DNA metilacijski testiranje u kombinaciji sa pametnim telefonima za rano prikazivanje tumora i leukemijskog skrininga s tačnošću od 90,0%!

Rano otkrivanje raka na bazi tečnog biopsije je novi smjer otkrivanja i dijagnoze raka koji je u posljednjih godina predložio američki institut za nacionalni rak, s ciljem otkrivanja ranog raka ili čak preciznih lezija. Široko se koristi kao roman Biomarker za ranu dijagnozu različitih maligna, uključujući rak pluća, gastrointestinalne tumore, gliome i ginekološke tumore.

Pojava platformi za prepoznavanje biomarkera za metilaciju (metilscape) ima potencijal da značajno poboljša postojeće rano projekcije za rak, stavljajući pacijente u najranijoj fazi liječnika.

Nedavno su istraživači razvili jednostavnu i direktno osjetivnu platformu za otkrivanje metilacije na bazi cisteamina ukrašenih zlatnih nanočestica (cista / aunps) u kombinaciji sa biosenzorom na bazi pametnog telefona koji omogućava brzo prerasta probira širokog paleta tumora. Rano screening za leukemiju može se izvesti u roku od 15 minuta nakon ekstrakcije DNK iz uzorka krvi, s tačnošću od 90,0%. Naslov članka je brzo otkrivanje raka DNK u ljudskoj krvi pomoću Cysteamin-a sa zatvorenim aNP-om i pametnim telefonom koji podržava mašinu.

Slika 1. Jednostavna i brza osjetna platforma za skrining s prelesećem raka putem cista / aunps komponenti mogu se postići u dva jednostavna koraka.

To se prikazuje na slici 1. Prvo, vodeće rastvor korišćeno je za otapanje fragmenata DNK. Ciste / AUNP su zatim dodate u miješano rješenje. Normalna i maligna DNK imaju različita svojstva metilacije, što rezultira fragmentima DNK sa različitim obrascima samopostavljaju. Normalni DNK agregira lagano i na kraju agregira ciste / aunps, što rezultira crvenim pomjerenim prirodom ciste / aunps, tako da se promjena boje od crvene u ljubičastu mogu primijetiti golim okom. Suprotno tome, jedinstveni metilacijski profil raka DNA dovodi do proizvodnje većih klastera fragmenata DNK.

Slike sa 96-bulnih ploča poduzete su pomoću kamere pametne telefone. Rak DNK mjerio je pametni telefon opremljen mašinskim učenjem u odnosu na metode zasnovane na spektroskopiji.

Screening raka u stvarnim uzorcima krvi

Da bi se proširila korisnost osjetljivosti platforme, istražitelji su primijenili senzor koji se uspješno razlikuje između normalnih i kanceroznih DNK u stvarnim uzorcima krvi. Uzorci metilacije na CPG web lokacijama epigenetski reguliraju izraz gena. U gotovo svim vrstama karcinoma, promjene u DNA metilaciji i na taj način u izražavanju gena koji promoviraju tumourigenezu je primijećeno za izmjenu.

Kao model za ostale karcinome koji su povezani sa DNA metilacijom, istraživači su koristili uzorke krvi sa pacijenata na leukemiju i zdrave kontrole za istraživanje efikasnosti metilacijskog krajolika u razlikovanju leukaemijskih karcinoma. Ovaj metilacijski pejzažni Biomarker ne samo da nadmašuje postojeću brzu leukemijsku metode zaslona, ​​ali takođe pokazuje izvodljivost produženja na rano otkrivanje širokog spektra kancelarija pomoću ovog jednostavnog i jednostavnog testa.

DNK iz uzoraka krvi iz 31 bolesnika leukemije i 12 zdravih pojedinaca analizirana je. Kao što je prikazano u okviru na slici 2a, relativna apsorbancija uzoraka raka (ΔA650 / 525) bila je niža od onog DNK iz normalnih uzoraka. To je uglavnom bilo zbog poboljšane hidrofobnosti koja vodi do guste agregacije raka DNA, što je spriječilo agregaciju ciste / aunksa. Kao rezultat toga, ove nanočestike su u potpunosti raspršeni u vanjskim slojevima agregata raka, što je rezultiralo različitom disperzijom ciste / aunps adsorbirane na normalnim i rakom DNA agregata. Potom su rokove obrisane varirajući prag iz minimalne vrijednosti ΔA650 / 525 na maksimalnu vrijednost.

Slika 2. (a) Relativne vrijednosti apsorbancije za apsorpciju cista / aunps rješenja koja pokazuju prisustvo normalnog (plavog) i raka (crveno) DNK u optimiziranim uvjetima

(DA650 / 525) okvirnih parcela; (b) ROC analiza i evaluacija dijagnostičkih testova. (c) zbrka matrica za dijagnozu normalnih i pacijenata na rak. (d) osjetljivost, specifičnost, pozitivna prediktivna vrijednost (PPV), negativna prediktivna vrijednost (NPV) i tačnost razvijene metode.

Kao što je prikazano na slici 2b, područje pod rok krivuljom (AUC = 0,9274) dobiveno za razvijen senzor pokazao je veliku osjetljivost i specifičnost. Kao što se može vidjeti iz okvira, najniža točka koja predstavlja normalnu DNK grupu nije dobro odvojena od najvišom točke koja predstavlja grupu raka DNA; Stoga se logistička regresija koristila za razliku između normalnih i raka grupa. S obzirom na skup nezavisnih varijabli, procjenjuje vjerovatnoću događaja koji se događa, kao što je rak ili normalna grupa. Zavisna varijabla se kreće između 0 i 1. Rezultat je stoga vjerovatnoća. Određivali smo verovatnoću identifikacije raka (p) na osnovu ΔA650 / 525 na sledeći način.

gdje je b = 5.3533, w1 = -6.965. Za klasifikaciju uzorka, verovatnoća manja od 0,5 označava normalan uzorak, dok verovatnoća od 0,5 ili veća ukazuje na uzorak raka. Slika 2C prikazuje zbrku matricu generirana iz dopusta - same poprečne validacije, koja se koristila za provjeru stabilnosti metode klasifikacije. Slika 2D sažima dijagnostičko evaluaciju metode, uključujući osjetljivost, specifičnost, pozitivnu prediktivnu vrijednost (PPV) i negativnu prediktivnu vrijednost (NPV).

Biosenzori na bazi pametnih telefona

Da biste dodatno pojednostavili ispitivanje uzorka bez upotrebe spektrofotometara, istraživači su koristili umjetnu inteligenciju (AI) za tumačenje boje rješenja i razlikovati između normalnih i kanceroznih pojedinaca. S obzirom na to, računarska vizija korištena je za prevođenje boje ciste / aunps rješenja u normalnu DNK (ljubičastu) ili kanceroznu DNK (crvenu) koristeći slike ploče sa 96 dobrom kamerom za mobilni telefon. Umjetna inteligencija može umanjiti troškove i poboljšati pristupačnost u tumačenju boje nanoparticle rješenja, a bez upotrebe bilo kojeg optičkog hardverskog pribora za pametne telefone. Konačno, dva mašinska modela za učenje, uključujući slučajnu šumu (RF) i vektorsku mašinu za podršku (SVM) obučeni su za izgradnju modela. I RF i SVM modeli pravilno su klasificirali uzorke kao pozitivne i negativne s tačnošću od 90,0%. Ovo sugeriše da je upotreba umjetne inteligencije u biosenziranju na mobilnom telefonu sasvim moguća.

Slika 3. (a) Ciljna klasa rješenja zabilježena tijekom pripreme uzorka za korak nabavke slike. (b) Primjer slika snimljena tokom koraka za nabavku slike. (c) Intenzitet boje boje ciste / aunps rješenja u svakom bunaru od 96 bušotine izvučene iz slike (b).

Koristeći ciste / aunps, istraživači su uspješno razvili jednostavnu osjetljivost na detekciju pejzaža i senzor koji može razlikovati normalnu DNK od raka DNA za screening za realnu krv za probir leukemije. Razvijeni senzor pokazao je da je DNK izvučena iz stvarnih uzoraka krvi uspjela brzo i isplativo otkriti male količine raka DNA (3nm) u leukemijskom pacijente za 15 minuta, a pokazalo je tačnost 95,3%. Da biste dodatno pojednostavili testiranje uzorka uklanjanjem potrebe za spektrofotometrom, učenje mašine korišteno je za tumačenje boje rješenja i razlikovati se između normalnih i kanceroznih pojedinaca koristeći fotografiju mobilnog telefona, a točnost je također mogla postići i na 90,0%.

Reference: Doi: 10.1039 / d2ra05725e