Тестване на ДНК метилиране, комбинирано със смартфони за ранен скрининг на тумори и скрининг на левкемия с точност от 90,0%!

Ранното откриване на рак въз основа на течна биопсия е нова посока за откриване и диагностика на рака, предложена от Националния институт по рака на САЩ през последните години, с цел ранно откриване на рак или дори предракови лезии. Той е широко използван като нов биомаркер за ранна диагностика на различни злокачествени заболявания, включително рак на белия дроб, стомашно-чревни тумори, глиоми и гинекологични тумори.

Появата на платформи за идентифициране на биомаркери на ландшафта на метилиране (Methylscape) има потенциала значително да подобри съществуващия ранен скрининг за рак, поставяйки пациентите на най-ранния лечим етап.

Наскоро изследователите разработиха проста и директна сензорна платформа за откриване на ландшафта на метилиране, базирана на декорирани с цистеамин златни наночастици (Cyst/AuNPs), комбинирани с базиран на смартфон биосензор, който позволява бърз ранен скрининг на широк спектър от тумори. Ранен скрининг за левкемия може да се извърши в рамките на 15 минути след извличане на ДНК от кръвна проба с точност от 90,0%. Заглавието на статията е Бързо откриване на ракова ДНК в човешка кръв с помощта на AuNP с цистеамин и смартфон с активирано машинно обучение.

Фигура 1. Проста и бърза сензорна платформа за скрининг на рак чрез компоненти Cyst/AuNPs може да бъде постигната в две прости стъпки.

Това е показано на фигура 1. Първо се използва воден разтвор за разтваряне на ДНК фрагментите. След това кистите/AuNPs се добавят към смесения разтвор. Нормалната и злокачествената ДНК имат различни свойства на метилиране, което води до ДНК фрагменти с различни модели на самосглобяване. Нормалната ДНК се агрегира слабо и в крайна сметка агрегира Cyst/AuNPs, което води до червено-изместен характер на Cyst/AuNPs, така че промяната в цвета от червено към лилаво може да се наблюдава с просто око. Обратно, уникалният профил на метилиране на раковата ДНК води до производството на по-големи клъстери от ДНК фрагменти.

Изображенията на 96-ямкови плаки бяха направени с помощта на камера на смартфон. ДНК на рака беше измерена от смартфон, оборудван с машинно обучение, в сравнение с методите, базирани на спектроскопия.

Скрининг на рак в реални кръвни проби

За да разширят полезността на сензорната платформа, изследователите са приложили сензор, който успешно разграничава нормалната и раковата ДНК в реални кръвни проби. Моделите на метилиране в CpG сайтове епигенетично регулират генната експресия. При почти всички видове рак е наблюдавано редуване на промени в метилирането на ДНК и по този начин в експресията на гени, които насърчават туморогенезата.

Като модел за други видове рак, свързани с метилиране на ДНК, изследователите са използвали кръвни проби от пациенти с левкемия и здрави контроли, за да изследват ефективността на пейзажа на метилиране при диференциране на левкемични ракови заболявания. Този пейзажен биомаркер на метилиране не само превъзхожда съществуващите методи за бърз скрининг на левкемия, но също така демонстрира осъществимостта на разширяването до ранно откриване на широк спектър от ракови заболявания, като се използва този прост и ясен анализ.

Беше анализирана ДНК от кръвни проби от 31 пациенти с левкемия и 12 здрави индивида. както е показано в диаграмата на фигура 2а, относителната абсорбция на раковите проби (ΔA650/525) е по-ниска от тази на ДНК от нормални проби. това се дължи главно на повишената хидрофобност, водеща до плътна агрегация на ракова ДНК, което предотвратява агрегацията на Cyst/AuNPs. В резултат на това тези наночастици бяха напълно диспергирани във външните слоеве на раковите агрегати, което доведе до различна дисперсия на Cyst/AuNPs, адсорбирани върху нормални и ракови ДНК агрегати. След това бяха генерирани ROC криви чрез промяна на прага от минимална стойност от ΔA650/525 до максимална стойност.

Фигура 2. (а) Относителни стойности на абсорбция на разтвори на киста/AuNPs, показващи наличието на нормална (синя) и ракова (червена) ДНК при оптимизирани условия

(DA650/525) на кутии; (б) ROC анализ и оценка на диагностичните тестове. (c) Матрица на объркване за диагностика на нормални и ракови пациенти. (d) Чувствителност, специфичност, положителна прогнозна стойност (PPV), отрицателна прогнозна стойност (NPV) и точност на разработения метод.

Както е показано на фигура 2b, площта под ROC кривата (AUC = 0,9274), получена за разработения сензор, показва висока чувствителност и специфичност. Както може да се види от диаграмата, най-ниската точка, представляваща нормалната ДНК група, не е добре отделена от най-високата точка, представляваща раковата ДНК група; следователно, логистичната регресия е използвана за разграничаване между нормалните и раковите групи. Като се има предвид набор от независими променливи, той оценява вероятността за възникване на събитие, като например рак или нормална група. Зависимата променлива варира между 0 и 1. Следователно резултатът е вероятност. Ние определихме вероятността за идентифициране на рак (P) въз основа на ΔA650/525, както следва.

където b=5,3533,w1=-6,965. За класификация на проба, вероятност от по-малко от 0,5 показва нормална проба, докато вероятност от 0,5 или по-висока показва проба от рак. Фигура 2c изобразява матрицата на объркването, генерирана от кръстосаното валидиране на оставянето на мира, което беше използвано за валидиране на стабилността на метода за класификация. Фигура 2d обобщава оценката на диагностичния тест на метода, включително чувствителност, специфичност, положителна прогнозна стойност (PPV) и отрицателна прогнозна стойност (NPV).

Биосензори, базирани на смартфон

За да опростят допълнително тестването на проби без използването на спектрофотометри, изследователите са използвали изкуствен интелект (AI), за да интерпретират цвета на разтвора и да разграничат нормалните от раковите индивиди. Като се има предвид това, компютърното зрение е използвано за преобразуване на цвета на разтвора Cyst/AuNPs в нормална ДНК (лилаво) или ракова ДНК (червено), като се използват изображения на плаки с 96 ямки, направени чрез камера на мобилен телефон. Изкуственият интелект може да намали разходите и да подобри достъпността при интерпретирането на цвета на разтворите от наночастици и без използването на оптични хардуерни аксесоари за смартфони. И накрая, два модела за машинно обучение, включително Random Forest (RF) и Support Vector Machine (SVM), бяха обучени да конструират моделите. както RF, така и SVM моделите правилно класифицираха пробите като положителни и отрицателни с точност от 90,0%. Това предполага, че използването на изкуствен интелект в биосензирането, базирано на мобилни телефони, е напълно възможно.

Фигура 3. (a) Целеви клас на разтвора, записан по време на подготовката на пробата за етапа на получаване на изображение. (b) Примерно изображение, направено по време на етапа на получаване на изображение. ( c ) Интензитет на цвета на разтвора на киста / AuNPs във всяка ямка на 96-ямковата плака, извлечена от изображението ( b ).

Използвайки Cyst/AuNPs, изследователите успешно са разработили проста сензорна платформа за откриване на ландшафта на метилиране и сензор, способен да разграничи нормалната ДНК от раковата ДНК, когато използват реални кръвни проби за скрининг на левкемия. Разработеният сензор демонстрира, че ДНК, извлечена от реални кръвни проби, е в състояние бързо и рентабилно да открие малки количества ракова ДНК (3nM) при пациенти с левкемия за 15 минути и показа точност от 95,3%. За по-нататъшно опростяване на тестването на проби чрез елиминиране на необходимостта от спектрофотометър беше използвано машинно обучение за интерпретиране на цвета на разтвора и разграничаване между нормални и ракови индивиди с помощта на снимка на мобилен телефон, като също така беше постигната точност от 90,0%.

Справка: DOI: 10.1039/d2ra05725e