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

Likid biyopsiye dayalı kanserin erken tespiti, kanseri erken ve hatta kanser öncesi lezyonları tespit etmek amacıyla son yıllarda ABD Ulusal Kanser Enstitüsü tarafından 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 manzarası (Methylscape) biyobelirteçlerini belirlemek için platformların ortaya çıkışı, kanser için mevcut erken taramayı önemli ölçüde iyileştirme potansiyeline sahiptir ve hastaları tedavi edilebilir en erken aşamaya sokar.

Son zamanlarda, araştırmacılar, çok çeşitli tümörlerin hızlı erken taranmasını sağlayan akıllı telefon tabanlı bir biyosensör ile birleştirilmiş sisteaminle süslenmiş altın nanopartiküllere (Kist/AuNP'ler) dayalı metilasyon manzarası tespiti için basit ve doğrudan bir algılama platformu geliştirdiler.Lösemi için erken tarama, %90,0 doğrulukla bir kan örneğinden DNA ekstraksiyonundan sonraki 15 dakika içinde gerçekleştirilebilir.Makale başlığı, sisteamin kaplı AuNP'ler ve makine öğrenimi özellikli bir akıllı telefon kullanılarak insan kanındaki 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, Şekil 1'de gösterilmektedir. İlk olarak, DNA fragmanlarını çözmek için sulu bir solüsyon kullanıldı.Daha sonra karışık solüsyona kist/AuNP'ler eklendi.Normal ve habis DNA'nın farklı metilasyon özellikleri vardır, bu da farklı kendi kendine birleşme modellerine sahip DNA fragmanlarıyla sonuçlanır.Normal DNA gevşek bir şekilde kümelenir ve sonunda Kist/AuNP'leri kümeler, bu da Kist/AuNP'lerin kırmızıya kayma doğasıyla sonuçlanır, böylece çıplak gözle kırmızıdan mora bir renk değişimi gözlemlenebilir.Buna karşılık, kanser DNA'sının benzersiz metilasyon profili, daha büyük DNA parçaları kümelerinin üretilmesine yol açar.

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

Gerçek kan örneklerinde kanser taraması

Araştırmacılar, algılama platformunun faydasını artırmak için gerçek kan örneklerinde normal ve kanserli DNA'yı başarıyla ayırt eden bir sensör uyguladılar.CpG bölgelerindeki metilasyon paternleri epigenetik olarak gen ekspresyonunu düzenler.Hemen hemen tüm kanser türlerinde, DNA metilasyonundaki ve dolayısıyla tümör oluşumunu destekleyen genlerin ekspresyonundaki değişikliklerin değiştiği gözlemlenmiştir.

DNA metilasyonu ile 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 peyzajı biyobelirteç, yalnızca mevcut hızlı lösemi tarama yöntemlerinden daha iyi performans göstermekle kalmaz, aynı zamanda bu basit ve anlaşılır testi kullanarak çok çeşitli kanserlerin erken saptanmasına kadar genişletilmesinin uygulanabilirliğini de gösterir.

31 lösemi hastası ve 12 sağlıklı kişiden alınan kan örneklerinden DNA analizi yapıldı.Şekil 2a'daki kutu grafiğinde gösterildiği gibi, kanser numunelerinin nispi absorbansı (ΔA650/525), normal numunelerden alınan DNA'nınkinden daha düşüktü.bunun başlıca nedeni, Kist/AuNP'lerin toplanmasını önleyen kanser DNA'sının yoğun kümelenmesine yol açan gelişmiş hidrofobikliktir.Sonuç olarak, bu nanopartiküller, kanser agregatlarının dış katmanlarında tamamen dağıldı ve bu, normal ve kanser DNA agregatları üzerinde adsorbe edilen Kist/AuNP'lerin farklı bir dağılımıyla sonuçlandı.ROC eğrileri daha sonra eşik değeri minimum ΔA650/525 değerinden maksimum değere değiştirilerek üretildi.

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 çizimleri;(b) ROC analizi ve teşhis testlerinin değerlendirilmesi.(c) Normal ve kanser hastalarının teşhisi için karışıklık matrisi.(d) Geliştirilen yöntemin hassasiyeti, özgüllüğü, pozitif tahmin değeri (PPV), negatif tahmin 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 çiziminden 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 kullanıldı.Bir dizi bağımsız değişken verildiğinde, kanser veya normal bir grup gibi bir olayın meydana gelme olasılığını tahmin eder.Bağımlı değişken 0 ile 1 arasında değişir. Dolayısıyla sonuç bir olasılıktır.ΔA650/525'e dayalı olarak kanser tanımlama olasılığını (P) 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 bir kanser örneğini gösterir.Şekil 2c, sınıflandırma yönteminin kararlılığını doğrulamak için kullanılan, kendi haline bırak çapraz doğrulamasından üretilen karışıklık matrisini göstermektedir.Şekil 2d, duyarlılık, özgüllük, pozitif öngörü değeri (PPV) ve negatif öngörü değeri (NPV) dahil olmak üzere yöntemin tanısal test değerlendirmesini özetlemektedir.

Akıllı telefon tabanlı biyosensörler

Spektrofotometre kullanmadan numune testini daha da basitleştirmek için araştırmacılar, solüsyonun rengini yorumlamak ve normal ve kanserli bireyler arasında ayrım yapmak için yapay zekayı (AI) kullandılar.Bu göz önüne alındığında, bir cep telefonu kamerasından alınan 96 oyuklu plakaların görüntüleri kullanılarak Kist/AuNP solüsyonunun rengini normal DNA'ya (mor) veya kanserli DNA'ya (kırmızı) çevirmek için bilgisayar görüşü kullanıldı.Yapay zeka, nanoparçacık çözümlerinin rengini yorumlarken ve herhangi bir optik donanım akıllı telefon aksesuarı kullanmadan maliyetleri azaltabilir ve erişilebilirliği iyileştirebilir.Son olarak, modelleri oluşturmak için Random Forest (RF) ve Support Vector Machine (SVM) dahil olmak üzere iki makine öğrenme modeli eğitildi.hem RF hem de SVM modelleri, örnekleri %90,0'lık bir doğrulukla pozitif ve negatif olarak doğru bir şekilde sınıflandırdı.Bu da cep telefonu tabanlı biyoalgılamada yapay zeka kullanımının oldukça mümkün olduğunu gösteriyor.

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

Kist/AuNP'leri kullanan araştırmacılar, lösemi taraması için gerçek kan örnekleri kullanırken normal DNA'yı kanser DNA'sından ayırt edebilen bir sensör ve metilasyon manzarası tespiti için basit bir algılama platformunu başarıyla geliştirdiler.Geliştirilen sensör, gerçek kan örneklerinden ekstrakte edilen 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 numune testini daha da basitleştirmek için makine öğrenimi kullanılarak solüsyonun rengi yorumlandı ve cep telefonu fotoğrafı kullanılarak normal ve kanserli bireyler arasında ayrım yapıldı ve doğruluk oranı da %90,0 olarak elde edildi.

Referans: DOI: 10.1039/d2ra05725e