Тест за метилиране на ДНК в комбинация със смартфони за ранен скрининг на тумори и скрининг на левкемия с точност 90,0%!

Ранното откриване на рак на базата на течна биопсия е нова посока на откриване на рак и диагноза, предложена от Националния раков институт на САЩ през последните години, с цел да се открие ранен 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 за пейзаж на метилиране (метилсап) има потенциал да подобри значително съществуващия ранен скрининг за рак, поставяйки пациентите в най -ранния лечим стадий.

Наскоро изследователите разработиха проста и директна сензорна платформа за откриване на пейзаж на метилиране, базирана на златни наночастици, украсени с цистеамин (киста/AUNP), комбинирани с биосензор, базиран на смартфон, който позволява бърз ранен скрининг на широк спектър от тумори. Ранният скрининг за левкемия може да се извърши в рамките на 15 минути след екстракция на ДНК от кръвна проба, с точност от 90,0%. Заглавието на статията е бързото откриване на ракова ДНК в човешка кръв, използвайки AUNP с ограничен цистеамин и смартфон с активиран машинно обучение。

Фигура 1. Проста и бързо сензорна платформа за скрининг на рак чрез компоненти на киста/AUNPS може да бъде извършена в две прости стъпки.

Това е показано на фигура 1. Първо, за разтваряне на фрагментите на ДНК беше използван воден разтвор. След това киста/AUNP се добавят към смесения разтвор. Нормалната и злокачествена ДНК имат различни свойства на метилиране, което води до ДНК фрагменти с различни модели на самосглобяване. Нормалните ДНК агрегати свободно и в крайна сметка агрегират киста/AUNP, което води до червено изместено естество на киста/AUNP, така че с простото око може да се наблюдава промяна в цвета от червено в лилаво. За разлика от тях, уникалният профил на метилиране на раковата ДНК води до производството на по -големи групи от ДНК фрагменти.

Изображенията на 96-ямкови плочи са направени с помощта на камера за смартфон. Раковата ДНК се измерва чрез смартфон, оборудван с машинно обучение в сравнение със методите, базирани на спектроскопия.

Скрининг на рак в реални кръвни проби

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

Като модел за други ракови заболявания, свързани с метилирането на ДНК, изследователите използваха кръвни проби от пациенти с левкемия и здрави контроли, за да изследват ефективността на пейзажа на метилирането при диференциране на левкемични ракови заболявания. Този пейзажен биомаркер за метилиране не само превъзхожда съществуващите методи за бързо скрининг на левкемия, но също така демонстрира осъществимостта на разширяване до ранно откриване на широк спектър от ракови заболявания, използвайки този прост и лесен анализ.

Анализирана е ДНК от кръвни проби от 31 пациенти с левкемия и 12 здрави индивида. Както е показано в графиката на кутията 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 засилената хидрофобност, водеща до плътна агрегация на ракова ДНК, което предотвратява агрегацията на киста/AUNP. В резултат на това тези наночастици бяха напълно диспергирани във външните слоеве на раковите агрегати, което доведе до различна дисперсия на киста/AUNP, адсорбирани върху нормални и ракови ДНК агрегати. След това ROC кривите се генерират чрез промяна на прага от минимална стойност от ΔA650/525 до максимална стойност.

Фигура 2. (a) Относителни стойности на абсорбция на разтвори на киста/AUNP, показващи наличието на нормална (син) и рак (червена) ДНК при оптимизирани условия

(DA650/525) на кутии; б) ROC анализ и оценка на диагностичните тестове. в) Матрица за объркване за диагностициране 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 2В, площта под ROC кривата (AUC = 0,9274), получена за разработения сензор, показва висока чувствителност и специфичност. Както се вижда от графиката на кутията, най -ниската точка, представляваща нормалната ДНК група, не е добре отделена от най -високата точка, представляваща групата на ДНК на рака; Следователно, логистичната регресия се използва за разлика между нормалните и раковите групи. Като се има предвид набор от независими променливи, той оценява вероятността от настъпващо събитие, като рак или нормална група. Зависимата променлива варира между 0 и 1. Следователно резултатът е вероятност. Определихме вероятността за идентифициране на рак (P) въз основа на ΔA650/525, както следва.

където b = 5.3533, w1 = -6.965. За класификация на пробата вероятността от по -малко от 0,5 показва нормална проба, докато вероятността от 0,5 или по -висока показва проба от рак. Фигура 2С изобразява матрицата за объркване, генерирана от самостоятелната кръстосана валидиране, която се използва за валидиране на стабилността на метода на 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 смартфони

За да опростят допълнително тестването на пробата без използването на спектрофотометри, изследователите използваха изкуствен интелект (AI), за да интерпретират цвета на разтвора и да разграничават нормални и ракови индивиди. Като се има предвид това, компютърното зрение се използва за превод на цвета на разтвора на кистата/AUNP в нормална ДНК (лилава) или ракова ДНК (червено), използвайки изображения на 96-ямкови плочи, взети през камера на мобилен телефон. Изкуственият интелект може да намали разходите и да подобри достъпността при интерпретиране на цвета на решения на наночастиците и без използването на каквито и да било аксесоари за смартфони за оптични хардуер. И накрая, два модела на машинно обучение, включително Random Forest (RF) и поддържаща векторна машина (SVM), бяха обучени да конструират моделите. Както RF, така и SVM моделите правилно класифицират пробите като положителни и отрицателни с точност от 90,0%. Това предполага, че използването на изкуствен интелект в биосенсирането, базирано на мобилни телефони, е напълно възможно.

Фигура 3. (а) Целев клас на решението, записано по време на подготовката на пробата за етапа на придобиване на изображението. (б) Примерно изображение, направено по време на етапа на придобиване на изображението. в) Цветовата интензивност на разтвора на кистата/AUNP във всяка ямка на 96-ямковата плоча, извлечена от изображението (б).

Използвайки киста/AUNP, изследователите успешно са разработили проста сензорна платформа за откриване на пейзаж на метилиране и сензор, способен да разграничи нормалната ДНК от раковата ДНК, когато използва 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 показва точност от 95,3%. За по -нататъшно опростяване на тестването на проби чрез елиминиране на необходимостта от спектрофотометър, машинното обучение беше използвано за интерпретация на цвета на решението и разграничаване между нормални и ракови индивиди, използващи снимка на мобилен телефон, а точността също беше в състояние да бъде постигната на 90,0%.

Справка: DOI: 10.1039/D2RA05725E