Probas de metilación do ADN combinadas con teléfonos intelixentes para a detección precoz de tumores e detección de leucemia cunha precisión do 90,0%!

A detección precoz do cancro a partir da biopsia líquida é unha nova dirección de detección e diagnóstico do cancro proposta polo Instituto Nacional do Cancro de EE. UU. nos últimos anos, co obxectivo de detectar cancro precoz ou mesmo lesións precancerosas.Utilizouse amplamente como un novo biomarcador para o diagnóstico precoz de varias neoplasias, incluíndo cancro de pulmón, tumores gastrointestinais, gliomas e tumores xinecolóxicos.

A aparición de plataformas para identificar biomarcadores da paisaxe de metilación (Methylscape) ten o potencial de mellorar significativamente a detección precoz existente para o cancro, colocando aos pacientes na fase máis temprana tratable.

Recentemente, os investigadores desenvolveron unha plataforma de detección sinxela e directa para a detección da paisaxe de metilación baseada en nanopartículas de ouro decoradas con cisteamina (Cyst/AuNPs) combinadas cun biosensor baseado en teléfonos intelixentes que permite a detección precoz rápida dunha ampla gama de tumores.A detección precoz da leucemia pódese realizar dentro de 15 minutos despois da extracción de ADN dunha mostra de sangue, cunha precisión do 90,0%.O título do artigo é Detección rápida de ADN do cancro no sangue humano mediante AuNPs con tapa de cisteamina e un teléfono intelixente habilitado para a aprendizaxe automática.

Figura 1. Unha plataforma de detección sinxela e rápida para o cribado do cancro a través de compoñentes Cyst/AuNPs pódese realizar en dous pasos sinxelos.

Isto móstrase na Figura 1. En primeiro lugar, utilizouse unha solución acuosa para disolver os fragmentos de ADN.Despois engadíronse quiste/AuNP á solución mesturada.O ADN normal e o maligno teñen diferentes propiedades de metilación, o que resulta en fragmentos de ADN con diferentes patróns de autoensamblaxe.O ADN normal agrégase de forma vaga e, finalmente, agrega quiste/AuNPs, o que resulta na natureza desprazada ao vermello dos quiste/AuNPs, polo que se pode observar un cambio de cor de vermello a roxo a simple vista.Pola contra, o perfil de metilación único do ADN do cancro leva á produción de grupos máis grandes de fragmentos de ADN.

As imaxes de placas de 96 pozos foron tomadas mediante unha cámara de teléfono intelixente.O ADN do cancro foi medido por un teléfono intelixente equipado con aprendizaxe automática en comparación cos métodos baseados na espectroscopia.

Detección de cancro en mostras de sangue reais

Para estender a utilidade da plataforma de detección, os investigadores aplicaron un sensor que distinguiu con éxito entre ADN normal e canceroso en mostras de sangue reais.Os patróns de metilación nos sitios CpG regulan epixenéticamente a expresión xénica.En case todos os tipos de cancro, observáronse cambios na metilación do ADN e, polo tanto, na expresión dos xenes que promoven a tumorigénesis.

Como modelo para outros cancros asociados á metilación do ADN, os investigadores utilizaron mostras de sangue de pacientes con leucemia e controis saudables para investigar a eficacia da paisaxe de metilación na diferenciación dos cancros leucémicos.Este biomarcador da paisaxe de metilación non só supera os métodos de detección rápida de leucemia existentes, senón que tamén demostra a viabilidade de estenderse á detección precoz dunha ampla gama de cancros mediante este ensaio sinxelo e directo.

Analizouse o ADN de mostras de sangue de 31 pacientes con leucemia e 12 individuos sans.como se mostra no gráfico de caixas da Figura 2a, a absorbancia relativa das mostras de cancro (ΔA650/525) foi menor que a do ADN das mostras normais.isto debeuse principalmente á hidrofobicidade mellorada que leva á agregación densa do ADN do cancro, o que impediu a agregación de quiste/AuNPs.Como resultado, estas nanopartículas dispersáronse completamente nas capas externas dos agregados do cancro, o que deu lugar a unha dispersión diferente de Cyst/AuNPs adsorbidos en agregados de ADN normal e cancro.As curvas ROC foron xeradas variando o limiar desde un valor mínimo de ΔA650/525 ata un valor máximo.

Figura 2. (a) Valores relativos de absorbancia das solucións de quiste/AuNPs que mostran a presenza de ADN normal (azul) e cancro (vermello) en condicións optimizadas

(DA650/525) de parcelas de caixa;(b) Análise ROC e avaliación das probas diagnósticas.(c) Matriz de confusión para o diagnóstico de pacientes normais e cancro.(d) Sensibilidade, especificidade, valor preditivo positivo (PPV), valor preditivo negativo (VAN) e precisión do método desenvolvido.

Como se mostra na Figura 2b, a área baixo a curva ROC (AUC = 0,9274) obtida para o sensor desenvolvido mostrou unha alta sensibilidade e especificidade.Como se pode ver no diagrama de caixas, o punto máis baixo que representa o grupo de ADN normal non está ben separado do punto máis alto que representa o grupo de ADN do cancro;polo tanto, utilizouse a regresión loxística para diferenciar os grupos normais e cancro.Dado un conxunto de variables independentes, estima a probabilidade de que ocorra un evento, como un cancro ou un grupo normal.A variable dependente oscila entre 0 e 1. O resultado é, polo tanto, unha probabilidade.Determinamos a probabilidade de identificación do cancro (P) baseándose en ΔA650/525 do seguinte xeito.

onde b=5,3533,w1=-6,965.Para a clasificación da mostra, unha probabilidade inferior a 0,5 indica unha mostra normal, mentres que unha probabilidade de 0,5 ou superior indica unha mostra de cancro.A figura 2c representa a matriz de confusión xerada a partir da validación cruzada de deixar só, que se utilizou para validar a estabilidade do método de clasificación.A figura 2d resume a avaliación da proba de diagnóstico do método, incluíndo a sensibilidade, a especificidade, o valor preditivo positivo (PPV) e o valor preditivo negativo (NPV).

Biosensores baseados en smartphones

Para simplificar aínda máis as probas de mostras sen o uso de espectrofotómetros, os investigadores utilizaron intelixencia artificial (IA) para interpretar a cor da solución e distinguir entre individuos normais e cancerosos.Ante isto, utilizouse a visión por ordenador para traducir a cor da solución de Cyst/AuNPs en ADN normal (violeta) ou ADN canceroso (vermello) mediante imaxes de placas de 96 pocillos tomadas a través da cámara dun teléfono móbil.A intelixencia artificial pode reducir os custos e mellorar a accesibilidade na interpretación da cor das solucións de nanopartículas e sen o uso de accesorios para smartphones de hardware óptico.Finalmente, adestraron dous modelos de aprendizaxe automática, incluíndo Random Forest (RF) e Support Vector Machine (SVM) para construír os modelos.tanto os modelos RF como SVM clasificaron correctamente as mostras como positivas e negativas cunha precisión do 90,0%.Isto suxire que o uso da intelixencia artificial na biodetección baseada en teléfonos móbiles é moi posible.

Figura 3.(a) Clase obxectivo da solución rexistrada durante a preparación da mostra para o paso de adquisición da imaxe.(b) Imaxe de exemplo tomada durante o paso de adquisición da imaxe.( c ) Intensidade da cor da solución de quiste/AuNPs en cada pozo da placa de 96 pocillos extraída da imaxe (b).

Usando Cyst/AuNPs, os investigadores desenvolveron con éxito unha plataforma de detección sinxela para a detección da paisaxe de metilación e un sensor capaz de distinguir o ADN normal do ADN do cancro cando se usan mostras de sangue reais para a detección da leucemia.O sensor desenvolvido demostrou que o ADN extraído de mostras de sangue reais foi capaz de detectar de forma rápida e rendible pequenas cantidades de ADN de cancro (3 nM) en pacientes con leucemia en 15 minutos, e mostrou unha precisión do 95,3%.Para simplificar aínda máis as probas de mostra eliminando a necesidade dun espectrofotómetro, utilizouse a aprendizaxe automática para interpretar a cor da solución e diferenciar entre individuos normais e cancerosos mediante unha fotografía de teléfono móbil, e tamén se puido acadar unha precisión do 90,0%.

Referencia: DOI: 10.1039/d2ra05725e