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

Vēža agrīna atklāšana, pamatojoties uz šķidro biopsiju, ir jauns vēža atklāšanas un diagnostikas virziens, ko pēdējos gados ierosinājis ASV Nacionālais vēža institūts ar mērķi atklāt agrīnu vēzi vai pat pirmsvēža bojājumus. Tas ir plaši izmantots kā jauns biomarķieris dažādu ļaundabīgu audzēju, tostarp plaušu vēža, kuņģa-zarnu trakta audzēju, gliomu un ginekoloģisko audzēju agrīnai diagnostikai.

Platformu parādīšanās metilēšanas ainavas (Methylscape) biomarķieru noteikšanai var būtiski uzlabot esošo agrīno vēža skrīningu, nostādot pacientus agrākajā ārstējamajā stadijā.

Nesen pētnieki ir izstrādājuši vienkāršu un tiešu sensoru platformu metilēšanas ainavas noteikšanai, kuras pamatā ir cisteamīna dekorētas zelta nanodaļiņas (Cyst / AuNP) apvienojumā ar viedtālruņa biosensoru, kas ļauj ātri agrīni pārbaudīt plašu audzēju klāstu. Agrīnu leikēmijas skrīningu var veikt 15 minūšu laikā pēc DNS ekstrakcijas no asins parauga ar 90,0% precizitāti. Raksta nosaukums ir ātra vēža DNS noteikšana cilvēka asinīs, izmantojot AuNP ar cisteamīna vāciņu un viedtālruni ar mašīnmācīšanos.

1. attēls. Vienkāršu un ātru noteikšanas platformu vēža skrīningam, izmantojot Cyst/AuNP komponentus, var veikt divās vienkāršās darbībās.

Tas parādīts 1. attēlā. Pirmkārt, DNS fragmentu izšķīdināšanai tika izmantots ūdens šķīdums. Pēc tam sajauktajam šķīdumam pievienoja cistu / AuNP. Normālai un ļaundabīgai DNS ir atšķirīgas metilēšanas īpašības, kā rezultātā rodas DNS fragmenti ar dažādiem pašsavienošanās modeļiem. Normāla DNS agregējas brīvi un galu galā agregē cistu / AuNP, kā rezultātā cista / AuNP ir sarkanā krāsā, tādējādi ar neapbruņotu aci var novērot krāsas izmaiņas no sarkanas uz purpursarkanu. Turpretim vēža DNS unikālais metilēšanas profils izraisa lielāku DNS fragmentu kopu veidošanos.

96 bedrīšu plākšņu attēli tika uzņemti, izmantojot viedtālruņa kameru. Vēža DNS tika mērīts ar viedtālruni, kas aprīkots ar mašīnmācīšanos, salīdzinot ar metodēm, kas balstītas uz spektroskopiju.

Vēža skrīnings reālos asins paraugos

Lai paplašinātu sensoru platformas lietderību, pētnieki izmantoja sensoru, kas reālos asins paraugos veiksmīgi atšķīra normālu un vēža DNS. metilēšanas modeļi CpG vietās epiģenētiski regulē gēnu ekspresiju. Gandrīz visos vēža veidos ir novērotas izmaiņas DNS metilēšanā un līdz ar to gēnu ekspresijā, kas veicina audzēju veidošanos.

Kā paraugu citiem vēža veidiem, kas saistīti ar DNS metilēšanu, pētnieki izmantoja asins paraugus no leikēmijas pacientiem un veselām kontrolēm, lai izpētītu metilēšanas ainavas efektivitāti leikēmijas vēža diferencēšanā. Šis metilēšanas ainavas biomarķieris ne tikai pārspēj esošās ātrās leikēmijas skrīninga metodes, bet arī parāda iespēju paplašināt plašu vēža veidu agrīnu atklāšanu, izmantojot šo vienkāršo un vienkāršāko testu.

Tika analizēta DNS no asins paraugiem no 31 leikēmijas pacienta un 12 veseliem indivīdiem. kā parādīts lodziņa diagrammā 2.a attēlā, vēža paraugu relatīvā absorbcija (ΔA650/525) bija zemāka nekā DNS no normāliem paraugiem. tas galvenokārt bija saistīts ar pastiprinātu hidrofobitāti, kas izraisīja blīvu vēža DNS agregāciju, kas novērsa cistu / AuNP agregāciju. Rezultātā šīs nanodaļiņas tika pilnībā izkliedētas vēža agregātu ārējos slāņos, kā rezultātā radās atšķirīga cistu / AuNP izkliede, kas adsorbēta uz normāliem un vēža DNS agregātiem. Pēc tam tika ģenerētas ROC līknes, mainot slieksni no minimālās vērtības ΔA650/525 līdz maksimālajai vērtībai.

2.(a) attēls. Cistu/AuNP šķīdumu relatīvās absorbcijas vērtības, kas parāda normālas (zilas) un vēža (sarkanās) DNS klātbūtni optimizētos apstākļos

(DA650/525) kastītes; b) ROC analīze un diagnostikas testu novērtējums. c) neskaidrības matrica normālu un vēža pacientu diagnosticēšanai. (d) Izstrādātās metodes jutīgums, specifiskums, pozitīva paredzamā vērtība (PPV), negatīvā paredzamā vērtība (NPV) un precizitāte.

Kā parādīts 2.b attēlā, laukums zem ROC līknes (AUC = 0,9274), kas iegūts izstrādātajam sensoram, uzrādīja augstu jutību un specifiskumu. Kā redzams no lodziņa diagrammas, zemākais punkts, kas pārstāv normālu DNS grupu, nav labi atdalīts no augstākā punkta, kas pārstāv vēža DNS grupu; tāpēc, lai atšķirtu parastās un vēža grupas, tika izmantota loģistiskā regresija. Ņemot vērā neatkarīgu mainīgo lielumu kopu, tas aprēķina kāda notikuma, piemēram, vēža vai normālas grupas, rašanās varbūtību. Atkarīgais mainīgais svārstās no 0 līdz 1. Tāpēc rezultāts ir varbūtība. Mēs noteicām vēža identifikācijas varbūtību (P), pamatojoties uz ΔA650/525 šādi.

kur b=5,3533, w1=-6,965. Paraugu klasifikācijai varbūtība, kas ir mazāka par 0,5, norāda uz normālu paraugu, bet varbūtība, kas ir 0,5 vai lielāka, norāda uz vēža paraugu. 2.c attēlā ir attēlota neskaidrības matrica, kas ģenerēta no savstarpējās validācijas, kas tika izmantota, lai apstiprinātu klasifikācijas metodes stabilitāti. 2d attēlā ir apkopots metodes diagnostikas testa novērtējums, tostarp jutīgums, specifiskums, pozitīva paredzamā vērtība (PPV) un negatīvā paredzamā vērtība (NPV).

Viedtālruņa biosensori

Lai vēl vairāk vienkāršotu paraugu testēšanu, neizmantojot spektrofotometrus, pētnieki izmantoja mākslīgo intelektu (AI), lai interpretētu šķīduma krāsu un atšķirtu normālus un vēža indivīdus. Ņemot to vērā, tika izmantota datorredze, lai Cyst / AuNPs šķīduma krāsu pārvērstu normālā DNS (purpursarkanā) vai vēža DNS (sarkanā), izmantojot 96 bedrīšu plākšņu attēlus, kas uzņemti ar mobilā tālruņa kameru. Mākslīgais intelekts var samazināt izmaksas un uzlabot pieejamību nanodaļiņu risinājumu krāsu interpretācijā, neizmantojot viedtālruņa optiskās aparatūras piederumus. Visbeidzot, modeļu konstruēšanai tika apmācīti divi mašīnmācīšanās modeļi, tostarp Random Forest (RF) un atbalsta vektora mašīna (SVM). gan RF, gan SVM modeļi pareizi klasificēja paraugus kā pozitīvus un negatīvus ar precizitāti 90,0%. Tas liek domāt, ka mākslīgā intelekta izmantošana mobilo tālruņu biosensēšanā ir pilnīgi iespējama.

3.(a) attēls. Šķīduma mērķa klase, kas reģistrēta parauga sagatavošanas laikā attēla iegūšanas solim. b) attēla paraugs, kas uzņemts attēla iegūšanas posmā. c ) cistas / AuNP šķīduma krāsas intensitāte katrā 96 iedobju plāksnes iedobē, kas iegūta no attēla (b).

Izmantojot Cyst / 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 iegūta no īstiem asins paraugiem, spēja ātri un rentabli noteikt nelielu vēža DNS daudzumu (3nM) leikēmijas pacientiem 15 minūtēs, un uzrādīja 95,3% precizitāti. Lai vēl vairāk vienkāršotu paraugu testēšanu, novēršot nepieciešamību pēc spektrofotometra, tika izmantota mašīnmācīšanās, lai interpretētu šķīduma krāsu un atšķirtu normālus un vēža slimniekus, izmantojot mobilā tālruņa fotoattēlu, un precizitāti varēja sasniegt arī 90,0%.

Atsauce: DOI: 10.1039/d2ra05725e