Testes de metilação do DNA combinados com smartphones para a triagem precoce de tumores e triagem de leucemia com precisão de 90,0%!

A detecção precoce de câncer baseada na biópsia líquida é uma nova direção de detecção e diagnóstico de câncer proposto pelo Instituto Nacional de Câncer dos EUA nos últimos anos, com o objetivo de detectar o câncer precoce ou mesmo lesões pré -cancerígenas. Foi amplamente utilizado como um novo biomarcador para o diagnóstico precoce de várias neoplasias, incluindo câncer de pulmão, tumores gastrointestinais, gliomas e tumores ginecológicos.

O surgimento de plataformas para identificar os biomarcadores da paisagem de metilação (metilscape) tem o potencial de melhorar significativamente a triagem precoce existente para o câncer, colocando pacientes no estágio tratável mais cedo.

Recentemente, os pesquisadores desenvolveram uma plataforma de sensor simples e direta para a detecção de paisagem de metilação com base em nanopartículas de ouro decoradas com cisteamina (cisto/aunps) combinadas com um biossensor baseado em smartphone que permite uma rápida triagem precoce de uma ampla gama de tumores. A triagem precoce para leucemia pode ser realizada dentro de 15 minutos após a extração de DNA de uma amostra de sangue, com precisão de 90,0%. O título do artigo é a rápida detecção de DNA do câncer no sangue humano usando AuNPs com tampa de cisteamina e um smartphone habilitado para aprendizado de máquina。

Figura 1. Uma plataforma de sensor simples e rápida para a triagem de câncer por componentes de cisto/AuNPS pode ser realizada em duas etapas simples.

Isso é mostrado na Figura 1. Primeiro, uma solução aquosa foi usada para dissolver os fragmentos de DNA. Os cistos/AuNPs foram então adicionados à solução mista. O DNA normal e maligno possui diferentes propriedades de metilação, resultando em fragmentos de DNA com diferentes padrões de auto-montagem. Os agregados normais de DNA agregados vagamente e eventualmente agregam cisto/AuNPs, o que resulta na natureza com mudança vermelha dos cistos/AuNPs, para que uma mudança de cor de vermelho para roxo possa ser observada com o olho nu. Por outro lado, o perfil de metilação único do DNA do câncer leva à produção de aglomerados maiores de fragmentos de DNA.

Imagens de placas de 96 poços foram tiradas usando uma câmera de smartphone. O DNA do câncer foi medido por um smartphone equipado com aprendizado de máquina em comparação com métodos baseados em espectroscopia.

Triagem de câncer em amostras de sangue real

Para estender a utilidade da plataforma de detecção, os investigadores aplicaram um sensor que distinguiu com sucesso entre o DNA normal e canceroso em amostras de sangue real. Os padrões de metilação nos locais CpG regulam epigeneticamente a expressão gênica. Em quase todos os tipos de câncer, observou -se que as alterações na metilação do DNA e, portanto, na expressão de genes que promovem a tumorigênese alternam.

Como modelo para outros cânceres associados à metilação do DNA, os pesquisadores usaram amostras de sangue de pacientes com leucemia e controles saudáveis ​​para investigar a eficácia do cenário de metilação na diferenciação de cânceres leucêmicos. Esse biomarcador da paisagem de metilação não apenas supera os métodos de triagem de leucemia rápida existentes, mas também demonstra a viabilidade de se estender à detecção precoce de uma ampla gama de cânceres usando este ensaio simples e direto.

Foi analisado o DNA de amostras de sangue de 31 pacientes com leucemia e 12 indivíduos saudáveis. Como mostrado no gráfico da caixa na Figura 2a, a absorvância relativa das amostras de câncer (ΔA650/525) foi menor que a do DNA de amostras normais. Isso ocorreu principalmente devido à aprimoramento da hidrofobicidade, levando à densa agregação do DNA do câncer, o que impediu a agregação de cisto/AuNPs. Como resultado, essas nanopartículas foram completamente dispersas nas camadas externas dos agregados do câncer, o que resultou em uma dispersão diferente de cisto/aunps adsorvido em agregados normais e de DNA de câncer. As curvas ROC foram então geradas variando o limite de um valor mínimo de ΔA650/525 a um valor máximo.

Figura 2. (a) Valores relativos de absorvância das soluções de cisto/aunps mostrando a presença de DNA normal (azul) e câncer (vermelho) em condições otimizadas

(DA650/525) de parcelas de caixa; (b) Análise e avaliação do ROC de testes de diagnóstico. (c) Matriz de confusão para o diagnóstico de pacientes normais e de câncer. (d) Sensibilidade, especificidade, valor preditivo positivo (PPV), valor preditivo negativo (NPV) e precisão do método desenvolvido.

Como mostrado na Figura 2b, a área sob a curva ROC (AUC = 0,9274) obtida para o sensor desenvolvida mostrou alta sensibilidade e especificidade. Como pode ser visto no gráfico da caixa, o ponto mais baixo que representa o grupo de DNA normal não é bem separado do ponto mais alto que representa o grupo de DNA do câncer; Portanto, a regressão logística foi usada para diferenciar os grupos normais e de câncer. Dado um conjunto de variáveis ​​independentes, ele estima a probabilidade de ocorrer um evento, como câncer ou grupo normal. A variável dependente varia entre 0 e 1. O resultado é, portanto, uma probabilidade. Determinamos a probabilidade de identificação do câncer (P) com base em ΔA650/525 da seguinte maneira.

onde b = 5.3533, w1 = -6,965. Para classificação da amostra, uma probabilidade inferior a 0,5 indica uma amostra normal, enquanto uma probabilidade de 0,5 ou superior indica uma amostra de câncer. A Figura 2C descreve a matriz de confusão gerada a partir da validação cruzada de licença-is-islone, que foi usada para validar a estabilidade do método de classificação. A Figura 2D resume a avaliação do teste de diagnóstico do método, incluindo sensibilidade, especificidade, valor preditivo positivo (PPV) e valor preditivo negativo (NPV).

Biossensores baseados em smartphones

Para simplificar ainda mais o teste de amostra sem o uso de espectrofotômetros, os pesquisadores usaram a inteligência artificial (AI) para interpretar a cor da solução e distinguir entre indivíduos normais e cancerosos. Diante disso, a visão computacional foi usada para traduzir a cor da solução de cisto/AuNPS em DNA normal (roxo) ou DNA canceroso (vermelho) usando imagens de placas de 96 poços tiradas através de uma câmera de telefone celular. A inteligência artificial pode reduzir custos e melhorar a acessibilidade na interpretação da cor das soluções de nanopartículas e sem o uso de nenhum acessório de smartphone de hardware óptico. Finalmente, dois modelos de aprendizado de máquina, incluindo florestas aleatórias (RF) e máquina vetorial de suporte (SVM) foram treinadas para construir os modelos. Os modelos de RF e SVM classificaram corretamente as amostras como positivas e negativas com uma precisão de 90,0%. Isso sugere que o uso da inteligência artificial no biossensionamento baseado em telefones celulares é bem possível.

Figura 3. (a) Classe de destino da solução registrada durante a preparação da amostra para a etapa de aquisição de imagens. (b) Exemplo de imagem tirada durante a etapa de aquisição da imagem. (c) Intensidade de cor da solução de cisto/aunps em cada poço da placa de 96 poços extraída da imagem (b).

Usando cisto/AuNPs, os pesquisadores desenvolveram com sucesso uma plataforma de detecção simples para a detecção da paisagem de metilação e um sensor capaz de distinguir o DNA normal do DNA do câncer ao usar amostras de sangue reais para triagem de leucemia. O sensor desenvolvido demonstrou que o DNA extraído de amostras de sangue real foi capaz de detectar rápida e efetivamente pequenas quantidades de DNA de câncer (3NM) em pacientes com leucemia em 15 minutos e mostrou uma precisão de 95,3%. Para simplificar ainda mais o teste de amostra, eliminando a necessidade de um espectrofotômetro, o aprendizado de máquina foi usado para interpretar a cor da solução e diferenciar entre indivíduos normais e cancerígenos usando uma fotografia de telefone celular, e a precisão também foi capaz de ser alcançada em 90,0%.

Referência: doi: 10.1039/d2ra05725e