Pagsusuri ng DNA methylation na sinamahan ng mga smartphone para sa maagang screening ng mga tumor at screening ng leukemia na may katumpakan na 90.0%!

Ang maagang pagtuklas ng kanser batay sa liquid biopsy ay isang bagong direksyon ng pagtuklas at pagsusuri ng kanser na iminungkahi ng US National Cancer Institute nitong mga nakaraang taon, na may layuning matukoy ang maagang kanser o maging ang mga precancerous lesion. Malawakang ginagamit ito bilang isang nobelang biomarker para sa maagang pagsusuri ng iba't ibang malignancies, kabilang ang kanser sa baga, mga tumor sa gastrointestinal, mga glioma at mga tumor sa ginekolohiya.

Ang paglitaw ng mga plataporma upang matukoy ang mga biomarker ng methylation landscape (Methylscape) ay may potensyal na makabuluhang mapabuti ang umiiral na maagang screening para sa kanser, na naglalagay sa mga pasyente sa pinakamaagang yugto na maaaring gamutin.

Kamakailan lamang, nakabuo ang mga mananaliksik ng isang simple at direktang sensing platform para sa methylation landscape detection batay sa cysteamine decorated gold nanoparticles (Cyst/AuNPs) na sinamahan ng isang smartphone-based biosensor na nagbibigay-daan sa mabilis na maagang screening ng iba't ibang tumor. Ang maagang screening para sa leukemia ay maaaring isagawa sa loob ng 15 minuto pagkatapos ng pagkuha ng DNA mula sa sample ng dugo, na may katumpakan na 90.0%. Pamagat ng artikulo ay Mabilis na pagtuklas ng DNA ng kanser sa dugo ng tao gamit ang cysteamine-capped AuNPs at isang machine learning-enabled smartphone.

Pigura 1. Ang isang simple at mabilis na plataporma ng pag-detect para sa screening ng kanser sa pamamagitan ng mga bahagi ng Cyst/AuNPs ay maaaring maisagawa sa dalawang simpleng hakbang.

Ito ay ipinapakita sa Figure 1. Una, isang aqueous solution ang ginamit upang matunaw ang mga fragment ng DNA. Pagkatapos ay idinagdag ang mga Cyst/AuNP sa pinaghalong solusyon. Ang normal at malignant na DNA ay may iba't ibang katangian ng methylation, na nagreresulta sa mga fragment ng DNA na may iba't ibang pattern ng self-assembly. Ang normal na DNA ay maluwag na nagsasama-sama at kalaunan ay nagsasama-sama ng mga Cyst/AuNP, na nagreresulta sa red-shifted na katangian ng mga Cyst/AuNP, kaya ang pagbabago ng kulay mula pula patungong lila ay maaaring maobserbahan gamit ang mata lamang. Sa kabaligtaran, ang natatanging profile ng methylation ng cancer DNA ay humahantong sa produksyon ng mas malalaking kumpol ng mga fragment ng DNA.

Ang mga imahe ng 96-well plates ay kinunan gamit ang isang smartphone camera. Ang Cancer DNA ay sinukat gamit ang isang smartphone na may machine learning kumpara sa mga pamamaraang nakabatay sa spectroscopy.

Pagsusuri ng kanser sa mga totoong sample ng dugo

Upang mapalawak ang gamit ng sensing platform, naglapat ang mga imbestigador ng isang sensor na matagumpay na nakilala ang normal at kanserong DNA sa mga totoong sample ng dugo. Ang mga pattern ng methylation sa mga CpG site ay epigenetically na nagreregula sa ekspresyon ng gene. Sa halos lahat ng uri ng kanser, ang mga pagbabago sa DNA methylation at sa gayon ay sa ekspresyon ng mga gene na nagtataguyod ng tumourigenesis ay naobserbahang nagpapalitan.

Bilang modelo para sa iba pang mga kanser na nauugnay sa DNA methylation, gumamit ang mga mananaliksik ng mga sample ng dugo mula sa mga pasyenteng may leukemia at malulusog na kontrol upang siyasatin ang bisa ng methylation landscape sa pagtukoy ng pagkakaiba-iba ng mga kanser na may leukemia. Ang methylation landscape biomarker na ito ay hindi lamang mas mahusay kaysa sa mga umiiral na mabilis na pamamaraan ng screening para sa leukemia, kundi ipinapakita rin nito ang posibilidad na mapalawak ang maagang pagtuklas ng malawak na hanay ng mga kanser gamit ang simple at direktang assay na ito.

Sinuri ang DNA mula sa mga sample ng dugo mula sa 31 pasyenteng may leukemia at 12 malulusog na indibidwal. Gaya ng ipinapakita sa box plot sa Figure 2a, ang relatibong absorbance ng mga sample ng kanser (ΔA650/525) ay mas mababa kaysa sa DNA mula sa mga normal na sample. Ito ay pangunahing dahil sa pinahusay na hydrophobicity na humahantong sa siksik na pagsasama-sama ng DNA ng kanser, na pumigil sa pagsasama-sama ng mga Cyst/AuNP. Bilang resulta, ang mga nanoparticle na ito ay ganap na nakakalat sa mga panlabas na layer ng mga cancer aggregate, na nagresulta sa ibang dispersion ng mga Cyst/AuNP na na-adsorb sa normal at cancer DNA aggregate. Ang mga ROC curve ay nabuo sa pamamagitan ng pag-iiba-iba ng threshold mula sa minimum na halaga na ΔA650/525 hanggang sa maximum na halaga.

Pigura 2.(a) Mga relatibong halaga ng absorbance ng mga solusyon ng cyst/AuNPs na nagpapakita ng presensya ng normal (asul) at cancer (pula) na DNA sa ilalim ng mga na-optimize na kondisyon

(DA650/525) ng mga box plot; (b) Pagsusuri at ebalwasyon ng ROC ng mga diagnostic test. (c) Confusion matrix para sa diagnosis ng mga pasyenteng normal at may kanser. (d) Sensitibidad, ispesipisidad, positibong predictive value (PPV), negatibong predictive value (NPV) at katumpakan ng binuong pamamaraan.

Gaya ng ipinapakita sa Figure 2b, ang area sa ilalim ng ROC curve (AUC = 0.9274) na nakuha para sa binuong sensor ay nagpakita ng mataas na sensitivity at specificity. Gaya ng makikita sa box plot, ang pinakamababang punto na kumakatawan sa normal na grupo ng DNA ay hindi maayos na nakahiwalay mula sa pinakamataas na punto na kumakatawan sa grupo ng DNA ng kanser; samakatuwid, ginamit ang logistic regression upang maiba ang pagkakaiba sa pagitan ng mga normal at kanser na grupo. Dahil sa isang hanay ng mga independent variable, tinatantya nito ang probabilidad ng isang pangyayaring nagaganap, tulad ng isang kanser o normal na grupo. Ang dependent variable ay nasa pagitan ng 0 at 1. Samakatuwid, ang resulta ay isang probabilidad. Tinukoy namin ang probabilidad ng pagkakakilanlan ng kanser (P) batay sa ΔA650/525 tulad ng sumusunod.

kung saan b=5.3533,w1=-6.965. Para sa klasipikasyon ng sample, ang probabilidad na mas mababa sa 0.5 ay nagpapahiwatig ng isang normal na sample, habang ang probabilidad na 0.5 o mas mataas ay nagpapahiwatig ng isang sample ng kanser. Inilalarawan ng Figure 2c ang confusion matrix na nabuo mula sa leave-it-alone cross-validation, na ginamit upang patunayan ang katatagan ng paraan ng klasipikasyon. Binubuod ng Figure 2d ang pagsusuri ng diagnostic test ng paraan, kabilang ang sensitivity, specificity, positive predictive value (PPV) at negative predictive value (NPV).

Mga biosensor na nakabatay sa smartphone

Upang higit pang pasimplehin ang pagsusuri ng sample nang hindi gumagamit ng mga spectrophotometer, ginamit ng mga mananaliksik ang artificial intelligence (AI) upang bigyang-kahulugan ang kulay ng solusyon at makilala ang pagkakaiba sa pagitan ng normal at may kanser na mga indibidwal. Dahil dito, ginamit ang computer vision upang isalin ang kulay ng Cyst/AuNPs solution sa normal na DNA (lila) o may kanser na DNA (pula) gamit ang mga imahe ng 96-well plates na kinuha gamit ang camera ng mobile phone. Ang artificial intelligence ay maaaring makabawas ng mga gastos at mapabuti ang accessibility sa pagbibigay-kahulugan sa kulay ng mga nanoparticle solution, at nang hindi gumagamit ng anumang optical hardware smartphone accessories. Panghuli, dalawang machine learning model, kabilang ang Random Forest (RF) at Support Vector Machine (SVM) ang sinanay upang bumuo ng mga modelo. Parehong wastong inuri ng mga modelo ng RF at SVM ang mga sample bilang positibo at negatibo na may katumpakan na 90.0%. Ipinahihiwatig nito na ang paggamit ng artificial intelligence sa biosensing batay sa mobile phone ay lubos na posible.

Pigura 3.(a) Target na klase ng solusyon na naitala habang inihahanda ang sample para sa hakbang ng pagkuha ng imahe. (b) Halimbawang imahe na kinuha habang isinasagawa ang hakbang ng pagkuha ng imahe. (c) Intensidad ng kulay ng solusyon ng cyst/AuNPs sa bawat balon ng 96-well plate na kinuha mula sa imahe (b).

Gamit ang mga Cyst/AuNP, matagumpay na nakabuo ang mga mananaliksik ng isang simpleng sensing platform para sa methylation landscape detection at isang sensor na may kakayahang makilala ang normal na DNA mula sa cancer DNA kapag gumagamit ng mga totoong sample ng dugo para sa leukemia screening. Ipinakita ng nabuong sensor na ang DNA na kinuha mula sa mga totoong sample ng dugo ay nagawang mabilis at matipid na matukoy ang maliliit na dami ng cancer DNA (3nM) sa mga pasyenteng may leukemia sa loob ng 15 minuto, at nagpakita ng katumpakan na 95.3%. Upang higit pang gawing simple ang pagsusuri ng sample sa pamamagitan ng pag-aalis ng pangangailangan para sa isang spectrophotometer, ginamit ang machine learning upang bigyang-kahulugan ang kulay ng solusyon at makilala ang pagkakaiba sa pagitan ng mga normal at may kanser na indibidwal gamit ang litrato ng mobile phone, at nakamit din ang katumpakan sa 90.0%.

Sanggunian: DOI: 10.1039/d2ra05725e