中文网站 
Detectarea precoce a cancerului pe baza biopsiei lichide este o nouă direcție de depistare și diagnosticare a cancerului propusă de Institutul Național al Cancerului din SUA în ultimii ani, cu scopul de a detecta cancerul precoce sau chiar leziunile precanceroase.A fost utilizat pe scară largă ca un biomarker nou pentru diagnosticarea precoce a diferitelor afecțiuni maligne, inclusiv cancerul pulmonar, tumorile gastrointestinale, glioamele și tumorile ginecologice.
Apariția unor platforme de identificare a biomarkerilor peisajului de metilare (Methylscape) are potențialul de a îmbunătăți semnificativ screening-ul precoce existent pentru cancer, punând pacienții în stadiul cel mai timpuriu tratabil.
Recent, cercetătorii au dezvoltat o platformă de detectare simplă și directă pentru detectarea peisajului de metilare, bazată pe nanoparticule de aur decorate cu cisteamină (Cyst/AuNPs) combinate cu un biosenzor bazat pe smartphone care permite screening-ul rapid timpuriu a unei game largi de tumori.Screeningul precoce pentru leucemie poate fi efectuat în 15 minute după extragerea ADN-ului dintr-o probă de sânge, cu o precizie de 90,0%.Titlul articolului este Detectarea rapidă a ADN-ului cancerului în sângele uman folosind AuNP-uri cu capac de cisteamină și un smartphone cu învățare automată.
Figura 1. O platformă de detectare simplă și rapidă pentru screening-ul cancerului prin componentele Chist/AuNPs poate fi realizată în doi pași simpli.
Acest lucru este prezentat în Figura 1. Mai întâi, a fost folosită o soluție apoasă pentru a dizolva fragmentele de ADN.Chist/AuNP-uri au fost apoi adăugate la soluția amestecată.ADN-ul normal și cel malign au proprietăți de metilare diferite, rezultând fragmente de ADN cu modele diferite de auto-asamblare.ADN-ul normal se agregează vag și în cele din urmă agregează Chist/AuNP-uri, ceea ce are ca rezultat natura deplasată spre roșu a Chist/AuNP-urilor, astfel încât o schimbare a culorii de la roșu la violet poate fi observată cu ochiul liber.În schimb, profilul unic de metilare al ADN-ului cancerului duce la producerea de grupuri mai mari de fragmente de ADN.
Imaginile plăcilor cu 96 de godeuri au fost luate folosind o cameră pentru smartphone.ADN-ul cancerului a fost măsurat de un smartphone echipat cu învățare automată în comparație cu metodele bazate pe spectroscopie.
Screeningul cancerului în probe de sânge real
Pentru a extinde utilitatea platformei de detectare, anchetatorii au aplicat un senzor care a distins cu succes intre ADN-ul normal si cel canceros in probele de sange real.modelele de metilare la situsurile CpG reglează epigenetic expresia genelor.În aproape toate tipurile de cancer, s-au observat alte modificări în metilarea ADN-ului și, prin urmare, în expresia genelor care promovează tumorigeneza.
Ca model pentru alte tipuri de cancer asociate cu metilarea ADN-ului, cercetătorii au folosit probe de sânge de la pacienții cu leucemie și controale sănătoase pentru a investiga eficacitatea peisajului de metilare în diferențierea cancerelor leucemice.Acest biomarker peisaj de metilare nu numai că depășește metodele existente de screening rapid a leucemiei, dar demonstrează și fezabilitatea extinderii la detectarea precoce a unei game largi de cancere folosind acest test simplu și simplu.
A fost analizat ADN-ul din probe de sânge de la 31 de pacienți cu leucemie și 12 indivizi sănătoși.așa cum se arată în diagrama cu casetă din Figura 2a, absorbanța relativă a probelor de cancer (ΔA650/525) a fost mai mică decât cea a ADN-ului din probele normale.acest lucru s-a datorat în principal hidrofobicității sporite care a condus la agregarea densă a ADN-ului cancerului, care a prevenit agregarea Chist/AuNP.Ca rezultat, aceste nanoparticule au fost complet dispersate în straturile exterioare ale agregatelor canceroase, ceea ce a dus la o dispersie diferită de Chist/AuNP-uri adsorbite pe agregatele ADN normale și canceroase.Curbele ROC au fost apoi generate prin variarea pragului de la o valoare minimă de ΔA650/525 la o valoare maximă.
Figura 2. (a) Valorile relative de absorbție ale soluțiilor de chist/AuNPs care arată prezența ADN-ului normal (albastru) și cancer (roșu) în condiții optimizate
(DA650/525) de box plots;(b) analiza ROC și evaluarea testelor de diagnosticare.(c) Matricea de confuzie pentru diagnosticul pacienților normali și bolnavi de cancer.(d) Sensibilitatea, specificitatea, valoarea predictivă pozitivă (PPV), valoarea predictivă negativă (VAN) și acuratețea metodei dezvoltate.
După cum se arată în Figura 2b, aria de sub curba ROC (AUC = 0,9274) obținută pentru senzorul dezvoltat a arătat sensibilitate și specificitate ridicate.După cum se poate observa din diagrama cu casete, punctul cel mai de jos reprezentând grupul normal de ADN nu este bine separat de punctul cel mai înalt reprezentând grupul de ADN cancer;prin urmare, regresia logistică a fost utilizată pentru a diferenția între grupurile normale și cele cu cancer.Având în vedere un set de variabile independente, estimează probabilitatea ca un eveniment să se producă, cum ar fi un cancer sau un grup normal.Variabila dependentă variază între 0 și 1. Rezultatul este deci o probabilitate.Am determinat probabilitatea identificării cancerului (P) pe baza ΔA650/525 după cum urmează.
unde b=5,3533,w1=-6,965.Pentru clasificarea eșantionului, o probabilitate mai mică de 0,5 indică un eșantion normal, în timp ce o probabilitate de 0,5 sau mai mare indică un eșantion de cancer.Figura 2c ilustrează matricea de confuzie generată din validarea încrucișată lăsată în pace, care a fost utilizată pentru a valida stabilitatea metodei de clasificare.Figura 2d rezumă evaluarea testului de diagnosticare a metodei, inclusiv sensibilitatea, specificitatea, valoarea predictivă pozitivă (PPV) și valoarea predictivă negativă (NPV).
Biosenzori bazați pe smartphone
Pentru a simplifica și mai mult testarea probelor fără utilizarea spectrofotometrelor, cercetătorii au folosit inteligența artificială (AI) pentru a interpreta culoarea soluției și a distinge între indivizii normali și cei canceriși.Având în vedere acest lucru, viziunea computerizată a fost folosită pentru a traduce culoarea soluției de Chist/AuNPs în ADN normal (violet) sau ADN canceros (roșu) folosind imagini ale plăcilor cu 96 de godeuri luate printr-o cameră a unui telefon mobil.Inteligența artificială poate reduce costurile și poate îmbunătăți accesibilitatea în interpretarea culorii soluțiilor de nanoparticule și fără a utiliza accesorii hardware optic pentru smartphone.În cele din urmă, două modele de învățare automată, inclusiv Random Forest (RF) și Support Vector Machine (SVM) au fost antrenate pentru a construi modelele.ambele modele RF și SVM au clasificat corect eșantioanele ca pozitive și negative, cu o precizie de 90,0%.Acest lucru sugerează că utilizarea inteligenței artificiale în biodetecția bazată pe telefoane mobile este destul de posibilă.
Figura 3.(a) Clasa țintă a soluției înregistrate în timpul pregătirii probei pentru etapa de achiziție a imaginii.(b) Exemplu de imagine realizată în timpul etapei de achiziție a imaginii.( c ) Intensitatea culorii soluției de chist/AuNPs în fiecare godeu al plăcii cu 96 de godeuri extrasă din imagine (b).
Folosind Cyst/AuNPs, cercetătorii au dezvoltat cu succes o platformă de detectare simplă pentru detectarea peisajului de metilare și un senzor capabil să distingă ADN-ul normal de ADN-ul cancerului atunci când folosesc probe de sânge reale pentru screening-ul leucemiei.Senzorul dezvoltat a demonstrat că ADN-ul extras din probe de sânge reale a fost capabil să detecteze rapid și rentabil cantități mici de ADN canceros (3nM) la pacienții cu leucemie în 15 minute și a arătat o acuratețe de 95,3%.Pentru a simplifica și mai mult testarea probelor prin eliminarea necesității unui spectrofotometru, învățarea automată a fost utilizată pentru a interpreta culoarea soluției și a diferenția între indivizi normali și canceriși folosind o fotografie de pe telefonul mobil, iar precizia a putut fi, de asemenea, atinsă la 90,0%.
Referință: DOI: 10.1039/d2ra05725e
Ora postării: 18-feb-2023