DNA-metyleringstesting kombinert med smarttelefoner for tidlig screening av svulster og leukemiscreening 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 precancerøse lesjoner. Det har blitt mye brukt som en ny biomarkør for tidlig diagnose av ulike maligniteter, inkludert lungekreft, gastrointestinale svulster, gliomer og gynekologiske svulster.

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

Nylig har forskere utviklet en enkel og direkte sensingsplattform for metyleringslandskapsdeteksjon basert på cysteamindekorerte gullnanopartikler (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-dekkede AuNP-er og en maskinlæringsaktivert smarttelefon.

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

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

Bilder av 96-brønns 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 sanseplattformen brukte etterforskerne en sensor som klarte å skille mellom normalt og kreft-DNA i ekte blodprøver. metyleringsmønstre på CpG-steder regulerer epigenetisk genuttrykk. I nesten alle krefttyper har endringer i DNA-metylering og dermed i uttrykket av gener som fremmer svulstdannelse blitt observert å veksle.

Som en modell for andre kreftformer assosiert med DNA-metylering, brukte forskerne blodprøver fra leukemipasienter og friske kontroller for å undersøke effektiviteten til metyleringslandskapet for å differensiere leukemikreft. Denne metyleringslandskapsbiomarkøren overgår ikke bare eksisterende raske leukemi-screeningsmetoder, men demonstrerer også muligheten for å utvide til tidlig påvisning av et bredt spekter av kreftformer ved å bruke denne enkle og greie analysen.

DNA fra blodprøver fra 31 leukemipasienter og 12 friske individer ble analysert. som vist i boksplotten i figur 2a, var den relative absorbansen til kreftprøvene (ΔA650/525) lavere enn for DNA fra normale prøver. dette var hovedsakelig på grunn av den økte hydrofobisiteten som førte til tett aggregering av kreft-DNA, som forhindret aggregering av cyster/AuNP-er. Som et resultat ble disse nanopartikler fullstendig spredt i de ytre lagene av kreftaggregatene, noe som resulterte i en annen spredning av cyster/AuNP-er adsorbert på normale og kreft-DNA-aggregater. ROC-kurver ble deretter generert ved å variere terskelen fra en minimumsverdi på ΔA650/525 til en maksimumsverdi.

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

(DA650/525) av bokstomter; (b) ROC-analyse og evaluering av diagnostiske tester. (c) Forvirringsmatrise for diagnostisering av normale pasienter og kreftpasienter. (d) Sensitivitet, spesifisitet, positiv prediktiv verdi (PPV), negativ prediktiv verdi (NPV) og nøyaktighet av den utviklede metoden.

Som vist i figur 2b, viste området under ROC-kurven (AUC = 0,9274) oppnådd for den utviklede sensoren høy sensitivitet og spesifisitet. Som det kan sees fra boksplotten, 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 for å skille mellom normal- og kreftgruppen. Gitt et sett med uavhengige variabler, estimerer den sannsynligheten for at en hendelse inntreffer, for eksempel en kreft- eller normalgruppe. Den avhengige variabelen går 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,wl=-6,965. For prøveklassifisering indikerer en sannsynlighet på mindre enn 0,5 et normalt utvalg, mens en sannsynlighet på 0,5 eller høyere indikerer en kreftprøve. Figur 2c viser forvirringsmatrisen generert fra la-det-alene-kryssvalideringen, som ble brukt til å validere stabiliteten til klassifiseringsmetoden. Figur 2d oppsummerer den diagnostiske testevalueringen av metoden, inkludert sensitivitet, 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 kreftsyke individer. Gitt dette ble datasyn brukt til å oversette fargen på Cyste/AuNPs-løsningen til normalt DNA (lilla) eller kreft-DNA (rødt) ved å bruke 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-tilbehør til smarttelefoner. 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 korrekt som positive og negative med en nøyaktighet på 90,0 %. Dette tyder på at bruk av kunstig intelligens i mobiltelefonbasert biosensing er fullt mulig.

Figur 3.(a) Målklasse for løsningen registrert under forberedelsen av prøven for bildeopptakstrinnet. (b) Eksempelbilde tatt under bildeinnhentingstrinnet. (c) Fargeintensiteten til cyste/AuNPs-løsningen i hver brønn på 96-brønnsplaten ekstrahert fra bildet (b).

Ved å bruke Cyst/AuNP-er har forskere utviklet en enkel sanseplattform for metyleringslandskapsdeteksjon og en sensor som er i stand til å skille normalt DNA fra kreft-DNA ved bruk av ekte blodprøver for leukemiscreening. Den utviklede sensoren demonstrerte at DNA ekstrahert fra ekte blodprøver var i stand til raskt og kostnadseffektivt å oppdage små mengder kreft-DNA (3nM) hos leukemipasienter 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 kreftsyke individer ved å bruke et mobiltelefonfotografi, og nøyaktigheten kunne også oppnås ved 90,0 %.

Referanse: DOI: 10.1039/d2ra05725e