Test de méthylation de l'ADN combiné aux smartphones pour le dépistage précoce des tumeurs et le dépistage 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 par l'US National Cancer Institute ces dernières années, 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 pour identifier les biomarqueurs du paysage de méthylation (Methylscape) a le potentiel d'améliorer considérablement le dépistage précoce du cancer existant, plaçant les patients au premier stade traitable.

Récemment, des 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 de 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 cancéreux dans le sang humain à l'aide d'AuNP coiffés de cystéamine et d'un smartphone compatible avec l'apprentissage automatique.

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

Ceci est montré sur la figure 1. Tout d'abord, une solution aqueuse a été utilisée pour dissoudre les fragments d'ADN.Les kystes/AuNPs ont ensuite été ajoutés à la solution mixte.L'ADN normal et malin a des propriétés de méthylation différentes, ce qui donne des fragments d'ADN avec des modèles d'auto-assemblage différents.L'ADN normal s'agrège lâchement et finalement agrège 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 de méthylation unique de l'ADN du cancer conduit à la production de plus grands groupes de fragments d'ADN.

Des images de plaques à 96 puits ont été prises à l'aide d'une caméra de smartphone.L'ADN du cancer a été mesuré par un smartphone équipé d'un 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 faire la distinction entre l'ADN normal et cancéreux dans de vrais échantillons de sang.les modèles de méthylation aux sites CpG régulent épigénétiquement l'expression des gènes.Dans presque tous les types de cancer, on a observé des changements 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 de patients atteints de leucémie et de témoins sains pour étudier l'efficacité du paysage de méthylation dans la différenciation des cancers leucémiques.Ce biomarqueur de paysage de méthylation surpasse non seulement les méthodes de dépistage rapide de la leucémie existantes, mais démontre également la faisabilité de l'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 de 31 patients atteints de leucémie et de 12 personnes en bonne santé a été analysé.comme le montre la boîte à moustaches de la figure 2a, l'absorbance relative des échantillons de cancer (ΔA650/525) était inférieure à celle de l'ADN d'échantillons normaux.cela était principalement dû à l'hydrophobicité accrue conduisant à une agrégation dense de l'ADN du cancer, ce qui a empêché l'agrégation des kystes/AuNPs.En conséquence, ces nanoparticules ont été complètement dispersées dans les couches externes des agrégats de cancer, ce qui a entraîné 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 relatives des solutions de kystes/AuNPs 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 a montré une sensibilité et une spécificité élevées.Comme on peut le voir sur la boîte à moustaches, le point le plus bas représentant le groupe d'ADN normal n'est pas bien séparé du point le plus élevé représentant le groupe d'ADN cancéreux ;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 du cancer (P) en fonction 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 à partir de la validation croisée sans interruption, 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 (PPV) et la valeur prédictive négative (NPV).

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 faire la distinction entre les individus normaux et cancéreux.Compte tenu de cela, la vision par ordinateur a été utilisée pour traduire la couleur de la solution Cyst/AuNPs en ADN normal (violet) ou en ADN cancéreux (rouge) à l'aide d'images de plaques à 96 puits prises par une caméra de téléphone portable.L'intelligence artificielle peut réduire les coûts et améliorer l'accessibilité dans l'interprétation de la couleur des solutions de nanoparticules, et sans l'utilisation d'accessoires de smartphone optiques.Enfin, deux modèles d'apprentissage automatique, y compris 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 par téléphone mobile 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 la couleur de la solution kyste / AuNPs dans chaque puits de la plaque à 96 puits extraite de l'image ( b ).

À l'aide de 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 réels 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 et 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