ԴՆԹ մեթիլացման թեստավորում `սմարթֆոնների հետ` ուռուցքների եւ լեյկոզի ցուցադրման վաղ ցուցադրման համար `90.0% ճշգրտությամբ:

Հեղուկ բիոպսիայով քաղցկեղի վաղ հայտնաբերումը վերջին տարիներին ԱՄՆ քաղցկեղի ազգային ինստիտուտի առաջարկած քաղցկեղի հայտնաբերման եւ ախտորոշման նոր ուղղություն է: Այն լայնորեն կիրառվել է որպես բիոմարկեր տարբեր չարորակությունների վաղ ախտորոշման, ներառյալ թոքերի քաղցկեղի, ստամոքս-աղիքային ուռուցքների, գլիոմաների եւ գինեկոլոգիայի ուռուցքների համար:

Մեթիլինգի լանդշաֆտային (մեթիլանշային) կենսաչափեր հայտնաբերելու պլատֆորմների առաջացումը հնարավորություն ունի էապես բարելավել քաղցկեղի համար առկա վաղ ցուցադրումը, հիվանդներին ամենավաղ բուժելի փուլում դնելով:

Վերջերս հետազոտողները մշակել են Methylation լանդշաֆտի հայտնաբերման պարզ եւ անմիջական սենսացիա, որը հիմնված է Cysteamine- ի զարդարված ոսկու նանոպասնիկների (կիստոստ / AUPPS) սմարթֆոնների վրա հիմնված կենսազանգվածի հետ, որը հնարավորություն է տալիս արագորեն ցուցադրել ուռուցքների լայն տեսականի: Leukemia- ի վաղ զննումը կարող է իրականացվել արյան նմուշից ԴՆԹ-ի արդյունահանումից հետո 15 րոպեի ընթացքում, 90.0% ճշգրտությամբ: Հոդվածի վերնագիրը մարդկային արյան քաղցկեղի ԴՆԹ-ի արագ հայտնաբերումն է, օգտագործելով CySteamine- ի վրա ծածկված AUNP- ները եւ մեքենայական ուսուցման միջոցով միացված սմարթֆոնը:

Գծապատկեր 1. Քաղցկեղի ցուցադրման պարզ եւ արագ զգայարանային պլատֆորմը Cyst / Aunps բաղադրիչներով կարող է իրականացվել երկու պարզ քայլով:

Սա ցույց է տրված Նկար 1-ում: Նախ, ջրային լուծումը օգտագործվել է ԴՆԹ-ի հատվածները լուծելու համար: Այսուհետեւ կիստ / AUPP- ները ավելացան խառը լուծմանը: Նորմալ եւ չարորակ ԴՆԹ-ն ունեն տարբեր մեթիլացման հատկություններ, որոնց արդյունքում ԴՆԹ-ի բեկորներ են ունենում ինքնահավաքի տարբեր ձեւերով: Նորմալ ԴՆԹ-ների ագրեգատները ազատորեն եւ, ի վերջո, ագրեգատում են կիստա / AUPP- ները, ինչը հանգեցնում է կիստի / AUPP- ների կարմիր տեղափոխված բնույթին, այնպես որ կարմիրից մինչեւ մանուշակագույն գույնի գույնը կարող է դիտվել անզեն աչքով: Ի հակադրություն, քաղցկեղի ԴՆԹ-ի եզակի մեթիլացման պրոֆիլը հանգեցնում է ԴՆԹ-ի բեկորների ավելի մեծ կլաստերի արտադրությանը:

96-լավ ափսեների պատկերները վերցվել են սմարթֆոնների ֆոտոխցիկի միջոցով: Քաղցկեղի ԴՆԹ-ն չափվել է մեքենայական ուսուցմամբ հագեցած սմարթֆոնով `համեմատած սպեկտրոսկոպի վրա հիմնված մեթոդների հետ:

Քաղցկեղի զննում արյան իրական նմուշներում

Զգայուն պլատֆորմի օգտակարությունը երկարաձգելու համար քննիչները կիրառեցին սենսոր, որը հաջողությամբ առանձնացավ նորմալ եւ քաղցկեղային ԴՆԹ-ի միջեւ իրական արյան նմուշներում: Methylation- ի նախշերը CPG կայքերում Epigenetally կարգավորում են գեների արտահայտությունը: Քաղցկեղի գրեթե բոլոր տեսակների, ԴՆԹ մեթիլացիայի փոփոխությունները եւ, հետեւաբար, գեների արտահայտման մեջ, որոնք նպաստում են այլընտրանքային:

Որպես ԴՆԹ մեթիլացման հետ կապված այլ քաղցկեղի մոդել, հետազոտողները օգտագործում էին լեյկոզի հիվանդներից արյան նմուշներ եւ առողջ հսկողություն, լեյկաբեմային քաղցկեղի տարբերակման գործում: Այս մեթիլացման լանդշաֆտային բիոմարկիչը ոչ միայն գերազանցում է գործող արագ լեյկոզի ցուցադրման մեթոդները, այլեւ ցուցադրում է այս պարզ եւ պարզ փորձարկմամբ քաղցկեղի լայն տեսականի վաղաժամկետ հայտնաբերման հնարավորությունը:

Չարագործական նմուշներից ԴՆԹ-ն լեյկոզի 31 հիվանդներից եւ 12 առողջ անհատներից վերլուծվեց: Ինչպես ցույց է տրված Գծապատկեր 2-ում գտնվող տուփի մեջ, քաղցկեղի նմուշների հարաբերական կլանումը (δa650 / 525) ցածր էր ԴՆԹ-ից նորմալ նմուշներից: Դա հիմնականում պայմանավորված էր քաղցկեղի ԴՆԹ-ի խիտ համախմբման ուժեղացված հիդրոֆոբիկայով, ինչը կանխեց կիստ / AUPP- ների համախմբումը: Արդյունքում, այս նանուպացիները ամբողջությամբ ցրվել են քաղցկեղի ագրեգատների արտաքին շերտերում, ինչը հանգեցրել է նորմալ եւ քաղցկեղի ԴՆԹ-ի ագրեգատների վրա խլացված կիստի / Aunps- ի այլ ցրման: Դրանից հետո ռոկի կորերը ստեղծվել են `տարբերելով շեմը` նվազագույն արժեքից մինչեւ առավելագույն արժեք:

Գծապատկեր 2. ա) կիստի / AUPP- ների լուծումների հարաբերական կլանման արժեքներ, որոնք ցույց են տալիս նորմալ (կապույտ) եւ քաղցկեղի (կարմիր) ԴՆԹ-ի առկայությունը օպտիմիզացված պայմաններում

(DA650 / 525) տուփի սյուժեների; (բ) Ախտորոշիչ թեստերի ռոկի վերլուծություն եւ գնահատում: գ) խառնաշփոթ մատրիցա նորմալ եւ քաղցկեղով հիվանդների ախտորոշման համար: դ) զգայունություն, առանձնահատկություն, դրական կանխատեսելի արժեք (PPV), բացասական կանխատեսելի արժեք (NPV) եւ զարգացած մեթոդի ճշգրտությունը:

Ինչպես ցույց է տրված Նկար 2B- ում, զարգացած սենսորի համար ձեռք բերված ROC կորի տակ գտնվող տարածքը ցույց տվեց բարձր զգայունություն եւ առանձնահատկություն: Ինչպես երեւում է տուփի սյուժեից, նորմալ ԴՆԹ խումբը ներկայացնող ամենացածր կետը լավ չի առանձնացված ամենաբարձր կետից `քաղցկեղի ԴՆԹ խումբը ներկայացնող ամենաբարձր կետից. Հետեւաբար, լոգիստիկ ռեգրեսիան օգտագործվել է նորմալ եւ քաղցկեղի խմբերի միջեւ տարբերվելու համար: Հաշվի առնելով անկախ փոփոխականների մի շարք, այն գնահատում է տեղի ունեցող իրադարձության հավանականությունը, ինչպիսին է քաղցկեղը կամ նորմալ խումբը: Կախված փոփոխական տողերը 0-ից 1-ի սահմաններում: Արդյունքը, հետեւաբար, հավանականություն է: Մենք որոշեցինք քաղցկեղի նույնականացման (P) հավանականությունը `հիմնվելով δa650 / 525-ի վրա, հետեւյալ կերպ:

որտեղ B = 5.3533, W1 = -6.965: Նմուշների դասակարգման համար 0.5-ից պակաս հավանականությունը նշում է նորմալ նմուշ, մինչդեռ 0,5 կամ ավելի հավանականությունը նշում է քաղցկեղի նմուշը: Գծապատկեր 2C- ն պատկերում է թողարկման-միայնակ խաչաձեւ վավերագրից ստացված խառնաշփոթ մատրիցը, որն օգտագործվում էր դասակարգման մեթոդի կայունությունը վավերացնելու համար: Գծապատկեր 2-ը ամփոփում է մեթոդի ախտորոշման թեստի գնահատումը, ներառյալ զգայունությունը, առանձնահատկությունը, դրական կանխատեսելի արժեքը (PPV) եւ բացասական կանխատեսելի արժեքը (NPV):

Սմարթֆոնների վրա հիմնված կենսոլորտներ

Առանց սպեկտրաֆոտոմետրերի օգտագործման նմուշի փորձարկումն առավել պարզեցնելու համար հետազոտողները օգտագործում էին արհեստական ​​հետախուզություն (AI) `լուծման գույնը մեկնաբանելու եւ նորմալ եւ քաղցկեղային անհատների միջեւ տարբերակելու համար: Հաշվի առնելով այս, համակարգչային տեսլականը օգտագործվում էր կիստի / AUPP- ների լուծույթի գույնը նորմալ ԴՆԹ (մանուշակագույն) կամ քաղցկեղային ԴՆԹ (կարմիր) թարգմանելու համար, օգտագործելով բջջային հեռախոսի խցիկի միջոցով վերցված 96 լավ ափսեներ: Արհեստական ​​հետախուզությունը կարող է նվազեցնել ծախսերը եւ բարելավել մատչելիությունը նանոպարտի լուծումների գույնը մեկնաբանելու եւ առանց օպտիկական ապարատային սմարթֆոնների պարագաների օգտագործման: Վերջապես, մոդելները կառուցելու համար վերապատրաստվել են երկու մեքենայի ուսուցման մոդելներ, ներառյալ պատահական անտառ (ՌԴ) եւ աջակցության վեկտորի մեքենա (SVM): Թե ՌԴ, թե SVM մոդելները ճիշտ են դասակարգում նմուշները որպես դրական եւ բացասական, 90.0% ճշգրտությամբ: Սա ենթադրում է, որ բջջային հեռախոսի վրա հիմնված կենսազանգման մեջ արհեստական ​​ինտելեկտի օգտագործումը միանգամայն հնարավոր է:

Գծապատկեր 3. ա) պատկերի ձեռքբերման քայլի համար նմուշի պատրաստման ընթացքում գրանցված լուծման նպատակային դաս: բ) Պատկերների ձեռքբերման քայլի ընթացքում արված օրինակ: գ) կիստայի / AUPP- ների լուծույթի գույնի ինտենսիվությունը յուրաքանչյուր ջրհորի վրա `նկարից արդյունահանված 96-լավ ափսեի մեջ (բ):

Օգտագործելով Cyst / AUPP- ները, հետազոտողները հաջողությամբ մշակել են մեթիլացման լանդշաֆտային հայտնաբերման պարզ սենսորային հարթակ եւ սենսոր, որը կարող է տարբերակել քաղցկեղի ԴՆԹ-ն, լեյկոզի ցուցադրման համար իրական արյան նմուշներ օգտագործելիս: Զարգացած սենսորը ցույց տվեց, որ իրական արյան նմուշներից արդյունահանվող ԴՆԹ-ն կարողացել է արագ եւ ծախսարդյունավետորեն հայտնաբերել լեյկոզի հիվանդների փոքր քանակությամբ քաղցկեղի ԴՆԹ (3N մ) եւ 15 րոպեի ընթացքում ճշգրտություն ցուցաբերել է 95.3% -ով: Նմուշի ստուգումը պարզեցնելու համար `վերացնելով սպեկտրոֆոտաչափի անհրաժեշտությունը, մեքենայի ուսումը օգտագործվել է լուծույթի գույնը մեկնաբանելու եւ բջջային հեռախոսի լուսանկար օգտագործող նորմալ եւ քաղցկեղային անհատների միջեւ տարբերակելու համար, եւ ճշգրտությունը կարող է հասնել նաեւ 90.0%:

Հղում, DOI: 10.1039 / D2ra05725e