DNA -metyleringstest i kombination med smartphones för tidig screening av tumörer och leukemi screening med en noggrannhet på 90,0%!

Tidig upptäckt av cancer baserat på flytande biopsi är en ny riktning för cancerdetektering och diagnos som föreslagits av US National Cancer Institute under de senaste åren, i syfte att upptäcka tidig cancer eller till och med prekancerösa lesioner. Det har använts allmänt som en ny biomarkör för den tidiga diagnosen av olika maligniteter, inklusive lungcancer, gastrointestinala tumörer, gliomas och gynekologiska tumörer.

Framväxten av plattformar för att identifiera biomarkörer för metyleringslandskap (metylscape) har potentialen att avsevärt förbättra befintlig tidig screening för cancer, vilket sätter patienter i det tidigaste behandlingsbara stadiet.

Nyligen har forskare utvecklat en enkel och direkt avkänningsplattform för metyleringslandskapsdetektering baserad på cysteamin dekorerade guld-nanopartiklar (CYST/AUNP) i kombination med en smartphone-baserad biosensor som möjliggör snabb tidig screening av ett brett utbud av tumörer. Tidig screening för leukemi kan utföras inom 15 minuter efter DNA -extraktion från ett blodprov, med en noggrannhet på 90,0%. Artikeltitel är snabb upptäckt av cancer-DNA i humant blod med cysteamin-täckta AuNP: er och en maskininlärningsaktiverad smartphone。

Figur 1. En enkel och snabb avkänningsplattform för cancer screening via Cyst/AuNPS -komponenter kan åstadkommas i två enkla steg.

Detta visas i figur 1. Först användes en vattenlösning för att lösa upp DNA -fragmenten. Cyst/AuNP: er tillsattes sedan till den blandade lösningen. Normala och maligna DNA har olika metyleringsegenskaper, vilket resulterar i DNA-fragment med olika självmonteringsmönster. Normala DNA-aggregat löst och aggregerar så småningom cyst/AuNP: er, vilket resulterar i den röda skiftade naturen hos cyst/AuNP: er, så att en färgförändring från rött till lila kan observeras med blotta ögat. Däremot leder den unika metyleringsprofilen för cancer -DNA till produktion av större kluster av DNA -fragment.

Bilder av plattor med 96 brunnar togs med hjälp av en smarttelefonkamera. Cancer-DNA mättes med en smartphone utrustad med maskininlärning jämfört med spektroskopibaserade metoder.

Cancer screening i riktiga blodprover

För att utöka användbarheten av avkänningsplattformen använde utredarna en sensor som framgångsrikt skilde mellan normalt och cancerformigt DNA i verkliga blodprover. Metyleringsmönster vid CPG -platser reglerar epigenetiskt genuttryck. I nästan alla cancertyper har förändringar i DNA -metylering och därmed i uttrycket av gener som främjar tumourigenes observerats växla.

Som en modell för andra cancerformer associerade med DNA -metylering använde forskarna blodprover från leukemipatienter och friska kontroller för att undersöka effektiviteten i metyleringslandskapet i att differentiera leukemiska cancerformer. Denna metyleringslandskapsbiomarkör överträffar inte bara befintliga snabba leukemi -screeningmetoder, utan visar också genomförbarheten av att sträcka sig till tidig upptäckt av ett brett spektrum av cancer med hjälp av denna enkla och okomplicerade analys.

DNA från blodprover från 31 leukemipatienter och 12 friska individer analyserades. Såsom visas i rutan i figur 2A var den relativa absorbansen av cancerproverna (ΔA650/525) lägre än för DNA från normala prover. Detta berodde främst på den förbättrade hydrofobiciteten som ledde till tät aggregering av cancer -DNA, vilket förhindrade aggregeringen av cyst/AuNP: er. Som ett resultat var dessa nanopartiklar helt spridda i de yttre skikten av canceraggregaten, vilket resulterade i en annan spridning av cyst/AuNP: er adsorberade på normala DNA -aggregat. ROC -kurvor genererades sedan genom att variera tröskeln från ett minimivärde på ΔA650/525 till ett maximivärde.

Figur 2. (a) Relativa absorbansvärden för cyst/AuNPS -lösningar som visar närvaron av normal (blå) och cancer (rött) DNA under optimerade förhållanden

(DA650/525) av rutor; (B) ROC -analys och utvärdering av diagnostiska test. (c) Förvirringsmatris för diagnos av normala patienter och cancerpatienter. (d) Känslighet, specificitet, positivt prediktivt värde (PPV), negativt prediktivt värde (NPV) och noggrannhet för den utvecklade metoden.

Såsom visas i figur 2B visade området under ROC -kurvan (AUC = 0,9274) erhållen för den utvecklade sensorn hög känslighet och specificitet. Som framgår av rutan är den lägsta punkten som representerar den normala DNA -gruppen inte väl separerad från den högsta punkten som representerar cancer -DNA -gruppen; Därför användes logistisk regression för att skilja mellan de normala grupperna och cancergrupperna. Med tanke på en uppsättning oberoende variabler uppskattar den sannolikheten för att en händelse inträffar, till exempel en cancer eller normal grupp. Den beroende variabeln sträcker sig mellan 0 och 1. Resultatet är därför en sannolikhet. Vi bestämde sannolikheten för att identifiera cancer (P) baserat på ΔA650/525 enligt följande.

där B = 5.3533, W1 = -6.965. För provklassificering indikerar en sannolikhet på mindre än 0,5 ett normalt prov, medan en sannolikhet på 0,5 eller högre indikerar ett cancerprov. Figur 2C visar förvirringsmatrisen som genererats från den ledande korsvalidering, som användes för att validera stabiliteten hos klassificeringsmetoden. Figur 2D sammanfattar den diagnostiska testutvärderingen av metoden, inklusive känslighet, specificitet, positivt prediktivt värde (PPV) och negativt prediktivt värde (NPV).

Smarttelefonbaserade biosensorer

För att ytterligare förenkla provtestning utan användning av spektrofotometrar använde forskarna konstgjord intelligens (AI) för att tolka lösningen på lösningen och skilja mellan normala och cancerformiga individer. Med tanke på detta användes datorsyn för att översätta färgen på cyst/AuNPS-lösningen till normalt DNA (lila) eller cancer-DNA (rött) med användning av bilder av 96-brunnars plattor tagna genom en mobiltelefonkamera. Konstgjord intelligens kan minska kostnaderna och förbättra tillgängligheten vid tolkningen av färgen på nanopartikellösningar och utan användning av några optiska hårdvaru -smarttelefontillbehör. Slutligen tränades två maskininlärningsmodeller, inklusive Random Forest (RF) och Support Vector Machine (SVM) för att konstruera modellerna. Både RF- och SVM -modellerna klassificerade korrekt proverna som positiva och negativa med en noggrannhet på 90,0%. Detta antyder att användningen av konstgjord intelligens i mobiltelefonbaserad biosensing är mycket möjlig.

Figur 3. (a) Målklass för den lösning som registrerats under framställningen av provet för bildförvärvssteget. (b) Exempel på bild som tagits under stegförvärvssteget. (c) Färgintensiteten för cyst/AuNPS-lösningen i varje brunn i 96-brunnarsplattan extraherad från bilden (b).

Med hjälp av cyst/AuNP: er har forskare framgångsrikt utvecklat en enkel avkänningsplattform för metyleringslandskapsdetektering och en sensor som kan skilja normalt DNA från cancer -DNA när man använder verkliga blodprover för leukemi screening. Den utvecklade sensorn visade att DNA extraherat från verkliga blodprover kunde snabbt och kostnadseffektivt upptäcka små mängder cancer-DNA (3NM) hos leukemipatienter på 15 minuter och visade en noggrannhet på 95,3%. För att ytterligare förenkla provtestning genom att eliminera behovet av en spektrofotometer användes maskininlärning för att tolka lösningen på lösningen och skilja mellan normala och cancerformiga individer med användning av ett mobiltelefonfotografi, och noggrannhet kunde också uppnås vid 90,0%.

Referens: doi: 10.1039/d2ra05725e