DNA metilasyon testi, akıllı telefonlarla birleştirilerek tümörlerin ve lösemilerin erken teşhisinde %90 doğruluk oranıyla sonuç veriyor!

Sıvı biyopsiye dayalı kanserin erken teşhisi, son yıllarda ABD Ulusal Kanser Enstitüsü tarafından önerilen ve erken evre kanseri veya hatta kanser öncesi lezyonları tespit etmeyi amaçlayan yeni bir kanser tespit ve teşhis yöntemidir. Akciğer kanseri, gastrointestinal tümörler, gliomalar ve jinekolojik tümörler de dahil olmak üzere çeşitli malignitelerin erken teşhisinde yeni bir biyobelirteç olarak yaygın olarak kullanılmaktadır.

Metilasyon profili (Methylscape) biyobelirteçlerini tanımlayan platformların ortaya çıkması, kanser için mevcut erken tarama yöntemlerini önemli ölçüde geliştirme ve hastaları tedavi edilebilir en erken aşamada yakalama potansiyeline sahiptir.

Son zamanlarda araştırmacılar, sistaminle kaplanmış altın nanopartiküller (Cyst/AuNPs) ile akıllı telefon tabanlı bir biyosensörün birleştirilmesiyle oluşturulan, metilasyon manzarası tespiti için basit ve doğrudan bir algılama platformu geliştirdiler. Bu platform, çok çeşitli tümörlerin hızlı ve erken taramasını mümkün kılıyor. Lösemi için erken tarama, kan örneğinden DNA ekstraksiyonundan sonra 15 dakika içinde %90 doğrulukla gerçekleştirilebiliyor. Makalenin başlığı: Sistaminle kaplanmış AuNPs ve makine öğrenimi özellikli bir akıllı telefon kullanarak insan kanında kanser DNA'sının hızlı tespiti.

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

Bu durum Şekil 1'de gösterilmiştir. İlk olarak, DNA parçalarını çözmek için sulu bir çözelti kullanılmıştır. Daha sonra karışıma Cyst/AuNPs eklenmiştir. Normal ve malign DNA'nın farklı metilasyon özellikleri vardır ve bu da farklı kendi kendine birleşme desenlerine sahip DNA parçalarına yol açar. Normal DNA gevşek bir şekilde kümelenir ve sonunda Cyst/AuNPs'yi kümeler; bu da Cyst/AuNPs'nin kırmızıya kaymış doğasına neden olur, böylece çıplak gözle kırmızıdan mora renk değişimi gözlemlenebilir. Buna karşılık, kanser DNA'sının benzersiz metilasyon profili, daha büyük DNA parçası kümelerinin oluşmasına yol açar.

96 kuyucuklu plakaların görüntüleri bir akıllı telefon kamerası kullanılarak çekildi. Kanser DNA'sı, spektroskopi tabanlı yöntemlerle karşılaştırıldığında, makine öğrenimi ile donatılmış bir akıllı telefon kullanılarak ölçüldü.

Gerçek kan örneklerinde kanser taraması

Algılama platformunun kullanım alanını genişletmek için araştırmacılar, gerçek kan örneklerinde normal ve kanserli DNA'yı başarıyla ayırt edebilen bir sensör uyguladılar. CpG bölgelerindeki metilasyon desenleri, gen ekspresyonunu epigenetik olarak düzenler. Hemen hemen tüm kanser türlerinde, DNA metilasyonundaki ve dolayısıyla tümör oluşumunu destekleyen genlerin ekspresyonundaki değişikliklerin dönüşümlü olarak gerçekleştiği gözlemlenmiştir.

Araştırmacılar, DNA metilasyonuyla ilişkili diğer kanserler için bir model olarak, lösemi hastalarından ve sağlıklı kontrollerden alınan kan örneklerini kullanarak metilasyon profilinin lösemik kanserleri ayırt etmedeki etkinliğini araştırdılar. Bu metilasyon profili biyobelirteci, mevcut hızlı lösemi tarama yöntemlerinden daha iyi performans göstermekle kalmıyor, aynı zamanda bu basit ve anlaşılır yöntemle çok çeşitli kanserlerin erken teşhisine de uygulanabilirliğini gösteriyor.

31 lösemi hastası ve 12 sağlıklı bireyden alınan kan örneklerinden elde edilen DNA analiz edildi. Şekil 2a'daki kutu grafiğinde gösterildiği gibi, kanser örneklerinin bağıl absorbansı (ΔA650/525), normal örneklerden elde edilen DNA'nınkinden daha düşüktü. Bu durum, esas olarak kanser DNA'sının yoğun agregasyonuna yol açan artan hidrofobikliğe bağlıydı ve bu da Cyst/AuNPs'nin agregasyonunu engelledi. Sonuç olarak, bu nanopartiküller kanser agregatlarının dış katmanlarında tamamen dağıldı ve bu da normal ve kanser DNA agregatlarına adsorbe olan Cyst/AuNPs'nin farklı bir dağılımına yol açtı. Daha sonra, eşik değeri ΔA650/525'in minimum değerinden maksimum değerine kadar değiştirilerek ROC eğrileri oluşturuldu.

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

(DA650/525) kutu grafikleri; (b) ROC analizi ve tanı testlerinin değerlendirilmesi. (c) Normal ve kanser hastalarının tanısı için karışıklık matrisi. (d) Geliştirilen yöntemin duyarlılığı, özgüllüğü, pozitif prediktif değeri (PPV), negatif prediktif değeri (NPV) ve doğruluğu.

Şekil 2b'de gösterildiği gibi, geliştirilen sensör için elde edilen ROC eğrisi altındaki alan (AUC = 0,9274) yüksek hassasiyet ve özgüllük göstermiştir. Kutu grafiğinden görülebileceği gibi, normal DNA grubunu temsil eden en düşük nokta, kanser DNA grubunu temsil eden en yüksek noktadan iyi bir şekilde ayrılmamıştır; bu nedenle, normal ve kanser grupları arasında ayrım yapmak için lojistik regresyon kullanılmıştır. Bir dizi bağımsız değişken verildiğinde, kanser veya normal grup gibi bir olayın meydana gelme olasılığını tahmin eder. Bağımlı değişken 0 ile 1 arasında değişir. Sonuç bu nedenle bir olasılıktır. ΔA650/525'e dayanarak kanser tanımlama olasılığını (P) aşağıdaki gibi belirledik.

Burada b=5.3533, w1=-6.965'tir. Örnek sınıflandırması için, 0,5'ten düşük bir olasılık normal bir örneği, 0,5 veya daha yüksek bir olasılık ise kanser örneğini gösterir. Şekil 2c, sınıflandırma yönteminin kararlılığını doğrulamak için kullanılan, "bırak-olduğu gibi" çapraz doğrulama yönteminden elde edilen karışıklık matrisini göstermektedir. Şekil 2d, duyarlılık, özgüllük, pozitif tahmin değeri (PPV) ve negatif tahmin değeri (NPV) dahil olmak üzere yöntemin tanısal test değerlendirmesini özetlemektedir.

Akıllı telefon tabanlı biyosensörler

Spektrofotometre kullanmadan örnek testini daha da basitleştirmek için araştırmacılar, çözeltinin rengini yorumlamak ve normal ve kanserli bireyleri ayırt etmek için yapay zekayı (YZ) kullandılar. Bu bağlamda, bilgisayar görüşü, bir cep telefonu kamerasıyla çekilen 96 kuyucuklu plakaların görüntülerinden yararlanarak Kist/AuNPs çözeltisinin rengini normal DNA (mor) veya kanserli DNA (kırmızı) olarak çevirmek için kullanıldı. Yapay zeka, nanopartikül çözeltilerinin renginin yorumlanmasında maliyetleri düşürebilir ve erişilebilirliği artırabilir ve herhangi bir optik donanım akıllı telefon aksesuarı kullanmadan bunu yapabilir. Son olarak, Rastgele Orman (RF) ve Destek Vektör Makinesi (SVM) dahil olmak üzere iki makine öğrenme modeli, modelleri oluşturmak için eğitildi. Hem RF hem de SVM modelleri, örnekleri %90,0 doğrulukla pozitif ve negatif olarak doğru bir şekilde sınıflandırdı. Bu, mobil telefon tabanlı biyosensörlerde yapay zekanın kullanımının oldukça mümkün olduğunu göstermektedir.

Şekil 3.(a) Görüntü alma adımı için numunenin hazırlanması sırasında kaydedilen çözeltinin hedef sınıfı. (b) Görüntü alma adımı sırasında çekilen örnek görüntü. (c) (b) görüntüsünden çıkarılan 96 kuyucuklu plakanın her bir kuyucuğundaki kist/AuNPs çözeltisinin renk yoğunluğu.

Araştırmacılar, Cyst/AuNPs kullanarak, metilasyon manzarası tespiti için basit bir algılama platformu ve lösemi taraması için gerçek kan örnekleri kullanıldığında normal DNA'yı kanser DNA'sından ayırt edebilen bir sensör geliştirmeyi başardılar. Geliştirilen sensör, gerçek kan örneklerinden elde edilen DNA'nın, lösemi hastalarında küçük miktarlardaki kanser DNA'sını (3 nM) 15 dakika içinde hızlı ve uygun maliyetli bir şekilde tespit edebildiğini ve %95,3 doğruluk gösterdiğini ortaya koydu. Spektrofotometreye olan ihtiyacı ortadan kaldırarak örnek testini daha da basitleştirmek için, çözeltinin rengini yorumlamak ve bir cep telefonu fotoğrafı kullanarak normal ve kanserli bireyleri ayırt etmek için makine öğrenimi kullanıldı ve %90,0 doğruluk elde edildi.

Referans: DOI: 10.1039/d2ra05725e