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

Tidlig påvisning af kræft baseret på flydende biopsi er en ny retning af kræftdetektion og diagnose, der er foreslået af US National Cancer Institute i de senere år, med det formål at opdage tidlig kræft eller endda præcancerøse læsioner. Det er blevet vidt brugt som en ny biomarkør til den tidlige diagnose af forskellige maligniteter, herunder lungekræft, gastrointestinale tumorer, gliomas og gynækologiske tumorer.

Fremkomsten af ​​platforme til at identificere methyleringslandskab (methylscape) biomarkører har potentialet til at forbedre den eksisterende tidlige screening markant for kræft og sætte patienter på det tidligste behandlingsstadium.

For nylig har forskere udviklet en enkel og direkte sensingplatform til methyleringslandskabsdetektion baseret på cysteamin dekorerede guld nanopartikler (cyste/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%. Artikeltitel er hurtig påvisning af kræft-DNA i humant blod ved hjælp af cysteamin-afdækkede AuNP'er og en maskinlæringsaktiveret smartphone。

Figur 1. En enkel og hurtig sensingplatform til kræftscreening via cyste/AuNPS -komponenter kan opnås i to enkle trin.

Dette er vist i figur 1. Først blev en vandig opløsning anvendt til at opløse DNA -fragmenterne. Cyste/AuNP'er blev derefter føjet til den blandede opløsning. Normalt og ondartet DNA har forskellige methyleringsegenskaber, hvilket resulterer i DNA-fragmenter med forskellige selvsamlingsmønstre. Normale DNA-aggregater aggregerer til sidst cyste/AuNP'er, hvilket resulterer i den røde skiftede 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 kræft -DNA til produktion af større klynger af DNA -fragmenter.

Billeder af plader med 96 brønde blev taget ved hjælp af et smartphone-kamera. Cancer-DNA blev målt ved en smartphone udstyret med maskinlæring sammenlignet med spektroskopibaserede metoder.

Kræftscreening i ægte blodprøver

For at udvide anvendeligheden af ​​sensingplatformen anvendte efterforskerne en sensor, der med succes skelnes mellem normalt og kræft DNA i reelle blodprøver. Methyleringsmønstre på CPG -steder regulerer epigenetisk genekspression. Hos næsten alle kræftformer er der observeret ændringer i DNA -methylering og dermed i ekspressionen af ​​gener, der fremmer tumourigenese, at de er alternative.

Som model for andre kræftformer, der er forbundet med DNA -methylering, brugte forskerne blodprøver fra leukæmipatienter og sunde kontroller til at undersøge effektiviteten af ​​methyleringslandskabet til at differentiere leukæmisk kræftformer. Dette methyleringslandskabsbiomarkør overgår ikke kun eksisterende hurtige leukæmi -screeningsmetoder, men demonstrerer også muligheden for at udvide til tidlig påvisning af en lang række kræftformer ved hjælp af denne enkle og ligetil assay.

DNA fra blodprøver fra 31 leukæmi -patienter og 12 raske individer blev analyseret. Som vist i boksens plot i figur 2A var den relative absorbans af kræftprøverne (ΔA650/525) lavere end for DNA fra normale prøver. Dette skyldtes hovedsageligt den forbedrede hydrofobicitet, der førte til tæt aggregering af kræft -DNA, hvilket forhindrede aggregering af cyste/AuNP'er. Som et resultat blev disse nanopartikler spredt fuldstændigt i de ydre lag af kræftaggregaterne, hvilket resulterede i en anden spredning af cyste/AuNPs adsorberet på normale og kræft -DNA -aggregater. ROC -kurver blev derefter genereret ved at variere tærsklen fra en minimumsværdi på ΔA650/525 til en maksimal værdi.

Figur 2. (a) Relative absorbansværdier for cyste/AuNPs -løsninger, der viser tilstedeværelsen af ​​normale (blå) og kræft (rødt) DNA under optimerede forhold

(DA650/525) af kasseplaner; (b) ROC -analyse og evaluering af diagnostiske tests. (c) Forvirringsmatrix til diagnose af normale og kræftpatienter. (d) Følsomhed, specificitet, positiv forudsigelsesværdi (PPV), negativ forudsigelsesværdi (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 følsomhed og specificitet. Som det kan ses af boksens plot, er det laveste punkt, der repræsenterer den normale DNA -gruppe, ikke godt adskilt fra det højeste punkt, der repræsenterer kræft -DNA -gruppen; Derfor blev logistisk regression anvendt til at skelne mellem de normale og kræftgrupper. Givet et sæt uafhængige variabler estimerer det sandsynligheden for, at en begivenhed forekommer, såsom en kræft eller normal gruppe. Den afhængige variabel varierer mellem 0 og 1. Resultatet er derfor en sandsynlighed. Vi bestemte sandsynligheden for kræftidentifikation (P) baseret på ΔA650/525 som følger.

hvor b = 5.3533, w1 = -6.965. Til prøveklassificering indikerer en sandsynlighed på mindre end 0,5 en normal prøve, mens en sandsynlighed på 0,5 eller højere indikerer en kræftprøve. Figur 2C viser forvirringsmatrixen genereret fra den orlov-it-alone krydsvalidering, som blev anvendt til at validere stabiliteten af ​​klassificeringsmetoden. Figur 2D opsummerer den diagnostiske testevaluering af metoden, herunder følsomhed, specificitet, positiv forudsigelsesværdi (PPV) og negativ forudsigelsesværdi (NPV).

Smartphone-baserede biosensorer

For yderligere at forenkle prøvetest uden brug af spektrofotometre brugte forskerne kunstig intelligens (AI) til at fortolke farven på opløsningen og skelne mellem normale og kræftformede individer. I betragtning af dette blev computervision brugt til at oversætte farven på CYST/AUNPS-opløsningen til normal DNA (lilla) eller kræft DNA (rød) under anvendelse af billeder af 96-brøndsplader taget gennem et mobiltelefonkamera. Kunstig intelligens kan reducere omkostningerne og forbedre tilgængeligheden i fortolkningen af ​​farven på nanopartikelopløsninger og uden brug af noget optisk hardware -smartphone -tilbehør. 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 prøverne som positive og negative med en nøjagtighed på 90,0%. Dette antyder, at brugen af ​​kunstig intelligens i mobiltelefonbaseret biosensering er meget mulig.

Figur 3. (a) Målklasse for den løsning, der er registreret under forberedelsen af ​​prøven til billedindsamlingstrinnet. (b) Eksempelbillede taget under billedopsamlingstrinnet. (c) Farveintensitet af cyste/AuNP'eropløsningen i hver brønd af 96-brøndspladen, der er ekstraheret fra billedet (b).

Ved hjælp af cyste/AuNP'er har forskere med succes udviklet en simpel sensingplatform til methyleringslandskabsdetektion og en sensor, der er i stand til at skelne normalt DNA fra kræft -DNA, når de bruger reelle blodprøver til leukæmi -screening. Den udviklede sensor demonstrerede, at DNA ekstraheret fra reelle blodprøver var i stand til hurtigt og omkostningseffektivt at detektere små mængder kræft-DNA (3NM) hos leukæmi-patienter på 15 minutter og viste en nøjagtighed på 95,3%. For yderligere at forenkle prøvetest ved at fjerne behovet for et spektrofotometer blev maskinlæring brugt til at fortolke farven på opløsningen og skelne mellem normale og kræftformede individer ved hjælp af et mobiltelefonfotografi, og nøjagtigheden kunne også opnås ved 90,0%.

Reference: doi: 10.1039/d2ra05725e