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

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

De opkomst van platforms om methyleringslandschap (methylscape) biomarkers te identificeren, heeft het potentieel om de bestaande vroege screening voor kanker aanzienlijk te verbeteren, waardoor patiënten in het vroegste behandelbare stadium worden geplaatst.

Onlangs hebben onderzoekers een eenvoudig en direct detectieplatform ontwikkeld voor methyleringslandschapsdetectie op basis van cysteamine gedecoreerde gouden nanodeeltjes (CYST/AUNP's) gecombineerd met een op smartphone gebaseerde biosensor die een snelle vroege screening van een breed scala aan tumoren mogelijk maakt. Vroege screening op leukemie kan worden uitgevoerd binnen 15 minuten na DNA -extractie uit een bloedmonster, met een nauwkeurigheid van 90,0%. Artikeltitel is snelle detectie van kanker-DNA in menselijk bloed met behulp van cysteamine-afgedekte AuNP's en een machine learning-compatibele smartphone。。

Figuur 1. Een eenvoudig en snel detectieplatform voor kankerscreening via cyste/auNPS -componenten kan in twee eenvoudige stappen worden bereikt.

Dit wordt getoond in figuur 1. Ten eerste werd een waterige oplossing gebruikt om de DNA -fragmenten op te lossen. Cyste/AuNP's werden vervolgens toegevoegd aan de gemengde oplossing. Normaal en kwaadaardig DNA hebben verschillende methylatie-eigenschappen, wat resulteert in DNA-fragmenten met verschillende zelfassemblagepatronen. Normaal DNA-aggregeert losjes en uiteindelijk aggregeert cyste/AuNP's, wat resulteert in de rood verschoven aard van cyste/AuNP's, zodat een verandering in kleur van rood tot paars met het blote oog kan worden waargenomen. Het unieke methyleringsprofiel van DNA van kanker leidt daarentegen tot de productie van grotere clusters van DNA -fragmenten.

Afbeeldingen van platen met 96 putjes werden genomen met behulp van een smartphonecamera. Kanker-DNA werd gemeten door een smartphone uitgerust met machine learning in vergelijking met op spectroscopie gebaseerde methoden.

Kankeronderzoek in echte bloedmonsters

Om het nut van het detectieplatform uit te breiden, hebben de onderzoekers een sensor toegepast die met succes onderscheidde tussen normaal en kankerachtig DNA in echte bloedmonsters. Methyleringspatronen op CPG -plaatsen reguleren epigenetisch genexpressie. In bijna alle kankertypen is waargenomen dat veranderingen in DNA -methylatie en dus bij de expressie van genen die tumourigenese bevorderen.

Als model voor andere kankers geassocieerd met DNA -methylatie, gebruikten de onderzoekers bloedmonsters van leukemiepatiënten en gezonde controles om de effectiviteit van het methyleringslandschap bij het differentiëren van leukememische kankers te onderzoeken. Deze methyleringslandschapsbiomarker presteert niet alleen beter dan bestaande methoden voor snelle leukemie, maar toont ook de haalbaarheid aan van het uitbreiden tot vroege detectie van een breed scala aan kankers met behulp van deze eenvoudige en eenvoudige test.

DNA van bloedmonsters van 31 leukemiepatiënten en 12 gezonde personen werd geanalyseerd. Zoals getoond in de doosplot in figuur 2A, was de relatieve absorptie van de kankermonsters (ΔA650/525) lager dan die van DNA uit normale monsters. Dit was voornamelijk te wijten aan de verbeterde hydrofobiciteit die leidde tot een dichte aggregatie van DNA van kanker, die de aggregatie van cyste/auNP's voorkwam. Als gevolg hiervan waren deze nanodeeltjes volledig verspreid in de buitenste lagen van de kankeraggregaten, wat resulteerde in een andere dispersie van cyste/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 maximale waarde.

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

(DA650/525) van doosplots; (b) ROC -analyse en evaluatie van diagnostische tests. (c) Verwarringmatrix voor de diagnose van normale en kankerpatiënten. (d) Gevoeligheid, specificiteit, positieve voorspellende waarde (PPV), negatieve voorspellende waarde (NPV) en nauwkeurigheid van de ontwikkelde methode.

Zoals getoond in figuur 2b, vertoonde het gebied onder de ROC -curve (AUC = 0.9274) verkregen voor de ontwikkelde sensor hoge gevoeligheid en specificiteit. Zoals te zien is in de doosplot, is het laagste punt dat de normale DNA -groep weergeeft niet goed gescheiden van het hoogste punt dat de kanker -DNA -groep vertegenwoordigt; Daarom werd logistieke regressie gebruikt om onderscheid te maken tussen de normale en kankergroepen. Gegeven een reeks onafhankelijke variabelen, schat het de waarschijnlijkheid van een gebeurtenis, zoals een kanker of normale groep. De afhankelijke variabele varieert tussen 0 en 1. Het resultaat is daarom een ​​waarschijnlijkheid. We hebben de waarschijnlijkheid van kankeridentificatie (P) bepaald op basis van AA650/525 als volgt.

waar B = 5.3533, W1 = -6.965. Voor steekproefclassificatie duidt een kans op minder dan 0,5 een normaal monster aan, terwijl een kans van 0,5 of hoger een kankerproef aangeeft. Figuur 2C toont de verwarringmatrix die is gegenereerd uit de verlof-het-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, positieve voorspellende waarde (PPV) en negatieve voorspellende waarde (NPV).

Op smartphones gebaseerde biosensoren

Om het testen van de steekproef 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. Gezien dit werd computerzicht gebruikt om de kleur van de cyste/auNPS-oplossing te vertalen in normaal DNA (paars) of kankerachtig DNA (rood) met behulp van afbeeldingen van platen met 96 putjes die via een mobiele telefooncamera zijn genomen. Kunstmatige intelligentie kan de kosten verlagen en de toegankelijkheid verbeteren bij het interpreteren van de kleur van nanodeeltjesoplossingen, en zonder het gebruik van optische hardware -smartphone -accessoires. Ten slotte werden twee modellen voor machine learning, waaronder Random Forest (RF) en Support Vector Machine (SVM) getraind om de modellen te construeren. Zowel de RF- als de SVM -modellen hebben de monsters correct geclassificeerd als positief en negatief met een nauwkeurigheid van 90,0%. Dit suggereert dat het gebruik van kunstmatige intelligentie bij biosensing op mobiele telefoons heel goed mogelijk is.

Figuur 3. (a) Doelklasse van de oplossing die is vastgelegd tijdens de bereiding van het monster voor de stap van de beeldverwerving. (b) Voorbeeldafbeelding genomen tijdens de stap voor het verwerven van beeld. (c) Kleurintensiteit van de cyste/auNPS-oplossing in elke putje van de 96-putjes plaat geëxtraheerd uit het beeld (b).

Met behulp van cyste/auNP's hebben onderzoekers met succes een eenvoudig detectieplatform ontwikkeld voor methyleringslandschapsdetectie en een sensor die in staat is om normaal DNA te onderscheiden van kanker -DNA bij het gebruik van echte bloedmonsters voor screening op leukemie. De ontwikkelde sensor toonde aan dat DNA geëxtraheerd uit echte bloedmonsters in staat was om kleine hoeveelheden DNA (3 nm) bij leukemie-patiënten snel en kosteneffectief te detecteren en in 15 minuten een nauwkeurigheid van 95,3%vertoonde. Om het testen van de steekproef verder te vereenvoudigen door de behoefte aan een spectrofotometer te elimineren, werd machine learning gebruikt om de kleur van de oplossing te interpreteren en onderscheid te maken tussen normale en kankerachtige personen die een mobiele telefoonfoto gebruiken, en nauwkeurigheid kon ook worden bereikt met 90,0%.

Referentie: doi: 10.1039/D2RA05725E