ԴՆԹ մեթիլացման թեստ՝ զուգակցված սմարթֆոնների հետ՝ ուռուցքների և լեյկեմիայի վաղ սկրինինգի համար՝ 90,0% ճշգրտությամբ:

Հեղուկ բիոպսիայի հիման վրա քաղցկեղի վաղ հայտնաբերումը քաղցկեղի հայտնաբերման և ախտորոշման նոր ուղղություն է, որն առաջարկվել է ԱՄՆ Քաղցկեղի ազգային ինստիտուտի կողմից վերջին տարիներին, որի նպատակն է հայտնաբերել վաղ քաղցկեղը կամ նույնիսկ նախաքաղցկեղային ախտահարումները: Այն լայնորեն օգտագործվում է որպես նոր կենսամարկեր տարբեր չարորակ նորագոյացությունների վաղ ախտորոշման համար, ներառյալ թոքերի քաղցկեղը, ստամոքս-աղիքային ուռուցքները, գլիոմաները և գինեկոլոգիական ուռուցքները:

Մեթիլացման լանդշաֆտի (Methylscape) բիոմարկերների հայտնաբերման հարթակների ի հայտ գալը կարող է զգալիորեն բարելավել քաղցկեղի առկա վաղ սկրինինգը՝ հիվանդներին դնելով ամենավաղ բուժելի փուլում:

Վերջերս հետազոտողները մշակել են մեթիլացման լանդշաֆտի հայտնաբերման պարզ և ուղղակի զգայական հարթակ՝ հիմնված ցիստեամինով զարդարված ոսկու նանոմասնիկների վրա (Cyst/AuNPs)՝ համակցված սմարթֆոնի վրա հիմնված կենսացուցիչի հետ, որը թույլ է տալիս արագ վաղաժամ զննել ուռուցքների լայն շրջանակ: Լեյկեմիայի վաղ սկրինինգը կարող է իրականացվել արյան նմուշից ԴՆԹ-ի արդյունահանումից հետո 15 րոպեի ընթացքում՝ 90,0% ճշգրտությամբ: Հոդվածի վերնագիրն է՝ մարդու արյան մեջ քաղցկեղի ԴՆԹ-ի արագ հայտնաբերում՝ օգտագործելով ցիստամինային ծածկույթով AuNP-ներ և մեքենայական ուսուցման հնարավորություն ունեցող սմարթֆոն։

Նկար 1. Cyst/AuNPs բաղադրիչների միջոցով քաղցկեղի զննման պարզ և արագ զգայական հարթակ կարող է իրականացվել երկու պարզ քայլով:

Սա ցույց է տրված Նկար 1-ում: Նախ, ջրային լուծույթ է օգտագործվել ԴՆԹ-ի բեկորները լուծելու համար: Կիստա/AuNP-ներն այնուհետև ավելացվել են խառը լուծույթին: Նորմալ և չարորակ ԴՆԹ-ն ունեն տարբեր մեթիլացման հատկություններ, ինչի արդյունքում ԴՆԹ-ի բեկորները տարբեր ինքնահավաքման ձևերով են: Նորմալ ԴՆԹ-ն թույլ է ագրեգացվում և, ի վերջո, ագրեգացվում է կիստա/AuNP-ները, ինչը հանգեցնում է Կիստայի/AuNP-ի կարմիր-տեղափոխված բնույթին, այնպես որ գույնի փոփոխությունը կարմիրից մանուշակագույն կարելի է նկատել անզեն աչքով: Ի հակադրություն, քաղցկեղի ԴՆԹ-ի եզակի մեթիլացման պրոֆիլը հանգեցնում է ԴՆԹ-ի բեկորների ավելի մեծ կլաստերների արտադրությանը:

96 ջրհորի թիթեղների պատկերները արվել են սմարթֆոնի տեսախցիկի միջոցով: Քաղցկեղի ԴՆԹ-ն չափվել է մեքենայական ուսուցմամբ հագեցած սմարթֆոնով՝ համեմատած սպեկտրոսկոպիայի վրա հիմնված մեթոդների հետ։

Քաղցկեղի սքրինինգ իրական արյան նմուշներում

Զգայող հարթակի օգտակարությունը ընդլայնելու համար հետազոտողները կիրառել են սենսոր, որը հաջողությամբ տարբերում է նորմալ և քաղցկեղային ԴՆԹ-ն իրական արյան նմուշներում: CpG-ի տեղամասերում մեթիլացման օրինաչափությունները էպիգենետիկորեն կարգավորում են գենի արտահայտությունը: Քաղցկեղի գրեթե բոլոր տեսակների դեպքում ԴՆԹ-ի մեթիլացման և, հետևաբար, ուռուցքի առաջացմանը նպաստող գեների էքսպրեսիայի փոփոխությունները նկատվել են որպես հերթափոխ:

Որպես ԴՆԹ-ի մեթիլացման հետ կապված այլ քաղցկեղների մոդել՝ հետազոտողները օգտագործել են լեյկեմիայով հիվանդների արյան նմուշները և առողջ հսկիչները՝ հետազոտելու մեթիլացման լանդշաֆտի արդյունավետությունը լեյկեմիկ քաղցկեղները տարբերելու համար: Այս մեթիլացման լանդշաֆտային բիոմարկերը ոչ միայն գերազանցում է առկա արագ լեյկեմիայի սքրինինգի մեթոդները, այլ նաև ցույց է տալիս քաղցկեղի լայն շրջանակի վաղ հայտնաբերման հնարավորությունը՝ օգտագործելով այս պարզ և պարզ վերլուծությունը:

Վերլուծվել է 31 լեյկոզով հիվանդի և 12 առողջ մարդու արյան նմուշների ԴՆԹ: ինչպես ցույց է տրված Նկար 2ա-ի տուփի սյուժեում, քաղցկեղի նմուշների հարաբերական կլանումը (ΔA650/525) ավելի ցածր էր, քան նորմալ նմուշների ԴՆԹ-ի: Սա հիմնականում պայմանավորված էր ուժեղացված հիդրոֆոբիկությամբ, որը հանգեցնում էր քաղցկեղի ԴՆԹ-ի խիտ ագրեգացմանը, որը կանխում էր կիստա/ԱուՆՊ-ների ագրեգացումը: Արդյունքում, այս նանոմասնիկները ամբողջությամբ ցրվեցին քաղցկեղի ագրեգատների արտաքին շերտերում, ինչը հանգեցրեց սովորական և քաղցկեղային ԴՆԹ-ի ագրեգատների վրա ներծծված կիստա/ԱուՆՊ-ների տարբեր ցրման: Այնուհետև ROC կորերը ստեղծվեցին՝ փոխելով շեմը ΔA650/525 նվազագույն արժեքից մինչև առավելագույն արժեք:

Նկար 2. (ա) Կիստայի/AuNPs լուծույթների հարաբերական կլանման արժեքները, որոնք ցույց են տալիս նորմալ (կապույտ) և քաղցկեղի (կարմիր) ԴՆԹ-ի առկայությունը օպտիմալացված պայմաններում:

(DA650/525) արկղային հողամասեր; բ) ROC վերլուծություն և ախտորոշիչ թեստերի գնահատում: գ) Շփոթության մատրիցա նորմալ և քաղցկեղով հիվանդների ախտորոշման համար: դ) Մշակված մեթոդի զգայունությունը, առանձնահատկությունը, դրական կանխատեսող արժեքը (PPV), բացասական կանխատեսող արժեքը (NPV) և ճշգրտությունը:

Ինչպես ցույց է տրված Նկար 2b-ում, մշակված սենսորի համար ստացված ROC կորի տակ գտնվող տարածքը (AUC = 0,9274) ցույց է տվել բարձր զգայունություն և առանձնահատկություն: Ինչպես երևում է տուփի սյուժեից, նորմալ ԴՆԹ խումբը ներկայացնող ամենացածր կետը լավ առանձնացված չէ քաղցկեղի ԴՆԹ խումբը ներկայացնող ամենաբարձր կետից. հետևաբար, լոգիստիկ ռեգրեսիան օգտագործվել է նորմալ և քաղցկեղային խմբերը տարբերելու համար: Հաշվի առնելով մի շարք անկախ փոփոխականներ, այն գնահատում է իրադարձության հավանականությունը, ինչպիսին է քաղցկեղը կամ նորմալ խումբը: Կախված փոփոխականը տատանվում է 0-ի և 1-ի միջև: Հետևաբար, արդյունքը հավանականություն է: Մենք որոշեցինք քաղցկեղի նույնականացման (P) հավանականությունը ΔA650/525-ի հիման վրա հետևյալ կերպ.

որտեղ b=5.3533,w1=-6.965: Նմուշների դասակարգման համար 0,5-ից պակաս հավանականությունը ցույց է տալիս նորմալ նմուշ, մինչդեռ 0,5 կամ ավելի հավանականությունը ցույց է տալիս քաղցկեղի նմուշ: Նկար 2c-ում պատկերված է շփոթության մատրիցը, որը առաջացել է «միայն թողնել» խաչաձև վավերացումից, որն օգտագործվել է դասակարգման մեթոդի կայունությունը հաստատելու համար: Նկար 2d-ն ամփոփում է մեթոդի ախտորոշիչ թեստի գնահատումը, ներառյալ զգայունությունը, առանձնահատկությունը, դրական կանխատեսող արժեքը (PPV) և բացասական կանխատեսող արժեքը (NPV):

Սմարթֆոնների վրա հիմնված բիոսենսորներ

Առանց սպեկտրոֆոտոմետրերի օգտագործման նմուշների փորձարկումն ավելի պարզեցնելու համար հետազոտողները արհեստական ​​ինտելեկտով (AI) են օգտագործել լուծույթի գույնը մեկնաբանելու և նորմալ և քաղցկեղով հիվանդ անհատներին տարբերելու համար: Հաշվի առնելով դա՝ համակարգչային տեսլականը օգտագործվել է կիստա/AuNPs լուծույթի գույնը վերածելու նորմալ ԴՆԹ-ի (մանուշակագույն) կամ քաղցկեղային ԴՆԹ-ի (կարմիր)՝ օգտագործելով բջջային հեռախոսի տեսախցիկի միջոցով արված 96 ջրանցքի թիթեղների պատկերները: Արհեստական ​​ինտելեկտը կարող է նվազեցնել ծախսերը և բարելավել հասանելիությունը նանոմասնիկների լուծույթների գույնը մեկնաբանելու հարցում և առանց սմարթֆոնների օպտիկական ապարատային պարագաների օգտագործման: Վերջապես, մեքենայական ուսուցման երկու մոդելներ, ներառյալ Պատահական անտառը (RF) և Աջակցող վեկտորային մեքենան (SVM) վերապատրաստվեցին մոդելները կառուցելու համար: ինչպես ՌԴ, այնպես էլ SVM մոդելները ճիշտ դասակարգել են նմուշները որպես դրական և բացասական՝ 90.0% ճշգրտությամբ: Սա խոսում է այն մասին, որ արհեստական ​​ինտելեկտի օգտագործումը բջջային հեռախոսների վրա հիմնված բիոզենսինգում միանգամայն հնարավոր է:

Նկար 3.(ա) լուծույթի թիրախային դասը, որը գրանցված է պատկերի ձեռքբերման փուլի համար նմուշի պատրաստման ժամանակ: բ) Պատկերի ձեռքբերման քայլի ընթացքում արված օրինակի պատկեր: գ) Կիստայի/AuNPs լուծույթի գույնի ինտենսիվությունը (բ) պատկերից արդյունահանված 96 հորատանցքի ափսեի յուրաքանչյուր հորում:

Օգտագործելով Cyst/AuNP-ները՝ հետազոտողները հաջողությամբ մշակել են մեթիլացման լանդշաֆտի հայտնաբերման պարզ զգայական հարթակ և սենսոր, որն ի վիճակի է տարբերել նորմալ ԴՆԹ-ն քաղցկեղի ԴՆԹ-ից, երբ օգտագործում են իրական արյան նմուշներ լեյկեմիայի սկրինինգի համար: Մշակված սենսորը ցույց է տվել, որ իրական արյան նմուշներից արդյունահանված ԴՆԹ-ն կարողացել է արագ և ծախսարդյունավետ հայտնաբերել քաղցկեղի ԴՆԹ-ի փոքր քանակությունը (3nM) լեյկոզով հիվանդների մոտ 15 րոպեում և ցույց է տվել 95,3% ճշգրտություն: Նմուշի փորձարկումն էլ ավելի պարզեցնելու համար՝ վերացնելով սպեկտրոֆոտոմետրի անհրաժեշտությունը, մեքենայական ուսուցումն օգտագործվել է լուծույթի գույնը մեկնաբանելու և բջջային հեռախոսի լուսանկարի միջոցով սովորական և քաղցկեղով հիվանդ մարդկանց միջև տարբերակելու համար, և ճշգրտությունը նույնպես կարողացել է հասնել 90.0%:

Հղում` DOI` 10.1039/d2ra05725e