Test de méthylation de l'ADN combiné aux smartphones pour le dépistage précoce des tumeurs et le dépistage de la leucémie avec une précision de 90,0 % !

La détection précoce du cancer par biopsie liquide est une nouvelle voie de détection et de diagnostic du cancer proposée ces dernières années par l'Institut national du cancer des États-Unis, dans le but de détecter des cancers précoces, voire des lésions précancéreuses. Elle est largement utilisée 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 (Methylscape) a le potentiel d’améliorer considérablement le dépistage précoce existant du cancer, plaçant les patients au stade le plus précoce possible 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 de cystéamine (Cyst/AuNPs) combinées à un biocapteur pour smartphone. Cette plateforme permet un dépistage précoce et rapide d'un large éventail de tumeurs. Le dépistage précoce de la leucémie peut être réalisé dans les 15 minutes suivant l'extraction de l'ADN d'un échantillon sanguin, avec une précision de 90 %. L'article s'intitule « Détection rapide de l'ADN cancéreux dans le sang humain à l'aide d'AuNPs coiffées de cystéamine et d'un smartphone doté d'un système d'apprentissage automatique ».

Figure 1. Une plate-forme de détection simple et rapide pour le dépistage du cancer via les composants Cyst/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. Des cystes/AuNP ont ensuite été ajoutés à la solution mélangée. L'ADN normal et l'ADN malin ont des propriétés de méthylation différentes, ce qui donne des fragments d'ADN avec des schémas d'auto-assemblage différents. L'ADN normal s'agrège de manière lâche et finit par agréger les cystes/AuNP, ce qui entraîne le décalage vers le rouge de ces derniers, de sorte qu'un changement de couleur du rouge au violet peut être observé à l'œil nu. En revanche, le profil de méthylation unique de l'ADN cancéreux conduit à la production de plus grands amas de fragments d'ADN.

Les images de plaques à 96 puits ont été prises à l'aide d'un smartphone. L'ADN cancéreux a été mesuré par un smartphone équipé d'un système d'apprentissage automatique, comparé aux méthodes basées sur la spectroscopie.

Dépistage du cancer à partir d'échantillons de sang réels

Pour étendre l'utilité de la plateforme de détection, les chercheurs ont utilisé un capteur permettant de distinguer l'ADN normal de l'ADN cancéreux dans de vrais échantillons de sang. Les profils de méthylation des sites CpG régulent épigénétiquement l'expression des gènes. Dans presque tous les types de cancer, on a observé une alternance de modifications de la méthylation de l'ADN et donc de l'expression des gènes favorisant la tumorigenèse.

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

L'ADN des échantillons sanguins de 31 patients atteints de leucémie et de 12 individus sains a été analysé. Comme le montre le diagramme en boîte de la figure 2a, l'absorbance relative des échantillons cancéreux (ΔA650/525) était inférieure à celle de l'ADN des échantillons normaux. Cela était principalement dû à l'hydrophobicité accrue conduisant à une agrégation dense de l'ADN cancéreux, ce qui empêchait l'agrégation des kystes/AuNPs. Par conséquent, ces nanoparticules étaient complètement dispersées dans les couches externes des agrégats cancéreux, ce qui a entraîné une dispersion différente des kystes/AuNPs adsorbés sur les agrégats d'ADN normal 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/AuNPs montrant la présence d'ADN normal (bleu) et cancéreux (rouge) dans des conditions optimisées

(DA650/525) des box plots; (b) Analyse ROC et évaluation des tests diagnostiques. (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 (ASC = 0,9274) obtenue pour le capteur développé a montré une sensibilité et une spécificité élevées. Comme le montre le diagramme en boîte, le point le plus bas représentant le groupe d'ADN normal n'est pas bien séparé du point le plus haut représentant le groupe d'ADN cancéreux ; par conséquent, une régression logistique a été utilisée pour différencier les groupes normal et cancéreux. Étant donné un ensemble de variables indépendantes, elle estime la probabilité qu'un événement se produise, tel qu'un groupe cancéreux ou normal. La variable dépendante est comprise entre 0 et 1. Le résultat est donc une probabilité. Nous avons déterminé la probabilité d'identification du 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 illustre la matrice de confusion générée par la validation croisée « laisser-le-faire », qui a servi à valider la stabilité de la méthode de classification. La figure 2d résume l'évaluation diagnostique de la méthode, incluant la sensibilité, la spécificité, la valeur prédictive positive (VPP) et la valeur prédictive négative (VPN).

Biocapteurs basés sur les smartphones

Afin de simplifier davantage les analyses d'échantillons sans spectrophotomètres, les chercheurs ont utilisé l'intelligence artificielle (IA) pour interpréter la couleur de la solution et distinguer les individus normaux des individus cancéreux. La vision par ordinateur a ainsi été utilisée pour traduire la couleur de la solution de kystes/AuNPs en ADN normal (violet) ou cancéreux (rouge) à partir d'images de plaques 96 puits prises avec la caméra d'un téléphone portable. L'intelligence artificielle permet de réduire les coûts et d'améliorer l'accessibilité de l'interprétation de la couleur des solutions de nanoparticules, sans recourir à des accessoires optiques pour smartphone. Enfin, deux modèles d'apprentissage automatique, dont Random Forest (RF) et Support Vector Machine (SVM), ont été entraînés pour construire les modèles. Les modèles RF et SVM ont tous deux 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 par téléphone portable 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 de kystes/AuNPs dans chaque puits de la plaque à 96 puits extraite de l'image (b).

Grâce à Cyst/AuNPs, des chercheurs ont développé une plateforme de détection simple pour la détection du paysage de méthylation, ainsi qu'un capteur capable de distinguer l'ADN normal de l'ADN cancéreux lors de l'utilisation d'échantillons de sang réel pour le dépistage de la leucémie. Le capteur développé a démontré que l'ADN extrait d'échantillons de sang réel permettait de détecter rapidement et à moindre coût de petites quantités d'ADN cancéreux (3 nM) chez les patients leucémiques en 15 minutes, avec une précision de 95,3 %. Afin de simplifier davantage les analyses d'échantillons en éliminant le recours à 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 photo prise avec un téléphone portable. La précision a également été atteinte à 90 %.

Référence : DOI: 10.1039/d2ra05725e