Testiranje metilacije DNA v kombinaciji s pametnimi telefoni za zgodnji pregled tumorjev in levkemije z natančnostjo 90,0%!

Zgodnje odkrivanje raka, ki temelji na tekoči biopsiji, je nova smer odkrivanja in diagnoze raka, ki jo je v zadnjih letih predlagal ameriški nacionalni inštitut za rak, z namenom odkrivanja zgodnjega raka ali celo predrakavih lezij. Za zgodnjo diagnozo različnih malignosti, vključno s pljučnim rakom, prebavnimi tumorji, gliomi in ginekološkimi tumorji se je široko uporabljal kot nov biomarker.

Pojav platform za prepoznavanje biomarkerjev metilacije (metilscape) lahko znatno izboljša obstoječe zgodnje presejanje raka, kar bolnike postavlja v najzgodnejšo stopnjo zdravljenja.

RSC napredek

 

V zadnjem času so raziskovalci razvili preprosto in neposredno zaznavno platformo za odkrivanje metilacije pokrajine, ki temelji na zlatih nanodelcih, okrašenih s cisteaminom (cista/AuNP) v kombinaciji s pametnim biosenzorjem, ki omogoča hiter zgodnji presek številnih tumorjev. Zgodnji pregled levkemije je mogoče izvesti v 15 minutah po ekstrakciji DNK iz vzorca krvi, z natančnostjo 90,0%. Naslov članka je hitro odkrivanje DNK raka v človeški krvi z uporabo AUNP-

Testiranje DNK

Slika 1. Preprosto in hitro zaznavno platformo za presejanje raka prek komponent cist/AuNPS je mogoče izvesti v dveh preprostih korakih.

To je prikazano na sliki 1. Najprej smo uporabili vodno raztopino za raztapljanje fragmentov DNK. Nato smo v mešano raztopino dodali ciste/AuNP. Običajna in maligna DNK imata različne lastnosti metilacije, kar ima za posledico fragmente DNK z različnimi vzorci samonastavljenja. Običajni DNK agregate ohlapno in sčasoma združuje ciste/AuNP, kar ima za posledico rdečo premikano naravo ciste/AuNP, tako da lahko s prostim očesom opazimo spremembo barve iz rdeče do vijolične. V nasprotju s tem edinstven metilacijski profil DNK raka vodi do proizvodnje večjih grozdov fragmentov DNK.

Slike 96 vdolbinskih plošč so bile posnete s kamero pametnih telefonov. DNK raka je bil izmerjen s pametnim telefonom, opremljenim s strojnim učenjem v primerjavi z metodami, ki temeljijo na spektroskopiji.

Pregled raka v resničnih vzorcih krvi

Za razširitev uporabnosti zaznavne platforme so preiskovalci uporabili senzor, ki je v resničnih vzorcih krvi uspešno razlikoval med normalno in rakavo DNK. Vzorci metilacije na mestih CPG epigenetično uravnavajo ekspresijo genov. Pri skoraj vseh vrstah raka so opazili spremembe metilacije DNA in s tem v ekspresiji genov, ki spodbujajo tumourigenezo.

Kot model za druge raka, povezane z metilacijo DNK, so raziskovalci uporabili vzorce krvi pri bolnikih z levkemijo in zdrave kontrole, da so raziskali učinkovitost metilacijske pokrajine pri razlikovanju raka levkamije. Ta biomarker metilacije krajine ne samo da presega obstoječe hitro presejalne metode levkemije, ampak tudi kaže na izvedljivost razširitve na zgodnje odkrivanje širokega spektra raka s tem preprostim in preprostim testom.

Analizirali smo DNK vzorcev krvi 31 bolnikov z levkemijo in 12 zdravih posameznikov. Kot je prikazano na škatli ploskve na sliki 2a, je bila relativna absorbalnost vzorcev raka (ΔA650/525) nižja kot pri DNK iz običajnih vzorcev. To je bilo predvsem posledica povečane hidrofobnosti, ki je vodila do gostega združevanja DNK raka, kar je preprečilo združevanje ciste/AuNP. Kot rezultat tega so bili ti nanodelci v celoti razpršeni v zunanjih plasti agregatov raka, kar je povzročilo drugačno disperzijo ciste/AuNP, adsorbirane na normalnih in rakavih DNK agregatih. ROC krivulje smo nato ustvarili tako, da smo spreminjali prag z minimalne vrednosti ΔA650/525 na največjo vrednost.

Podatki

Slika 2. (a) Relativne absorbance vrednosti raztopin ciste/auNPS, ki prikazujejo prisotnost normalne (modre) in raka (rdeče) DNK v optimiziranih pogojih

(DA650/525) škatle; (b) Analiza ROC in ocena diagnostičnih testov. (c) Matrika zmede za diagnozo normalnih in rakavih bolnikov. (d) Občutljivost, specifičnost, pozitivna napovedna vrednost (PPV), negativna napovedna vrednost (NPV) in natančnost razvite metode.

Kot je prikazano na sliki 2B, je območje pod krivuljo ROC (AUC = 0,9274), pridobljeno za razvit senzor, pokazalo visoko občutljivost in specifičnost. Kot je razvidno iz škatle, najnižja točka, ki predstavlja normalno skupino DNK, ni dobro ločena od najvišje točke, ki predstavlja skupino DNK raka; Zato je bila za razlikovanje med normalno in raško skupino uporabljena logistična regresija. Glede na niz neodvisnih spremenljivk ocenjuje verjetnost, da se dogodek pojavi, na primer rak ali običajna skupina. Odvisna spremenljivka se giblje med 0 in 1. Rezultat je torej verjetnost. Verjetnost identifikacije raka (P) smo določili na podlagi ΔA650/525 na naslednji način.

Formula za izračun

kjer je B = 5.3533, W1 = -6.965. Za klasifikacijo vzorca verjetnost manj kot 0,5 kaže na normalen vzorec, medtem ko verjetnost 0,5 ali več kaže na vzorec raka. Slika 2C prikazuje matrico zmede, ustvarjeno iz navzkrižne validacije, ki je bila ena od dopusta, ki je bila uporabljena za potrditev stabilnosti metode klasifikacije. Slika 2D povzema diagnostično preskusno oceno metode, vključno z občutljivostjo, specifičnostjo, pozitivno napovedno vrednostjo (PPV) in negativno napovedno vrednostjo (NPV).

Biosenzorji na osnovi pametnih telefonov

Za nadaljnjo poenostavitev vzorčnega testiranja brez uporabe spektrofotometrov so raziskovalci uporabili umetno inteligenco (AI) za razlago barve raztopine in razlikovanje med normalnimi in rakavimi posamezniki. Glede na to je bil računalniški vid uporabljen za prevajanje barve raztopine ciste/auNPS v normalno DNK (vijolično) ali rakavo DNK (rdeča) z uporabo slik 96-vdolbinskih plošč, posnetih skozi kamero za mobilni telefon. Umetna inteligenca lahko zmanjša stroške in izboljša dostopnost pri razlagi barve rešitev nanodelcev in brez uporabe dodatkov za optične strojne opreme. Končno sta bila za gradnjo modelov usposobljena dva modela strojnega učenja, vključno z naključnim gozdom (RF) in podpornim vektorskim strojem (SVM). Tako modeli RF kot SVM so vzorce pravilno razvrstili kot pozitivne in negativne z natančnostjo 90,0%. To kaže, da je uporaba umetne inteligence pri biosenziranju na mobilnih telefonih povsem mogoča.

Uspešnost

Slika 3. (a) Ciljni razred raztopine, zabeleženega med pripravo vzorca za korak pridobivanja slike. (b) Primer slike, posnete med korakom pridobitve slike. (c) Barvna intenzivnost raztopine ciste/auNPS v vsaki vrtini plošče z 96 vdolbinicami, ekstrahirani s slike (b).

Z uporabo Cyst/AuNP so raziskovalci uspešno razvili preprosto zaznavno platformo za odkrivanje metilacijske pokrajine in senzor, ki lahko razlikuje normalno DNK od DNK raka pri uporabi resničnih vzorcev krvi za presejanje levkemije. Razvit senzor je pokazal, da je DNK, pridobljena iz resničnih vzorcev krvi, lahko hitro in stroškovno učinkovito odkrila majhne količine DNK raka (3NM) pri bolnikih z levkemijo v 15 minutah in pokazala natančnost 95,3%. Za nadaljnjo poenostavitev testiranja vzorcev z odpravo potrebe po spektrofotometru smo uporabili strojno učenje za razlago barve raztopine in razlikovanje med normalnimi in rakavimi posamezniki z uporabo fotografije mobilnega telefona, natančnost pa je bilo mogoče doseči tudi pri 90,0%.

Sklic: doi: 10.1039/d2ra05725e


Čas objave: 18. februar 20123
Nastavitve zasebnosti
Upravljajte soglasje za piškotke
Za zagotavljanje najboljših izkušenj uporabljamo tehnologije, kot so piškotki za shranjevanje in/ali dostop do informacij naprave. Soglasje s temi tehnologijami nam bo omogočilo obdelavo podatkov, kot so vedenje brskanja ali edinstveni ID -ji na tem spletnem mestu. Če ne soglasje ali umik soglasja, lahko negativno vpliva na določene lastnosti in funkcije.
✔ Sprejeto
✔ Sprejmi
Zavrni in zapri
X