DNS metilēšanas pārbaude apvienojumā ar viedtālruņiem audzēju un leikēmijas skrīninga agrīnai skrīningam ar precizitāti 90,0%!

Vēža agrīna noteikšana, kuras pamatā ir šķidrā biopsija, ir jauns vēža noteikšanas un diagnozes virziens, ko pēdējos gados ierosinājusi ASV Nacionālais vēža institūts, ar mērķi noteikt agrīnu vēzi vai pat pirmsvēža bojājumus. Tas ir plaši izmantots kā jauns biomarķieris dažādu ļaundabīgu audzēju, ieskaitot plaušu vēzi, kuņģa -zarnu trakta audzēju, gliomu un ginekoloģisko audzēju agrīnai diagnozei.

Platformu parādīšanās metilēšanas ainavas (metilscape) biomarķieru identificēšanai ir potenciāls ievērojami uzlabot esošo vēža agrīno skrīningu, liekot pacientiem agrīnā ārstējamā stadijā.

Nesen pētnieki ir izstrādājuši vienkāršu un tiešu sensoru platformu metilēšanas ainavu noteikšanai, pamatojoties uz cisteamīna dekorētām zelta nanodaļiņām (cistas/auNP), apvienojumā ar viedtālruņu bāzes biosensoru, kas ļauj ātri agrīni pārbaudīt plašu audzēju klāstu. Leikēmijas agrīnu skrīningu var veikt 15 minūšu laikā pēc DNS ekstrakcijas no asins parauga ar precizitāti 90,0%. Raksta nosaukums ir ātra vēža DNS noteikšana cilvēka asinīs, izmantojot cisteamīna apdari AUNP un viedtālruni, kas nodrošina mašīnu mācīšanos。

1. attēls. Vienkāršu un ātru sensoru platformu vēža skrīningam, izmantojot cistas/auNP komponentus, var veikt divās vienkāršās darbībās.

Tas ir parādīts 1. attēlā. Vispirms DNS fragmentu izšķīdināšanai tika izmantots ūdens šķīdums. Pēc tam jauktajam šķīdumam tika pievienota cista/AuNP. Normālai un ļaundabīgai DNS ir atšķirīgas metilēšanas īpašības, kā rezultātā rodas DNS fragmenti ar dažādiem pašsavienojuma modeļiem. Parastie DNS agregāti ir brīvi un galu galā agregē cistu/auNP, kā rezultātā cistas/auNP ir sarkani nobīdīts raksturs, lai ar neapbruņotu aci varētu novērot krāsas izmaiņas no sarkanas līdz purpursarkanai. Turpretī vēža DNS unikālais metilēšanas profils noved pie lielāku DNS fragmentu kopu veidošanās.

96 iedobju plāksņu attēli tika uzņemti, izmantojot viedtālruņa kameru. Vēža DNS tika izmērīts ar viedtālruni, kas aprīkots ar mašīnu apguvi, salīdzinot ar spektroskopijas metodēm.

Vēža skrīnings reālos asins paraugos

Lai paplašinātu sensoru platformas lietderību, izmeklētāji izmantoja sensoru, kas veiksmīgi atšķiras starp normālu un vēža DNS reālos asins paraugos. Metilēšanas modeļi CPG vietās epigenētiski regulē gēnu ekspresiju. Gandrīz visos vēža veidos ir novērotas izmaiņas DNS metilēšanā un tādējādi to gēnu ekspresijā, kas veicina audzēju ģenēzi.

Kā modelis citiem vēža veidiem, kas saistīti ar DNS metilēšanu, pētnieki izmantoja asins paraugus no leikēmijas pacientiem un veselīgu kontroli, lai izpētītu metilēšanas ainavas efektivitāti, diferencējot leikēmisko vēža veidus. Šis metilācijas ainavas biomarķieris ne tikai pārspēj esošās ātrās leikēmijas skrīninga metodes, bet arī parāda, ka ir iespējams paplašināties līdz plaša vēža diapazona agrīnai atklāšanai, izmantojot šo vienkāršo un vienkāršo testu.

Tika analizēti DNS no 31 leikēmijas pacientu un 12 veselīgu indivīdu paraugiem. Kā parādīts kastes diagrammā 2A attēlā, vēža paraugu (ΔA650/525) relatīvā absorbcija bija zemāka nekā DNS no parastajiem paraugiem. Tas galvenokārt bija saistīts ar pastiprinātu hidrofobitāti, kas izraisīja blīvu vēža DNS agregāciju, kas neļāva apkopot cistas/auNP. Tā rezultātā šīs nanodaļiņas tika pilnībā izkliedētas vēža agregātu ārējos slāņos, kā rezultātā tika izveidota atšķirīga cistu/auNP izkliedēšana, kas adsorbēti uz normāliem un vēža DNS agregātiem. Pēc tam ROC līknes tika ģenerētas, mainot slieksni no minimālās vērtības ΔA650/525 līdz maksimālajai vērtībai.

2. attēls. (A) Cist/AuNP šķīdumu relatīvās absorbcijas vērtības, kas parāda normālu (zilu) un vēža (sarkanu) DNS klātbūtni optimizētos apstākļos

(DA650/525) kastes parauglaukumi; (B) ROC analīze un diagnostikas testu novērtēšana. c) apjukuma matrica normālu un vēža pacientu diagnozei. (D) Jutīgums, specifiskums, pozitīvā paredzamā vērtība (PPV), negatīvā paredzamā vērtība (NPV) un izstrādātās metodes precizitāte.

Kā parādīts 2.b attēlā, laukums zem ROC līknes (AUC = 0,9274), kas iegūts attīstītajam sensoram, uzrādīja augstu jutīgumu un specifiskumu. Kā redzams no kastes zemes gabala, zemākais punkts, kas attēlo parasto DNS grupu, nav labi atdalīts no augstākā punkta, kas attēlo vēža DNS grupu; Tāpēc loģistiskā regresija tika izmantota, lai atšķirtu normālas un vēža grupas. Ņemot vērā neatkarīgo mainīgo kopumu, tas novērtē notikuma iespējamību, piemēram, vēzi vai parasto grupu. Atkarīgais mainīgais svārstās no 0 līdz 1. rezultātam ir varbūtība. Mēs noteicām vēža identifikācijas varbūtību (P), pamatojoties uz ΔA650/525, šādi.

kur B = 5,3533, W1 = -6,965. Parauga klasifikācijai varbūtība, kas mazāka par 0,5, norāda uz normālu paraugu, savukārt varbūtība 0,5 vai lielāka norāda uz vēža paraugu. 2C. Attēlā parādīta apjukuma matrica, kas ģenerēta no vienas no vienas validācijas, kas tika izmantota, lai apstiprinātu klasifikācijas metodes stabilitāti. 2D attēlā ir apkopots metodes diagnostiskā testa novērtējums, ieskaitot jutīgumu, specifiskumu, pozitīvo paredzamo vērtību (PPV) un negatīvo paredzamo vērtību (NPV).

Uz viedtālruņa balstītiem biosensoriem

Lai vēl vairāk vienkāršotu paraugu pārbaudi, neizmantojot spektrofotometrus, pētnieki izmantoja mākslīgo intelektu (AI), lai interpretētu šķīduma krāsu un atšķirtu normālu un vēža indivīdus. Ņemot to vērā, datora redze tika izmantota, lai pārveidotu cistas/aUNPS šķīduma krāsu normālā DNS (purpursarkanā) vai vēža DNS (sarkanā krāsā), izmantojot 96 iedobju plākšņu attēlus, kas ņemti caur mobilā tālruņa kameru. Mākslīgais intelekts var samazināt izmaksas un uzlabot pieejamību nanodaļiņu šķīdumu krāsu interpretācijā un neizmantojot nekādus optiskā aparatūras viedtālruņa piederumus. Visbeidzot, divi mašīnmācīšanās modeļi, ieskaitot izlases mežu (RF) un atbalsta vektora mašīnu (SVM), tika apmācīti modeļu konstruēšanai. Gan RF, gan SVM modeļi pareizi klasificēja paraugus kā pozitīvu un negatīvu ar precizitāti 90,0%. Tas liek domāt, ka mākslīgā intelekta izmantošana mobilajā tālruņu biosensē ir pilnīgi iespējama.

3. attēls (a) Šķīduma mērķa klase, kas reģistrēta parauga sagatavošanas laikā attēla iegūšanas posmā. (b) Attēla piemērs, kas uzņemts attēla iegūšanas posmā. (C) Cist/AuNPS šķīduma krāsu intensitāte katrā 96 iedobju plāksnes iedobē, kas iegūta no attēla (b).

Izmantojot cistu/auNP, pētnieki ir veiksmīgi izstrādājuši vienkāršu sensoru platformu metilēšanas ainavas noteikšanai un sensoru, kas spēj atšķirt normālu DNS no vēža DNS, izmantojot reālus asins paraugus leikēmijas skrīningam. Izstrādātais sensors parādīja, ka DNS, kas ekstrahēta no reāliem asins paraugiem, 15 minūtēs varēja ātri un rentabli noteikt nelielu daudzumu vēža DNS (3NM) leikēmijas pacientiem un parādīja 95,3%precizitāti. Lai vēl vairāk vienkāršotu paraugu pārbaudi, novēršot nepieciešamību pēc spektrofotometra, mašīnu apguve tika izmantota, lai interpretētu šķīduma krāsu un atšķirtu parasto un vēža personu, izmantojot mobilā tālruņa fotogrāfiju, un precizitāti varēja sasniegt arī 90,0%.

Atsauce: doi: 10.1039/d2ra05725e