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 vroege kanker of zelfs precancereuze laesies op te sporen.Het is 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 biomarkers van het methylatielandschap (Methylscape) te identificeren, heeft het potentieel om de bestaande vroege screening op kanker aanzienlijk te verbeteren, waardoor patiënten in het vroegst behandelbare stadium komen.

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

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

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

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

Kankerscreening in echte bloedmonsters

Om het nut 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.methylatiepatronen op CpG-plaatsen reguleren epigenetisch genexpressie.Bij bijna alle soorten kanker is waargenomen dat veranderingen in DNA-methylatie en dus in de expressie van genen die tumorigenese bevorderen, elkaar afwisselen.

Als model voor andere kankers 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 voor het methylatielandschap overtreft niet alleen 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 van 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 (ΔA650/525) lager dan die van DNA van normale monsters.dit was voornamelijk te danken aan de verbeterde hydrofobiciteit die leidde tot een dichte aggregatie van kanker-DNA, waardoor de aggregatie van cysten / AuNP's werd voorkomen.Als gevolg hiervan waren deze nanodeeltjes volledig verspreid in de buitenste lagen van de kankeraggregaten, wat resulteerde in een andere verspreiding 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 ΔA650/525 tot een maximumwaarde.

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 boxplots;(b) ROC-analyse en evaluatie van diagnostische tests.(c) Verwarringsmatrix voor de diagnose van normale 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 te zien is in de boxplot, 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 groep en de kankergroep.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 dus een waarschijnlijkheid.We bepaalden de waarschijnlijkheid van kankeridentificatie (P) op basis van ΔA650/525 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 geeft de verwarringsmatrix weer die is gegenereerd op basis van de alleen-laten-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).

Op smartphones 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 kankerpatiënten.Daarom werd computervisie gebruikt om de kleur van de Cyst / AuNPs-oplossing te vertalen in normaal DNA (paars) of kankerachtig DNA (rood) met behulp van afbeeldingen van platen met 96 putjes die waren gemaakt 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 zonder het gebruik van optische hardware-accessoires voor smartphones.Ten slotte werden twee machine learning-modellen, waaronder Random Forest (RF) en Support Vector Machine (SVM), getraind om de modellen te construeren.zowel het RF- als het SVM-model classificeerden de monsters correct als positief en negatief met een nauwkeurigheid van 90,0%.Dit suggereert dat het gebruik van kunstmatige intelligentie in op mobiele telefoons gebaseerde biosensing heel goed mogelijk is.

Figuur 3.(a) Doelklasse van de oplossing die is vastgelegd tijdens de voorbereiding van het monster voor de beeldacquisitiestap.(b) Voorbeeldbeeld genomen tijdens de beeldverwervingsstap.( 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/AuNP's hebben onderzoekers met succes een eenvoudig sensorplatform ontwikkeld voor 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 dat werd geëxtraheerd uit echte bloedmonsters in staat was om snel en kosteneffectief kleine hoeveelheden kanker-DNA (3nM) te detecteren bij leukemiepatiënten in 15 minuten, en toonde een nauwkeurigheid van 95,3%.Om het testen van monsters 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 kankerpatiënten met behulp van een mobiele telefoonfoto, en de nauwkeurigheid kon ook worden bereikt met 90,0%.

Referentie: DOI: 10.1039/d2ra05725e