Test di metilazione del DNA combinati con smartphone per lo screening precoce dei tumori e lo screening della leucemia con una precisione del 90,0%!

La diagnosi precoce del cancro basata sulla biopsia liquida è una nuova direzione di rilevazione e diagnosi del cancro proposta dal National Cancer Institute degli Stati Uniti negli ultimi anni, con l'obiettivo di rilevare il cancro precoce o persino lesioni precancerose. È stato ampiamente usato come nuovo biomarcatore per la diagnosi precoce di varie neoplasie, tra cui carcinoma polmonare, tumori gastrointestinali, gliomi e tumori ginecologici.

L'emergere di piattaforme per identificare i biomarcatori del paesaggio della metilazione (metilcape) ha il potenziale per migliorare significativamente lo screening precoce esistente per il cancro, mettendo i pazienti nella prima stadio curabile.

Recentemente, i ricercatori hanno sviluppato una piattaforma di rilevamento semplice e diretto per il rilevamento del paesaggio della metilazione basata su nanoparticelle d'oro decorate con cisteamina (cisti/AuNP) combinate con un biosensore a base di smartphone che consente uno screening precoce rapido di una vasta gamma di tumori. Lo screening precoce per la leucemia può essere eseguito entro 15 minuti dall'estrazione del DNA da un campione di sangue, con una precisione del 90,0%. Il titolo dell'articolo è una rapida rilevazione del DNA del cancro nel sangue umano usando AuNP con cisteamina e uno smartphone abilitato per l'apprendimento automatico。

Figura 1. Una piattaforma di rilevamento semplice e veloce per lo screening del cancro tramite componenti cisti/AuNP può essere realizzata in due semplici passaggi.

Questo è mostrato in Figura 1. In primo luogo, è stata utilizzata una soluzione acquosa per sciogliere i frammenti di DNA. La cisti/AuNP è stata quindi aggiunta alla soluzione mista. Il DNA normale e maligno ha proprietà di metilazione diverse, con conseguenti frammenti di DNA con diversi modelli di autoassemblaggio. Il normale DNA si aggrega in modo libera e infine aggrega la cisti/AuNP, il che si traduce nella natura spostata in rosso della cisti/AuNP, in modo che si possa osservare un cambiamento di colore dal rosso al viola ad occhio nudo. Al contrario, il profilo di metilazione unico del DNA del cancro porta alla produzione di cluster più grandi di frammenti di DNA.

Le immagini di piastre da 96 pozzetti sono state scattate utilizzando una fotocamera per smartphone. Il DNA del cancro è stato misurato da uno smartphone dotato di apprendimento automatico rispetto ai metodi basati su spettroscopia.

Screening del cancro in campioni di sangue reale

Per estendere l'utilità della piattaforma di rilevamento, gli investigatori hanno applicato un sensore che si è distinto con successo tra DNA normale e canceroso in campioni di sangue reali. I modelli di metilazione nei siti CPG regolano epigeneticamente l'espressione genica. In quasi tutti i tipi di cancro, sono stati osservati cambiamenti nella metilazione del DNA e quindi nell'espressione dei geni che promuovono la tumourigenesi.

Come modello per altri tumori associati alla metilazione del DNA, i ricercatori hanno utilizzato campioni di sangue di pazienti con leucemia e controlli sani per studiare l'efficacia del panorama della metilazione nella differenziazione dei tumori leucemici. Questo biomarcatore del paesaggio della metilazione non solo supera i metodi di screening della leucemia rapida esistenti, ma dimostra anche la fattibilità dell'estensione alla rilevazione precoce di una vasta gamma di tumori usando questo test semplice e diretto.

È stato analizzato il DNA di campioni di sangue di 31 pazienti con leucemia e 12 individui sani. Come mostrato nel diagramma della scatola nella Figura 2A, l'assorbanza relativa dei campioni di cancro (ΔA650/525) era inferiore a quella del DNA da campioni normali. Ciò è dovuto principalmente alla maggiore idrofobicità che ha portato a una densa aggregazione del DNA del cancro, che ha impedito l'aggregazione di cisti/AuNP. Di conseguenza, queste nanoparticelle sono state completamente disperse negli strati esterni degli aggregati del cancro, il che ha portato a una diversa dispersione di cisti/AuNP adsorbiti su aggregati di DNA normale e di cancro. Le curve ROC sono state quindi generate variando la soglia da un valore minimo di ΔA650/525 a un valore massimo.

Figura 2. (a) Valori di assorbanza relativa delle soluzioni di cisti/AuNP che mostrano la presenza di DNA normale (blu) e cancro (rosso) in condizioni ottimizzate

(DA650/525) di grafici a scatola; (b) Analisi ROC e valutazione dei test diagnostici. (c) Matrix di confusione per la diagnosi di pazienti normali e cancro. (d) Sensibilità, specificità, valore predittivo positivo (PPV), valore predittivo negativo (NPV) e accuratezza del metodo sviluppato.

Come mostrato nella Figura 2b, l'area sotto la curva ROC (AUC = 0,9274) ottenuta per il sensore sviluppato ha mostrato un'elevata sensibilità e specificità. Come si può vedere dal diagramma della scatola, il punto più basso che rappresenta il normale gruppo di DNA non è ben separato dal punto più alto che rappresenta il gruppo di DNA del cancro; Pertanto, la regressione logistica è stata usata per distinguere tra i gruppi normali e cancerosi. Data una serie di variabili indipendenti, stima la probabilità che si verifichi un evento, come un cancro o un gruppo normale. La variabile dipendente varia tra 0 e 1. Il risultato è quindi una probabilità. Abbiamo determinato la probabilità di identificazione del cancro (P) basata su ΔA650/525 come segue.

dove b = 5.3533, W1 = -6.965. Per la classificazione del campione, una probabilità inferiore a 0,5 indica un campione normale, mentre una probabilità di 0,5 o superiore indica un campione di cancro. La Figura 2C mostra la matrice di confusione generata dalla convalida incrociata del congedo, che è stata utilizzata per convalidare la stabilità del metodo di classificazione. La Figura 2D riassume la valutazione del test diagnostico del metodo, tra cui sensibilità, specificità, valore predittivo positivo (PPV) e valore predittivo negativo (NPV).

Biosensori a base di smartphone

Per semplificare ulteriormente i test di campioni senza l'uso di spettrofotometri, i ricercatori hanno utilizzato l'intelligenza artificiale (AI) per interpretare il colore della soluzione e distinguere tra individui normali e cancerosi. Detto questo, Computer Vision è stato utilizzato per tradurre il colore della soluzione cisti/AuNP in DNA normale (viola) o DNA canceroso (rosso) usando immagini di piastre da 96 pozzetti scattate attraverso una fotocamera del telefono cellulare. L'intelligenza artificiale può ridurre i costi e migliorare l'accessibilità nell'interpretazione del colore delle soluzioni di nanoparticelle e senza l'uso di accessori per smartphone hardware ottico. Infine, due modelli di apprendimento automatico, tra cui la foresta casuale (RF) e la macchina vettoriale di supporto (SVM) sono stati addestrati per costruire i modelli. Entrambi i modelli RF e SVM hanno classificato correttamente i campioni come positivi e negativi con una precisione del 90,0%. Ciò suggerisce che l'uso dell'intelligenza artificiale nel biosensing basato su telefoni cellulari è del tutto possibile.

Figura 3. (a) Classe target della soluzione registrata durante la preparazione del campione per la fase di acquisizione dell'immagine. (b) Esempio di immagine presa durante la fase di acquisizione dell'immagine. (c) Intensità del colore della soluzione cisti/AuNPS in ciascun pozzetto della piastra da 96 pozzetti estratta dall'immagine (B).

Usando cisti/AuNP, i ricercatori hanno sviluppato con successo una semplice piattaforma di rilevamento per il rilevamento del paesaggio della metilazione e un sensore in grado di distinguere il DNA normale dal DNA del cancro quando si utilizzano campioni di sangue reale per lo screening della leucemia. Il sensore sviluppato ha dimostrato che il DNA estratto da campioni di sangue reale è stato in grado di rilevare in modo rapido ed economico piccole quantità di DNA tumorale (3nm) nei pazienti con leucemia in 15 minuti e ha mostrato un'accuratezza del 95,3%. Per semplificare ulteriormente i test di campioni eliminando la necessità di uno spettrofotometro, l'apprendimento automatico è stato utilizzato per interpretare il colore della soluzione e distinguere tra individui normali e cancerosi usando una fotografia di telefonia mobile e l'accuratezza è stata anche possibile ottenere al 90,0%.

Riferimento: doi: 10.1039/d2ra05725e