DNA -Methylierungstests in Kombination mit Smartphones zum frühen Screening von Tumoren und Leukämie -Screening mit einer Genauigkeit von 90,0%!

Eine frühzeitige Erkennung von Krebs auf der basierten flüssigen Biopsie ist eine neue Richtung der Krebserkennung und -diagnose, die vom US -amerikanischen National Cancer Institute in den letzten Jahren vorgeschlagen wurde, um frühen Krebs oder sogar Vorkanzeln zu erkennen. Es wurde häufig als neuartiger Biomarker für die frühe Diagnose verschiedener Malignitäten verwendet, darunter Lungenkrebs, Magen -Darm -Tumoren, Gliome und gynäkologische Tumoren.

Die Entstehung von Plattformen zur Identifizierung von Methylierungslandschaftsbiomarkern (Methylscape) hat das Potenzial, das vorhandene frühe Screening auf Krebs signifikant zu verbessern und Patienten im frühesten behandelnden Stadium zu veranlassen.

In jüngster Zeit haben Forscher eine einfache und direkte Erkennungsplattform für die Erkennung von Methylierungslandschaften entwickelt, die auf Cysteamin-dekorierten Goldnanopartikeln (CYST/AUNPs) in Kombination mit einem Biosensor auf Smartphones basiert, das ein schnelles frühes Screening einer Vielzahl von Tumoren ermöglicht. Das frühzeitige Screening auf Leukämie kann innerhalb von 15 Minuten nach der DNA -Extraktion aus einer Blutprobe mit einer Genauigkeit von 90,0%durchgeführt werden. Artikeltitel ist der schnelle Nachweis von Krebs-DNA im menschlichen Blut unter Verwendung von Cysteamin-Capt-AuNPs und einem maschinellen, lernfähigen Smartphone。

Abbildung 1. Eine einfache und schnelle Erkennungsplattform für das Krebs -Screening über Zysten-/AuNPS -Komponenten kann in zwei einfachen Schritten erreicht werden.

Dies ist in Abbildung 1 dargestellt. Erstens wurde eine wässrige Lösung verwendet, um die DNA -Fragmente aufzulösen. Zyste/AuNPs wurden dann zu der gemischten Lösung hinzugefügt. Normale und maligne DNA weisen unterschiedliche Methylierungseigenschaften auf, was zu DNA-Fragmenten mit unterschiedlichen Selbstorganisationsmustern führt. Normale DNA aggregiert locker und aggregiert schließlich Zysten/AuNPs, was zu der rotverschobenen Natur von Zysten/AuNPs führt, so dass eine Farbänderung von Rot zu Lila mit dem bloßen Auge beobachtet werden kann. Im Gegensatz dazu führt das einzigartige Methylierungsprofil der Krebs -DNA zur Produktion größerer Cluster von DNA -Fragmenten.

Bilder von 96-Well-Platten wurden mit einer Smartphone-Kamera aufgenommen. Die Krebs-DNA wurde mit einem Smartphone gemessen, das im Vergleich zu spektroskopischen Methoden mit maschinellem Lernen ausgestattet war.

Krebs -Screening in echten Blutproben

Um den Nutzen der Erfassungsplattform zu erweitern, wendeten die Ermittler einen Sensor an, der erfolgreich zwischen normaler und krebsartiger DNA in realen Blutproben unterschieden. Methylierungsmuster an CpG -Stellen regulieren epigenetisch die Genexpression. Bei fast allen Krebstypen wurde beobachtet, dass Veränderungen der DNA -Methylierung und damit in der Expression von Genen, die die Tumourgenese fördern, abwechselnd beobachtet.

Als Modell für andere Krebsarten, die mit der DNA -Methylierung verbunden sind, verwendeten die Forscher Blutproben von Leukämiepatienten und gesunde Kontrollpersonen, um die Wirksamkeit der Methylierungslandschaft bei der Differenzierung von Leukämiekrebs zu untersuchen. Dieser Methylierungslandschaftsbiomarker übertrifft nicht nur die vorhandenen schnellen Leukämie -Screening -Methoden, sondern zeigt auch die Machbarkeit der Ausdehnung einer frühzeitigen Erkennung einer Vielzahl von Krebsarten unter Verwendung dieses einfachen und einfachen Assays.

DNA aus Blutproben von 31 Leukämie -Patienten und 12 gesunden Personen wurde analysiert. Wie im Box -Diagramm in 2A gezeigt, war die relative Absorption der Krebsproben (ΔA650/525) niedriger als die von DNA aus normalen Proben. Dies war hauptsächlich auf die verstärkte Hydrophobizität zurückzuführen, die zu einer dichten Aggregation von Krebs -DNA führte, die die Aggregation von Zysten/AuNPs verhinderte. Infolgedessen wurden diese Nanopartikel in den äußeren Schichten der Krebsaggregate vollständig verteilt, was zu einer anderen Dispersion von Zysten/AuNPs führte, die auf normale und Krebs -DNA -Aggregaten adsorbiert wurden. ROC -Kurven wurden dann erzeugt, indem der Schwellenwert von einem Mindestwert von ΔA650/525 zu einem Maximalwert variiert wurde.

Abbildung 2. (a) relative Absorptionswerte von Zysten-/AuNPS

(DA650/525) von Boxplots; (B) ROC -Analyse und Bewertung von diagnostischen Tests. (c) Verwirrungsmatrix für die Diagnose von normalen und Krebspatienten. (d) Sensitivität, Spezifität, positiver Vorhersagewert (PPV), negativer Vorhersagewert (NPV) und Genauigkeit der entwickelten Methode.

Wie in 2B gezeigt, zeigte die Fläche unter der ROC -Kurve (AUC = 0,9274) für den entwickelten Sensor eine hohe Empfindlichkeit und Spezifität. Wie aus dem Box -Diagramm ersichtlich ist, ist der niedrigste Punkt, der die normale DNA -Gruppe darstellt, nicht gut vom höchsten Punkt, der die Krebs -DNA -Gruppe darstellt. Daher wurde eine logistische Regression verwendet, um zwischen den normalen und Krebsgruppen zu unterscheiden. Bei einer Reihe unabhängiger Variablen schätzt es die Wahrscheinlichkeit eines Ereignisses, das auftritt, wie z. B. Krebs oder normale Gruppe. Die abhängige Variable liegt zwischen 0 und 1. Das Ergebnis ist daher eine Wahrscheinlichkeit. Wir haben die Wahrscheinlichkeit von Krebsidentifikationen (P) basierend auf ΔA650/525 wie folgt bestimmt.

wobei B = 5,3533, W1 = -6,965. Für die Stichprobenklassifizierung zeigt eine Wahrscheinlichkeit von weniger als 0,5 eine normale Probe an, während eine Wahrscheinlichkeit von 0,5 oder höher eine Krebsprobe anzeigt. Abbildung 2C zeigt die Verwirrungsmatrix, die aus der Quervalidierung von Leave-It-Alone erzeugt wurde und zur Validierung der Stabilität der Klassifizierungsmethode verwendet wurde. Abbildung 2D fasst die diagnostische Testbewertung der Methode zusammen, einschließlich Sensitivität, Spezifität, positiver Vorhersagewert (PPV) und negativer Vorhersagewert (NPV).

Smartphone-basierte Biosensoren

Um die Probentests ohne die Verwendung von Spektrophotometern weiter zu vereinfachen, verwendeten die Forscher künstliche Intelligenz (KI), um die Farbe der Lösung zu interpretieren und zwischen normalen und krebsartigen Personen zu unterscheiden. In Anbetracht dessen wurde das Computer Vision verwendet, um die Farbe der Cysten-/AuNPS-Lösung in normale DNA (lila) oder Krebs-DNA (rot) unter Verwendung von Bildern von 96-Well-Platten zu übersetzen, die über eine Mobiltelefonkamera aufgenommen wurden. Künstliche Intelligenz kann die Kosten senken und die Zugänglichkeit bei der Interpretation der Farbe von Nanopartikellösungen und ohne die Verwendung eines optischen Hardware -Smartphone -Zubehörs verbessern. Schließlich wurden zwei maschinelle Lernmodelle, einschließlich Zufallswald (RF) und Support Vector Machine (SVM), geschult, um die Modelle zu erstellen. Sowohl die RF- als auch die SVM -Modelle klassifizierten die Proben korrekt als positiv und negativ mit einer Genauigkeit von 90,0%. Dies deutet darauf hin, dass die Verwendung künstlicher Intelligenz im Biosensing von Mobiltelefonen durchaus möglich ist.

Abbildung 3. (a) Zielklasse der Lösung, die während der Vorbereitung der Probe für den Bildaufnahmeschritt aufgezeichnet wurde. (b) Beispielbild, das während des Bilderfassungsschritts aufgenommen wurde. (c) Farbintensität der Cysten-/AuNPS-Lösung in jeder Vertiefung der 96-Well-Platte, die aus dem Bild (b) extrahiert wurde.

Unter Verwendung von Zysten/AuNPs haben Forscher erfolgreich eine einfache Erfassungsplattform für den Nachweis der Methylierungslandschaft und einen Sensor entwickelt, der bei der Verwendung realer Blutproben für Leukämie -Screening normale DNA von Krebs -DNA unterscheidet. Der entwickelte Sensor zeigte, dass DNA aus realen Blutproben extrahiert wurde, um in 15 Minuten schnell und kostengünstig kleine Mengen Krebs-DNA (3nm) bei Leukämiepatienten nachzuweisen, und zeigte eine Genauigkeit von 95,3%. Um die Probentests weiter zu vereinfachen, indem die Notwendigkeit eines Spektrophotometers beseitigt wurde, wurde maschinelles Lernen verwendet, um die Farbe der Lösung zu interpretieren und zwischen normalen und krebsartigen Personen mithilfe eines Mobiltelefons zu unterscheiden, und die Genauigkeit konnte ebenfalls bei 90,0%erreicht werden.

Referenz: doi: 10.1039/d2ra05725e