Tes metilasi DNA sing digabungake karo smartphone kanggo skrining awal tumor lan skrining leukemia kanthi akurasi 90,0%!

Deteksi awal kanker adhedhasar biopsi cair minangka arah anyar deteksi lan diagnosis kanker sing diusulake dening Institut Kanker Nasional AS ing taun-taun pungkasan, kanthi tujuan kanggo ndeteksi kanker awal utawa malah lesi prakanker. Iki wis digunakake sacara wiyar minangka biomarker anyar kanggo diagnosis awal macem-macem keganasan, kalebu kanker paru-paru, tumor gastrointestinal, glioma lan tumor ginekologi.

Munculé platform kanggo ngenali biomarker lanskap metilasi (Methylscape) nduwèni potensi kanggo ningkatake skrining awal kanker sing wis ana kanthi signifikan, saéngga pasien bisa tekan tahap paling awal sing bisa diobati.

Bubar iki, para peneliti wis ngembangake platform penginderaan sing prasaja lan langsung kanggo deteksi lanskap metilasi adhedhasar nanopartikel emas sing dihias cysteamine (Cyst/AuNPs) sing digabungake karo biosensor berbasis smartphone sing ngaktifake skrining awal kanthi cepet kanggo macem-macem tumor. Skrining awal kanggo leukemia bisa ditindakake sajrone 15 menit sawise ekstraksi DNA saka sampel getih, kanthi akurasi 90,0%. Judhul artikel yaiku Deteksi cepet DNA kanker ing getih manungsa nggunakake AuNP sing ditutupi cysteamine lan smartphone sing didhukung pembelajaran mesin.

Gambar 1. Platform sensori sing prasaja lan cepet kanggo skrining kanker liwat komponen Cyst/AuNPs bisa ditindakake kanthi rong langkah prasaja.

Iki dituduhake ing Gambar 1. Kapisan, larutan banyu digunakake kanggo nglarutake fragmen DNA. Kista/AuNP banjur ditambahake menyang larutan campuran. DNA normal lan ganas duwe sifat metilasi sing beda, sing nyebabake fragmen DNA kanthi pola perakitan mandiri sing beda. DNA normal nglumpuk kanthi longgar lan pungkasane nglumpuk Kista/AuNP, sing nyebabake sifat Kista/AuNP sing owah dadi abang, saengga owah-owahan warna saka abang dadi ungu bisa diamati nganggo mripat langsung. Kosok baline, profil metilasi unik DNA kanker nyebabake produksi kluster fragmen DNA sing luwih gedhe.

Gambar piring 96-sumur dijupuk nggunakake kamera smartphone. DNA kanker diukur nganggo smartphone sing dilengkapi pembelajaran mesin dibandhingake karo metode berbasis spektroskopi.

Skrining kanker ing sampel getih asli

Kanggo ngembangake kegunaan platform penginderaan, para peneliti ngetrapake sensor sing kasil mbedakake antarane DNA normal lan kanker ing sampel getih nyata. Pola metilasi ing situs CpG ngatur ekspresi gen kanthi epigenetik. Ing meh kabeh jinis kanker, owah-owahan ing metilasi DNA lan kanthi mangkono ing ekspresi gen sing ningkatake tumorigenesis wis diamati ganti-ganti.

Minangka model kanggo kanker liyane sing ana gandhengane karo metilasi DNA, para peneliti nggunakake sampel getih saka pasien leukemia lan kontrol sehat kanggo nyelidiki efektifitas lanskap metilasi kanggo mbedakake kanker leukemia. Biomarker lanskap metilasi iki ora mung ngluwihi metode skrining leukemia cepet sing wis ana, nanging uga nduduhake kemungkinan kanggo ngluwihi deteksi awal macem-macem kanker nggunakake uji coba sing prasaja lan langsung iki.

DNA saka sampel getih saka 31 pasien leukemia lan 12 individu sehat dianalisis. Kaya sing dituduhake ing plot kothak ing Gambar 2a, absorbansi relatif sampel kanker (ΔA650/525) luwih murah tinimbang DNA saka sampel normal. Iki utamane amarga hidrofobisitas sing tambah sing nyebabake agregasi DNA kanker sing padhet, sing nyegah agregasi Cyst/AuNP. Akibate, nanopartikel iki kasebar kanthi lengkap ing lapisan njaba agregat kanker, sing nyebabake dispersi Cyst/AuNP sing beda sing diserap ing agregat DNA normal lan kanker. Kurva ROC banjur digawe kanthi ngowahi ambang batas saka nilai minimal ΔA650/525 nganti nilai maksimal.

Gambar 2.(a) Nilai absorbansi relatif saka larutan kista/AuNP sing nuduhake anané DNA normal (biru) lan kanker (abang) ing kahanan sing dioptimalake

(DA650/525) saka plot kothak; (b) Analisis ROC lan evaluasi tes diagnostik. (c) Matriks kebingungan kanggo diagnosis pasien normal lan kanker. (d) Sensitivitas, spesifisitas, nilai prediktif positif (PPV), nilai prediktif negatif (NPV) lan akurasi metode sing dikembangake.

Kaya sing dituduhake ing Gambar 2b, area ing sangisore kurva ROC (AUC = 0,9274) sing dipikolehi kanggo sensor sing dikembangake nuduhake sensitivitas lan spesifisitas sing dhuwur. Kaya sing bisa dideleng saka plot kothak, titik paling endhek sing makili klompok DNA normal ora dipisahake kanthi apik saka titik paling dhuwur sing makili klompok DNA kanker; mulane, regresi logistik digunakake kanggo mbedakake antarane klompok normal lan kanker. Diwenehi sakumpulan variabel independen, iki ngira-ngira kemungkinan kedadeyan, kayata kanker utawa klompok normal. Variabel dependen kisaran antarane 0 lan 1. Asil kasebut mulane minangka probabilitas. Kita nemtokake kemungkinan identifikasi kanker (P) adhedhasar ΔA650/525 kaya ing ngisor iki.

ing ngendi b = 5.3533,w1 = -6.965. Kanggo klasifikasi sampel, probabilitas kurang saka 0.5 nuduhake sampel normal, dene probabilitas 0.5 utawa luwih dhuwur nuduhake sampel kanker. Gambar 2c nggambarake matriks kebingungan sing diasilake saka validasi silang leave-it-alone, sing digunakake kanggo validasi stabilitas metode klasifikasi. Gambar 2d ngringkes evaluasi tes diagnostik metode kasebut, kalebu sensitivitas, spesifisitas, nilai prediktif positif (PPV) lan nilai prediktif negatif (NPV).

Biosensor berbasis smartphone

Kanggo luwih nyederhanakake uji coba sampel tanpa nggunakake spektrofotometer, para peneliti nggunakake kecerdasan buatan (AI) kanggo napsirake warna larutan lan mbedakake antarane individu normal lan kanker. Amarga iki, visi komputer digunakake kanggo nerjemahake warna larutan Cyst/AuNPs dadi DNA normal (ungu) utawa DNA kanker (abang) nggunakake gambar piring 96-sumur sing dijupuk liwat kamera ponsel. Kecerdasan buatan bisa nyuda biaya lan nambah aksesibilitas ing napsirake warna larutan nanopartikel, lan tanpa nggunakake aksesoris smartphone perangkat keras optik. Pungkasan, rong model pembelajaran mesin, kalebu Random Forest (RF) lan Support Vector Machine (SVM) dilatih kanggo mbangun model kasebut. model RF lan SVM kanthi bener nglasifikasikake sampel minangka positif lan negatif kanthi akurasi 90,0%. Iki nuduhake yen panggunaan kecerdasan buatan ing biosensing berbasis ponsel cukup bisa ditindakake.

Gambar 3.(a) Kelas target larutan sing direkam sajrone persiapan sampel kanggo langkah akuisisi gambar. (b) Conto gambar sing dijupuk sajrone langkah akuisisi gambar. (c) Intensitas warna larutan kista/AuNPs ing saben sumur piring 96-sumur sing diekstrak saka gambar (b).

Nggunakake Cyst/AuNPs, para peneliti wis kasil ngembangake platform penginderaan prasaja kanggo deteksi lanskap metilasi lan sensor sing bisa mbedakake DNA normal saka DNA kanker nalika nggunakake sampel getih nyata kanggo skrining leukemia. Sensor sing dikembangake nuduhake yen DNA sing diekstrak saka sampel getih nyata bisa kanthi cepet lan efektif ndeteksi jumlah DNA kanker cilik (3nM) ing pasien leukemia sajrone 15 menit, lan nuduhake akurasi 95,3%. Kanggo luwih nyederhanakake pengujian sampel kanthi ngilangi kabutuhan spektrofotometer, pembelajaran mesin digunakake kanggo napsirake warna larutan lan mbedakake antarane individu normal lan kanker nggunakake foto ponsel, lan akurasi uga bisa digayuh ing 90,0%.

Referensi: DOI: 10.1039/d2ra05725e