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

La détection précoce du cancer basée sur la biopsie liquide est une nouvelle direction de la détection et du diagnostic du cancer proposé par le National Cancer Institute américain ces dernières années, dans le but de détecter le cancer précoce ou même les 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 plates-formes pour identifier les biomarqueurs du paysage de méthylation (paysage méthyle) a le potentiel d'améliorer considérablement le dépistage précoce existant du cancer, mettant les patients au premier stade traitable.

Récemment, les chercheurs ont développé une plate-forme de détection simple et directe pour la détection du paysage de méthylation basée sur des nanoparticules d'or décorées en cysteamine (kyste / AuNP) combinées à un biocapteur à base de smartphone qui permet un dépistage rapide rapide d'une large gamme de tumeurs. Un dépistage précoce de la leucémie peut être effectué dans les 15 minutes suivant l'extraction d'ADN à partir d'un échantillon de sang, avec une précision de 90,0%. Le titre de l'article est une détection rapide de l'ADN du cancer dans le sang humain à l'aide d'AUNPs coiffés par la cystéamine et un smartphone compatible avec l'apprentissage machine。

Figure 1. Une plate-forme de détection simple et rapide pour le dépistage du cancer via des composants kyste / AuNPS peut être réalisée en deux étapes simples.

Ceci est illustré à la figure 1. Premièrement, 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 a des propriétés de méthylation différentes, entraînant des fragments d'ADN avec différents modèles d'auto-assemblage. ADN normal agrégats de manière lâche et finalement agrégé les kystes / AuNPs, ce qui entraîne la nature décalée en rouge du kyste / AuNPS, 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 cancer conduit à la production de grappes plus grandes de fragments d'ADN.

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

Dépistage du cancer dans de vrais échantillons de sang

Pour étendre l'utilité de la plate-forme de détection, les chercheurs ont appliqué un capteur qui a réussi à distinguer l'ADN normal et cancéreux dans de vrais échantillons de sang. Les schémas de méthylation aux sites CpG régulent épigulé épigénétiquement l'expression des gènes. Dans presque tous les types de cancer, les changements de méthylation de l'ADN et donc dans l'expression de gènes qui favorisent la tumorigenèse ont été observés alternés.

En tant que modèle pour d'autres cancers associés à la méthylation de l'ADN, les chercheurs ont utilisé des échantillons de sang de patients atteints de leucémie et des témoins sains pour étudier l'efficacité du paysage de méthylation pour différencier les cancers leucémiques. Ce biomarqueur du paysage de méthylation surpasse non seulement les méthodes de dépistage de leucémie rapide existantes, mais démontre également la faisabilité de s'étendre à la détection précoce d'un large éventail de cancers en utilisant ce test simple et simple.

L'ADN des échantillons de sang de 31 patients atteints de leucémie et 12 individus en bonne santé a été analysé. Comme le montre le tracé de la boîte de la figure 2A, l'absorbance relative des échantillons de cancer (ΔA650 / 525) était inférieure à celle de l'ADN des échantillons normaux. Cela était principalement dû à l'hydrophobicité améliorée conduisant à une agrégation dense de l'ADN du cancer, ce qui a empêché l'agrégation du kyste / AuNP. En conséquence, ces nanoparticules ont été complètement dispersées dans les couches externes des agrégats de cancer, ce qui a entraîné une dispersion différente de kyste / AuNPs adsorbé sur les agrégats d'ADN normaux et cancer. Les 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 kyste / AuNPS montrant la présence d'ADN normal (bleu) et cancer (rouge) dans des conditions optimisées

(DA650 / 525) des parcelles de boîte; (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 (PPV), valeur prédictive négative (VAN) et précision de la méthode développée.

Comme le montre la figure 2B, la zone sous la courbe ROC (AUC = 0,9274) obtenue pour le capteur développé a montré une sensibilité et une spécificité élevées. Comme on peut le voir dans le tracé de la 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 du cancer; Par conséquent, la régression logistique a été utilisée pour différencier les groupes normaux et le cancer. Compte tenu d'un ensemble de variables indépendantes, il estime la probabilité d'un événement survenant, comme un cancer ou un groupe normal. La variable dépendante varie 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 de moins de 0,5 indique un échantillon normal, tandis qu'une probabilité de 0,5 ou plus indique un échantillon de cancer. La figure 2C illustre la matrice de confusion générée à partir de la validation croisée à feuilles, qui a été utilisée pour valider la stabilité de la méthode de classification. La figure 2D résume l'évaluation des tests diagnostiques de la méthode, y compris la sensibilité, la spécificité, la valeur prédictive positive (PPV) et la valeur prédictive négative (VAN).

Biocapteurs à base de smartphone

Pour simplifier davantage les tests d'échantillons sans l'utilisation de spectrophotomètres, les chercheurs ont utilisé l'intelligence artificielle (IA) pour interpréter la couleur de la solution et distinguer les individus normaux et cancéreux. Compte tenu de cela, la vision de l'ordinateur a été utilisée pour traduire la couleur de la solution de kyste / AuNPS en ADN normal (violet) ou ADN cancéreux (rouge) à l'aide d'images de plaques à 96 puits prises par un appareil photo de téléphone mobile. L'intelligence artificielle peut réduire les coûts et améliorer l'accessibilité dans l'interprétation de la couleur des solutions de nanoparticules, et sans utiliser d'accessoires de smartphone matériel optique. 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 portables 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 pris pendant l'étape d'acquisition d'image. (c) Intensité de couleur de la solution de kyste / AuNPS dans chaque puits de la plaque à 96 puits extraite de l'image (b).

À l'aide de kystes / AuNP, 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 du cancer 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 réels était capable de détecter rapidement et rentable de petites quantités d'ADN cancer (3NM) 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 et cancéreux à l'aide d'une photographie mobile, et la précision a également pu être réalisée à 90,0%.

Référence: doi: 10.1039 / d2ra05725e