DNA-metyleringstestning kombinerat med smartphones för tidig screening av tumörer och leukemiscreening med en noggrannhet på 90,0%!

Tidig upptäckt av cancer baserad på flytande biopsi är en ny riktning för cancerdetektering och diagnos som föreslagits av US National Cancer Institute under de senaste åren, med syftet att upptäcka tidig cancer eller till och med precancerösa lesioner. Det har använts i stor utsträckning som en ny biomarkör för tidig diagnos av olika maligniteter, inklusive lungcancer, gastrointestinala tumörer, gliom och gynekologiska tumörer.

Framväxten av plattformar för att identifiera biomarkörer för metyleringslandskap (Methylscape) har potential att avsevärt förbättra befintlig tidig screening för cancer, vilket gör att patienterna kommer i det tidigaste behandlingsbara skedet.

Nyligen har forskare utvecklat en enkel och direkt avkänningsplattform för metyleringslandskapsdetektion baserad på cysteamindekorerade guldnanopartiklar (Cyst/AuNPs) kombinerat med en smartphone-baserad biosensor som möjliggör snabb tidig screening av ett brett spektrum 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 mänskligt blod med hjälp av cysteaminförsedda AuNP: er och en maskininlärningsaktiverad smartphone.

Figur 1. En enkel och snabb avkänningsplattform för cancerscreening via Cysta/AuNPs komponenter kan åstadkommas i två enkla steg.

Detta visas i figur 1. Först användes en vattenlösning för att lösa upp DNA-fragmenten. Cysta/AuNP tillsattes sedan till den blandade lösningen. Normalt och malignt DNA har olika metyleringsegenskaper, vilket resulterar i DNA-fragment med olika självmonterande mönster. Normalt DNA aggregerar löst och aggregerar så småningom Cysta/AuNPs, vilket resulterar i den rödförskjutna naturen hos Cysta/AuNPs, så att en förändring i färg från rött till lila kan observeras med blotta ögat. Däremot leder cancer-DNA:s unika metyleringsprofil till produktionen av större kluster av DNA-fragment.

Bilder av 96-brunnars plattor togs med en smartphonekamera. Cancer-DNA mättes med en smartphone utrustad med maskininlärning jämfört med spektroskopibaserade metoder.

Cancerscreening i riktiga blodprover

För att utöka användbarheten av avkänningsplattformen använde utredarna en sensor som framgångsrikt särskiljde mellan normalt och canceröst DNA i riktiga blodprover. metyleringsmönster vid CpG-ställen reglerar epigenetiskt genuttryck. I nästan alla cancertyper har förändringar i DNA-metylering och därmed i uttrycket av gener som främjar tumörbildning observerats alternera.

Som en modell för andra cancerformer förknippade med DNA-metylering använde forskarna blodprover från leukemipatienter och friska kontroller för att undersöka effektiviteten av metyleringslandskapet för att differentiera leukemicancer. Denna biomarkör för metyleringslandskap överträffar inte bara befintliga metoder för snabb leukemiscreening, utan visar också möjligheten att utöka till tidig upptäckt av ett brett spektrum av cancer med denna enkla och okomplicerade analys.

DNA från blodprover från 31 leukemipatienter och 12 friska individer analyserades. som visas i rutadiagrammet i figur 2a, var den relativa absorbansen för cancerproverna (AA650/525) lägre än den för DNA från normala prover. detta berodde främst på den ökade hydrofobiciteten som ledde till tät aggregation av cancer-DNA, vilket förhindrade aggregationen av cysta/AuNP. Som ett resultat var dessa nanopartiklar fullständigt dispergerade i de yttre skikten av canceraggregaten, vilket resulterade i en annan spridning av cysta/AuNP adsorberade på normala DNA-aggregat och cancer-DNA-aggregat. ROC-kurvor genererades sedan genom att variera tröskeln från ett minimivärde på AA650/525 till ett maximalt värde.

Figur 2.(a) Relativa absorbansvärden för cysta/AuNPs-lösningar som visar närvaron av normalt (blått) och cancer (rött) DNA under optimerade förhållanden

(DA650/525) av boxplotter; (b) ROC-analys och utvärdering av diagnostiska tester. (c) Förvirringsmatris för diagnos av normala patienter och cancerpatienter. (d) Sensitivitet, specificitet, positivt prediktivt värde (PPV), negativt prediktivt värde (NPV) och noggrannhet hos den utvecklade metoden.

Som visas i figur 2b visade området under ROC-kurvan (AUC = 0,9274) som erhölls för den utvecklade sensorn hög känslighet och specificitet. Såsom kan ses från boxplotten 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 normal- och cancergrupperna. Givet en uppsättning oberoende variabler uppskattar den sannolikheten för att en händelse inträffar, såsom en cancer- eller normalgrupp. Den beroende variabeln sträcker sig mellan 0 och 1. Resultatet är därför en sannolikhet. Vi bestämde sannolikheten för canceridentifiering (P) baserat på ΔA650/525 enligt följande.

där b=5,3533, wl=-6,965. För provklassificering indikerar en sannolikhet på mindre än 0,5 ett normalt urval, medan en sannolikhet på 0,5 eller högre indikerar ett cancerprov. Figur 2c visar förvirringsmatrisen som genererats från korsvalideringen lämna det ifred, som användes för att validera stabiliteten hos klassificeringsmetoden. Figur 2d sammanfattar den diagnostiska testutvärderingen av metoden, inklusive sensitivitet, specificitet, positivt prediktivt värde (PPV) och negativt prediktivt värde (NPV).

Smartphone-baserade biosensorer

För att ytterligare förenkla provtestning utan användning av spektrofotometrar använde forskarna artificiell intelligens (AI) för att tolka färgen på lösningen och skilja mellan normala och cancersjuka individer. Med tanke på detta användes datorseende för att översätta färgen på Cysta/AuNPs-lösningen till normalt DNA (lila) eller canceröst DNA (rött) med hjälp av bilder av 96-brunnars plattor tagna genom en mobiltelefonkamera. Artificiell intelligens kan sänka kostnaderna och förbättra tillgängligheten vid tolkning av färgen på nanopartikellösningar, och utan användning av smartphonetillbehör med optisk hårdvara. 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 tyder på att användningen av artificiell intelligens i mobiltelefonbaserad biosensing är fullt möjlig.

Figur 3.(a) Målklass för lösningen registrerad under beredningen av provet för bildinsamlingssteget. (b) Exempelbild tagen under bildinsamlingssteget. (c) Färgintensiteten hos cysta/AuNPs-lösningen i varje brunn på plattan med 96 brunnar som extraherats från bilden (b).

Med hjälp av Cysta/AuNP har forskare framgångsrikt utvecklat en enkel avkänningsplattform för metyleringslandskapsdetektion och en sensor som kan skilja normalt DNA från cancer-DNA när man använder riktiga blodprover för leukemiscreening. Den utvecklade sensorn visade att DNA extraherat från riktiga blodprover kunde snabbt och kostnadseffektivt detektera 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 färgen på lösningen och skilja mellan normala och cancersjuka individer med hjälp av ett mobiltelefonfotografi, och noggrannheten kunde också uppnås på 90,0 %.

Referens: DOI: 10.1039/d2ra05725e