تشخیص زودهنگام سرطان بر اساس بیوپسی مایع، جهت جدیدی برای تشخیص و تشخیص سرطان است که توسط موسسه ملی سرطان ایالات متحده در سال های اخیر با هدف تشخیص زودهنگام سرطان یا حتی ضایعات پیش سرطانی پیشنهاد شده است. این به طور گسترده ای به عنوان یک نشانگر زیستی جدید برای تشخیص زودهنگام بدخیمی های مختلف، از جمله سرطان ریه، تومورهای گوارشی، گلیوما و تومورهای زنان استفاده شده است.
ظهور پلتفرم هایی برای شناسایی نشانگرهای زیستی چشم انداز متیلاسیون (Methylscape) این پتانسیل را دارد که به طور قابل توجهی غربالگری اولیه سرطان موجود را بهبود بخشد و بیماران را در اولین مرحله قابل درمان قرار دهد.
اخیراً، محققان یک پلت فرم سنجش ساده و مستقیم برای تشخیص منظره متیلاسیون بر اساس نانوذرات طلای تزئین شده با سیستامین (Cyst/AuNPs) همراه با یک حسگر زیستی مبتنی بر گوشیهای هوشمند ایجاد کردهاند که غربالگری زودهنگام طیف وسیعی از تومورها را امکانپذیر میسازد. غربالگری اولیه برای لوسمی را می توان در عرض 15 دقیقه پس از استخراج DNA از نمونه خون، با دقت 90.0٪ انجام داد. عنوان مقاله، تشخیص سریع DNA سرطان در خون انسان با استفاده از AuNP های دارای کلاهک سیستامین و یک گوشی هوشمند با قابلیت یادگیری ماشینی است.
شکل 1. یک پلت فرم سنجش ساده و سریع برای غربالگری سرطان از طریق اجزای Cyst/AuNPs را می توان در دو مرحله ساده انجام داد.
این در شکل 1 نشان داده شده است. ابتدا از یک محلول آبی برای حل کردن قطعات DNA استفاده شد. سپس کیست / AuNP به محلول مخلوط اضافه شد. DNA نرمال و بدخیم دارای خواص متیلاسیون متفاوتی هستند و در نتیجه قطعات DNA با الگوهای خودآرایی متفاوتی ایجاد می شود. DNA نرمال به آرامی تجمع مییابد و در نهایت کیست/AuNP را تجمع میدهد، که منجر به ماهیت تغییر رنگ قرمز Cyst/AuNPs میشود، به طوری که تغییر رنگ از قرمز به بنفش را میتوان با چشم غیرمسلح مشاهده کرد. در مقابل، مشخصات متیلاسیون منحصر به فرد DNA سرطان منجر به تولید خوشه های بزرگتری از قطعات DNA می شود.
تصاویر صفحات 96 چاهی با استفاده از دوربین گوشی هوشمند گرفته شده است. DNA سرطان توسط گوشی هوشمند مجهز به یادگیری ماشینی در مقایسه با روشهای مبتنی بر طیفسنجی اندازهگیری شد.
غربالگری سرطان در نمونه خون واقعی
برای گسترش کاربرد پلت فرم سنجش، محققین از حسگری استفاده کردند که با موفقیت بین DNA طبیعی و سرطانی در نمونههای خون واقعی تمایز قائل شد. الگوهای متیلاسیون در سایت های CpG به طور اپی ژنتیکی بیان ژن را تنظیم می کند. تقریباً در همه انواع سرطان، تغییرات در متیلاسیون DNA و در نتیجه در بیان ژنهایی که تومورزایی را افزایش میدهند مشاهده شده است.
به عنوان مدلی برای سایر سرطان های مرتبط با متیلاسیون DNA، محققان از نمونه های خون بیماران لوسمی و افراد سالم برای بررسی اثربخشی چشم انداز متیلاسیون در تمایز سرطان های لوسمیک استفاده کردند. این بیومارکر چشم انداز متیلاسیون نه تنها از روش های غربالگری سریع لوسمی موجود بهتر عمل می کند، بلکه امکان گسترش به تشخیص زودهنگام طیف وسیعی از سرطان ها را با استفاده از این روش ساده و سرراست نشان می دهد.
DNA نمونه های خون 31 بیمار لوسمی و 12 فرد سالم مورد تجزیه و تحلیل قرار گرفت. همانطور که در نمودار جعبه در شکل 2a نشان داده شده است، جذب نسبی نمونه های سرطانی (ΔA650/525) کمتر از DNA نمونه های عادی بود. این عمدتا به دلیل افزایش آبگریزی است که منجر به تجمع متراکم DNA سرطان می شود، که از تجمع کیست / AuNPs جلوگیری می کند. در نتیجه، این نانوذرات به طور کامل در لایههای بیرونی تودههای سرطانی پراکنده شدند که منجر به پراکندگی متفاوت کیست/AuNPهای جذب شده روی دانههای DNA طبیعی و سرطانی شد. سپس منحنیهای ROC با تغییر آستانه از حداقل مقدار ΔA650/525 به حداکثر مقدار تولید شدند.
شکل 2. (الف) مقادیر جذب نسبی محلول های کیست/AuNPs که حضور DNA طبیعی (آبی) و سرطانی (قرمز) را در شرایط بهینه نشان می دهد.
(DA650/525) از قطعات جعبه; (ب) تجزیه و تحلیل ROC و ارزیابی تست های تشخیصی. (ج) ماتریس سردرگمی برای تشخیص بیماران عادی و سرطانی. (د) حساسیت، ویژگی، ارزش اخباری مثبت (PPV)، ارزش اخباری منفی (NPV) و دقت روش توسعهیافته.
همانطور که در شکل 2b نشان داده شده است، ناحیه زیر منحنی ROC (AUC = 0.9274) به دست آمده برای سنسور توسعه یافته، حساسیت و ویژگی بالایی را نشان می دهد. همانطور که از نمودار جعبه مشاهده می شود، پایین ترین نقطه نشان دهنده گروه DNA طبیعی به خوبی از بالاترین نقطه نشان دهنده گروه DNA سرطان جدا نیست. بنابراین از رگرسیون لجستیک برای افتراق بین گروه های سالم و سرطانی استفاده شد. با توجه به مجموعه ای از متغیرهای مستقل، احتمال وقوع یک رویداد مانند سرطان یا گروه عادی را تخمین می زند. متغیر وابسته بین 0 و 1 است. بنابراین نتیجه یک احتمال است. ما احتمال شناسایی سرطان (P) را بر اساس ΔA650/525 به صورت زیر تعیین کردیم.
که در آن b=5.3533,w1=-6.965. برای طبقه بندی نمونه، احتمال کمتر از 0.5 نشان دهنده یک نمونه طبیعی است، در حالی که احتمال 0.5 یا بالاتر نشان دهنده نمونه سرطانی است. شکل 2c ماتریس سردرگمی ایجاد شده از اعتبار سنجی متقاطع را به تنهایی نشان می دهد، که برای اعتبارسنجی پایداری روش طبقه بندی استفاده شد. شکل 2d ارزیابی آزمون تشخیصی روش را شامل حساسیت، ویژگی، ارزش اخباری مثبت (PPV) و ارزش اخباری منفی (NPV) خلاصه میکند.
حسگرهای زیستی مبتنی بر گوشی های هوشمند
برای ساده سازی بیشتر آزمایش نمونه بدون استفاده از اسپکتروفتومتر، محققان از هوش مصنوعی (AI) برای تفسیر رنگ محلول و تمایز بین افراد عادی و سرطانی استفاده کردند. با توجه به این موضوع، بینایی کامپیوتری برای ترجمه رنگ محلول کیست/AuNPs به DNA معمولی (بنفش) یا DNA سرطانی (قرمز) با استفاده از تصاویر صفحات 96 چاهی گرفته شده از طریق دوربین تلفن همراه استفاده شد. هوش مصنوعی میتواند هزینهها را کاهش داده و دسترسی را در تفسیر رنگ محلولهای نانوذرات و بدون استفاده از لوازم جانبی سختافزار نوری گوشیهای هوشمند بهبود بخشد. در نهایت، دو مدل یادگیری ماشین، شامل جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) برای ساخت مدلها آموزش داده شدند. هر دو مدل RF و SVM به درستی نمونه ها را به عنوان مثبت و منفی با دقت 90.0٪ طبقه بندی کردند. این نشان می دهد که استفاده از هوش مصنوعی در سنجش زیستی مبتنی بر تلفن همراه کاملاً امکان پذیر است.
شکل 3. (الف) کلاس هدف محلول ثبت شده در طول آماده سازی نمونه برای مرحله اکتساب تصویر. (ب) تصویر نمونه گرفته شده در مرحله ثبت تصویر. (ج) شدت رنگ محلول کیست/AuNPs در هر چاه صفحه 96 چاهی استخراج شده از تصویر (ب).
با استفاده از Cyst/AuNPs، محققان با موفقیت یک پلت فرم سنجش ساده برای تشخیص منظره متیلاسیون و حسگری که قادر به تشخیص DNA طبیعی از DNA سرطان در هنگام استفاده از نمونههای خون واقعی برای غربالگری لوسمی است، توسعه دادند. حسگر توسعهیافته نشان داد که DNA استخراجشده از نمونههای خون واقعی میتواند به سرعت و مقرونبهصرفه مقادیر کمی از DNA سرطان (۳ نانومولار) را در بیماران لوسمی در ۱۵ دقیقه تشخیص دهد و دقت ۹۵.۳ درصد را نشان داد. برای سادهتر کردن آزمایشهای نمونه با حذف نیاز به اسپکتروفتومتر، از یادگیری ماشین برای تفسیر رنگ محلول و تمایز بین افراد عادی و سرطانی با استفاده از عکس تلفن همراه استفاده شد و دقت 90.0٪ نیز بدست آمد.
مرجع: DOI: 10.1039/d2ra05725e
زمان ارسال: فوریه-18-2023