скрининга лейкемии, но также демонстрирует возможность расширения до раннего обнаружения широкого спектра раковых заболеваний с использованием этого простого и простого анализа.

ДНК из образцов крови от 31 пациентов с лейкозом и 12 здоровых людей была проанализирована. Как показано на графике ящика на рисунке 2А, ​​относительная поглощение образцов рака (ΔA650/525) была ниже, чем у ДНК из нормальных образцов. Это было связано главным образом из -за усиленной гидрофобности, приводящей к плотной агрегации ДНК рака, которая предотвращала агрегацию кисты/AUNP. В результате эти наночастицы были полностью диспергированы во внешних слоях агрегатов рака, что привело к другой дисперсии кисты/AUNP, адсорбированных на нормальных и раковых ДНК -агрегатах. Затем кривые ROC генерировали путем изменения порога от минимального значения ΔA650/525 до максимального значения.

Рисунок 2. (a) Относительные значения поглощения растворов Cyst/AuNPS, показывающие наличие нормальной (синей) и раковой (красной) ДНК в оптимизированных условиях

(DA650/525) из коробок; (б) Анализ ROC и оценка диагностических тестов. (C) Матрица путаницы для диагностики нормальных и раковых пациентов. (D) Чувствительность, специфичность, положительная прогностическая ценность (PPV), отрицательная прогностическая ценность (NPV) и точность разработанного метода.

Как показано на рисунке 2B, область под кривой ROC (AUC = 0,9274), полученная для развитого датчика, показала высокую чувствительность и специфичность. Как видно из графика коробки, самая низкая точка, представляющая нормальную группу ДНК, не хорошо отделена от самой высокой точки, представляющей группу ДНК рака; Следовательно, логистическая регрессия использовалась для дифференциации между нормальными и раковыми группами. Учитывая набор независимых переменных, он оценивает вероятность возникновения события, например, рак или нормальная группа. Зависимая переменная колеблется от 0 до 1. Поэтому результатом является вероятность. Мы определили вероятность идентификации рака (P) на основе ΔA650/525 следующим образом.

где b = 5,3533, w1 = -6,965. Для классификации выборки вероятность менее 0,5 указывает на нормальную выборку, в то время как вероятность 0,5 или выше указывает на выборку рака. На рисунке 2C изображена матрица путаницы, сгенерированной из перекрестной проверки, которая использовалась для проверки стабильности метода классификации. Рисунок 2D суммирует оценку метода диагностического теста, включая чувствительность, специфичность, положительную прогностическую ценность (PPV) и отрицательное прогностическое значение (NPV).

Биосенсоры на основе смартфонов

Чтобы еще больше упростить тестирование образцов без использования спектрофотометров, исследователи использовали искусственный интеллект (ИИ) для интерпретации цвета решения и различать нормальных и раковых людей. Учитывая это, компьютерное зрение использовалось для перевода цвета раствора Cyst/AuNPS в обычную ДНК (фиолетовый) или раковую ДНК (красный) с использованием изображений 96-луночных планшетов, взятых через камеру мобильного телефона. Искусственный интеллект может снизить затраты и улучшить доступность в интерпретации цвета наночастиц решений и без использования каких -либо оптических аппаратных аксессуаров для смартфонов. Наконец, две модели машинного обучения, в том числе случайный лес (РЧ) и поддержка векторной машины (SVM), были обучены построению моделей. Модели как RF, так и SVM правильно классифицировали образцы как положительные и отрицательные с точностью 90,0%. Это говорит о том, что использование искусственного интеллекта в биосенсировании на основе мобильных телефонов вполне возможно.

Рисунок 3. (а) Целевой класс решения, записанного во время приготовления образца для этапа сбора изображения. (б) Пример изображения, сделанный на этапе сбора изображения. (C) Интенсивность цвета раствора Cyst/AuNPS в каждой лунке 96-луночной пластины, извлеченной из изображения (B).

Используя Cyst/AuNP, исследователи успешно разработали простую чувствительную платформу для обнаружения метилирования ландшафта и датчик, способный отличать нормальную ДНК от ДНК рака при использовании настоящих образцов крови для скрининга лейкоза. Разработанный датчик продемонстрировал, что ДНК, извлеченная из реальных образцов крови, была способна быстро и экономически эффективно обнаруживать небольшие количества раковой ДНК (3NM) у пациентов с лейкозом за 15 минут и показала точность 95,3%. Чтобы еще больше упростить тестирование образцов путем устранения необходимости в спектрофотометре, машинное обучение использовалось для интерпретации цвета решения и дифференциации между нормальными и раковыми людьми с использованием фотографии мобильного телефона, а также была достигнута точность на 90,0%.

Ссылка: doi: 10.1039/d2ra05725e