Pengujian metilasi DNA dikombinasikan dengan ponsel pintar untuk skrining dini tumor dan skrining leukemia dengan akurasi 90,0%!

Deteksi dini kanker berdasarkan biopsi cair merupakan arah baru deteksi dan diagnosis kanker yang diusulkan oleh Institut Kanker Nasional AS dalam beberapa tahun terakhir, dengan tujuan mendeteksi kanker dini atau bahkan lesi prakanker. Ini telah banyak digunakan sebagai biomarker baru untuk diagnosis dini berbagai keganasan, termasuk kanker paru-paru, tumor gastrointestinal, glioma, dan tumor ginekologi.

Munculnya platform untuk mengidentifikasi biomarker lanskap metilasi (Methylscape) berpotensi meningkatkan skrining dini kanker secara signifikan, sehingga menempatkan pasien pada tahap paling awal yang dapat diobati.

Baru-baru ini, para peneliti telah mengembangkan platform penginderaan sederhana dan langsung untuk deteksi lanskap metilasi berdasarkan nanopartikel emas berhias sistein (Cyst/AuNPs) yang dikombinasikan dengan biosensor berbasis ponsel pintar yang memungkinkan skrining dini yang cepat terhadap berbagai macam tumor. Skrining dini leukemia dapat dilakukan dalam waktu 15 menit setelah ekstraksi DNA dari sampel darah, dengan akurasi 90,0%. Judul artikelnya adalah Deteksi cepat DNA kanker dalam darah manusia menggunakan AuNP yang tertutup sistein dan ponsel cerdas yang mendukung pembelajaran mesin。

Gambar 1. Platform penginderaan yang sederhana dan cepat untuk skrining kanker melalui komponen Cyst/AuNPs dapat dicapai dalam dua langkah sederhana.

Hal ini ditunjukkan pada Gambar 1. Pertama, larutan berair digunakan untuk melarutkan fragmen DNA. Kista/AuNP kemudian ditambahkan ke dalam larutan campuran. DNA normal dan ganas memiliki sifat metilasi yang berbeda, sehingga menghasilkan fragmen DNA dengan pola perakitan sendiri yang berbeda. DNA normal beragregasi secara longgar dan akhirnya mengagregasi Kista/AuNP, yang mengakibatkan sifat Kista/AuNP berubah menjadi merah, sehingga perubahan warna dari merah menjadi ungu dapat diamati dengan mata telanjang. Sebaliknya, profil metilasi unik DNA kanker mengarah pada produksi kelompok fragmen DNA yang lebih besar.

Gambar pelat 96 sumur diambil menggunakan kamera ponsel pintar. DNA kanker diukur dengan ponsel pintar yang dilengkapi pembelajaran mesin dibandingkan dengan metode berbasis spektroskopi.

Skrining kanker dalam sampel darah asli

Untuk memperluas kegunaan platform penginderaan, para peneliti menerapkan sensor yang berhasil membedakan antara DNA normal dan kanker dalam sampel darah asli. pola metilasi di situs CpG secara epigenetik mengatur ekspresi gen. Di hampir semua jenis kanker, perubahan metilasi DNA dan ekspresi gen yang mendorong tumourigenesis diamati bergantian.

Sebagai model untuk kanker lain yang terkait dengan metilasi DNA, para peneliti menggunakan sampel darah dari pasien leukemia dan kontrol yang sehat untuk menyelidiki efektivitas lanskap metilasi dalam membedakan kanker leukemia. Biomarker lanskap metilasi ini tidak hanya mengungguli metode skrining leukemia cepat yang ada, namun juga menunjukkan kelayakan untuk memperluas deteksi dini berbagai jenis kanker dengan menggunakan pengujian yang sederhana dan mudah ini.

DNA dari sampel darah dari 31 pasien leukemia dan 12 orang sehat dianalisis. seperti yang ditunjukkan pada plot kotak pada Gambar 2a, penyerapan relatif sampel kanker (ΔA650/525) lebih rendah dibandingkan DNA dari sampel normal. hal ini terutama disebabkan oleh peningkatan hidrofobisitas yang menyebabkan agregasi padat DNA kanker, yang mencegah agregasi Kista/AuNP. Hasilnya, nanopartikel ini tersebar seluruhnya di lapisan luar agregat kanker, yang menghasilkan dispersi berbeda dari Kista/AuNP yang teradsorpsi pada agregat DNA normal dan kanker. Kurva ROC kemudian dihasilkan dengan memvariasikan ambang batas dari nilai minimum ΔA650/525 ke nilai maksimum.

Gambar 2.(a) Nilai serapan relatif larutan kista/AuNPs menunjukkan adanya DNA normal (biru) dan kanker (merah) dalam kondisi optimal

(DA650/525) petak kotak; (b) Analisis ROC dan evaluasi uji diagnostik. (c) Matriks kebingungan untuk diagnosis pasien normal dan kanker. (d) Sensitivitas, spesifisitas, nilai prediksi positif (PPV), nilai prediksi negatif (NPV) dan akurasi metode yang dikembangkan.

Seperti yang ditunjukkan pada Gambar 2b, area di bawah kurva ROC (AUC = 0,9274) yang diperoleh untuk sensor yang dikembangkan menunjukkan sensitivitas dan spesifisitas yang tinggi. Terlihat dari diagram kotak, titik terendah yang mewakili kelompok DNA normal tidak terpisah jauh dari titik tertinggi yang mewakili kelompok DNA kanker; oleh karena itu, regresi logistik digunakan untuk membedakan antara kelompok normal dan kelompok kanker. Dengan adanya sekumpulan variabel independen, ini memperkirakan kemungkinan terjadinya suatu peristiwa, seperti kelompok kanker atau kelompok normal. Variabel terikat berkisar antara 0 dan 1. Oleh karena itu, hasilnya adalah suatu probabilitas. Kami menentukan probabilitas identifikasi kanker (P) berdasarkan ΔA650/525 sebagai berikut.

dimana b=5,3533,w1=-6,965. Untuk klasifikasi sampel, probabilitas kurang dari 0,5 menunjukkan sampel normal, sedangkan probabilitas 0,5 atau lebih tinggi menunjukkan sampel kanker. Gambar 2c menggambarkan matriks konfusi yang dihasilkan dari validasi silang biarkan saja, yang digunakan untuk memvalidasi stabilitas metode klasifikasi. Gambar 2d merangkum evaluasi uji diagnostik metode ini, termasuk sensitivitas, spesifisitas, nilai prediksi positif (PPV) dan nilai prediksi negatif (NPV).

Biosensor berbasis ponsel pintar

Untuk lebih menyederhanakan pengujian sampel tanpa menggunakan spektrofotometer, para peneliti menggunakan kecerdasan buatan (AI) untuk menafsirkan warna larutan dan membedakan antara individu normal dan penderita kanker. Mengingat hal ini, visi komputer digunakan untuk menerjemahkan warna larutan Kista/AuNPs menjadi DNA normal (ungu) atau DNA kanker (merah) menggunakan gambar pelat 96 lubang yang diambil melalui kamera ponsel. Kecerdasan buatan dapat mengurangi biaya dan meningkatkan aksesibilitas dalam menafsirkan warna solusi nanopartikel, dan tanpa menggunakan aksesori perangkat keras optik apa pun pada ponsel cerdas. Terakhir, dua model pembelajaran mesin, termasuk Random Forest (RF) dan Support Vector Machine (SVM) dilatih untuk membuat model. baik model RF maupun SVM dengan tepat mengklasifikasikan sampel sebagai positif dan negatif dengan akurasi 90,0%. Hal ini menunjukkan bahwa penggunaan kecerdasan buatan dalam biosensing berbasis ponsel sangat mungkin dilakukan.

Gambar 3.(a) Kelas target solusi dicatat selama persiapan sampel untuk langkah akuisisi gambar. (b) Contoh gambar yang diambil pada langkah akuisisi gambar. (c) Intensitas warna larutan kista/AuNPs di setiap sumur pada pelat 96 sumur yang diekstraksi dari gambar (b).

Dengan menggunakan Cyst/AuNPs, para peneliti telah berhasil mengembangkan platform penginderaan sederhana untuk deteksi lanskap metilasi dan sensor yang mampu membedakan DNA normal dari DNA kanker saat menggunakan sampel darah asli untuk skrining leukemia. Sensor yang dikembangkan menunjukkan bahwa DNA yang diekstraksi dari sampel darah asli mampu mendeteksi sejumlah kecil DNA kanker (3nM) pada pasien leukemia dengan cepat dan hemat biaya dalam waktu 15 menit, dan menunjukkan akurasi sebesar 95,3%. Untuk lebih menyederhanakan pengujian sampel dengan menghilangkan kebutuhan akan spektrofotometer, pembelajaran mesin digunakan untuk menafsirkan warna larutan dan membedakan antara individu normal dan kanker menggunakan foto ponsel, dan akurasi juga dapat dicapai pada 90,0%.

Referensi: DOI: 10.1039/d2ra05725e