DNA-methyleringstest kombineret med smartphones til tidlig screening af tumorer og leukæmiscreening med en nøjagtighed på 90,0 %!

Tidlig påvisning af kræft baseret på flydende biopsi er en ny retning for påvisning og diagnosticering af kræft, som US National Cancer Institute har foreslået i de senere år med det formål at opdage tidlig kræft eller endda præcancerøse læsioner. Det er blevet brugt i vid udstrækning som en ny biomarkør til tidlig diagnose af forskellige maligniteter, herunder lungekræft, mave-tarm-tumorer, gliomer og gynækologiske tumorer.

Fremkomsten af ​​platforme til at identificere biomarkører for methyleringslandskab (Methylscape) har potentialet til at forbedre eksisterende tidlig screening for kræft væsentligt, og sætte patienter på det tidligste behandlingsbare stadie.

For nylig har forskere udviklet en enkel og direkte sanseplatform til methyleringslandskabsdetektion baseret på cysteamin-dekorerede guldnanopartikler (Cyst/AuNP'er) kombineret med en smartphone-baseret biosensor, der muliggør hurtig tidlig screening af en bred vifte af tumorer. Tidlig screening for leukæmi kan udføres inden for 15 minutter efter DNA-ekstraktion fra en blodprøve med en nøjagtighed på 90,0 %. Artiklens titel er Hurtig påvisning af cancer-DNA i humant blod ved hjælp af cysteamin-kapslede AuNP'er og en maskinlæringsaktiveret smartphone.

Figur 1. En enkel og hurtig registreringsplatform til cancerscreening via cyste/AuNPs-komponenter kan opnås i to enkle trin.

Dette er vist i figur 1. Først blev en vandig opløsning brugt til at opløse DNA-fragmenterne. Cyste/AuNP'er blev derefter tilsat til den blandede opløsning. Normalt og malignt DNA har forskellige methyleringsegenskaber, hvilket resulterer i DNA-fragmenter med forskellige selvsamlingsmønstre. Normalt DNA aggregerer løst og aggregerer til sidst cyste/AuNP'er, hvilket resulterer i den rødforskudte natur af cyste/AuNP'er, så en ændring i farve fra rød til lilla kan observeres med det blotte øje. I modsætning hertil fører den unikke methyleringsprofil af cancer-DNA til produktionen af ​​større klynger af DNA-fragmenter.

Billeder af 96-brønds plader blev taget ved hjælp af et smartphone-kamera. Kræft-DNA blev målt af en smartphone udstyret med maskinlæring sammenlignet med spektroskopi-baserede metoder.

Kræftscreening i rigtige blodprøver

For at udvide anvendeligheden af ​​sanseplatformen anvendte efterforskerne en sensor, der med succes skelnede mellem normalt og canceragtigt DNA i rigtige blodprøver. methyleringsmønstre ved CpG-steder regulerer epigenetisk genekspression. I næsten alle kræfttyper er ændringer i DNA-methylering og dermed i ekspressionen af ​​gener, der fremmer tumorgenese, blevet observeret at veksle.

Som en model for andre kræftformer forbundet med DNA-methylering brugte forskerne blodprøver fra leukæmipatienter og sunde kontroller til at undersøge effektiviteten af ​​methyleringslandskabet til at differentiere leukæmikræft. Denne methyleringslandskabsbiomarkør udkonkurrerer ikke kun eksisterende metoder til hurtig leukæmiscreening, men demonstrerer også muligheden for at udvide til tidlig påvisning af en lang række kræftformer ved hjælp af denne enkle og ligetil analyse.

DNA fra blodprøver fra 31 leukæmipatienter og 12 raske personer blev analyseret. som vist i boksplottet i figur 2a var den relative absorbans af cancerprøverne (ΔA650/525) lavere end den for DNA fra normale prøver. dette skyldtes hovedsageligt den øgede hydrofobicitet, der førte til tæt aggregering af cancer-DNA, som forhindrede aggregering af cyster/AuNP'er. Som et resultat blev disse nanopartikler fuldstændigt spredt i de ydre lag af canceraggregaterne, hvilket resulterede i en anden spredning af cyster/AuNP'er adsorberet på normale og cancer-DNA-aggregater. ROC-kurver blev derefter genereret ved at variere tærsklen fra en minimumsværdi på ΔA650/525 til en maksimumværdi.

Figur 2.(a) Relative absorbansværdier af cyste/AuNPs opløsninger, der viser tilstedeværelsen af ​​normalt (blåt) og cancer (rødt) DNA under optimerede forhold

(DA650/525) af boksplotter; (b) ROC-analyse og evaluering af diagnostiske tests. (c) Forvirringsmatrix til diagnosticering af normale patienter og cancerpatienter. (d) Sensitivitet, specificitet, positiv prædiktiv værdi (PPV), negativ prædiktiv værdi (NPV) og nøjagtighed af den udviklede metode.

Som vist i figur 2b viste området under ROC-kurven (AUC = 0,9274) opnået for den udviklede sensor høj sensitivitet og specificitet. Som det kan ses af boksplottet, er det laveste punkt, der repræsenterer den normale DNA-gruppe, ikke godt adskilt fra det højeste punkt, der repræsenterer cancer-DNA-gruppen; derfor blev logistisk regression brugt til at skelne mellem normal- og cancergruppen. Givet et sæt af uafhængige variabler estimerer det sandsynligheden for, at en hændelse indtræffer, såsom en cancer- eller normalgruppe. Den afhængige variabel går mellem 0 og 1. Resultatet er derfor en sandsynlighed. Vi bestemte sandsynligheden for canceridentifikation (P) baseret på ΔA650/525 som følger.

hvor b=5,3533, w1=-6,965. For prøveklassificering angiver en sandsynlighed på mindre end 0,5 en normal prøve, mens en sandsynlighed på 0,5 eller højere angiver en kræftprøve. Figur 2c afbilder forvirringsmatricen genereret ud fra den lade-det-alene krydsvalidering, som blev brugt til at validere stabiliteten af ​​klassificeringsmetoden. Figur 2d opsummerer den diagnostiske testevaluering af metoden, herunder sensitivitet, specificitet, positiv prædiktiv værdi (PPV) og negativ prædiktiv værdi (NPV).

Smartphone-baserede biosensorer

For yderligere at forenkle prøvetestning uden brug af spektrofotometre brugte forskerne kunstig intelligens (AI) til at fortolke farven på opløsningen og skelne mellem normale og kræftsyge individer. På denne baggrund blev computersyn brugt til at oversætte farven på Cyste/AuNPs-opløsningen til normalt DNA (lilla) eller kræft-DNA (rødt) ved hjælp af billeder af 96-brøndsplader taget gennem et mobiltelefonkamera. Kunstig intelligens kan reducere omkostningerne og forbedre tilgængeligheden ved fortolkning af farven på nanopartikelløsninger og uden brug af optisk hardwaretilbehør til smartphones. Endelig blev to maskinlæringsmodeller, inklusive Random Forest (RF) og Support Vector Machine (SVM), trænet til at konstruere modellerne. både RF- og SVM-modellerne klassificerede prøverne korrekt som positive og negative med en nøjagtighed på 90,0 %. Dette tyder på, at brugen af ​​kunstig intelligens i mobiltelefon-baseret biosensing er ganske mulig.

Figur 3.(a) Målklasse for opløsningen registreret under forberedelsen af ​​prøven til billedoptagelsestrinnet. (b) Eksempelbillede taget under billedoptagelsestrinnet. (c) Farveintensiteten af ​​cyste/AuNPs-opløsningen i hver brønd på 96-brøndspladen ekstraheret fra billedet (b).

Ved hjælp af cyster/AuNP'er har forskere med succes udviklet en simpel sanseplatform til methyleringslandskabsdetektion og en sensor, der er i stand til at skelne normalt DNA fra cancer-DNA, når de bruger rigtige blodprøver til leukæmiscreening. Den udviklede sensor viste, at DNA ekstraheret fra rigtige blodprøver var i stand til hurtigt og omkostningseffektivt at detektere små mængder kræft-DNA (3nM) hos leukæmipatienter på 15 minutter og viste en nøjagtighed på 95,3 %. For yderligere at forenkle prøvetestning ved at eliminere behovet for et spektrofotometer, blev maskinlæring brugt til at fortolke farven på opløsningen og skelne mellem normale og kræftsyge individer ved hjælp af et mobiltelefonfotografi, og nøjagtighed kunne også opnås med 90,0 %.

Reference: DOI: 10.1039/d2ra05725e