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

Раннее выявление рака на основе жидкостной биопсии — новое направление выявления и диагностики рака, предложенное в последние годы Национальным институтом рака США с целью выявления раннего рака или даже предраковых состояний.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 (Methylscape) может значительно улучшить существующий ранний скрининг рака, поставив пациентов на самую раннюю излечимую стадию.

Недавно исследователи разработали простую и прямую сенсорную платформу для обнаружения ландшафта метилирования на основе наночастиц золота, украшенных цистеамином (Cyst/AuNP), в сочетании с биосенсором на базе смартфона, который обеспечивает быстрый ранний скрининг широкого спектра опухолей.Ранний скрининг на лейкемию можно провести в течение 15 минут после выделения ДНК из образца крови с точностью 90,0%.Название статьи: «Быстрое обнаружение ДНК рака 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 помощью компонентов Cyst/AuNP можно создать за два простых шага.

Это показано на рис. 1. Сначала для растворения фрагментов ДНК использовали водный раствор.Затем к смешанному раствору добавляли Cyst/AuNP.Нормальная и злокачественная ДНК имеют разные свойства метилирования, что приводит к фрагментам ДНК с разными паттернами самосборки.Нормальная ДНК агрегирует рыхло и, в конечном итоге, агрегирует Cyst/AuNP, что приводит к красному смещению природы Cyst/AuNP, так что изменение цвета с красного на фиолетовый можно наблюдать невооруженным глазом.Напротив, уникальный профиль метилирования ДНК рака приводит к образованию более крупных кластеров фрагментов ДНК.

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

Скрининг рака в реальных образцах 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 наблюдается чередование изменений в метилировании ДНК и, следовательно, в экспрессии генов, которые способствуют онкогенезу.

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

Проведен анализ ДНК из образцов крови 31 больного лейкемией и 12 здоровых лиц.как показано на диаграмме на рисунке 2а, относительное поглощение образцов рака (ΔA650/525) было ниже, чем у ДНК из нормальных образцов.в основном это было связано с повышенной гидрофобностью, приводящей к плотной агрегации ДНК рака, что предотвращало агрегацию Cyst/AuNP.В результате эти наночастицы полностью диспергировались во внешних слоях раковых агрегатов, что приводило 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 поглощения растворов кист/AuNP, показывающие присутствие нормальной (синий) и раковой (красный) ДНК в оптимизированных условиях.

(DA650/525) коробчатых диаграмм;(b) 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 2b, площадь под ROC-кривой (AUC = 0,9274), полученная для разработанного датчика, показала высокую чувствительность и специфичность.Как видно из диаграммы, самая низкая точка, представляющая нормальную группу ДНК, плохо отделена от самой высокой точки, представляющей группу ДНК рака;поэтому логистическая регрессия использовалась для дифференциации между нормальными и раковыми группами.Учитывая набор независимых переменных, он оценивает вероятность возникновения события, такого как рак или нормальная группа.Зависимая переменная находится в диапазоне от 0 до 1. Таким образом, результатом является вероятность.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 рис. 2c показана матрица путаницы, полученная в результате перекрестной проверки, которая использовалась для проверки стабильности метода классификации.На рис. 2d представлена ​​диагностическая оценка метода, включая чувствительность, специфичность, положительное прогностическое значение (PPV) и отрицательное прогностическое значение (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 здоровых и раковых людей.Учитывая это, компьютерное зрение использовалось для преобразования цвета раствора Cyst/AuNP 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 повысить доступность при интерпретации цвета растворов наночастиц без использования каких-либо оптических аппаратных аксессуаров для смартфонов.Наконец, для создания моделей были обучены две модели машинного обучения, в том числе случайный лес (RF) и машина 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 биосенсорах на базе мобильных телефонов вполне возможно.

Рисунок 3. (а) Целевой класс раствора, записанный во время подготовки образца для этапа получения изображения.(b) Пример изображения, сделанного на этапе получения изображения.(c) Интенсивность окраски раствора киста/AuNPs в каждой лунке 96-луночного планшета, извлеченного из изображения (b).

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

Ссылка: DOI: 10.1039/d2ra05725e