ԴՆԹ մեթիլացման թեստավորում՝ համակցված սմարթֆոնների հետ՝ ուռուցքների վաղ հայտնաբերման և լեյկեմիայի սկրինինգի համար՝ 90.0% ճշգրտությամբ։

Հեղուկ բիոպսիայի հիման վրա քաղցկեղի վաղ հայտնաբերումը քաղցկեղի հայտնաբերման և ախտորոշման նոր ուղղություն է, որն առաջարկվել է ԱՄՆ Ազգային քաղցկեղի ինստիտուտի կողմից վերջին տարիներին՝ քաղցկեղի կամ նույնիսկ նախաքաղցկեղային ախտահարումների վաղ հայտնաբերման նպատակով: Այն լայնորեն օգտագործվել է որպես նոր բիոմարկեր տարբեր չարորակ ուռուցքների, այդ թվում՝ թոքերի քաղցկեղի, ստամոքս-աղիքային ուռուցքների, գլիոմաների և գինեկոլոգիական ուռուցքների վաղ ախտորոշման համար:

Մեթիլացման լանդշաֆտի (Methylscape) բիոմարկերների նույնականացման հարթակների ի հայտ գալը կարող է զգալիորեն բարելավել քաղցկեղի վաղ հայտնաբերման առկա սկրինինգը՝ հիվանդներին հասցնելով բուժման համար ամենավաղ փուլին։

Վերջերս հետազոտողները մշակել են մեթիլացման լանդշաֆտի հայտնաբերման պարզ և անմիջական զգայունացման հարթակ՝ հիմնված ցիստեամինով զարդարված ոսկե նանոմասնիկների (Cyst/AuNPs) վրա, որոնք համակցված են սմարթֆոնի վրա հիմնված կենսազգայիչի հետ, որը հնարավորություն է տալիս արագ վաղ հայտնաբերել ուռուցքների լայն շրջանակ: Լեյկեմիայի վաղ հայտնաբերումը 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 ցիստեամինով պատված AuNPs և մեքենայական ուսուցման հնարավորություններով սմարթֆոն»:

Նկար 1. Քաղցկեղի սկրինինգի պարզ և արագ սենսորային հարթակը Cyst/AuNPs բաղադրիչների միջոցով կարող է իրականացվել երկու պարզ քայլով:

Սա ցույց է տրված նկար 1-ում: Սկզբում ԴՆԹ-ի բեկորները լուծելու համար օգտագործվել է ջրային լուծույթ: Այնուհետև խառը լուծույթին ավելացվել են կիստա/AuNP-ներ: Նորմալ և չարորակ ԴՆԹ-ն ունեն տարբեր մեթիլացման հատկություններ, ինչի արդյունքում առաջանում են ԴՆԹ-ի բեկորներ՝ տարբեր ինքնահավաքման օրինաչափություններով: Նորմալ ԴՆԹ-ն թույլ ագրեգացվում է և ի վերջո ագրեգացնում է կիստա/AuNP-ները, ինչը հանգեցնում է կիստա/AuNP-ների կարմիր շեղման բնույթի, այնպես որ գույնի փոփոխությունը կարմիրից մանուշակագույնի կարելի է դիտարկել անզեն աչքով: Ի տարբերություն դրա, քաղցկեղի ԴՆԹ-ի եզակի մեթիլացման պրոֆիլը հանգեցնում է ԴՆԹ-ի բեկորների ավելի մեծ կլաստերների առաջացմանը:

96-փոսիկանոց թիթեղների պատկերները արվել են սմարթֆոնի տեսախցիկով: Քաղցկեղի ԴՆԹ-ն չափվել է մեքենայական ուսուցման համակարգով հագեցած սմարթֆոնով՝ համեմատած սպեկտրոսկոպիայի վրա հիմնված մեթոդների հետ:

Քաղցկեղի սկրինինգ իրական արյան նմուշներում

Զգայական հարթակի օգտակարությունը ընդլայնելու համար հետազոտողները կիրառել են սենսոր, որը հաջողությամբ տարբերակում է նորմալ և քաղցկեղային ԴՆԹ-ն իրական արյան նմուշներում: CpG տեղամասերում մեթիլացման օրինաչափությունները էպիգենետիկորեն կարգավորում են գեների արտահայտությունը: Գրեթե բոլոր քաղցկեղի տեսակների դեպքում ԴՆԹ-ի մեթիլացման և, հետևաբար, ուռուցքագոյացումը խթանող գեների արտահայտման փոփոխությունները նկատվել են հերթագայությամբ:

Որպես ԴՆԹ մեթիլացման հետ կապված այլ քաղցկեղների մոդել, հետազոտողները օգտագործել են լեյկոզով հիվանդների և առողջ վերահսկիչ խմբի արյան նմուշներ՝ լեյկոզային քաղցկեղների տարբերակման գործում մեթիլացման լանդշաֆտի արդյունավետությունը հետազոտելու համար: Այս մեթիլացման լանդշաֆտի բիոմարկերը ոչ միայն գերազանցում է լեյկոզի առկա արագ սկրինինգի մեթոդները, այլև ցույց է տալիս այս պարզ և հասկանալի մեթոդի միջոցով քաղցկեղների լայն շրջանակի վաղ հայտնաբերման հնարավորությունները:

Վերլուծվել է 31 լեյկոզով հիվանդների և 12 առողջ անհատների արյան նմուշներից վերցված ԴՆԹ-ն։ Ինչպես ցույց է տրված նկար 2ա-ի շրջանակային գրաֆիկում, քաղցկեղի նմուշների հարաբերական կլանումը (ΔA650/525) ավելի ցածր էր, քան նորմալ նմուշներից վերցված ԴՆԹ-ինը։ Սա հիմնականում պայմանավորված էր բարձրացված հիդրոֆոբությամբ, որը հանգեցնում էր քաղցկեղի ԴՆԹ-ի խիտ ագրեգացմանը, ինչը կանխում էր Cyst/AuNP-ների ագրեգացումը։ Արդյունքում, այս նանոմասնիկները ամբողջությամբ ցրվել էին քաղցկեղի ագրեգատների արտաքին շերտերում, ինչը հանգեցրել էր նորմալ և քաղցկեղի ԴՆԹ ագրեգատների վրա ադսորբված Cyst/AuNP-ների տարբեր ցրման։ Այնուհետև ստեղծվել են ROC կորեր՝ շեմը փոփոխելով 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 գրաֆիկների; (բ) ROC վերլուծություն և ախտորոշիչ թեստերի գնահատում: (գ) Շփոթության մատրից նորմալ և քաղցկեղով հիվանդների ախտորոշման համար: (դ) Զգայունություն, յուրահատկություն, դրական կանխատեսողական արժեք (PPV), բացասական կանխատեսողական արժեք (NPV) և մշակված մեթոդի ճշգրտություն:

Ինչպես ցույց է տրված նկար 2բ-ում, մշակված սենսորի համար ստացված ROC կորի տակ գտնվող մակերեսը (AUC = 0.9274) ցույց է տվել բարձր զգայունություն և յուրահատկություն: Ինչպես երևում է քառակուսի գրաֆիկից, նորմալ ԴՆԹ խումբը ներկայացնող ամենացածր կետը լավ չի առանձնացված քաղցկեղի ԴՆԹ խումբը ներկայացնող ամենաբարձր կետից. հետևաբար, լոգիստիկ ռեգրեսիան օգտագործվել է նորմալ և քաղցկեղային խմբերը տարբերակելու համար: Անկախ փոփոխականների մի շարք հաշվի առնելով՝ այն գնահատում է իրադարձության տեղի ունենալու հավանականությունը, ինչպիսիք են քաղցկեղը կամ նորմալ խումբը: Կախյալ փոփոխականը տատանվում է 0-ից 1 միջակայքում: Հետևաբար, արդյունքը հավանականություն է: Մենք որոշեցինք քաղցկեղի նույնականացման հավանականությունը (P)՝ հիմնվելով ΔA650/525-ի վրա հետևյալ կերպ:

որտեղ b=5.3533, w1=-6.965: Նմուշի դասակարգման համար 0.5-ից փոքր հավանականությունը ցույց է տալիս նորմալ նմուշ, մինչդեռ 0.5 կամ ավելի բարձր հավանականությունը ցույց է տալիս քաղցկեղի նմուշ: Նկար 2c-ն պատկերում է «չօգտագործել» խաչաձև վավերացումից ստացված շփոթության մատրիցը, որն օգտագործվել է դասակարգման մեթոդի կայունությունը վավերացնելու համար: Նկար 2d-ն ամփոփում է մեթոդի ախտորոշիչ թեստի գնահատումը, ներառյալ զգայունությունը, յուրահատկությունը, դրական կանխատեսողական արժեքը (PPV) և բացասական կանխատեսողական արժեքը (NPV):

Սմարթֆոնների վրա հիմնված կենսասենսորներ

Սպեկտրոֆոտոմետրերի օգտագործման բացակայության դեպքում նմուշների փորձարկումն ավելի պարզեցնելու համար հետազոտողները օգտագործել են արհեստական ​​բանականություն (ԱԲ)՝ լուծույթի գույնը մեկնաբանելու և նորմալ և քաղցկեղով հիվանդներին տարբերակելու համար: Հաշվի առնելով դա, համակարգչային տեսողությունն օգտագործվել է Cyst/AuNPs լուծույթի գույնը նորմալ ԴՆԹ-ի (մանուշակագույն) կամ քաղցկեղով հիվանդ ԴՆԹ-ի (կարմիր) թարգմանելու համար՝ օգտագործելով բջջային հեռախոսի տեսախցիկով 96-փոսանի թիթեղների պատկերները: Արհեստական ​​բանականությունը կարող է կրճատել ծախսերը և բարելավել նանոմասնիկների լուծույթների գույնը մեկնաբանելու մատչելիությունը՝ առանց սմարթֆոնի որևէ օպտիկական սարքավորումների օգտագործման: Վերջապես, մոդելներ կառուցելու համար մարզվել են երկու մեքենայական ուսուցման մոդելներ, այդ թվում՝ Random Forest (RF) և Support Vector Machine (SVM): Ե՛վ RF, և՛ SVM մոդելները ճիշտ դասակարգել են նմուշները որպես դրական և բացասական՝ 90.0% ճշգրտությամբ: Սա ենթադրում է, որ արհեստական ​​բանականության օգտագործումը բջջային հեռախոսների վրա հիմնված կենսազգայման մեջ բավականին հնարավոր է:

Նկար 3.(ա) Պատկերի ձեռքբերման փուլի համար նմուշի պատրաստման ընթացքում գրանցված լուծույթի թիրախային դասը։ (բ) Պատկերի ձեռքբերման փուլի ընթացքում արված օրինակելի պատկեր։ (գ) Պատկերից արդյունահանված 96-խոռոչանոց ափսեի յուրաքանչյուր խոռոչում ցիստայի/AuNPs լուծույթի գույնի ինտենսիվությունը (բ):

Օգտագործելով Cyst/AuNP-ներ, հետազոտողները հաջողությամբ մշակել են մեթիլացման լանդշաֆտի հայտնաբերման պարզ զգայարանային հարթակ և սենսոր, որը կարող է տարբերակել նորմալ ԴՆԹ-ն քաղցկեղի ԴՆԹ-ից՝ լեյկոզի սկրինինգի համար իրական արյան նմուշներ օգտագործելով: Մշակված սենսորը ցույց տվեց, որ իրական արյան նմուշներից ստացված ԴՆԹ-ն կարող է արագ և ծախսարդյունավետորեն հայտնաբերել քաղցկեղի ԴՆԹ-ի փոքր քանակություններ (3 նՄ) լեյկոզով հիվանդների մոտ 15 րոպեում և ցույց է տվել 95.3% ճշգրտություն: Սպեկտրոֆոտոմետրի անհրաժեշտությունը վերացնելու և նմուշների թեստավորումը ավելի պարզեցնելու համար օգտագործվել է մեքենայական ուսուցում՝ լուծույթի գույնը մեկնաբանելու և նորմալ և քաղցկեղով անհատներին բջջային հեռախոսի լուսանկարի միջոցով տարբերակելու համար, և ճշգրտությունը նույնպես հասել է 90.0%:

Հղում՝ DOI: 10.1039/d2ra05725e