Tests de méthylation de l'ADN combinés aux smartphones pour un dépistage précoce des tumeurs et des leucémies avec une précision de 90,0 % !

La détection précoce du cancer basée sur la biopsie liquide est une nouvelle direction de détection et de diagnostic du cancer proposée ces dernières années par le National Cancer Institute des États-Unis, dans le but de détecter un cancer précoce ou même des lésions précancéreuses. Il a été largement utilisé comme nouveau biomarqueur pour le diagnostic précoce de diverses tumeurs malignes, notamment le cancer du poumon, les tumeurs gastro-intestinales, les gliomes et les tumeurs gynécologiques.

L’émergence de plateformes permettant d’identifier les biomarqueurs du paysage de méthylation (Méthylscape) a le potentiel d’améliorer considérablement le dépistage précoce du cancer, en plaçant les patients au stade le plus précoce du traitement.

Récemment, des chercheurs ont développé une plateforme de détection simple et directe pour la détection du paysage de méthylation, basée sur des nanoparticules d'or décorées par de la cystéamine (Cyst/AuNPs) combinées à un biocapteur basé sur un smartphone qui permet un dépistage précoce rapide d'un large éventail de tumeurs. Le dépistage précoce de la leucémie peut être effectué dans les 15 minutes suivant l'extraction de l'ADN d'un échantillon de sang, avec une précision de 90,0 %. Le titre de l'article est Détection rapide de l'ADN du cancer dans le sang humain à l'aide d'AuNP coiffées de cystéamine et d'un smartphone compatible avec l'apprentissage automatique.

Figure 1. Une plateforme de détection simple et rapide pour le dépistage du cancer via les composants Kyst/AuNPs peut être réalisée en deux étapes simples.

Ceci est illustré à la figure 1. Tout d’abord, une solution aqueuse a été utilisée pour dissoudre les fragments d’ADN. Les kystes/AuNP ont ensuite été ajoutés à la solution mixte. L'ADN normal et malin ont des propriétés de méthylation différentes, ce qui donne lieu à des fragments d'ADN présentant des modèles d'auto-assemblage différents. L'ADN normal s'agrège de manière lâche et finit par agréger les kystes/AuNPs, ce qui entraîne la nature décalée vers le rouge des kystes/AuNPs, de sorte qu'un changement de couleur du rouge au violet peut être observé à l'œil nu. En revanche, le profil unique de méthylation de l’ADN du cancer conduit à la production de plus grands amas de fragments d’ADN.

Des images de plaques à 96 puits ont été prises à l’aide d’un appareil photo de smartphone. L’ADN du cancer a été mesuré par un smartphone équipé de l’apprentissage automatique par rapport aux méthodes basées sur la spectroscopie.

Dépistage du cancer dans des échantillons de sang réel

Pour étendre l'utilité de la plate-forme de détection, les enquêteurs ont appliqué un capteur qui a réussi à distinguer l'ADN normal et cancéreux dans de vrais échantillons de sang. les modèles de méthylation sur les sites CpG régulent de manière épigénétique l’expression des gènes. Dans presque tous les types de cancer, on a observé une alternance de modifications dans la méthylation de l’ADN et donc dans l’expression des gènes qui favorisent la tumorigenèse.

Comme modèle pour d'autres cancers associés à la méthylation de l'ADN, les chercheurs ont utilisé des échantillons de sang provenant de patients atteints de leucémie et de témoins sains pour étudier l'efficacité du paysage de la méthylation dans la différenciation des cancers leucémiques. Ce biomarqueur paysager de méthylation surpasse non seulement les méthodes de dépistage rapide de la leucémie existantes, mais démontre également la faisabilité d’une extension à la détection précoce d’un large éventail de cancers à l’aide de ce test simple et direct.

L'ADN d'échantillons de sang provenant de 31 patients atteints de leucémie et de 12 individus en bonne santé a été analysé. comme le montre le diagramme en boîte de la figure 2a, l'absorbance relative des échantillons de cancer (ΔA650/525) était inférieure à celle de l'ADN provenant d'échantillons normaux. cela était principalement dû à l’hydrophobicité accrue conduisant à une agrégation dense de l’ADN du cancer, qui empêchait l’agrégation des kystes/AuNPs. En conséquence, ces nanoparticules étaient complètement dispersées dans les couches externes des agrégats cancéreux, ce qui entraînait une dispersion différente des kystes/AuNP adsorbés sur les agrégats d’ADN normaux et cancéreux. Des courbes ROC ont ensuite été générées en faisant varier le seuil d'une valeur minimale de ΔA650/525 à une valeur maximale.

Figure 2. (a) Valeurs d'absorbance relative des solutions de kystes/AuNP montrant la présence d'ADN normal (bleu) et cancéreux (rouge) dans des conditions optimisées

(DA650/525) de boîtes à moustaches ; (b) Analyse ROC et évaluation des tests de diagnostic. (c) Matrice de confusion pour le diagnostic des patients normaux et cancéreux. (d) Sensibilité, spécificité, valeur prédictive positive (VPP), valeur prédictive négative (VPN) et précision de la méthode développée.

Comme le montre la figure 2b, l'aire sous la courbe ROC (AUC = 0,9274) obtenue pour le capteur développé présentait une sensibilité et une spécificité élevées. Comme le montre le diagramme en boîte, le point le plus bas représentant le groupe ADN normal n'est pas bien séparé du point le plus élevé représentant le groupe ADN cancer ; par conséquent, la régression logistique a été utilisée pour différencier les groupes normaux et cancéreux. Étant donné un ensemble de variables indépendantes, il estime la probabilité qu'un événement se produise, comme un cancer ou un groupe normal. La variable dépendante est comprise entre 0 et 1. Le résultat est donc une probabilité. Nous avons déterminé la probabilité d'identification d'un cancer (P) sur la base de ΔA650/525 comme suit.

où b=5,3533,w1=-6,965. Pour la classification des échantillons, une probabilité inférieure à 0,5 indique un échantillon normal, tandis qu'une probabilité de 0,5 ou plus indique un échantillon cancéreux. La figure 2c représente la matrice de confusion générée à partir de la validation croisée laissée seule, qui a été utilisée pour valider la stabilité de la méthode de classification. La figure 2d résume l'évaluation du test de diagnostic de la méthode, y compris la sensibilité, la spécificité, la valeur prédictive positive (VPP) et la valeur prédictive négative (VPN).

Biocapteurs basés sur smartphone

Pour simplifier davantage les tests d’échantillons sans utiliser de spectrophotomètres, les chercheurs ont utilisé l’intelligence artificielle (IA) pour interpréter la couleur de la solution et distinguer les individus normaux des individus cancéreux. Compte tenu de cela, la vision par ordinateur a été utilisée pour traduire la couleur de la solution Kyst/AuNPs en ADN normal (violet) ou en ADN cancéreux (rouge) à l’aide d’images de plaques à 96 puits prises via l’appareil photo d’un téléphone portable. L'intelligence artificielle peut réduire les coûts et améliorer l'accessibilité dans l'interprétation de la couleur des solutions de nanoparticules, et ce, sans utiliser d'accessoires optiques pour smartphone. Enfin, deux modèles d'apprentissage automatique, dont Random Forest (RF) et Support Vector Machine (SVM), ont été formés pour construire les modèles. les modèles RF et SVM ont correctement classé les échantillons comme positifs et négatifs avec une précision de 90,0 %. Cela suggère que l’utilisation de l’intelligence artificielle dans la biodétection basée sur les téléphones mobiles est tout à fait possible.

Figure 3. (a) Classe cible de la solution enregistrée lors de la préparation de l'échantillon pour l'étape d'acquisition d'image. (b) Exemple d'image prise lors de l'étape d'acquisition d'image. (c) Intensité de couleur de la solution kyste/AuNPs dans chaque puits de la plaque à 96 puits extraite de l'image (b).

En utilisant Cyst/AuNPs, les chercheurs ont développé avec succès une plate-forme de détection simple pour la détection du paysage de méthylation et un capteur capable de distinguer l'ADN normal de l'ADN cancéreux lors de l'utilisation d'échantillons de sang réels pour le dépistage de la leucémie. Le capteur développé a démontré que l'ADN extrait d'échantillons de sang réel était capable de détecter rapidement et de manière rentable de petites quantités d'ADN cancéreux (3 nM) chez les patients atteints de leucémie en 15 minutes, et a montré une précision de 95,3 %. Pour simplifier davantage les tests d'échantillons en éliminant le besoin d'un spectrophotomètre, l'apprentissage automatique a été utilisé pour interpréter la couleur de la solution et différencier les individus normaux des individus cancéreux à l'aide d'une photographie de téléphone portable, et la précision a également pu être atteinte à 90,0 %.

Référence : DOI : 10.1039/d2ra05725e