Les proves de metilació d’ADN combinades amb telèfons intel·ligents per a la cribratge precoç de tumors i cribratge de leucèmia amb una precisió del 90,0%.

La detecció precoç del càncer basada en la biòpsia líquida és una nova direcció de detecció i diagnòstic de càncer proposat per l’Institut Nacional del Càncer dels Estats Units en els darrers anys, amb l’objectiu de detectar el càncer precoç o fins i tot lesions precanceroses. Ha estat àmpliament utilitzat com a nou biomarcador per al diagnòstic precoç de diverses malignes, com ara càncer de pulmó, tumors gastrointestinals, gliomes i tumors ginecològics.

L’aparició de plataformes per identificar els biomarcadors del paisatge de metilació (metillscape) té el potencial de millorar significativament el cribratge precoç del càncer existent, posant pacients al primer moment tractable.

Recentment, els investigadors han desenvolupat una plataforma de detecció de detecció de paisatge de metilació senzilla i senzilla basada en nanopartícules d'or decorades en cisteamina (quist/auNPs) combinada amb un biosensor basat en telèfons intel·ligents que permet un cribratge precoç ràpid d'una àmplia gamma de tumors. El cribratge precoç de la leucèmia es pot realitzar en 15 minuts després de l'extracció d'ADN d'una mostra de sang, amb una precisió del 90,0%. El títol de l'article és la detecció ràpida de l'ADN contra el càncer en sang humana mitjançant AuNPs amb capçalera de cisteame i un telèfon intel·ligent habilitat per a l'aprenentatge automàtic。

Figura 1. Una plataforma de detecció senzilla i ràpida per al cribratge del càncer mitjançant components de CIST/AUNPS es pot realitzar en dos passos senzills.

Això es mostra a la figura 1. Primer, es va utilitzar una solució aquosa per dissoldre els fragments d’ADN. A continuació, es van afegir quist/AuNPs a la solució mixta. L’ADN normal i maligne té diferents propietats de metilació, donant lloc a fragments d’ADN amb diferents patrons d’autoassemblatge. Els agregats d’ADN normals s’aconsegueixen amb fluïdesa i, eventualment, agrupen el quist/AuNPs, que es tradueix en la naturalesa canviada vermella del quist/AuNPs, de manera que es pot observar un canvi de color de vermell al morat amb l’ull nu. En canvi, l’únic perfil de metilació de l’ADN contra el càncer condueix a la producció de grups més grans de fragments d’ADN.

Les imatges de plaques de 96 pous es van prendre mitjançant una càmera de telèfons intel·ligents. L’ADN del càncer es va mesurar mitjançant un telèfon intel·ligent equipat amb l’aprenentatge automàtic en comparació amb els mètodes basats en l’espectroscòpia.

Cribratge del càncer en mostres de sang reals

Per estendre la utilitat de la plataforma de detecció, els investigadors van aplicar un sensor que distingia amb èxit entre l’ADN normal i el càncer en mostres de sang reals. Els patrons de metilació als llocs de CPG regulen epigenèticament l’expressió gènica. En gairebé tots els tipus de càncer, s'han observat que els canvis en la metilació de l'ADN i per tant en l'expressió de gens que promouen la tumourigènesi.

Com a model per a altres càncers associats a la metilació de l'ADN, els investigadors van utilitzar mostres de sang de pacients amb leucèmia i controls saludables per investigar l'efectivitat del paisatge de metilació en la diferenciació de càncers leucèmics. Aquest biomarcador paisatgístic de metilació no només supera els mètodes de cribratge de leucèmia ràpida existents, sinó que també demostra la viabilitat d'estendre -se a la detecció precoç d'una àmplia gamma de càncers que utilitzen aquest assaig senzill i senzill.

Es va analitzar l’ADN de mostres de sang de 31 pacients amb leucèmia i 12 individus sans. Com es mostra a la trama de la caixa de la figura 2A, l’absorbància relativa de les mostres de càncer (ΔA650/525) va ser inferior a la de l’ADN de mostres normals. Això es va deure principalment a la millora de la hidrofobicitat que condueix a una agregació densa d'ADN contra el càncer, que va impedir l'agregació de quist/AuNPs. Com a resultat, aquestes nanopartícules es van dispersar completament a les capes exteriors dels agregats de càncer, que van donar lloc a una dispersió diferent de quist/AuNPs adsorbits en agregats d'ADN normals i de càncer. Les corbes ROC es van generar després variant el llindar des d’un valor mínim de ΔA650/525 a un valor màxim.

Figura 2. (a) Valors d’absorbància relatius de les solucions de quist/AuNPS que mostren la presència d’ADN normal (blau) i de càncer (vermell) en condicions optimitzades

(DA650/525) de trames de caixa; (b) Anàlisi i avaluació de ROC de proves de diagnòstic. (c) Matriu de confusió per al diagnòstic de pacients normals i de càncer. (d) Sensibilitat, especificitat, valor predictiu positiu (PPV), valor predictiu negatiu (NPV) i precisió del mètode desenvolupat.

Com es mostra a la figura 2B, l’àrea sota la corba ROC (AUC = 0.9274) obtinguda per al sensor desenvolupat va mostrar una alta sensibilitat i especificitat. Com es pot veure a la trama de la caixa, el punt més baix que representa el grup d’ADN normal no està ben separat del punt més alt que representa el grup d’ADN del càncer; Per tant, es va utilitzar la regressió logística per diferenciar els grups normals i el càncer. Tenint en compte un conjunt de variables independents, estima la probabilitat que es produeixi un esdeveniment, com ara un càncer o un grup normal. La variable dependent oscil·la entre 0 i 1. El resultat és, per tant, una probabilitat. Es va determinar la probabilitat d’identificació del càncer (P) basada en ΔA650/525 de la següent manera.

on b = 5.3533, w1 = -6.965. Per a la classificació de mostres, una probabilitat de menys de 0,5 indica una mostra normal, mentre que una probabilitat de 0,5 o superior indica una mostra de càncer. La figura 2C representa la matriu de confusió generada a partir de la validació creuada de permís, que es va utilitzar per validar l'estabilitat del mètode de classificació. La figura 2D resumeix l’avaluació de la prova diagnòstica del mètode, incloent la sensibilitat, l’especificitat, el valor predictiu positiu (PPV) i el valor predictiu negatiu (NPV).

Biosensors basats en telèfons intel·ligents

Per simplificar encara més les proves de mostres sense l’ús d’espectrofotòmetres, els investigadors van utilitzar la intel·ligència artificial (IA) per interpretar el color de la solució i distingir entre individus normals i cancerosos. Tenint en compte això, la visió informàtica es va utilitzar per traduir el color de la solució de quist/AuNPS en ADN normal (morat) o ADN cancerós (vermell) mitjançant imatges de plaques de 96 pous realitzades a través d’una càmera de telefonia mòbil. La intel·ligència artificial pot reduir costos i millorar l’accessibilitat per interpretar el color de les solucions de nanopartícules i sense l’ús de cap accessoris de telèfon intel·ligent de maquinari òptic. Finalment, es van formar dos models d’aprenentatge automàtic, inclosos el bosc aleatori (RF) i la màquina vectorial de suport (SVM) per construir els models. Tant els models RF com SVM van classificar correctament les mostres com a positives i negatives amb una precisió del 90,0%. Això suggereix que l’ús de la intel·ligència artificial en la biosensificació basada en telèfons mòbils és molt possible.

Figura 3. (a) Classe objectiu de la solució registrada durant la preparació de la mostra per al pas d’adquisició d’imatges. (b) Exemple de la imatge realitzada durant el pas d'adquisició d'imatges. (c) Intensitat de color de la solució de quist/AuNPS a cada pou de la placa de 96 pous extreta de la imatge (B).

Utilitzant quist/AuNPs, els investigadors han desenvolupat amb èxit una plataforma de detecció de detecció de paisatge de metilació i un sensor capaç de distingir l’ADN normal de l’ADN del càncer quan s’utilitzen mostres de sang reals per al cribratge de leucèmia. El sensor desenvolupat va demostrar que l’ADN extret de mostres de sang reals era capaç de detectar de forma ràpida i rendible les petites quantitats d’ADN de càncer (3NM) en pacients amb leucèmia en 15 minuts i va mostrar una precisió del 95,3%. Per simplificar encara més les proves de mostra eliminant la necessitat d’un espectrofotòmetre, l’aprenentatge de màquines es va utilitzar per interpretar el color de la solució i diferenciar entre persones normals i canceroses mitjançant una fotografia de telèfon mòbil i també es va aconseguir precisió al 90,0%.

Referència: doi: 10.1039/d2ra05725e