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 deteksi dan diagnosis kanker yang diusulkan oleh US National Cancer Institute dalam beberapa tahun terakhir, dengan tujuan mendeteksi dini kanker 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) memiliki potensi untuk secara signifikan meningkatkan skrining 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 lanskap metilasi berdasarkan nanopartikel emas yang dihias cysteamine (Cyst/AuNPs) dikombinasikan dengan biosensor berbasis smartphone yang memungkinkan skrining awal yang cepat dari berbagai 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 tertutup cysteamine dan smartphone yang mendukung pembelajaran mesin。

Gambar 1. Platform penginderaan sederhana dan cepat untuk skrining kanker melalui komponen Kista/AuNPs dapat dilakukan dalam dua langkah sederhana.

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

Gambar pelat 96-sumur 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 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 keefektifan 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 jenis kanker menggunakan pengujian sederhana dan langsung ini.

DNA dari sampel darah dari 31 pasien leukemia dan 12 orang sehat dianalisis.seperti yang ditunjukkan pada 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 menyebabkan agregasi DNA kanker yang padat, yang mencegah agregasi Kista/AuNPs.Akibatnya, partikel nano ini benar-benar tersebar 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 absorbansi relatif larutan kista/AuNPs menunjukkan adanya dna normal (biru) dan kanker (merah) dalam kondisi optimal

(DA650/525) plot kotak;(b) Analisis ROC dan evaluasi tes diagnostik.(c) Confusion matrix 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 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.Mengingat satu set variabel independen, itu memperkirakan kemungkinan suatu peristiwa yang terjadi, seperti kanker atau kelompok 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 biarkan saja, yang digunakan untuk memvalidasi stabilitas metode klasifikasi.Gambar 2d merangkum evaluasi uji diagnostik dari metode ini, termasuk sensitivitas, spesifisitas, nilai prediksi positif (PPV) dan nilai prediksi negatif (NPV).

Biosensor berbasis smartphone

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, penglihatan komputer digunakan untuk menerjemahkan warna larutan Kista/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 solusi nanopartikel, dan tanpa menggunakan aksesori smartphone perangkat keras optik 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 dengan benar 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 dari solusi yang direkam selama persiapan sampel untuk langkah akuisisi citra.(B) Contoh gambar yang diambil selama langkah akuisisi gambar.( c ) Intensitas warna larutan kista / AuNPs di setiap sumur dari 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 dengan cepat dan hemat biaya mendeteksi sejumlah kecil DNA kanker (3nM) pada pasien leukemia dalam 15 menit, dan menunjukkan akurasi sebesar 95,3%.Untuk lebih menyederhanakan pengujian sampel dengan meniadakan 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