Sıvı biyopsiye dayalı kanserin erken teşhisi, ABD Ulusal Kanser Enstitüsü tarafından son yıllarda önerilen kanser tespiti ve teşhisinin yeni bir yönüdür ve amacı erken kanser veya hatta kanser öncesi lezyonları tespit etmektir. Akciğer kanseri, gastrointestinal tümörler, gliomalar ve jinekolojik tümörler dahil olmak üzere çeşitli malignitelerin erken teşhisi için yeni bir biyobelirteç olarak yaygın olarak kullanılmıştır.
Metilasyon manzarası (Methylscape) biyobelirteçlerini belirlemeye yönelik platformların ortaya çıkması, kanser için mevcut erken taramaları önemli ölçüde iyileştirme ve hastaları tedavi edilebilir en erken aşamaya getirme potansiyeline sahiptir.
Son zamanlarda araştırmacılar, sisteaminle kaplanmış altın nanopartikülleri (Kist/AuNP'ler) ile akıllı telefon tabanlı bir biyosensör kombinasyonuna dayalı metilasyon manzarası tespiti için basit ve doğrudan bir algılama platformu geliştirdiler ve bu da çok çeşitli tümörlerin hızlı erken taramasını sağlıyor. Lösemi için erken tarama, bir kan örneğinden DNA çıkarıldıktan sonra 15 dakika içinde %90,0 doğrulukla gerçekleştirilebilir. Makale başlığı, sisteaminle kaplanmış AuNP'ler ve makine öğrenimi etkinleştirilmiş bir akıllı telefon kullanılarak insan kanındaki kanser DNA'sının hızlı tespitidir.
Şekil 1. Kist/AuNP bileşenleri aracılığıyla kanser taraması için basit ve hızlı bir algılama platformu iki basit adımda gerçekleştirilebilir.
Bu, Şekil 1'de gösterilmiştir. İlk olarak, DNA parçalarını çözmek için sulu bir çözelti kullanıldı. Daha sonra karışık çözeltiye Kist/AuNP'ler eklendi. Normal ve kötü huylu DNA'nın farklı metilasyon özellikleri vardır ve bu da farklı kendi kendine birleşme desenlerine sahip DNA parçalarıyla sonuçlanır. Normal DNA gevşek bir şekilde kümelenir ve sonunda Kist/AuNP'leri kümeler, bu da Kist/AuNP'lerin kırmızıya kaymış doğasına neden olur, böylece kırmızıdan mora bir renk değişimi çıplak gözle gözlemlenebilir. Buna karşılık, kanser DNA'sının benzersiz metilasyon profili daha büyük DNA parçası kümelerinin üretilmesine yol açar.
96-kuyulu plakaların görüntüleri bir akıllı telefon kamerası kullanılarak alındı. Kanser DNA'sı, spektroskopi tabanlı yöntemlerle karşılaştırıldığında makine öğrenimiyle 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 ayrım yapan bir sensör uyguladılar. CpG bölgelerindeki metilasyon desenleri, gen ifadesini epigenetik olarak düzenler. Neredeyse tüm kanser türlerinde, DNA metilasyonundaki ve dolayısıyla tümör oluşumunu destekleyen genlerin ifadesindeki değişikliklerin dönüşümlü olduğu gözlemlenmiştir.
DNA metilasyonuyla ilişkili diğer kanserler için bir model olarak araştırmacılar, lösemi hastalarından ve sağlıklı kontrollerden alınan kan örneklerini kullanarak lösemik kanserleri ayırt etmede metilasyon manzarasının etkinliğini araştırdılar. Bu metilasyon manzarası biyobelirteci, mevcut hızlı lösemi tarama yöntemlerinden daha iyi performans göstermekle kalmıyor, aynı zamanda bu basit ve anlaşılır deneyi kullanarak çok çeşitli kanserlerin erken teşhisine kadar uzanmanın uygulanabilirliğini de gösteriyor.
31 lösemi hastası ve 12 sağlıklı bireyden alınan kan örneklerinden alınan DNA analiz edildi. Şekil 2a'daki kutu grafiğinde gösterildiği gibi, kanser örneklerinin (ΔA650/525) bağıl emilimi normal örneklerden alınan DNA'dan daha düşüktü. Bu, esas olarak, Kist/AuNP'lerin agregasyonunu engelleyen yoğun kanser DNA agregasyonuna yol açan gelişmiş hidrofobisiteden kaynaklanıyordu. Sonuç olarak, bu nanopartiküller kanser agregatlarının dış katmanlarında tamamen dağıldı ve bu da normal ve kanser DNA agregatlarına adsorbe edilen Kist/AuNP'lerin farklı bir dağılımına neden oldu. Daha sonra, ROC eğrileri, eşik değeri ΔA650/525'in minimum değerinden maksimum değere değiştirilerek oluşturuldu.
Şekil 2.(a) Optimize edilmiş koşullar altında normal (mavi) ve kanser (kırmızı) DNA'nın varlığını gösteren kist/AuNP çözeltilerinin bağıl 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 öngörü değeri (PPV), negatif öngörü değeri (NPV) ve doğruluğu.
Şekil 2b'de görüldüğü gibi geliştirilen sensör için elde edilen ROC eğrisi altındaki alan (AUC = 0,9274) yüksek duyarlılık ve özgüllük gösterdi. Kutu grafiğinden görülebileceği gibi normal DNA grubunu temsil eden en düşük nokta kanser DNA grubunu temsil eden en yüksek noktadan iyi 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. Bu nedenle sonuç bir olasılıktır. Kanser tanımlama olasılığını (P) ΔA650/525'e göre aşağıdaki gibi belirledik.
burada b=5.3533,w1=-6.965. Örnek sınıflandırması için, 0,5'ten düşük bir olasılık normal bir örneği gösterirken, 0,5 veya daha yüksek bir olasılık kanser örneğini gösterir. Şekil 2c, sınıflandırma yönteminin kararlılığını doğrulamak için kullanılan, yalnız bırakılan çapraz doğrulamadan üretilen karışıklık matrisini tasvir eder. Şekil 2d, duyarlılık, özgüllük, pozitif öngörü değeri (PPV) ve negatif öngörü değeri (NPV) dahil olmak üzere yöntemin tanı testi değerlendirmesini özetler.
Akıllı telefon tabanlı biyosensörler
Spektrofotometre kullanmadan numune testini daha da basitleştirmek için araştırmacılar, solüsyonun rengini yorumlamak ve normal ve kanserli bireyleri ayırt etmek için yapay zeka (AI) kullandılar. Bu göz önüne alındığında, cep telefonu kamerasıyla çekilen 96 kuyulu plaka görüntüleri kullanılarak Kist/AuNPs solüsyonunun rengini normal DNA'ya (mor) veya kanserli DNA'ya (kırmızı) çevirmek için bilgisayar görüşü kullanıldı. Yapay zeka, nanopartikül solüsyonlarının rengini yorumlamada maliyetleri azaltabilir ve erişilebilirliği artırabilir ve bunu herhangi bir optik donanım akıllı telefon aksesuarı kullanmadan yapabilir. Son olarak, Random Forest (RF) ve Support Vector Machine (SVM) dahil olmak üzere iki makine öğrenimi modeli, modelleri oluşturmak için eğitildi. Hem RF hem de SVM modelleri numuneleri %90,0 doğrulukla pozitif ve negatif olarak doğru bir şekilde sınıflandırdı. Bu, yapay zekanın cep telefonu tabanlı biyosensörde kullanılmasının oldukça mümkün olduğunu göstermektedir.
Şekil 3.(a) Görüntü edinme adımı için numunenin hazırlanması sırasında kaydedilen çözeltinin hedef sınıfı. (b) Görüntü edinme adımı sırasında alınan örnek görüntü. (c) Görüntüden çıkarılan 96-kuyulu plakanın her bir kuyusundaki kist/AuNP çözeltisinin renk yoğunluğu (b).
Araştırmacılar, Kist/AuNP'leri 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 çıkarılan DNA'nın lösemi hastalarında küçük miktarlarda kanser DNA'sını (3nM) 15 dakikada hızlı ve uygun maliyetli bir şekilde tespit edebildiğini ve %95,3 doğruluk gösterdiğini gösterdi. Spektrofotometre ihtiyacını 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 doğruluk da %90,0'a ulaştı.
Referans: DOI: 10.1039/d2ra05725e
Gönderi zamanı: 18-Şub-2023