中文网站
A detecção precoce do câncer com base na biópsia líquida é uma nova direção de detecção e diagnóstico do câncer proposta pelo Instituto Nacional do Câncer dos EUA nos últimos anos, com o objetivo de detectar câncer precoce ou mesmo lesões pré-cancerosas. Tem sido amplamente utilizado como um novo biomarcador para o diagnóstico precoce de várias doenças malignas, incluindo câncer de pulmão, tumores gastrointestinais, gliomas e tumores ginecológicos.
O surgimento de plataformas para identificar biomarcadores de paisagem de metilação (Methylscape) tem o potencial de melhorar significativamente o rastreio precoce do cancro existente, colocando os pacientes na fase inicial de tratamento.
Recentemente, os pesquisadores desenvolveram uma plataforma de detecção simples e direta para detecção de paisagem de metilação baseada em nanopartículas de ouro decoradas com cisteamina (Cyst/AuNPs) combinadas com um biossensor baseado em smartphone que permite a triagem rápida e precoce de uma ampla gama de tumores. O rastreamento precoce da leucemia pode ser realizado até 15 minutos após a extração do DNA de uma amostra de sangue, com precisão de 90,0%. O título do artigo é Detecção rápida de DNA de câncer no sangue humano usando AuNPs com tampa de cisteamina e um smartphone habilitado para aprendizado de máquina.
Figura 1. Uma plataforma de detecção simples e rápida para rastreamento de câncer por meio de componentes Cyst/AuNPs pode ser realizada em duas etapas simples.
Isto é mostrado na Figura 1. Primeiro, uma solução aquosa foi usada para dissolver os fragmentos de DNA. Cyst/AuNPs foram então adicionados à solução mista. O DNA normal e maligno têm propriedades de metilação diferentes, resultando em fragmentos de DNA com diferentes padrões de automontagem. O DNA normal agrega-se vagamente e eventualmente agrega Cistos/AuNPs, o que resulta na natureza deslocada para o vermelho dos Cistos/AuNPs, de modo que uma mudança na cor de vermelho para roxo pode ser observada a olho nu. Em contraste, o perfil único de metilação do ADN do cancro leva à produção de aglomerados maiores de fragmentos de ADN.
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.
Rastreio do cancro em amostras de sangue reais
Para ampliar a utilidade da plataforma de detecção, os investigadores aplicaram um sensor que distinguiu com sucesso entre DNA normal e canceroso em amostras de sangue reais. padrões de metilação em locais CpG regulam epigeneticamente a expressão gênica. Em quase todos os tipos de câncer, observou-se uma alternância de alterações na metilação do DNA e, portanto, na expressão de genes que promovem a tumorigênese.
Como modelo para outros cancros associados à metilação do ADN, os investigadores usaram amostras de sangue de pacientes com leucemia e controlos saudáveis para investigar a eficácia do cenário de metilação na diferenciação dos cancros leucémicos. Este biomarcador de paisagem de metilação não apenas supera os métodos existentes de triagem rápida de leucemia, mas também demonstra a viabilidade de estender a detecção precoce de uma ampla gama de cânceres usando este ensaio simples e direto.
Foi analisado DNA de amostras de sangue de 31 pacientes com leucemia e 12 indivíduos saudáveis. como mostrado no box plot da Figura 2a, a absorvância relativa das amostras de cancro (ΔA650/525) foi inferior à do ADN de amostras normais. isto deveu-se principalmente à hidrofobicidade aumentada, levando à agregação densa do DNA do câncer, o que impediu a agregação de Cistos/AuNPs. Como resultado, estas nanopartículas foram completamente dispersas nas camadas externas dos agregados cancerígenos, o que resultou numa dispersão diferente de Cyst/AuNPs adsorvidos em agregados normais e de ADN cancerígeno. 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 absorbância de soluções de cisto/AuNPs mostrando a presença de DNA normal (azul) e de câncer (vermelho) sob condições otimizadas
(DA650/525) de boxplots; (b) Análise ROC e avaliação de testes diagnósticos. (c) Matriz de confusão para diagnóstico de pacientes normais e com câncer. (d) Sensibilidade, especificidade, valor preditivo positivo (VPP), valor preditivo negativo (VPN) e acurácia do método desenvolvido.
Conforme mostrado na Figura 2b, a área sob a curva ROC (AUC = 0,9274) obtida para o sensor desenvolvido apresentou alta sensibilidade e especificidade. Como pode ser visto no gráfico de caixa, o ponto mais baixo que representa o grupo de ADN normal não está bem separado do ponto mais alto que representa o grupo de ADN do cancro; portanto, a regressão logística foi utilizada para diferenciar entre os grupos normais e com câncer. Dado um conjunto de variáveis independentes, estima a probabilidade de ocorrência de um evento, como um câncer ou um 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 como segue.
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 cancro. A Figura 2c representa a matriz de confusão gerada a partir da validação cruzada "deixar em paz", que foi usada para validar a estabilidade do método de classificação. A Figura 2d resume a avaliação do teste diagnóstico do método, incluindo sensibilidade, especificidade, valor preditivo positivo (VPP) e valor preditivo negativo (VPN).
Biossensores baseados em smartphones
Para simplificar ainda mais os testes de amostras sem o uso de espectrofotômetros, os pesquisadores usaram inteligência artificial (IA) 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 Cyst/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 quaisquer acessórios de hardware óptico para smartphones. Finalmente, dois modelos de aprendizado de máquina, incluindo Random Forest (RF) e Support Vector Machine (SVM) foram treinados para construir os modelos. ambos os modelos RF e SVM classificaram corretamente as amostras como positivas e negativas com precisão de 90,0%. Isto sugere que o uso de inteligência artificial em biossensores baseados em telefones celulares é bastante possível.
Figura 3.(a) Classe alvo da solução registrada durante o preparo da amostra para etapa de aquisição de imagem. (b) Exemplo de imagem tirada durante a etapa de aquisição de imagem. (c) Intensidade de cor da solução cisto/AuNPs em cada poço da placa de 96 poços extraída da imagem (b).
Usando Cyst/AuNPs, os pesquisadores desenvolveram com sucesso uma plataforma de detecção simples para detecção de paisagem de metilação e um sensor capaz de distinguir DNA normal de DNA de câncer ao usar amostras de sangue reais para triagem de leucemia. O sensor desenvolvido demonstrou que o DNA extraído de amostras de sangue reais foi capaz de detectar de forma rápida e econômica 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 os testes de amostras, eliminando a necessidade de um espectrofotômetro, o aprendizado de máquina foi usado para interpretar a cor da solução e diferenciar entre indivíduos normais e cancerosos usando uma fotografia de telefone celular, e a precisão também foi alcançada em 90,0%.
Referência: DOI: 10.1039/d2ra05725e
Horário da postagem: 18 de fevereiro de 2023
Configurações de privacidade