DNA metilasyon testi,%90.0 doğrulukla tümörlerin ve lösemi taramasının erken taranması için akıllı telefonlarla birleştiğinde!

Sıvı biyopsisine dayalı kanserin erken tespiti, erken kanser veya hatta prekanseröz lezyonları tespit etmek amacıyla son yıllarda ABD Ulusal Kanser Enstitüsü tarafından önerilen kanser tespiti ve tanısının yeni bir yönüdür. Akciğer kanseri, gastrointestinal tümörler, gliomlar ve jinekolojik tümörler dahil olmak üzere çeşitli malignitelerin erken teşhisi için yeni bir biyobelirteç olarak kullanılmaktadır.

Metilasyon peyzajı (metilscape) biyobelirteçlerini tanımlamak için platformların ortaya çıkması, kanser için mevcut erken taramayı önemli ölçüde iyileştirme ve hastaları en erken tedavi edilebilir aşamaya koyma potansiyeline sahiptir.

Son zamanlarda, araştırmacılar, çok çeşitli tümörlerin hızlı bir şekilde erken taranmasını sağlayan akıllı telefon tabanlı bir biyosensör ile birleştirilmiş sisteamin dekore edilmiş altın nanoparçacıklara (kist/AUNP) dayanan metilasyon peyzaj tespiti için basit ve doğrudan bir algılama platformu geliştirdiler. Lösemi için erken tarama, bir kan örneğinden DNA ekstraksiyonundan sonraki 15 dakika içinde%90.0 doğrulukla gerçekleştirilebilir. Makale Başlığı, sisteamin kaplı AuNP'ler ve makine öğrenimi özellikli bir akıllı telefon kullanılarak insan kanındaki kanser DNA'sının hızlı bir şekilde tespitidir.

Şekil 1. Kist/AUNPS bileşenleri aracılığıyla kanser taraması için basit ve hızlı bir algılama platformu iki basit adımda gerçekleştirilebilir.

Bu Şekil 1'de gösterilmiştir. İlk olarak, DNA fragmanlarını çözmek için sulu bir çözelti kullanılmıştır. Daha sonra karışık çözeltiye kist/AUNP'ler ilave edildi. Normal ve malign DNA, farklı metilasyon özelliklerine sahiptir, bu da farklı kendi kendine montaj paternlerine sahip DNA fragmanlarına neden olur. Normal DNA toparlar ve sonunda kist/AUNP'leri toplar, bu da kist/AUNP'lerin kırmızı kaydırılmış doğasına neden olur, böylece çıplak gözle kırmızıdan mora renkte bir değişiklik gözlenebilir. Buna karşılık, kanser DNA'sının eşsiz metilasyon profili, daha büyük DNA fragmanları kümelerinin üretimine yol açar.

96 oyuklu plakaların görüntüleri bir akıllı telefon kamerası kullanılarak alındı. Kanser DNA, spektroskopi tabanlı yöntemlere kıyasla makine öğrenimi ile donatılmış bir akıllı telefonla ölçüldü.

Gerçek kan örneklerinde kanser taraması

Algılama platformunun faydasını genişletmek için, araştırmacılar gerçek kan örneklerinde normal ve kanserli DNA arasında başarılı bir şekilde ayırt edilen bir sensör uyguladılar. CPG bölgelerindeki metilasyon paternleri epigenetik olarak gen ekspresyonunu düzenler. Hemen hemen tüm kanser tiplerinde, DNA metilasyonundaki ve dolayısıyla tümurjenezi teşvik eden genlerin ekspresyonundaki değişikliklerin alternatif olduğu gözlenmiştir.

DNA metilasyonu ile ilişkili diğer kanserler için bir model olarak, araştırmacılar lösemi hastalarından kan örnekleri ve sağlıklı kontroller kullandılar. Bu metilasyon peyzajı biyobelirteç sadece mevcut hızlı lösemi tarama yöntemlerinden daha iyi performans göstermekle kalmaz, aynı zamanda bu basit ve basit tahlil kullanarak çok çeşitli kanserlerin erken tespitine uzanmanın fizibilitesini de gösterir.

31 lösemi hastasından ve 12 sağlıklı bireyden kan örneklerinden DNA analiz edildi. Şekil 2A'daki kutu grafiğinde gösterildiği gibi, kanser örneklerinin (ΔA650/525) nispi absorbansı, normal örneklerden DNA'nınkinden daha düşüktü. Bu esas olarak, kist/AUNP'lerin birikmesini önleyen kanser DNA'sının yoğun bir şekilde toplanmasına yol açan gelişmiş hidrofobiklikten kaynaklanıyordu. Sonuç olarak, bu nanopartiküller, kanser agregatlarının dış katmanlarında tamamen dağılmıştır, bu da normal ve kanser DNA agregatlarına adsorbe edilen kist/AUNP'lerin farklı bir dağılmasıyla sonuçlanmıştır. ROC eğrileri daha sonra eşiğin minimum ΔA650/525 değerinden maksimum değere değişerek üretildi.

Şekil 2. (a) Optimize edilmiş koşullar altında normal (mavi) ve kanser (kırmızı) DNA'nın varlığını gösteren kist/AUNP çözeltilerinin göreceli absorbans değerleri

Kutu grafiklerinin (DA650/525); (b) Teşhis testlerinin ROC analizi ve değerlendirilmesi. (c) Normal ve kanser hastalarının tanısı için karışıklık matrisi. (d) Duyarlılık, özgüllük, pozitif prediktif değer (PPV), negatif prediktif değer (NPV) ve gelişmiş yöntemin doğruluğu.

Şekil 2b'de gösterildiği gibi, gelişmiş sensör için elde edilen ROC eğrisi (AUC = 0.9274) altındaki alan yüksek duyarlılık ve özgüllük göstermiştir. Kutu grafiğinden görülebileceği gibi, normal DNA grubunu temsil eden en düşük nokta, kanser DNA grubunu temsil eden en yüksek noktadan iyi ayrılmaz; Bu nedenle, normal ve kanser grupları arasında ayrım yapmak için lojistik regresyon kullanıldı. Bir dizi bağımsız değişken göz önüne alındığında, kanser veya normal grup gibi bir olayın meydana gelme olasılığını tahmin eder. Bağımlı değişken 0 ile 1 arasında değişir. Sonuç bir olasılıktır. ΔA650/525'e göre kanser tanımlama olasılığını (P) aşağıdaki gibi belirledik.

burada b = 5.3533, w1 = -6.965. Numune sınıflandırması için, 0.5'ten az bir olasılık normal bir numuneyi gösterirken, 0.5 veya daha yüksek bir olasılık bir kanser örneğini gösterir. Şekil 2C, sınıflandırma yönteminin stabilitesini doğrulamak için kullanılan, izinli bir çapraz validasyondan üretilen karışıklık matrisini göstermektedir. Şekil 2D, duyarlılık, özgüllük, pozitif prediktif değer (PPV) ve negatif prediktif değer (NPV) dahil olmak üzere yöntemin tanısal testi değerlendirmesini özetlemektedir.

Akıllı telefon tabanlı biyosensörler

Spektrofotometreler kullanmadan örnek testlerini daha da basitleştirmek için, araştırmacılar çözümün rengini yorumlamak ve normal ve kanserli bireyler arasında ayrım yapmak için yapay zeka (AI) kullandılar. Bu göz önüne alındığında, bir cep telefonu kamerasından alınan 96 oyuklu plakaların görüntülerini kullanarak kist/AUNPs çözeltisinin rengini normal DNA'ya (mor) veya kanserli DNA'ya (kırmızı) çevirmek için kullanıldı. Yapay zeka, nanoparçacık çözümlerinin rengini yorumlamada ve herhangi bir optik donanım akıllı telefon aksesuarını kullanmadan maliyetleri azaltabilir ve erişilebilirliği artırabilir. Son olarak, modelleri inşa etmek için rastgele orman (RF) ve Destek Vektör Makinesi (SVM) dahil olmak üzere iki makine öğrenme modeli eğitildi. Hem RF hem de SVM modelleri, örnekleri%90.0 doğrulukla pozitif ve negatif olarak doğru bir şekilde sınıflandırmıştır. Bu, cep telefonu tabanlı biyosensasyonda yapay zeka kullanımının oldukça mümkün olduğunu göstermektedir.

Şekil 3. (a) Görüntü edinme adımı için numunenin hazırlanması sırasında kaydedilen çözümün hedef sınıfı. (b) Görüntü edinme adımı sırasında alınan örnek görüntü. (c) Görüntüden çıkarılan 96 oyuklu plakanın her oyunundaki kist/AUNPs çözeltisinin renk yoğunluğu (b).

Kist/AUNP'leri kullanarak araştırmacılar, metilasyon peyzaj tespiti için basit bir algılama platformu ve lösemi taraması için gerçek kan örnekleri kullanılırken normal DNA'yı kanser DNA'sından ayırt edebilen bir sensör geliştirdiler. Gelişmiş sensör, gerçek kan örneklerinden ekstrakte edilen DNA'nın 15 dakikada lösemi hastalarında hızlı ve maliyet etkin bir şekilde az miktarda kanser DNA'sını (3NM) tespit edebildiğini ve%95.3 doğruluk gösterdiğini gösterdi. Bir spektrofotometre ihtiyacını ortadan kaldırarak örnek testini daha da basitleştirmek için, çözümün rengini yorumlamak ve bir cep telefonu fotoğrafı kullanan normal ve kanserli bireyler arasında ayrım yapmak için makine öğrenimi kullanıldı ve doğruluk da%90.0'da elde edilebilir.

Referans: doi: 10.1039/d2ra05725e