Akıllı telefonlarla birleştirilen DNA metilasyon testi ile tümörlerin erken teşhisi ve lösemi taraması %90,0 doğrulukla yapılabiliyor!

Sıvı biyopsiye dayalı kanser erken teşhisi, ABD Ulusal Kanser Enstitüsü tarafından son yıllarda önerilen yeni bir kanser teşhis ve tanı yöntemidir ve erken kanser veya hatta kanser öncesi lezyonların tespiti amacıyla kullanılmaktadır. Akciğer kanseri, gastrointestinal tümörler, gliomalar ve jinekolojik tümörler de dahil olmak üzere çeşitli malignitelerin erken teşhisi için yeni bir biyobelirteç olarak yaygın olarak kullanılmaktadır.

Metilasyon manzarası (Methylscape) biyobelirteçlerini belirlemek için platformların ortaya çıkması, kanser için mevcut erken taramayı önemli ölçüde iyileştirme ve hastaları tedavi edilebilir en erken aşamaya getirme potansiyeline sahiptir.

Son zamanlarda araştırmacılar, sisteamin kaplı altın nanopartiküller (Kist/AuNP'ler) ve akıllı telefon tabanlı bir biyosensör kullanarak metilasyon alanı tespiti için basit ve doğrudan bir algılama platformu geliştirdiler. Bu biyosensör, çok çeşitli tümörlerin hızlı ve erken taranmasını sağlıyor. Lösemi için erken tarama, kan örneğinden DNA çıkarıldıktan sonra 15 dakika içinde %90 doğrulukla gerçekleştirilebiliyor. Makale başlığı: Sisteamin kaplı AuNP'ler ve makine öğrenimi özellikli bir akıllı telefon kullanılarak insan kanında kanser DNA'sının hızlı tespiti.

Şekil 1. Kist/AuNP 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 kullanıldı. Daha sonra karışık çözeltiye Kist/AuNP'ler eklendi. Normal ve kötü huylu DNA'nın farklı metilasyon özellikleri vardır ve bu da farklı öz-birleşme modellerine 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 çıplak gözle kırmızıdan mora bir renk değişimi gözlemlenebilir. Buna karşılık, kanser DNA'sının benzersiz metilasyon profili, daha büyük DNA parçacığı kümelerinin oluşumuna yol açar.

96 kuyulu plakaların görüntüleri bir akıllı telefon kamerası kullanılarak alındı. Kanser DNA'sı, spektroskopi tabanlı yöntemlere kıyasla makine öğrenmesi ile donatılmış bir akıllı telefon kullanılarak ölçüldü.

Gerçek kan örneklerinde kanser taraması

Algılama platformunun faydasını artırmak için araştırmacılar, gerçek kan örneklerinde normal ve kanserli DNA'yı başarıyla ayırt edebilen bir sensör kullandılar. CpG bölgelerindeki metilasyon örüntüleri, 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 metilasyon alanının lösemik kanserleri ayırt etmedeki etkinliğini araştırdılar. Bu metilasyon alanı biyobelirteci, mevcut hızlı lösemi tarama yöntemlerinden daha iyi performans göstermekle kalmayıp, aynı zamanda bu basit ve anlaşılır test kullanılarak çok çeşitli kanserlerin erken teşhisine kadar genişletilebileceğini de göstermektedir.

31 lösemi hastası ve 12 sağlıklı bireyden alınan kan örneklerinden DNA analiz edildi. Şekil 2a'daki kutu grafiğinde gösterildiği gibi, kanser örneklerinin bağıl emilimi (ΔA650/525), normal örneklerden alınan DNA'nınkinden daha düşüktü. Bu durum esas olarak, kanser DNA'sının yoğun agregasyonuna yol açan ve Kist/AuNP'lerin agregasyonunu engelleyen 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 yol açtı. Daha sonra, ROC eğrileri, eşik değeri ΔA650/525'in minimum değerinden maksimum değerine 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 göstermiştir. Kutu grafiğinden de 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. Dolayısıyla sonuç bir olasılıktır. Kanser tespit olasılığını (P) ΔA650/525'e dayanarak aşağıdaki gibi belirledik.

b=5,3533,w1=-6,965 olduğunda. Örnek sınıflandırması için 0,5'ten düşük bir olasılık normal bir örneği, 0,5 veya daha yüksek bir olasılık ise kanserli bir örneği gösterir. Şekil 2c, sınıflandırma yönteminin kararlılığını doğrulamak için kullanılan, olduğu gibi bırakılan çapraz doğrulamadan elde edilen karışıklık matrisini göstermektedir. Şekil 2d, duyarlılık, özgüllük, pozitif öngörü değeri (PPV) ve negatif öngörü değeri (NPV) dahil olmak üzere yöntemin tanı testi 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 zeka (YZ) kullandılar. Bu nedenle, cep telefonu kamerasıyla çekilen 96 kuyulu plaka görüntüleri kullanılarak Kist/AuNP çözeltisinin rengi normal DNA'ya (mor) veya kanserli DNA'ya (kırmızı) dönüştürüldü. Yapay zeka, nanopartikül çözeltilerinin renginin yorumlanmasında maliyetleri düşürebilir ve erişilebilirliği artırabilir ve bunu herhangi bir optik donanım veya akıllı telefon aksesuarı kullanmadan yapabilir. Son olarak, modelleri oluşturmak için Rastgele Orman (RF) ve Destek Vektör Makinesi (SVM) dahil olmak üzere iki makine öğrenimi modeli eğitildi. Hem RF hem de SVM modelleri örnekleri %90,0 doğrulukla pozitif ve negatif olarak doğru bir şekilde sınıflandırdı. Bu, yapay zekanın cep telefonu tabanlı biyosensörlerde 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 alanı 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 az miktarda kanser DNA'sını (3 nM) 15 dakika içinde hızlı ve uygun maliyetli bir şekilde tespit edebildiğini ve %95,3 doğruluk oranına sahip olduğunu gösterdi. Spektrofotometre ihtiyacını ortadan kaldırarak örnek testini daha da basitleştirmek için, çözeltinin rengini yorumlamak ve cep telefonu fotoğrafı kullanarak normal ve kanserli bireyleri ayırt etmek için makine öğrenimi kullanıldı ve %90,0 doğruluk oranına ulaşıldı.

Referans: DOI: 10.1039/d2ra05725e