Testiranje DNK metilacije u kombinaciji sa pametnim telefonima za rano otkrivanje tumora i skrining leukemije sa tačnošću od 90,0%!

Rano otkrivanje raka na osnovu tečne biopsije novi je pravac otkrivanja i dijagnoze karcinoma koji je posljednjih godina predložio američki Nacionalni institut za rak, s ciljem otkrivanja ranog raka ili čak prekanceroznih lezija.Široko se koristi kao novi biomarker za ranu dijagnozu različitih maligniteta, uključujući rak pluća, gastrointestinalne tumore, gliome i ginekološke tumore.

Pojava platformi za identifikaciju biomarkera krajolika metilacije (Methylscape) ima potencijal da značajno poboljša postojeći rani skrining za rak, stavljajući pacijente u najraniju fazu koja se može liječiti.

Nedavno su istraživači razvili jednostavnu i direktnu senzorsku platformu za detekciju pejzaža metilacije zasnovanu na nanočesticama zlata ukrašenim cisteaminom (Cyst/AuNP) u kombinaciji s biosenzorom baziranim na pametnom telefonu koji omogućava brzo rano otkrivanje širokog spektra tumora.Rani skrining na leukemiju može se obaviti u roku od 15 minuta nakon ekstrakcije DNK iz uzorka krvi, sa tačnošću od 90,0%.Naslov članka je Brzo otkrivanje DNK raka u ljudskoj krvi pomoću AuNP-ova prekrivenih cisteaminom i pametnog telefona s omogućenim strojnim učenjem.

Slika 1. Jednostavna i brza platforma sensinga za skrining raka preko komponenti Cyst/AuNPs može se postići u dva jednostavna koraka.

Ovo je prikazano na slici 1. Prvo je korištena vodena otopina za rastvaranje DNK fragmenata.Cista/AuNP-ovi su zatim dodani u miješanu otopinu.Normalna i maligna DNK imaju različita svojstva metilacije, što rezultira fragmentima DNK s različitim obrascima samosastavljanja.Normalna DNK se labavo agregira i na kraju agregira Cyst/AuNP-ove, što rezultira crveno-pomaknutom prirodom Cyst/AuNP-a, tako da se promjena boje iz crvene u ljubičastu može uočiti golim okom.Nasuprot tome, jedinstveni profil metilacije DNK raka dovodi do proizvodnje većih klastera DNK fragmenata.

Slike ploča sa 96 jažica snimljene su kamerom pametnog telefona.DNK raka je izmjeren pametnim telefonom opremljenim mašinskim učenjem u poređenju sa metodama zasnovanim na spektroskopiji.

Skrining raka u pravim uzorcima krvi

Kako bi proširili korisnost senzorske platforme, istraživači su primijenili senzor koji je uspješno razlikovao normalnu i kancerogenu DNK u stvarnim uzorcima krvi.obrasci metilacije na CpG mjestima epigenetski reguliraju ekspresiju gena.U gotovo svim tipovima karcinoma, primjećeno je da se promjene u metilaciji DNK, a time i u ekspresiji gena koji potiču tumorigenezu, naizmjenično.

Kao model za druge karcinome povezane s metilacijom DNK, istraživači su koristili uzorke krvi pacijenata oboljelih od leukemije i zdravih kontrola kako bi istražili efikasnost pejzaža metilacije u razlikovanju leukemijskih karcinoma.Ovaj biomarker krajolika metilacije ne samo da nadmašuje postojeće metode brzog skrininga leukemije, već i pokazuje izvodljivost proširenja na rano otkrivanje širokog spektra karcinoma pomoću ovog jednostavnog i jednostavnog testa.

Analizirana je DNK iz uzoraka krvi 31 oboljelog od leukemije i 12 zdravih osoba.kao što je prikazano na dijagramu okvira na slici 2a, relativna apsorpcija uzoraka raka (ΔA650/525) bila je niža od one DNK iz normalnih uzoraka.ovo je uglavnom bilo zbog povećane hidrofobnosti koja je dovela do guste agregacije DNK raka, što je spriječilo agregaciju Cyst/AuNP.Kao rezultat toga, ove nanočestice su bile potpuno dispergirane u vanjskim slojevima agregata raka, što je rezultiralo različitom disperzijom Cyst/AuNP-ova adsorbiranih na normalnim i agregatima DNK raka.ROC krive su zatim generirane variranjem praga od minimalne vrijednosti ΔA650/525 do maksimalne vrijednosti.

Slika 2. (a) Relativne vrijednosti apsorpcije rastvora ciste/AuNPs koje pokazuju prisustvo normalne (plave) i raka (crvene) DNK u optimizovanim uslovima

(DA650/525) kutijastih parcela;(b) ROC analiza i evaluacija dijagnostičkih testova.(c) Matrica konfuzije za dijagnozu normalnih pacijenata i pacijenata sa rakom.(d) Osetljivost, specifičnost, pozitivna prediktivna vrednost (PPV), negativna prediktivna vrednost (NPV) i tačnost razvijene metode.

Kao što je prikazano na slici 2b, površina ispod ROC krive (AUC = 0,9274) dobijena za razvijeni senzor pokazala je visoku osjetljivost i specifičnost.Kao što se može vidjeti iz okvira, najniža tačka koja predstavlja normalnu DNK grupu nije dobro odvojena od najviše tačke koja predstavlja grupu DNK raka;stoga je korištena logistička regresija da se napravi razlika između normalne i grupe raka.S obzirom na skup nezavisnih varijabli, procjenjuje vjerovatnoću da se dogodi neki događaj, kao što je rak ili normalna grupa.Zavisna varijabla se kreće između 0 i 1. Rezultat je stoga vjerovatnoća.Odredili smo vjerovatnoću identifikacije raka (P) na osnovu ΔA650/525 kako slijedi.

gdje je b=5,3533,w1=-6,965.Za klasifikaciju uzorka, vjerovatnoća manja od 0,5 ukazuje na normalan uzorak, dok vjerovatnoća od 0,5 ili veća ukazuje na uzorak raka.Slika 2c prikazuje matricu konfuzije generisanu unakrsnom provjerom ostavite na miru, koja je korištena za validaciju stabilnosti metode klasifikacije.Slika 2d sumira evaluaciju dijagnostičkog testa metode, uključujući osjetljivost, specifičnost, pozitivnu prediktivnu vrijednost (PPV) i negativnu prediktivnu vrijednost (NPV).

Biosenzori zasnovani na pametnom telefonu

Kako bi dodatno pojednostavili testiranje uzoraka bez upotrebe spektrofotometara, istraživači su koristili umjetnu inteligenciju (AI) za tumačenje boje otopine i razlikovanje između normalnih i kancerogenih osoba.S obzirom na to, kompjuterski vid je korišten za prevođenje boje otopine Cyst/AuNP u normalnu DNK (ljubičastu) ili DNK kancera (crvena) koristeći slike ploča sa 96 jažica snimljenih kamerom mobilnog telefona.Umjetna inteligencija može smanjiti troškove i poboljšati dostupnost u tumačenju boja rješenja nanočestica, i to bez upotrebe bilo kakvog optičkog hardvera za pametne telefone.Konačno, dva modela mašinskog učenja, uključujući Random Forest (RF) i Support Vector Machine (SVM) su obučena da konstruišu modele.i RF i SVM modeli su ispravno klasifikovali uzorke kao pozitivne i negativne sa tačnošću od 90,0%.Ovo sugerira da je korištenje umjetne inteligencije u biosenzivanju zasnovanom na mobilnim telefonima sasvim moguće.

Slika 3. (a) Ciljna klasa rastvora snimljena tokom pripreme uzorka za korak akvizicije slike.(b) Primer slike snimljene tokom koraka akvizicije slike.(c) Intenzitet boje rastvora ciste/AuNPs u svakoj jažici ploče sa 96 jažica ekstrahovanoj sa slike (b).

Koristeći Cyst/AuNPs, istraživači su uspješno razvili jednostavnu platformu za detekciju metilacijskog pejzaža i senzor sposoban da razlikuje normalnu DNK od DNK raka kada se koriste pravi uzorci krvi za skrining leukemije.Razvijeni senzor je pokazao da je DNK ekstrahovan iz pravih uzoraka krvi u stanju da brzo i ekonomično otkrije male količine DNK raka (3nM) kod pacijenata sa leukemijom za 15 minuta, i pokazao je tačnost od 95,3%.Da bi se dodatno pojednostavilo testiranje uzorka eliminacijom potrebe za spektrofotometrom, korišteno je mašinsko učenje za tumačenje boje otopine i razlikovanje normalnih i kanceroznih osoba pomoću fotografije na mobilnom telefonu, a preciznost je također bila postignuta od 90,0%.

Referenca: DOI: 10.1039/d2ra05725e