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. 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 bentang metilasi (Methylscape) berpotensi meningkatkan secara signifikan pemeriksaan dini kanker yang ada, menempatkan pasien pada tahap paling awal yang dapat diobati.
Baru-baru ini, para peneliti telah mengembangkan platform penginderaan sederhana dan langsung untuk deteksi bentang metilasi berdasarkan nanopartikel emas berhias sisteina (Cyst/AuNPs) yang dikombinasikan dengan biosensor berbasis telepon pintar yang memungkinkan skrining dini yang cepat untuk berbagai macam tumor. Skrining dini 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 AuNP yang dilapisi sisteina dan telepon pintar 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 beragregasi dengan Kista/AuNP, yang menghasilkan sifat Kista/AuNP yang bergeser ke merah, sehingga perubahan warna dari merah menjadi ungu dapat diamati dengan mata telanjang. Sebaliknya, profil metilasi unik DNA kanker menyebabkan produksi kelompok fragmen DNA yang lebih besar.
Gambar pelat 96-well diambil menggunakan kamera ponsel pintar. DNA kanker diukur menggunakan ponsel pintar yang dilengkapi dengan pembelajaran mesin dibandingkan dengan metode berbasis spektroskopi.
Pemeriksaan kanker pada 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 mengatur ekspresi gen secara epigenetik. Pada hampir semua jenis kanker, perubahan dalam metilasi DNA dan dengan demikian dalam ekspresi gen yang mendorong tumorigenesis telah diamati secara bergantian.
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 skrining leukemia cepat yang ada, tetapi juga menunjukkan kelayakan untuk memperluas deteksi dini berbagai kanker menggunakan pengujian yang sederhana dan mudah ini.
DNA dari sampel darah dari 31 pasien leukemia dan 12 individu sehat dianalisis. Seperti yang ditunjukkan dalam diagram kotak pada Gambar 2a, absorbansi relatif sampel kanker (ΔA650/525) lebih rendah daripada DNA dari sampel normal. Hal ini terutama disebabkan oleh peningkatan hidrofobisitas yang menyebabkan agregasi DNA kanker yang padat, yang mencegah agregasi Cyst/AuNPs. Akibatnya, nanopartikel ini tersebar sepenuhnya di lapisan luar agregat kanker, yang mengakibatkan dispersi Cyst/AuNPs yang berbeda yang diserap pada agregat DNA normal dan kanker. Kurva ROC kemudian dibuat dengan memvariasikan ambang batas dari nilai minimum ΔA650/525 ke nilai maksimum.
Gambar 2.(a) Nilai absorbansi relatif larutan kista/AuNPs yang menunjukkan keberadaan DNA normal (biru) dan kanker (merah) dalam kondisi optimal
(DA650/525) diagram 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. Seperti yang dapat dilihat dari diagram 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. Dengan sekumpulan variabel independen, regresi ini memperkirakan probabilitas terjadinya suatu peristiwa, seperti kelompok kanker atau normal. Variabel dependen berkisar antara 0 dan 1. Oleh karena itu, hasilnya adalah probabilitas. Kami menentukan probabilitas identifikasi kanker (P) berdasarkan ΔA650/525 sebagai berikut.
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 tanpa campur tangan, yang digunakan untuk memvalidasi stabilitas metode klasifikasi. Gambar 2d merangkum evaluasi uji diagnostik metode tersebut, termasuk sensitivitas, spesifisitas, nilai prediksi positif (PPV) dan nilai prediksi negatif (NPV).
Biosensor berbasis telepon pintar
Untuk lebih menyederhanakan pengujian sampel tanpa menggunakan spektrofotometer, para peneliti menggunakan kecerdasan buatan (AI) untuk menginterpretasikan warna larutan dan membedakan antara individu normal dan kanker. Mengingat hal ini, visi komputer digunakan untuk menerjemahkan warna larutan Cyst/AuNPs menjadi DNA normal (ungu) atau DNA kanker (merah) menggunakan gambar pelat 96-sumur yang diambil melalui kamera ponsel. Kecerdasan buatan dapat mengurangi biaya dan meningkatkan aksesibilitas dalam menginterpretasikan warna larutan nanopartikel, dan tanpa menggunakan aksesori perangkat keras optik apa pun untuk telepon pintar. Akhirnya, dua model pembelajaran mesin, termasuk Random Forest (RF) dan Support Vector Machine (SVM) dilatih untuk membangun model. Baik model RF maupun SVM mengklasifikasikan sampel dengan benar sebagai positif dan negatif dengan akurasi 90,0%. Hal ini menunjukkan bahwa penggunaan kecerdasan buatan dalam biosensing berbasis ponsel sangat memungkinkan.
Gambar 3.(a) Kelas target larutan yang direkam selama persiapan sampel untuk langkah akuisisi gambar. (b) Contoh gambar yang diambil selama langkah akuisisi gambar. (c) Intensitas warna larutan kista/AuNPs di setiap sumur pelat 96 sumur yang diekstraksi dari gambar (b).
Dengan menggunakan Cyst/AuNPs, para peneliti telah berhasil mengembangkan platform penginderaan sederhana untuk deteksi bentang 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 dalam waktu 15 menit dengan cepat dan hemat biaya, serta menunjukkan akurasi sebesar 95,3%. Untuk lebih menyederhanakan pengujian sampel dengan menghilangkan kebutuhan akan spektrofotometer, pembelajaran mesin digunakan untuk menginterpretasikan 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
Waktu posting: 18-Feb-2023