DNR metilinimo tyrimai kartu su išmaniaisiais telefonais ankstyvai navikų ir leukemijos patikrai su 90,0 % tikslumu!

Ankstyva vėžio diagnostika skystos biopsijos metodu – tai nauja vėžio diagnostikos kryptis, kurią pastaraisiais metais pasiūlė JAV Nacionalinis vėžio institutas, siekiant aptikti ankstyvas vėžio stadijas ar net ikivėžinius pakitimus. Ji plačiai naudojama kaip naujas biožymuo ankstyvai įvairių piktybinių navikų, įskaitant plaučių vėžį, virškinimo trakto navikus, gliomas ir ginekologinius navikus, diagnostikai.

Atsiradus platformoms, skirtoms nustatyti metilinimo kraštovaizdžio (Methylscape) biožymenis, galima gerokai pagerinti esamą ankstyvą vėžio patikrą, suteikiant pacientams galimybę pasiekti ankstyviausią gydomąją stadiją.

Neseniai tyrėjai sukūrė paprastą ir tiesioginio jutimo platformą metilinimo kraštovaizdžio aptikimui, pagrįstą cisteaminu padengtomis aukso nanodalelėmis (Cist/AuNP), kartu su išmaniajame telefone veikiančiu biosensoriumi, kuris leidžia greitai ir anksti atlikti įvairių navikų patikrą. Ankstyva leukemijos patikra gali būti atliekama per 15 minučių po DNR išskyrimo iš kraujo mėginio, o tikslumas siekia 90,0 %. Straipsnio pavadinimas: „Greitas vėžio DNR aptikimas žmogaus kraujyje naudojant cisteaminu padengtas AuNP ir mašininio mokymosi išmanųjį telefoną“.

1 pav. Paprasta ir greita vėžio patikros platforma, naudojant cistų/AuNP komponentus, gali būti sukurta dviem paprastais žingsniais.

Tai parodyta 1 paveiksle. Pirmiausia DNR fragmentai buvo ištirpinti vandeniniame tirpale. Tada į sumaišytą tirpalą buvo įpilta cistų/AuNP. Normali ir piktybinė DNR pasižymi skirtingomis metilinimo savybėmis, todėl DNR fragmentai pasižymi skirtingais savaiminio surinkimo modeliais. Normali DNR laisvai agreguojasi ir galiausiai agreguoja cistas/AuNP, dėl ko cistos/AuNP pasislenka raudonai, todėl plika akimi galima stebėti spalvos pasikeitimą iš raudonos į violetinę. Priešingai, unikalus vėžio DNR metilinimo profilis lemia didesnių DNR fragmentų grupių susidarymą.

96 šulinėlių plokštelių vaizdai buvo užfiksuoti naudojant išmaniojo telefono kamerą. Vėžio DNR buvo matuojama išmaniuoju telefonu su mašininio mokymosi funkcija, palyginti su spektroskopija pagrįstais metodais.

Vėžio patikra tikruose kraujo mėginiuose

Siekdami išplėsti jutimo platformos naudingumą, tyrėjai pritaikė jutiklį, kuris sėkmingai atskyrė normalią ir vėžinę DNR tikruose kraujo mėginiuose. Metilinimo modeliai CpG vietose epigenetiškai reguliuoja genų raišką. Beveik visų tipų vėžiuose pastebėta, kad DNR metilinimo ir tuo pačiu genų, skatinančių navikų atsiradimą, raiškos pokyčiai kaitaliojasi.

Kaip modelį kitiems su DNR metilinimu susijusiems vėžio atvejams, tyrėjai naudojo leukemija sergančių pacientų ir sveikų kontrolinių asmenų kraujo mėginius, siekdami ištirti metilinimo aplinkos veiksmingumą diferencijuojant leukeminius vėžio atvejus. Šis metilinimo aplinkos biožymuo ne tik pranoksta esamus greitus leukemijos atrankos metodus, bet ir parodo, kad naudojant šį paprastą ir aiškų tyrimą galima anksti nustatyti daugybę vėžio rūšių.

Buvo analizuojama DNR iš 31 leukemija sergančio paciento ir 12 sveikų asmenų kraujo mėginių. Kaip parodyta 2a paveikslo langelių diagramoje, vėžio mėginių santykinė absorbcija (ΔA650/525) buvo mažesnė nei normalių mėginių DNR. Tai daugiausia lėmė padidėjęs hidrofobiškumas, dėl kurio vėžio DNR tankiai agregavosi ir neleido agreguotis cistoms/AuNP. Dėl to šios nanodalelės buvo visiškai išsisklaidę išoriniuose vėžio agregatų sluoksniuose, todėl cistos/AuNP, adsorbuotos ant normalių ir vėžio DNR agregatų, išsisklaidė skirtingai. ROC kreivės buvo sugeneruotos keičiant slenkstį nuo minimalios ΔA650/525 vertės iki maksimalios vertės.

2 pav. (a) Cistų/AuNP tirpalų santykinės absorbcijos vertės, rodančios normalios (mėlyna) ir vėžinės (raudona) DNR buvimą optimizuotomis sąlygomis

(DA650/525) dėžučių diagramos; (b) ROC analizė ir diagnostinių testų įvertinimas. (c) Painiavos matrica normalių ir vėžiu sergančių pacientų diagnozei. (d) Sukurto metodo jautrumas, specifiškumas, teigiama prognozinė vertė (PPV), neigiama prognozinė vertė (NPV) ir tikslumas.

Kaip parodyta 2b paveiksle, sukurto jutiklio plotas po ROC kreive (AUC = 0,9274) pasižymėjo dideliu jautrumu ir specifiškumu. Kaip matyti iš dėžutinės diagramos, žemiausias taškas, vaizduojantis normalią DNR grupę, nėra gerai atskirtas nuo aukščiausio taško, vaizduojančio vėžio DNR grupę; todėl normalių ir vėžio grupių atskyrimui buvo naudojama logistinė regresija. Atsižvelgiant į nepriklausomų kintamųjų rinkinį, jis įvertina įvykio, pvz., vėžio ar normalios grupės, tikimybę. Priklausomas kintamasis svyruoja nuo 0 iki 1. Todėl rezultatas yra tikimybė. Vėžio identifikavimo tikimybę (P) nustatėme remdamiesi ΔA650/525 taip.

kur b = 5,3533, w1 = -6,965. Mėginio klasifikavimo atveju tikimybė, mažesnė nei 0,5, rodo normalų mėginį, o 0,5 ar didesnė tikimybė – vėžio mėginį. 2c paveiksle pavaizduota painiavos matrica, gauta atlikus kryžminį patvirtinimą be pakeitimų, kuris buvo naudojamas klasifikavimo metodo stabilumui patvirtinti. 2d paveiksle apibendrintas metodo diagnostinio testo įvertinimas, įskaitant jautrumą, specifiškumą, teigiamą prognozinę vertę (PPV) ir neigiamą prognozinę vertę (NPV).

Išmaniųjų telefonų pagrindu sukurti biosensoriai

Siekdami dar labiau supaprastinti mėginių tyrimus nenaudojant spektrofotometrų, tyrėjai panaudojo dirbtinį intelektą (DI), kad interpretuotų tirpalo spalvą ir atskirtų normalius nuo vėžinių asmenų. Atsižvelgiant į tai, kompiuterinė rega buvo panaudota cistos/AuNP tirpalo spalvai konvertuoti į normalią DNR (violetinė) arba vėžinę DNR (raudona), naudojant 96 šulinėlių plokštelių vaizdus, ​​nufotografuotus mobiliojo telefono kamera. Dirbtinis intelektas gali sumažinti išlaidas ir pagerinti nanodalelių tirpalų spalvos interpretavimo prieinamumą, nenaudojant jokių optinių išmaniųjų telefonų priedų. Galiausiai, modeliams sukurti buvo apmokyti du mašininio mokymosi modeliai, įskaitant atsitiktinių miškų (RF) ir atraminių vektorių mašiną (SVM). Tiek RF, tiek SVM modeliai teisingai klasifikavo mėginius kaip teigiamus ir neigiamus 90,0 % tikslumu. Tai rodo, kad dirbtinio intelekto naudojimas mobiliųjų telefonų biosensoriuose yra visiškai įmanomas.

3 pav. (a) Tirpalo tikslinė klasė, užfiksuota ruošiant mėginį vaizdo gavimo etapui. (b) Vaizdo gavimo etapo metu užfiksuotas vaizdo pavyzdys. (c) Cistos/AuNP tirpalo spalvos intensyvumas kiekviename 96 šulinėlių plokštelės šulinėlyje, išskirtame iš vaizdo (b).

Naudodami cistas/AuNP, tyrėjai sėkmingai sukūrė paprastą jutimo platformą metilinimo kraštovaizdžio aptikimui ir jutiklį, gebantį atskirti normalią DNR nuo vėžio DNR, kai leukemijos patikrai naudojami tikri kraujo mėginiai. Sukurtas jutiklis parodė, kad iš tikrų kraujo mėginių išskirta DNR leido greitai ir ekonomiškai efektyviai aptikti nedidelį vėžio DNR kiekį (3 nM) leukemija sergantiems pacientams per 15 minučių ir pasiekė 95,3 % tikslumą. Siekiant dar labiau supaprastinti mėginių tyrimus ir panaikinti spektrofotometro poreikį, buvo naudojamas mašininis mokymasis tirpalo spalvai interpretuoti ir normaliems bei vėžiu sergantiems asmenims atskirti naudojant mobiliojo telefono nuotrauką, o tikslumas taip pat buvo pasiektas 90,0 %.

Nuoroda: DOI: 10.1039/d2ra05725e