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

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

Munculnya platform untuk mengidentifikasi biomarker lanskap metilasi (Methylscape) berpotensi secara signifikan meningkatkan skrining dini kanker yang ada, sehingga pasien dapat dideteksi 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 yang dihiasi sistamin (Cyst/AuNPs) yang dikombinasikan dengan biosensor berbasis ponsel 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 AuNPs yang dilapisi sistamin dan ponsel pintar yang didukung pembelajaran mesin.

Gambar 1. Platform penginderaan 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. Cyst/AuNPs kemudian ditambahkan ke dalam larutan campuran. DNA normal dan ganas memiliki sifat metilasi yang berbeda, sehingga menghasilkan fragmen DNA dengan pola perakitan diri yang berbeda. DNA normal beragregasi secara longgar dan akhirnya mengagregasi Cyst/AuNPs, yang mengakibatkan pergeseran warna merah pada Cyst/AuNPs, sehingga perubahan warna dari merah menjadi ungu dapat diamati dengan mata telanjang. Sebaliknya, profil metilasi unik DNA kanker menyebabkan produksi gugus fragmen DNA yang lebih besar.

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

Pemeriksaan skrining kanker menggunakan sampel darah asli.

Untuk memperluas kegunaan platform penginderaan, para peneliti menerapkan sensor yang berhasil membedakan antara DNA normal dan DNA kanker dalam sampel darah asli. Pola metilasi pada situs CpG secara epigenetik mengatur ekspresi gen. Pada hampir semua jenis kanker, perubahan metilasi DNA dan dengan demikian ekspresi gen yang mendorong tumorigenesis telah diamati mengalami perubahan.

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 diperluas ke deteksi dini berbagai macam kanker menggunakan uji sederhana dan mudah ini.

DNA dari sampel darah 31 pasien leukemia dan 12 individu sehat dianalisis. Seperti yang ditunjukkan pada 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 padat DNA kanker, yang mencegah agregasi Cyst/AuNPs. Akibatnya, nanopartikel ini sepenuhnya tersebar di lapisan luar agregat kanker, yang menghasilkan dispersi Cyst/AuNPs yang berbeda yang terserap pada agregat DNA normal dan kanker. Kurva ROC kemudian dihasilkan dengan memvariasikan ambang batas dari nilai minimum ΔA650/525 hingga nilai maksimum.

Gambar 2.(a) Nilai absorbansi relatif larutan kista/AuNPs yang menunjukkan keberadaan DNA normal (biru) dan DNA kanker (merah) dalam kondisi yang dioptimalkan

(DA650/525) dari box plot; (b) Analisis ROC dan evaluasi tes 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 box plot, 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 diberikan serangkaian variabel independen, regresi logistik memperkirakan probabilitas terjadinya suatu peristiwa, seperti kelompok kanker atau normal. Variabel dependen berkisar antara 0 dan 1. 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 leave-it-alone, 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 ponsel 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 penderita kanker. Dengan demikian, 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, tanpa menggunakan perangkat keras optik atau aksesori ponsel pintar apa pun. Terakhir, dua model pembelajaran mesin, termasuk Random Forest (RF) dan Support Vector Machine (SVM), dilatih untuk membangun model tersebut. Baik model RF maupun SVM mengklasifikasikan sampel 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 diekstrak 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 diekstrak dari sampel darah asli mampu mendeteksi sejumlah kecil DNA kanker (3nM) pada pasien leukemia secara 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 menginterpretasikan warna larutan dan membedakan antara individu normal dan penderita kanker menggunakan foto ponsel, dan akurasi juga dapat dicapai pada 90,0%.

Referensi: DOI: 10.1039/d2ra05725e