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

Ang maagang pagtuklas ng kanser batay sa likidong biopsy ay isang bagong direksyon ng pagtuklas at pagsusuri ng kanser na iminungkahi ng US National Cancer Institute sa mga nakalipas na taon, na may layuning matukoy ang maagang kanser o kahit na mga precancerous lesyon. Ito ay malawakang ginagamit bilang isang nobelang biomarker para sa maagang pagsusuri ng iba't ibang mga malignancies, kabilang ang kanser sa baga, gastrointestinal tumor, glioma at gynecological tumor.

Ang paglitaw ng mga platform upang matukoy ang mga biomarker ng methylation landscape (Methylscape) ay may potensyal na makabuluhang mapabuti ang kasalukuyang maagang pagsusuri para sa cancer, na naglalagay ng mga pasyente sa pinakamaagang yugto ng paggamot.

Kamakailan, ang mga mananaliksik ay bumuo ng 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 pag-screen ng malawak na hanay ng mga tumor. Ang maagang pagsusuri 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%. Ang pamagat ng artikulo ay Mabilis na pagtuklas ng cancer DNA sa dugo ng tao gamit ang cysteamine-capped AuNPs at isang machine learning-enabled na smartphone.

Figure 1. Ang isang simple at mabilis na sensing platform para sa screening ng cancer sa pamamagitan ng mga bahagi ng Cyst/AuNPs ay maaaring magawa sa dalawang simpleng hakbang.

Ito ay ipinapakita sa Figure 1. Una, isang may tubig na solusyon ang ginamit upang matunaw ang mga fragment ng DNA. Ang mga Cyst / AuNP ay idinagdag sa halo-halong 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. Maluwag na nagsasama-sama ang normal na DNA at sa kalaunan ay pinagsasama-sama ang mga Cyst/AuNP, na nagreresulta sa red-shifted na kalikasan ng Cyst/AuNPs, upang ang pagbabago ng kulay mula pula hanggang purple ay makikita sa mata. Sa kaibahan, ang natatanging methylation profile ng cancer DNA ay humahantong sa paggawa ng mas malalaking kumpol ng mga fragment ng DNA.

Ang mga larawan ng 96-well plate ay kinuha gamit ang isang smartphone camera. Ang cancer DNA ay sinusukat ng isang smartphone na nilagyan ng machine learning kumpara sa spectroscopy-based na mga pamamaraan.

Pagsusuri ng kanser sa totoong mga sample ng dugo

Upang mapalawak ang utility ng sensing platform, naglapat ang mga investigator ng sensor na matagumpay na nakikilala sa pagitan ng normal at cancerous na DNA sa mga totoong sample ng dugo. Ang mga pattern ng methylation sa mga site ng CpG ay epigenetically na kinokontrol ang expression ng gene. Sa halos lahat ng uri ng kanser, ang mga pagbabago sa DNA methylation at sa gayon ay sa pagpapahayag ng mga gene na nagtataguyod ng tumourigenesis ay naobserbahan na humalili.

Bilang isang modelo para sa iba pang mga kanser na nauugnay sa DNA methylation, ang mga mananaliksik ay gumamit ng mga sample ng dugo mula sa mga pasyente ng leukemia at malusog na mga kontrol upang siyasatin ang pagiging epektibo ng landscape ng methylation sa pagkakaiba-iba ng mga leukaemic na kanser. Ang biomarker ng landscape ng methylation na ito ay hindi lamang lumalampas sa mga umiiral na mabilis na pamamaraan ng screening ng leukemia, ngunit ipinapakita din ang pagiging posible ng pagpapalawak sa maagang pagtuklas ng isang malawak na hanay ng mga kanser gamit ang simple at prangka na assay na ito.

Ang DNA mula sa mga sample ng dugo mula sa 31 pasyente ng leukemia at 12 malulusog na indibidwal ay nasuri. tulad ng ipinapakita sa plot ng kahon sa Figure 2a, ang kamag-anak na pagsipsip ng mga sample ng cancer (ΔA650/525) ay mas mababa kaysa sa DNA mula sa mga normal na sample. higit sa lahat ito ay 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 isang resulta, ang mga nanoparticle na ito ay ganap na nagkalat sa mga panlabas na layer ng mga pinagsama-samang cancer, na nagresulta sa isang iba't ibang pagpapakalat ng Cyst / AuNPs na na-adsorbed sa normal at mga pinagsama-samang DNA ng cancer. Ang mga curve ng ROC ay nabuo sa pamamagitan ng pag-iiba-iba ng threshold mula sa pinakamababang halaga na ΔA650/525 hanggang sa pinakamataas na halaga.

Figure 2.(a) Relative absorbance value ng cyst/AuNPs solutions na nagpapakita ng presensya ng normal (asul) at cancer (pula) na DNA sa ilalim ng mga naka-optimize na kondisyon

(DA650/525) ng mga box plot; (b) pagsusuri at pagsusuri ng ROC ng mga pagsusuring diagnostic. (c) Confusion matrix para sa diagnosis ng normal at mga pasyente ng cancer. (d) Sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV) at katumpakan ng binuong pamamaraan.

Tulad ng ipinapakita sa Figure 2b, ang lugar sa ilalim ng ROC curve (AUC = 0.9274) na nakuha para sa binuo na sensor ay nagpakita ng mataas na sensitivity at pagtitiyak. Tulad ng makikita mula sa plot ng kahon, ang pinakamababang punto na kumakatawan sa normal na pangkat ng DNA ay hindi maayos na nahiwalay sa pinakamataas na punto na kumakatawan sa pangkat ng DNA ng kanser; samakatuwid, ginamit ang logistic regression upang makilala ang pagkakaiba sa pagitan ng mga normal at cancer na grupo. Dahil sa isang hanay ng mga independyenteng variable, tinatantya nito ang posibilidad ng isang kaganapang naganap, gaya ng isang cancer o normal na grupo. Ang dependent variable ay nasa pagitan ng 0 at 1. Ang resulta ay isang probabilidad. Natukoy namin ang posibilidad ng pagkakakilanlan ng cancer (P) batay sa ΔA650/525 tulad ng sumusunod.

kung saan b=5.3533,w1=-6.965. Para sa pag-uuri ng sample, ang posibilidad na mas mababa sa 0.5 ay nagpapahiwatig ng isang normal na sample, habang ang posibilidad na 0.5 o mas mataas ay nagpapahiwatig ng sample ng cancer. 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 pag-uuri. Ang Figure 2d ay nagbubuod ng diagnostic test evaluation ng pamamaraan, kabilang ang sensitivity, specificity, positive predictive value (PPV) at negative predictive value (NPV).

Mga biosensor na nakabatay sa smartphone

Upang higit pang gawing simple ang sample testing nang hindi gumagamit ng spectrophotometers, gumamit ang mga mananaliksik ng artificial intelligence (AI) upang bigyang-kahulugan ang kulay ng solusyon at makilala sa pagitan ng normal at cancerous na mga indibidwal. Dahil dito, ginamit ang computer vision upang isalin ang kulay ng Cyst/AuNPs solution sa normal na DNA (purple) o cancerous na DNA (pula) gamit ang mga larawan ng 96-well plate na kinunan sa pamamagitan ng camera ng mobile phone. Maaaring bawasan ng artificial intelligence ang mga gastos at pagbutihin ang pagiging naa-access sa pagbibigay-kahulugan sa kulay ng mga solusyon sa nanoparticle, at nang walang paggamit ng anumang optical hardware na accessory ng smartphone. Sa wakas, dalawang modelo ng machine learning, kabilang ang Random Forest (RF) at Support Vector Machine (SVM) ay sinanay upang bumuo ng mga modelo. wastong inuri ng mga modelong RF at SVM ang mga sample bilang positibo at negatibo na may katumpakan na 90.0%. Iminumungkahi nito na ang paggamit ng artificial intelligence sa biosensing na nakabatay sa mobile phone ay lubos na posible.

Figure 3.(a) Target na klase ng solusyon na naitala sa panahon ng paghahanda ng sample para sa hakbang sa pagkuha ng imahe. (b) Halimbawang larawang kinuha sa panahon ng hakbang sa pagkuha ng larawan. (c) Ang intensity ng kulay ng cyst/AuNPs solution sa bawat balon ng 96-well plate na nakuha mula sa imahe (b).

Gamit ang Cyst/AuNPs, 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 tunay na sample ng dugo para sa leukemia screening. Ipinakita ng binuong sensor na ang DNA na nakuha mula sa mga tunay na sample ng dugo ay nagawang mabilis at epektibong maka-detect ng maliliit na halaga ng cancer DNA (3nM) sa mga pasyente ng leukemia sa loob ng 15 minuto, at nagpakita ng katumpakan ng 95.3%. Upang higit pang pasimplehin ang sample na pagsubok sa pamamagitan ng pag-aalis ng pangangailangan para sa isang spectrophotometer, ginamit ang machine learning upang bigyang-kahulugan ang kulay ng solusyon at pag-iba-iba sa pagitan ng mga normal at cancerous na indibidwal gamit ang isang litrato sa mobile phone, at ang katumpakan ay nagawa ring makamit sa 90.0%.

Sanggunian: DOI: 10.1039/d2ra05725e