Tümörlerin erken taranması ve %90,0 doğrulukla lösemi taraması için akıllı telefonlarla birleştirilmiş DNA metilasyon testi!

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

Metilasyon alanı (Metilscape) biyobelirteçlerini tanımlamaya yönelik platformların ortaya çıkışı, kanser için mevcut erken taramayı önemli ölçüde iyileştirme ve hastaları tedavi edilebilir en erken aşamaya yerleştirme potansiyeline sahiptir.

Son zamanlarda araştırmacılar, geniş bir tümör yelpazesinin hızlı erken taranmasını sağlayan akıllı telefon tabanlı bir biyosensörle birleştirilmiş sisteaminle süslenmiş altın nanopartiküllere (Kist/AuNP'ler) dayalı metilasyon alanı tespiti için basit ve doğrudan algılama platformu geliştirdiler. Lösemi için erken tarama, kan örneğinden DNA ekstraksiyonundan sonraki 15 dakika içinde %90,0 doğrulukla gerçekleştirilebilir. Makalenin başlığı, sisteamin kaplı AuNP'ler ve makine öğrenimi özellikli bir akıllı telefon kullanılarak insan kanındaki kanser DNA'sının hızlı tespitidir.

Şekil 1. Kist/AuNP bileşenleri aracılığıyla kanser taramasına yönelik basit ve hızlı bir algılama platformu iki basit adımda gerçekleştirilebilir.

Bu, Şekil 1'de gösterilmektedir. 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, bu da farklı kendi kendine bir araya gelme modellerine sahip DNA parçalarıyla sonuçlanır. Normal DNA gevşek bir şekilde toplanır ve sonunda Kist/AuNP'leri toplar, bu da Kist/AuNP'lerin kırmızıya kayan doğasıyla sonuçlanır, böylece kırmızıdan mora bir renk değişimi çıplak gözle gözlemlenebilir. Buna karşılık, kanser DNA'sının benzersiz metilasyon profili, daha büyük DNA fragmanı kümelerinin üretilmesine yol açar.

96 oyuklu plakaların görüntüleri bir akıllı telefon kamerası kullanılarak çekildi. Kanser DNA'sı, 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'yı başarılı bir şekilde ayırt eden bir sensör uyguladılar. CpG bölgelerindeki metilasyon modelleri gen ekspresyonunu epigenetik olarak düzenler. Hemen hemen tüm kanser türlerinde, DNA metilasyonunda ve dolayısıyla tümör oluşumunu teşvik eden genlerin ifadesinde değişikliklerin dönüşümlü olduğu gözlemlenmiştir.

DNA metilasyonuyla ilişkili diğer kanserler için bir model olarak araştırmacılar, lösemik kanserleri ayırt etmede metilasyon manzarasının etkinliğini araştırmak için lösemi hastalarından ve sağlıklı kontrollerden alınan kan örneklerini kullandılar. Bu metilasyon manzarası biyobelirteci, yalnızca mevcut hızlı lösemi tarama yöntemlerinden daha iyi performans göstermekle kalmıyor, aynı zamanda bu basit ve anlaşılır tahlili kullanarak çok çeşitli kanserlerin erken tespitine kadar genişletilmenin fizibilitesini de gösteriyor.

31 lösemi hastası ve 12 sağlıklı kişiden alınan kan örneklerinden DNA analiz edildi. Şekil 2a'daki kutu grafiğinde gösterildiği gibi, kanser numunelerinin (ΔA650/525) göreceli absorbansı, normal numunelerden alınan DNA'nınkinden daha düşüktü. bunun temel nedeni, Kist/AuNP'lerin toplanmasını önleyen kanser DNA'sının yoğun toplanmasına yol açan artan hidrofobikliktir. Sonuç olarak, bu nanopartiküller, kanser agregatlarının dış katmanlarında tamamen dağıldı; bu, normal ve kanser DNA agregatları üzerinde adsorbe edilen Kist/AuNP'lerin farklı bir dağılımıyla sonuçlandı. Daha sonra eşiğin minimum ΔA650/525 değerinden maksimum değere değiştirilmesiyle ROC eğrileri oluşturuldu.

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

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

Şekil 2b'de gösterildiği gibi geliştirilen sensör için elde edilen ROC eğrisinin altındaki alan (AUC = 0,9274) yüksek hassasiyet ve özgüllük gösterdi. Kutu grafiğinden görülebileceği gibi, normal DNA grubunu temsil eden en düşük nokta, kanser DNA grubunu temsil eden en yüksek noktadan tam olarak ayrılmamıştır; 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. Dolayısıyla 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 düşük bir olasılık normal bir numuneyi belirtirken, 0,5 veya daha yüksek bir olasılık kanser numunesini belirtir. Şekil 2c, sınıflandırma yönteminin stabilitesini doğrulamak için kullanılan, kendi başına bırakılan çapraz doğrulamadan oluşturulan karışıklık matrisini göstermektedir. Şekil 2d, hassasiyet, özgüllük, pozitif tahmin değeri (PPV) ve negatif tahmin değeri (NPV) dahil olmak üzere yöntemin tanı testi değerlendirmesini özetlemektedir.

Akıllı telefon tabanlı biyosensörler

Spektrofotometre kullanmadan numune testini daha da basitleştirmek amacıyla araştırmacılar, çözümün rengini yorumlamak ve normal ile kanserli bireyleri ayırt etmek için yapay zeka (AI) kullandılar. Bunu göz önünde bulundurarak, bir cep telefonu kamerasından alınan 96 oyuklu plakaların görüntülerini kullanarak Kist/AuNP solüsyonunun rengini normal DNA'ya (mor) veya kanserli DNA'ya (kırmızı) dönüştürmek için bilgisayar görüşü kullanıldı. Yapay zeka, herhangi bir optik donanım akıllı telefon aksesuarı kullanılmadan nanopartikül çözümlerinin rengini yorumlamada maliyetleri azaltabilir ve erişilebilirliği artırabilir. Son olarak, modelleri oluşturmak 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 da yapay zekanın cep telefonu tabanlı biyoalgılamada kullanımının oldukça mümkün olduğunu ortaya koyuyor.

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

Araştırmacılar, Kist/AuNP'leri kullanarak, metilasyon alanı tespiti için basit bir algılama platformunu ve lösemi taraması için gerçek kan örnekleri kullanıldığında normal DNA'yı kanser DNA'sından ayırt edebilen bir sensörü başarıyla geliştirdiler. Geliştirilen sensör, gerçek kan örneklerinden elde edilen DNA'nın, lösemi hastalarında küçük miktarlardaki kanser DNA'sını (3nM) 15 dakika içinde hızlı ve uygun maliyetli bir şekilde tespit edebildiğini ve %95,3 doğruluk gösterdiğini gösterdi. Spektrofotometre ihtiyacını ortadan kaldırarak numune testini daha da basitleştirmek amacıyla, çözümün rengini yorumlamak ve bir cep telefonu fotoğrafı kullanarak normal ve kanserli bireyler arasında ayrım yapmak için makine öğrenimi kullanıldı ve ayrıca %90,0 oranında doğruluk elde edildi.

Referans: DOI: 10.1039/d2ra05725e