Proves de metilació de l'ADN combinades amb telèfons intel·ligents per a la detecció precoç de tumors i detecció de leucèmia amb una precisió del 90,0%!

La detecció precoç del càncer a partir de la biòpsia líquida és una nova direcció de detecció i diagnòstic del càncer proposada per l'Institut Nacional del Càncer dels EUA en els últims anys, amb l'objectiu de detectar el càncer precoç o fins i tot lesions precanceroses. S'ha utilitzat àmpliament com a biomarcador nou per al diagnòstic precoç de diverses malalties malignes, com ara càncer de pulmó, tumors gastrointestinals, gliomes i tumors ginecològics.

L'aparició de plataformes per identificar biomarcadors del paisatge de metilació (Methylscape) té el potencial de millorar significativament el cribratge precoç existent del càncer, posant els pacients en l'etapa més primerenca tractable.

Recentment, els investigadors han desenvolupat una plataforma de detecció senzilla i directa per a la detecció de paisatges de metilació basada en nanopartícules d'or decorades amb cisteamina (Cyst/AuNPs) combinades amb un biosensor basat en telèfons intel·ligents que permet la detecció precoç ràpida d'una àmplia gamma de tumors. El cribratge precoç de la leucèmia es pot realitzar dins dels 15 minuts posteriors a l'extracció d'ADN d'una mostra de sang, amb una precisió del 90,0%. El títol de l'article és Detecció ràpida de l'ADN del càncer a la sang humana mitjançant AuNPs amb cisteamina i un telèfon intel·ligent habilitat per a l'aprenentatge automàtic.

Figura 1. Una plataforma de detecció senzilla i ràpida per a la detecció del càncer mitjançant components Cyst/AuNPs es pot aconseguir en dos passos senzills.

Això es mostra a la figura 1. En primer lloc, es va utilitzar una solució aquosa per dissoldre els fragments d'ADN. A continuació, es van afegir quists / AuNP a la solució mixta. L'ADN normal i el maligne tenen diferents propietats de metilació, donant lloc a fragments d'ADN amb diferents patrons d'autoassemblatge. L'ADN normal s'agrega de manera fluixa i, finalment, s'agrega Quist/AuNPs, la qual cosa dóna lloc a la naturalesa desplaçada al vermell de Cyst/AuNPs, de manera que es pot observar un canvi de color de vermell a morat a ull nu. En canvi, el perfil de metilació únic de l'ADN del càncer condueix a la producció de grups més grans de fragments d'ADN.

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

Detecció de càncer en mostres de sang real

Per ampliar la utilitat de la plataforma de detecció, els investigadors van aplicar un sensor que va distingir amb èxit entre ADN normal i cancerós en mostres de sang real. Els patrons de metilació als llocs CpG regulen epigenèticament l'expressió gènica. En gairebé tots els tipus de càncer, s'han observat canvis en la metilació de l'ADN i, per tant, en l'expressió dels gens que promouen la tumorigènesi.

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 sans per investigar l'eficàcia del paisatge de metilació per diferenciar els càncers leucèmics. Aquest biomarcador de paisatge de metilació no només supera els mètodes de cribratge ràpid de leucèmia existents, sinó que també demostra la viabilitat d'estendre a la detecció precoç d'una àmplia gamma de càncers mitjançant aquest assaig senzill i senzill.

Es va analitzar l'ADN de mostres de sang de 31 pacients amb leucèmia i 12 individus sans. tal com es mostra al quadre de quadres de la figura 2a, l'absorbància relativa de les mostres de càncer (ΔA650/525) era inferior a la de l'ADN de les mostres normals. això es va deure principalment a la hidrofobicitat millorada que conduïa a una densa agregació d'ADN del càncer, que va impedir l'agregació de quists/AuNPs. Com a resultat, aquestes nanopartícules es van dispersar completament a les capes exteriors dels agregats de càncer, la qual cosa va donar lloc a una dispersió diferent de Cyst / AuNPs adsorbits en agregats d'ADN normals i de càncer. Aleshores es van generar les corbes ROC variant el llindar d'un valor mínim de ΔA650/525 a un valor màxim.

Figura 2. (a) Valors d'absorbància relatius de solucions de quists/AuNPs que mostren la presència d'ADN normal (blau) i càncer (vermell) en condicions optimitzades

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

Tal com es mostra a la figura 2b, l'àrea sota la corba ROC (AUC = 0, 9274) obtinguda per al sensor desenvolupat va mostrar una gran sensibilitat i especificitat. Com es pot veure a la gràfica de 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 de càncer. Donat un conjunt de variables independents, estima la probabilitat que es produeixi un esdeveniment, com un càncer o un grup normal. La variable dependent oscil·la entre 0 i 1. El resultat és, per tant, una probabilitat. Vam determinar la probabilitat d'identificació del càncer (P) a partir de ΔA650/525 de la següent manera.

on b=5,3533,w1=-6,965. Per a la classificació de la mostra, una probabilitat inferior a 0,5 indica una mostra normal, mentre que una probabilitat de 0,5 o superior indica una mostra de càncer. La figura 2c mostra la matriu de confusió generada a partir de la validació creuada de deixar-ho sol, 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 (VPN).

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, es va utilitzar la visió per ordinador per traduir el color de la solució Cyst/AuNPs a ADN normal (morat) o ADN cancerós (vermell) mitjançant imatges de plaques de 96 pous preses a través d'una càmera de telèfon mòbil. La intel·ligència artificial pot reduir costos i millorar l'accessibilitat en la interpretació del color de les solucions de nanopartícules i sense l'ús de cap accessori de maquinari òptic per a telèfons intel·ligents. Finalment, es van entrenar dos models d'aprenentatge automàtic, inclosos Random Forest (RF) i Support Vector Machine (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 biodetecció 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) Imatge d'exemple presa durant el pas d'adquisició de la imatge. ( c ) Intensitat del color de la solució de quist / AuNPs a cada pou de la placa de 96 pous extreta de la imatge ( b ).

Utilitzant Cyst/AuNPs, els investigadors han desenvolupat amb èxit una plataforma de detecció senzilla per a la detecció del paisatge de metilació i un sensor capaç de distingir l'ADN normal de l'ADN del càncer quan s'utilitzen mostres de sang real per al cribratge de leucèmia. El sensor desenvolupat va demostrar que l'ADN extret de mostres de sang real era capaç de detectar de manera ràpida i rendible 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 mostres eliminant la necessitat d'un espectrofotòmetre, es va utilitzar l'aprenentatge automàtic per interpretar el color de la solució i diferenciar entre individus normals i cancerosos mitjançant una fotografia de telèfon mòbil, i també es va poder aconseguir una precisió del 90,0%.

Referència: DOI: 10.1039/d2ra05725e