Pengujian metilasi DNA dikombinasikan dengan smartphone untuk skrining awal tumor dan skrining leukemia dengan akurasi 90,0%!

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

Munculnya platform untuk mengidentifikasi biomarker lanskap metilasi (methylscape) memiliki potensi untuk secara signifikan meningkatkan skrining dini yang ada untuk kanker, menempatkan pasien pada tahap yang paling awal yang dapat diobati.

Kemajuan RSC

 

Baru-baru ini, para peneliti telah mengembangkan platform penginderaan sederhana dan langsung untuk deteksi lanskap metilasi berdasarkan nanopartikel emas yang dihiasi cysteamine (Cyst/AuNPs) yang dikombinasikan dengan biosensor berbasis ponsel cerdas yang memungkinkan skrining awal yang cepat dari berbagai tumor. Skrining awal untuk leukemia dapat dilakukan dalam waktu 15 menit setelah ekstraksi DNA dari sampel darah, dengan akurasi 90,0%. Judul artikel adalah deteksi cepat DNA kanker dalam darah manusia menggunakan AuNPs-capped-capped cysteamine dan smartphone yang diaktifkan dengan pembelajaran mesin。

Pengujian DNA

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

Ini ditunjukkan pada Gambar 1. Pertama, larutan berair digunakan untuk melarutkan fragmen DNA. Kista/AuNP kemudian ditambahkan ke solusi campuran. DNA normal dan ganas memiliki sifat metilasi yang berbeda, menghasilkan fragmen DNA dengan pola perakitan mandiri yang berbeda. Agregat DNA normal secara longgar dan akhirnya mengumpulkan kista/AuNPs, yang menghasilkan sifat kista/AuNPs yang bergeser merah, sehingga perubahan warna dari merah ke ungu dapat diamati dengan mata telanjang. Sebaliknya, profil metilasi unik DNA kanker mengarah pada produksi kelompok fragmen DNA yang lebih besar.

Gambar 96-well plate diambil menggunakan kamera smartphone. DNA kanker diukur dengan smartphone yang dilengkapi dengan 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 dengan demikian dalam ekspresi gen yang mempromosikan tumourigenesis telah diamati menjadi alternatif.

Sebagai model untuk kanker lain yang terkait dengan metilasi DNA, para peneliti menggunakan sampel darah dari pasien leukemia dan kontrol sehat untuk menyelidiki efektivitas lanskap metilasi dalam membedakan kanker leukemia. Biomarker lanskap metilasi ini tidak hanya mengungguli metode penyaringan leukemia cepat yang ada, tetapi juga menunjukkan kelayakan meluas ke deteksi dini dari berbagai kanker menggunakan uji sederhana dan langsung ini.

DNA dari sampel darah dari 31 pasien leukemia dan 12 orang sehat dianalisis. Seperti yang ditunjukkan dalam plot kotak pada Gambar 2A, absorbansi relatif sampel kanker (ΔA650/525) lebih rendah daripada DNA dari sampel normal. Ini terutama disebabkan oleh peningkatan hidrofobisitas yang mengarah ke agregasi padat DNA kanker, yang mencegah agregasi kista/AuNPs. Akibatnya, nanopartikel ini sepenuhnya tersebar di lapisan luar agregat kanker, yang menghasilkan dispersi kista/AuNP yang berbeda yang diadsorpsi pada agregat DNA normal dan kanker. Kurva ROC kemudian dihasilkan dengan memvariasikan ambang batas dari nilai minimum ΔA650/525 ke nilai maksimum.

Data

Gambar 2. (a) Nilai absorbansi relatif dari solusi kista/AuNPS menunjukkan adanya DNA normal (biru) dan kanker (merah) dalam kondisi yang dioptimalkan

(DA650/525) dari plot kotak; (B) Analisis ROC dan evaluasi tes diagnostik. (c) Matriks kebingungan untuk diagnosis pasien normal dan kanker. (D) Sensitivitas, spesifisitas, nilai prediktif positif (PPV), nilai prediktif 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. Seperti yang dapat dilihat dari plot kotak, titik terendah yang mewakili kelompok DNA normal tidak terpisah dengan baik dari titik tertinggi yang mewakili kelompok DNA kanker; Oleh karena itu, regresi logistik digunakan untuk membedakan antara kelompok normal dan kanker. Diberi serangkaian variabel independen, ini memperkirakan probabilitas peristiwa yang terjadi, seperti kanker atau kelompok normal. Rentang variabel dependen antara 0 dan 1. Oleh karena itu hasilnya adalah probabilitas. Kami menentukan probabilitas identifikasi kanker (P) berdasarkan ΔA650/525 sebagai berikut.

Formula Perhitungan

di mana 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 kebingungan yang dihasilkan dari validasi silang cuti-it-alone, yang digunakan untuk memvalidasi stabilitas metode klasifikasi. Gambar 2D merangkum evaluasi uji diagnostik dari metode ini, termasuk sensitivitas, spesifisitas, nilai prediktif positif (PPV) dan nilai prediktif negatif (NPV).

Biosensor berbasis smartphone

Untuk lebih menyederhanakan pengujian sampel tanpa menggunakan spektrofotometer, para peneliti menggunakan kecerdasan buatan (AI) untuk menafsirkan warna larutan dan membedakan antara individu normal dan kanker. Mengingat hal ini, penglihatan komputer digunakan untuk menerjemahkan warna solusi kista/AuNPS ke dalam DNA normal (ungu) atau DNA kanker (merah) menggunakan gambar piring 96-sumur yang diambil melalui kamera ponsel. Kecerdasan buatan dapat mengurangi biaya dan meningkatkan aksesibilitas dalam menafsirkan warna solusi nanopartikel, dan tanpa menggunakan aksesori ponsel pintar perangkat keras optik. Akhirnya, dua model pembelajaran mesin, termasuk Random Forest (RF) dan Support Vector Machine (SVM) dilatih untuk membangun model. Baik model RF dan SVM dengan benar mengklasifikasikan sampel sebagai positif dan negatif dengan akurasi 90,0%. Ini menunjukkan bahwa penggunaan kecerdasan buatan dalam biosensing berbasis ponsel sangat mungkin.

Pertunjukan

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

Menggunakan kista/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 dengan cepat dan efektif mendeteksi sejumlah kecil DNA kanker (3NM) pada pasien leukemia dalam 15 menit, dan menunjukkan akurasi 95,3%. Untuk lebih menyederhanakan pengujian sampel dengan menghilangkan kebutuhan akan spektrofotometer, pembelajaran mesin digunakan untuk menafsirkan warna solusi dan membedakan antara individu normal dan kanker menggunakan foto ponsel, dan akurasi juga dapat dicapai pada 90,0%.

Referensi: doi: 10.1039/d2ra05725e


Waktu pos: Feb-18-2023
Pengaturan Privasi
Kelola persetujuan cookie
Untuk memberikan pengalaman terbaik, kami menggunakan teknologi seperti cookie untuk menyimpan dan/atau mengakses informasi perangkat. Menyetujui teknologi ini akan memungkinkan kita untuk memproses data seperti perilaku menjelajah atau ID unik di situs ini. Tidak menyetujui atau menarik persetujuan, dapat mempengaruhi fitur dan fungsi tertentu.
✔ diterima
✔ Terima
Tolak dan tutup
X