DNA-methylatietesten gecombineerd met smartphones voor vroege screening van tumoren en leukemiescreening met een nauwkeurigheid van 90,0%!

Vroege detectie van kanker op basis van vloeibare biopsie is een nieuwe richting van kankerdetectie en -diagnose die de afgelopen jaren is voorgesteld door het Amerikaanse National Cancer Institute, met als doel vroegtijdige kanker of zelfs precancereuze laesies op te sporen. Het is op grote schaal gebruikt als nieuwe biomarker voor de vroege diagnose van verschillende kwaadaardige aandoeningen, waaronder longkanker, gastro-intestinale tumoren, gliomen en gynaecologische tumoren.

De opkomst van platforms voor het identificeren van biomarkers in het methylatielandschap (Methylscape) heeft het potentieel om de bestaande vroege screening op kanker aanzienlijk te verbeteren, waardoor patiënten in de vroegste behandelbare fase terechtkomen.

Onlangs hebben onderzoekers een eenvoudig en direct detectieplatform ontwikkeld voor de detectie van methylatielandschap op basis van met cysteamine gedecoreerde gouden nanodeeltjes (Cyst/AuNPs) in combinatie met een op smartphones gebaseerde biosensor die een snelle vroege screening van een breed scala aan tumoren mogelijk maakt. Vroegtijdige screening op leukemie kan binnen 15 minuten na DNA-extractie uit een bloedmonster worden uitgevoerd, met een nauwkeurigheid van 90,0%. De titel van het artikel is Snelle detectie van kanker-DNA in menselijk bloed met behulp van AuNP's met cysteamine-afsluiting en een smartphone met machine learning.

Figuur 1. Een eenvoudig en snel detectieplatform voor kankerscreening via Cyst/AuNPs-componenten kan in twee eenvoudige stappen worden gerealiseerd.

Dit is weergegeven in Figuur 1. Eerst werd een waterige oplossing gebruikt om de DNA-fragmenten op te lossen. Cyste/AuNP's werden vervolgens aan de gemengde oplossing toegevoegd. Normaal en kwaadaardig DNA hebben verschillende methylatie-eigenschappen, wat resulteert in DNA-fragmenten met verschillende zelfassemblagepatronen. Normaal DNA aggregeert losjes en aggregeert uiteindelijk Cyst/AuNPs, wat resulteert in de roodverschoven aard van Cyst/AuNPs, zodat een kleurverandering van rood naar paars met het blote oog kan worden waargenomen. Het unieke methylatieprofiel van kanker-DNA leidt daarentegen tot de productie van grotere clusters van DNA-fragmenten.

Beelden van platen met 96 putjes werden gemaakt met behulp van een smartphonecamera. Kanker-DNA werd gemeten door een smartphone uitgerust met machinaal leren in vergelijking met op spectroscopie gebaseerde methoden.

Kankerscreening in echte bloedmonsters

Om de bruikbaarheid van het detectieplatform uit te breiden, pasten de onderzoekers een sensor toe die met succes onderscheid maakte tussen normaal en kankerachtig DNA in echte bloedmonsters. methyleringspatronen op CpG-locaties reguleren epigenetisch genexpressie. Bij bijna alle soorten kanker is waargenomen dat veranderingen in de DNA-methylatie en dus in de expressie van genen die tumorigenese bevorderen, elkaar afwisselen.

Als model voor andere vormen van kanker die verband houden met DNA-methylatie, gebruikten de onderzoekers bloedmonsters van leukemiepatiënten en gezonde controles om de effectiviteit van het methyleringslandschap bij het differentiëren van leukemische kankers te onderzoeken. Deze biomarker in het methylatielandschap presteert niet alleen beter dan de bestaande snelle screeningsmethoden voor leukemie, maar toont ook de haalbaarheid aan van uitbreiding naar vroege detectie van een breed scala aan kankers met behulp van deze eenvoudige en ongecompliceerde test.

DNA uit bloedmonsters van 31 leukemiepatiënten en 12 gezonde personen werd geanalyseerd. zoals weergegeven in de boxplot in Figuur 2a was de relatieve absorptie van de kankermonsters (AA650/525) lager dan die van DNA uit normale monsters. dit was voornamelijk te wijten aan de verhoogde hydrofobiciteit die leidde tot een dichte aggregatie van kanker-DNA, waardoor de aggregatie van Cyst / AuNP's werd voorkomen. Als gevolg hiervan waren deze nanodeeltjes volledig verspreid in de buitenste lagen van de kankeraggregaten, wat resulteerde in een andere dispersie van Cyst/AuNP's geadsorbeerd op normale en kanker-DNA-aggregaten. ROC-curven werden vervolgens gegenereerd door de drempel te variëren van een minimumwaarde van AA650/525 tot een maximumwaarde.

Figuur 2.(a) Relatieve absorptiewaarden van cyste/AuNPs-oplossingen die de aanwezigheid van normaal (blauw) en kanker (rood) DNA aantonen onder geoptimaliseerde omstandigheden

(DA650/525) van boxplots; (b) ROC-analyse en evaluatie van diagnostische tests. (c) Verwarringsmatrix voor de diagnose van normale patiënten en kankerpatiënten. (d) Gevoeligheid, specificiteit, positief voorspellende waarde (PPV), negatief voorspellende waarde (NPV) en nauwkeurigheid van de ontwikkelde methode.

Zoals weergegeven in figuur 2b vertoonde het gebied onder de ROC-curve (AUC = 0,9274) verkregen voor de ontwikkelde sensor een hoge gevoeligheid en specificiteit. Zoals uit de boxplot te zien is, is het laagste punt dat de normale DNA-groep vertegenwoordigt, niet goed gescheiden van het hoogste punt dat de kanker-DNA-groep vertegenwoordigt; daarom werd logistische regressie gebruikt om onderscheid te maken tussen de normale en kankergroepen. Gegeven een reeks onafhankelijke variabelen, schat het de waarschijnlijkheid dat een gebeurtenis optreedt, zoals een kanker- of normale groep. De afhankelijke variabele ligt tussen 0 en 1. Het resultaat is daarom een ​​waarschijnlijkheid. We bepaalden de waarschijnlijkheid van kankeridentificatie (P) op basis van AA650/525 als volgt.

waarbij b=5,3533,w1=-6,965. Voor monsterclassificatie duidt een waarschijnlijkheid van minder dan 0,5 op een normaal monster, terwijl een waarschijnlijkheid van 0,5 of hoger op een kankermonster duidt. Figuur 2c toont de verwarringsmatrix die is gegenereerd op basis van de 'leas-it-alone'-kruisvalidatie, die werd gebruikt om de stabiliteit van de classificatiemethode te valideren. Figuur 2d vat de diagnostische testevaluatie van de methode samen, inclusief gevoeligheid, specificiteit, positief voorspellende waarde (PPV) en negatief voorspellende waarde (NPV).

Smartphone-gebaseerde biosensoren

Om het testen van monsters verder te vereenvoudigen zonder het gebruik van spectrofotometers, gebruikten de onderzoekers kunstmatige intelligentie (AI) om de kleur van de oplossing te interpreteren en onderscheid te maken tussen normale en kankerachtige individuen. Daarom werd computervisie gebruikt om de kleur van de Cyst/AuNPs-oplossing te vertalen naar normaal DNA (paars) of kankerachtig DNA (rood) met behulp van afbeeldingen van platen met 96 putjes, genomen met een camera van een mobiele telefoon. Kunstmatige intelligentie kan de kosten verlagen en de toegankelijkheid verbeteren bij het interpreteren van de kleur van nanodeeltjesoplossingen, en dat zonder het gebruik van optische hardware-smartphoneaccessoires. Ten slotte werden twee machine learning-modellen, waaronder Random Forest (RF) en Support Vector Machine (SVM), getraind om de modellen te construeren. zowel de RF- als de SVM-modellen classificeerden de monsters correct als positief en negatief met een nauwkeurigheid van 90,0%. Dit suggereert dat het gebruik van kunstmatige intelligentie bij biosensing op basis van mobiele telefoons heel goed mogelijk is.

Figuur 3.(a) Doelklasse van de oplossing opgenomen tijdens de voorbereiding van het monster voor de beeldacquisitiestap. (b) Voorbeeldafbeelding genomen tijdens de beeldacquisitiestap. (c) Kleurintensiteit van de cyste/AuNPs-oplossing in elk putje van de plaat met 96 putjes, geëxtraheerd uit de afbeelding (b).

Met behulp van Cyst/AuNPs hebben onderzoekers met succes een eenvoudig detectieplatform ontwikkeld voor de detectie van methylatielandschap en een sensor die normaal DNA kan onderscheiden van kanker-DNA bij gebruik van echte bloedmonsters voor screening op leukemie. De ontwikkelde sensor toonde aan dat DNA geëxtraheerd uit echte bloedmonsters in 15 minuten snel en kosteneffectief kleine hoeveelheden kanker-DNA (3 nM) bij leukemiepatiënten kon detecteren, en een nauwkeurigheid van 95,3% vertoonde. Om het testen van monsters verder te vereenvoudigen door de noodzaak van een spectrofotometer te elimineren, werd machinaal leren gebruikt om de kleur van de oplossing te interpreteren en onderscheid te maken tussen normale en kankerpatiënten met behulp van een foto van een mobiele telefoon, en een nauwkeurigheid van 90,0% kon ook worden bereikt.

Referentie: DOI: 10.1039/d2ra05725e