DNA -metyleringstesting kombinert med smarttelefoner for tidlig screening av svulster og screening av leukemi med en nøyaktighet på 90,0%!

Tidlig påvisning av kreft basert på flytende biopsi er en ny retning for kreftdeteksjon og diagnose foreslått av US National Cancer Institute de siste årene, med sikte på å oppdage tidlig kreft eller til og med forkyndige lesjoner. Det har blitt mye brukt som en ny biomarkør for tidlig diagnose av forskjellige maligniteter, inkludert lungekreft, gastrointestinale svulster, gliomer og gynekologiske svulster.

Fremveksten av plattformer for å identifisere metyleringslandskap (Methylscape) biomarkører har potensial til å forbedre eksisterende tidlig screening for kreft betydelig, og sette pasienter på det tidligste behandlingsbaserte stadiet.

Nylig har forskere utviklet en enkel og direkte sensingplattform for metyleringslandskapsdeteksjon basert på cysteamin dekorert nanopartikler i gull (CYST/AUNPs) kombinert med en smarttelefonbasert biosensor som muliggjør rask tidlig screening av et bredt spekter av svulster. Tidlig screening for leukemi kan utføres innen 15 minutter etter DNA -ekstraksjon fra en blodprøve, med en nøyaktighet på 90,0%. Artikkeltittel er rask påvisning av kreft-DNA i humant blod ved bruk av cysteamin-avdekket AuNPs og en maskinlæringsaktivert smarttelefon。

Figur 1. En enkel og rask sensingplattform for kreftscreening via CYST/AUNPS -komponenter kan oppnås i to enkle trinn.

Dette er vist i figur 1. Først ble en vandig løsning brukt for å oppløse DNA -fragmentene. Cyste/AuNPs ble deretter tilsatt til den blandede løsningen. Normalt og ondartet DNA har forskjellige metyleringsegenskaper, noe som resulterer i DNA-fragmenter med forskjellige selvmonteringsmønstre. Normale DNA aggregerer løst og aggregerer til slutt cyste/AuNPs, noe som resulterer i den røde skiftet naturen til cyste/AuNPs, slik at en fargeendring fra rød til lilla kan observeres med det blotte øye. I kontrast fører den unike metyleringsprofilen til kreft -DNA til produksjon av større klynger av DNA -fragmenter.

Bilder av 96-brønners plater ble tatt med et smarttelefonkamera. Kreft-DNA ble målt med en smarttelefon utstyrt med maskinlæring sammenlignet med spektroskopibaserte metoder.

Kreftscreening i ekte blodprøver

For å utvide bruken av sensingplattformen, brukte etterforskerne en sensor som vellykket skilte mellom normalt og kreftsyke DNA i virkelige blodprøver. Metyleringsmønstre ved CpG -steder regulerer epigenetisk genuttrykk. I nesten alle krefttyper har endringer i DNA -metylering og dermed i uttrykket av gener som fremmer tumourigenese blitt observert å veksle.

Som en modell for andre kreftformer assosiert med DNA -metylering, brukte forskerne blodprøver fra leukemi -pasienter og sunne kontroller for å undersøke effektiviteten av metyleringslandskapet i å differensiere leukemiske kreftformer. Denne metyleringslandskapsbiomarkøren overgår ikke bare eksisterende hurtigleukemi screeningmetoder, men demonstrerer også muligheten for å utvide til tidlig påvisning av et bredt spekter av kreftformer ved bruk av denne enkle og enkle analysen.

DNA fra blodprøver fra 31 leukemi -pasienter og 12 friske individer ble analysert. Som vist i boksplottet i figur 2A, var den relative absorbansen av kreftprøvene (ΔA650/525) lavere enn for DNA fra normale prøver. Dette skyldtes hovedsakelig den forbedrede hydrofobisiteten som førte til tett aggregering av kreft -DNA, som forhindret aggregering av cyste/AuNPs. Som et resultat ble disse nanopartiklene fullstendig spredt i de ytre lagene av kreftaggregatene, noe som resulterte i en annen spredning av cyste/AuNPs adsorbert på normale DNA -aggregater og kreft. ROC -kurver ble deretter generert ved å variere terskelen fra en minimumsverdi på ΔA650/525 til en maksimal verdi.

Figur 2. (a) Relative absorbansverdier for cyste/AuNPs -løsninger som viser tilstedeværelsen av normal (blå) og kreft (rød) DNA under optimaliserte forhold

(DA650/525) av boksplott; (b) ROC -analyse og evaluering av diagnostiske tester. (c) Forvirringsmatrise for diagnose av normale og kreftpasienter. (d) Følsomhet, spesifisitet, positiv prediktiv verdi (PPV), negativ prediktiv verdi (NPV) og nøyaktigheten av den utviklede metoden.

Som vist i figur 2B, viste området under ROC -kurven (AUC = 0,9274) oppnådd for den utviklede sensoren høy følsomhet og spesifisitet. Som det fremgår av boksen, er det laveste punktet som representerer den normale DNA -gruppen ikke godt atskilt fra det høyeste punktet som representerer kreft -DNA -gruppen; Derfor ble logistisk regresjon brukt til å skille mellom normale og kreftgrupper. Gitt et sett med uavhengige variabler, estimerer det sannsynligheten for at en hendelse skal skje, for eksempel en kreft eller normal gruppe. Den avhengige variabelen varierer mellom 0 og 1. Resultatet er derfor en sannsynlighet. Vi bestemte sannsynligheten for kreftidentifikasjon (P) basert på ΔA650/525 som følger.

hvor B = 5.3533, W1 = -6.965. For prøveklassifisering indikerer en sannsynlighet på mindre enn 0,5 en normal prøve, mens en sannsynlighet på 0,5 eller høyere indikerer en kreftprøve. Figur 2C viser forvirringsmatrisen som ble generert fra den permisjonen-alene kryssvalidering, som ble brukt til å validere stabiliteten til klassifiseringsmetoden. Figur 2D oppsummerer den diagnostiske testevalueringen av metoden, inkludert følsomhet, spesifisitet, positiv prediktiv verdi (PPV) og negativ prediktiv verdi (NPV).

Smarttelefonbaserte biosensorer

For ytterligere å forenkle prøvetesting uten bruk av spektrofotometre, brukte forskerne kunstig intelligens (AI) for å tolke fargen på løsningen og skille mellom normale og kreftslige individer. Gitt dette ble datamaskinvisjonen brukt til å oversette fargen på cyste/AuNPs-løsningen til normalt DNA (lilla) eller kreft-DNA (rød) ved bruk av bilder av 96-brønners plater tatt gjennom et mobiltelefonkamera. Kunstig intelligens kan redusere kostnadene og forbedre tilgjengeligheten ved å tolke fargen på nanopartikkelløsninger, og uten bruk av noe optisk maskinvare -smarttelefontilbehør. Til slutt ble to maskinlæringsmodeller, inkludert Random Forest (RF) og Support Vector Machine (SVM) opplært til å konstruere modellene. Både RF- og SVM -modellene klassifiserte prøvene riktig som positive og negative med en nøyaktighet på 90,0%. Dette antyder at bruk av kunstig intelligens i mobiltelefonbasert biosensering er ganske mulig.

Figur 3. (a) Målklasse for løsningen som er registrert under fremstilling av prøven for trinnet for bildeinnsamling. (b) Eksempel Bilde tatt under trinnet for bildeinnsamling. (c) Fargeintensitet av cyste/AuNPS-løsningen i hver brønn av 96-brønnsplaten som er trukket ut fra bildet (B).

Ved å bruke cyste/AUNPs har forskere med hell utviklet en enkel sensingplattform for metyleringslandskapsdeteksjon og en sensor som er i stand til å skille normalt DNA fra kreft -DNA når du bruker ekte blodprøver for screening av leukemi. Den utviklede sensoren demonstrerte at DNA ekstrahert fra reelle blodprøver var i stand til raskt og kostnadseffektivt å oppdage små mengder kreft-DNA (3NM) hos leukemi-pasienter på 15 minutter, og viste en nøyaktighet på 95,3%. For ytterligere å forenkle prøvetesting ved å eliminere behovet for et spektrofotometer, ble maskinlæring brukt til å tolke fargen på løsningen og skille mellom normale og kreftslige individer ved bruk av et mobiltelefonfotografi, og nøyaktighet kunne også oppnås ved 90,0%.

Henvisning: doi: 10.1039/d2ra05725e