90.0% ఖచ్చితత్వంతో కణితులు మరియు లుకేమియా స్క్రీనింగ్ కోసం స్మార్ట్‌ఫోన్‌లతో కలిపి DNA మిథైలేషన్ పరీక్ష!

లిక్విడ్ బయాప్సీ ఆధారంగా క్యాన్సర్‌ను ముందస్తుగా గుర్తించడం అనేది ఇటీవలి సంవత్సరాలలో US నేషనల్ క్యాన్సర్ ఇన్‌స్టిట్యూట్ ప్రతిపాదించిన క్యాన్సర్ గుర్తింపు మరియు రోగనిర్ధారణ యొక్క కొత్త దిశ, ఇది ముందస్తు క్యాన్సర్ లేదా ముందస్తు గాయాలను కూడా గుర్తించే లక్ష్యంతో ఉంది. ఊపిరితిత్తుల క్యాన్సర్, జీర్ణశయాంతర కణితులు, గ్లియోమాస్ మరియు గైనకాలజికల్ ట్యూమర్‌లతో సహా వివిధ ప్రాణాంతకతలను ముందస్తుగా నిర్ధారించడానికి ఇది ఒక నవల బయోమార్కర్‌గా విస్తృతంగా ఉపయోగించబడింది.

మిథైలేషన్ ల్యాండ్‌స్కేప్ (మిథైల్‌స్కేప్) బయోమార్కర్‌లను గుర్తించడానికి ప్లాట్‌ఫారమ్‌ల ఆవిర్భావం క్యాన్సర్‌కు ఇప్పటికే ఉన్న ప్రారంభ స్క్రీనింగ్‌ను గణనీయంగా మెరుగుపరిచే సామర్థ్యాన్ని కలిగి ఉంది, రోగులను చికిత్స చేయగల ప్రారంభ దశలో ఉంచుతుంది.

ఇటీవల, పరిశోధకులు మిథైలేషన్ ల్యాండ్‌స్కేప్ డిటెక్షన్ కోసం ఒక సాధారణ మరియు ప్రత్యక్ష సెన్సింగ్ ప్లాట్‌ఫారమ్‌ను సిస్టమైన్ డెకరేట్ చేసిన గోల్డ్ నానోపార్టికల్స్ (Cyst/AuNPs) ఆధారంగా స్మార్ట్‌ఫోన్ ఆధారిత బయోసెన్సర్‌తో కలిపి అభివృద్ధి చేశారు, ఇది విస్తృత శ్రేణి కణితుల యొక్క వేగవంతమైన స్క్రీనింగ్‌ను అనుమతిస్తుంది. 90.0% ఖచ్చితత్వంతో రక్త నమూనా నుండి DNA వెలికితీసిన తర్వాత 15 నిమిషాలలోపు లుకేమియా కోసం ముందస్తు స్క్రీనింగ్ చేయవచ్చు. ఆర్టికల్ టైటిల్ అనేది సిస్టమైన్-క్యాప్డ్ AuNPలు మరియు మెషీన్ లెర్నింగ్-ఎనేబుల్డ్ స్మార్ట్‌ఫోన్‌ను ఉపయోగించి మానవ రక్తంలో క్యాన్సర్ DNAని వేగంగా గుర్తించడం.

మూర్తి 1. Cyst/AuNPs భాగాల ద్వారా క్యాన్సర్ స్క్రీనింగ్ కోసం సరళమైన మరియు వేగవంతమైన సెన్సింగ్ ప్లాట్‌ఫారమ్‌ను రెండు సాధారణ దశల్లో సాధించవచ్చు.

ఇది మూర్తి 1లో చూపబడింది. ముందుగా, DNA శకలాలను కరిగించడానికి సజల ద్రావణం ఉపయోగించబడింది. Cyst/AuNP లు మిశ్రమ ద్రావణానికి జోడించబడ్డాయి. సాధారణ మరియు ప్రాణాంతక DNA వేర్వేరు మిథైలేషన్ లక్షణాలను కలిగి ఉంటుంది, ఫలితంగా వివిధ స్వీయ-అసెంబ్లీ నమూనాలతో DNA శకలాలు ఏర్పడతాయి. సాధారణ DNA విశృంఖలంగా కలుపుతుంది మరియు చివరికి Cyst/AuNPలను కలుపుతుంది, దీని ఫలితంగా Cyst/AuNPల యొక్క ఎరుపు-మార్పు స్వభావం ఏర్పడుతుంది, తద్వారా ఎరుపు నుండి ఊదా రంగులోకి మారడాన్ని కంటితో గమనించవచ్చు. దీనికి విరుద్ధంగా, క్యాన్సర్ DNA యొక్క ప్రత్యేకమైన మిథైలేషన్ ప్రొఫైల్ DNA శకలాలు పెద్ద సమూహాల ఉత్పత్తికి దారితీస్తుంది.

96 బావి పలకల చిత్రాలు స్మార్ట్‌ఫోన్ కెమెరాను ఉపయోగించి తీయబడ్డాయి. స్పెక్ట్రోస్కోపీ-ఆధారిత పద్ధతులతో పోలిస్తే మెషిన్ లెర్నింగ్‌తో కూడిన స్మార్ట్‌ఫోన్ ద్వారా క్యాన్సర్ DNA కొలుస్తారు.

నిజమైన రక్త నమూనాలలో క్యాన్సర్ స్క్రీనింగ్

సెన్సింగ్ ప్లాట్‌ఫారమ్ యొక్క ప్రయోజనాన్ని విస్తరించడానికి, పరిశోధకులు నిజమైన రక్త నమూనాలలో సాధారణ మరియు క్యాన్సర్ DNA మధ్య విజయవంతంగా తేడాను గుర్తించే సెన్సార్‌ను వర్తింపజేసారు. CpG సైట్‌లలోని మిథైలేషన్ నమూనాలు జన్యు వ్యక్తీకరణను బాహ్యజన్యుపరంగా నియంత్రిస్తాయి. దాదాపు అన్ని క్యాన్సర్ రకాల్లో, DNA మిథైలేషన్‌లో మార్పులు మరియు తద్వారా ట్యూమరిజెనిసిస్‌ను ప్రోత్సహించే జన్యువుల వ్యక్తీకరణలో ప్రత్యామ్నాయంగా గమనించబడింది.

DNA మిథైలేషన్‌తో సంబంధం ఉన్న ఇతర క్యాన్సర్‌లకు నమూనాగా, పరిశోధకులు లుకేమియా రోగుల నుండి రక్త నమూనాలను మరియు ల్యుకేమిక్ క్యాన్సర్‌లను వేరు చేయడంలో మిథైలేషన్ ల్యాండ్‌స్కేప్ యొక్క ప్రభావాన్ని పరిశోధించడానికి ఆరోగ్యకరమైన నియంత్రణలను ఉపయోగించారు. ఈ మిథైలేషన్ ల్యాండ్‌స్కేప్ బయోమార్కర్ ఇప్పటికే ఉన్న వేగవంతమైన లుకేమియా స్క్రీనింగ్ పద్ధతులను అధిగమించడమే కాకుండా, ఈ సరళమైన మరియు సరళమైన పరీక్షను ఉపయోగించి విస్తృత శ్రేణి క్యాన్సర్‌లను ముందస్తుగా గుర్తించే వరకు విస్తరించే సాధ్యతను కూడా ప్రదర్శిస్తుంది.

31 లుకేమియా రోగులు మరియు 12 మంది ఆరోగ్యవంతుల రక్త నమూనాల నుండి DNA విశ్లేషించబడింది. మూర్తి 2aలోని బాక్స్ ప్లాట్‌లో చూపినట్లుగా, క్యాన్సర్ నమూనాల సాపేక్ష శోషణ (ΔA650/525) సాధారణ నమూనాల DNA కంటే తక్కువగా ఉంది. ఇది ప్రధానంగా మెరుగైన హైడ్రోఫోబిసిటీ కారణంగా క్యాన్సర్ DNA యొక్క దట్టమైన అగ్రిగేషన్‌కు దారితీసింది, ఇది Cyst/AuNPల సంకలనాన్ని నిరోధించింది. ఫలితంగా, ఈ నానోపార్టికల్స్ క్యాన్సర్ కంకరల యొక్క బయటి పొరలలో పూర్తిగా చెదరగొట్టబడ్డాయి, దీని ఫలితంగా సాధారణ మరియు క్యాన్సర్ DNA కంకరలపై శోషించబడిన Cyst/AuNPల భిన్నమైన వ్యాప్తికి దారితీసింది. ROC వక్రతలు థ్రెషోల్డ్‌ను కనిష్ట ΔA650/525 నుండి గరిష్ట విలువకు మార్చడం ద్వారా రూపొందించబడ్డాయి.

మూర్తి 2.(a) ఆప్టిమైజ్ చేయబడిన పరిస్థితుల్లో సాధారణ (నీలం) మరియు క్యాన్సర్ (ఎరుపు) dna ఉనికిని చూపే తిత్తి/AuNPల పరిష్కారాల సాపేక్ష శోషణ విలువలు

(DA650/525) బాక్స్ ప్లాట్లు; (బి) ROC విశ్లేషణ మరియు రోగనిర్ధారణ పరీక్షల మూల్యాంకనం. (సి) సాధారణ మరియు క్యాన్సర్ రోగుల నిర్ధారణ కోసం గందరగోళ మాతృక. (d) సున్నితత్వం, నిర్దిష్టత, సానుకూల అంచనా విలువ (PPV), ప్రతికూల అంచనా విలువ (NPV) మరియు అభివృద్ధి చెందిన పద్ధతి యొక్క ఖచ్చితత్వం.

మూర్తి 2bలో చూపినట్లుగా, అభివృద్ధి చెందిన సెన్సార్ కోసం పొందిన ROC కర్వ్ (AUC = 0.9274) కింద ఉన్న ప్రాంతం అధిక సున్నితత్వం మరియు విశిష్టతను చూపించింది. బాక్స్ ప్లాట్ నుండి చూడగలిగినట్లుగా, సాధారణ DNA సమూహాన్ని సూచించే అత్యల్ప పాయింట్ క్యాన్సర్ DNA సమూహాన్ని సూచించే ఎత్తైన పాయింట్ నుండి బాగా వేరు చేయబడదు; అందువల్ల, సాధారణ మరియు క్యాన్సర్ సమూహాల మధ్య తేడాను గుర్తించడానికి లాజిస్టిక్ రిగ్రెషన్ ఉపయోగించబడింది. స్వతంత్ర చరరాశుల సమితిని బట్టి, ఇది క్యాన్సర్ లేదా సాధారణ సమూహం వంటి సంఘటన సంభవించే సంభావ్యతను అంచనా వేస్తుంది. డిపెండెంట్ వేరియబుల్ 0 మరియు 1 మధ్య ఉంటుంది. కాబట్టి ఫలితం సంభావ్యత. మేము ఈ క్రింది విధంగా ΔA650/525 ఆధారంగా క్యాన్సర్ గుర్తింపు (P) సంభావ్యతను నిర్ణయించాము.

ఇక్కడ b=5.3533,w1=-6.965. నమూనా వర్గీకరణ కోసం, 0.5 కంటే తక్కువ సంభావ్యత సాధారణ నమూనాను సూచిస్తుంది, అయితే 0.5 లేదా అంతకంటే ఎక్కువ సంభావ్యత క్యాన్సర్ నమూనాను సూచిస్తుంది. వర్గీకరణ పద్ధతి యొక్క స్థిరత్వాన్ని ధృవీకరించడానికి ఉపయోగించబడిన లీవ్-ఇట్-ఏలోన్ క్రాస్ ధ్రువీకరణ నుండి ఉత్పన్నమయ్యే గందరగోళ మాతృకను మూర్తి 2c వర్ణిస్తుంది. మూర్తి 2d, సున్నితత్వం, నిర్దిష్టత, సానుకూల అంచనా విలువ (PPV) మరియు ప్రతికూల అంచనా విలువ (NPV)తో సహా పద్ధతి యొక్క విశ్లేషణ పరీక్ష మూల్యాంకనాన్ని సంగ్రహిస్తుంది.

స్మార్ట్‌ఫోన్ ఆధారిత బయోసెన్సర్‌లు

స్పెక్ట్రోఫోటోమీటర్‌లను ఉపయోగించకుండా నమూనా పరీక్షను మరింత సరళీకృతం చేయడానికి, ద్రావణం యొక్క రంగును అర్థం చేసుకోవడానికి మరియు సాధారణ మరియు క్యాన్సర్ వ్యక్తుల మధ్య తేడాను గుర్తించడానికి పరిశోధకులు కృత్రిమ మేధస్సు (AI)ని ఉపయోగించారు. దీన్ని బట్టి, మొబైల్ ఫోన్ కెమెరా ద్వారా తీసిన 96-బావి పలకల చిత్రాలను ఉపయోగించి Cyst/AuNPs ద్రావణం యొక్క రంగును సాధారణ DNA (పర్పుల్) లేదా క్యాన్సర్ DNA (ఎరుపు)లోకి అనువదించడానికి కంప్యూటర్ విజన్ ఉపయోగించబడింది. ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ నానోపార్టికల్ సొల్యూషన్స్ యొక్క రంగును వివరించడంలో మరియు ఎటువంటి ఆప్టికల్ హార్డ్‌వేర్ స్మార్ట్‌ఫోన్ ఉపకరణాలను ఉపయోగించకుండా ఖర్చులను తగ్గించగలదు మరియు ప్రాప్యతను మెరుగుపరుస్తుంది. చివరగా, రాండమ్ ఫారెస్ట్ (RF) మరియు సపోర్ట్ వెక్టర్ మెషిన్ (SVM)తో సహా రెండు మెషిన్ లెర్నింగ్ మోడల్‌లు మోడల్‌లను నిర్మించడానికి శిక్షణ పొందాయి. RF మరియు SVM మోడల్‌లు రెండూ 90.0% ఖచ్చితత్వంతో నమూనాలను పాజిటివ్ మరియు నెగటివ్‌గా సరిగ్గా వర్గీకరించాయి. మొబైల్ ఫోన్ ఆధారిత బయోసెన్సింగ్‌లో కృత్రిమ మేధస్సును ఉపయోగించడం చాలా సాధ్యమేనని ఇది సూచిస్తుంది.

చిత్రం 3.(a) చిత్ర సేకరణ దశ కోసం నమూనా తయారీ సమయంలో నమోదు చేయబడిన పరిష్కారం యొక్క లక్ష్య తరగతి. (బి) చిత్ర సేకరణ దశలో తీసిన ఉదాహరణ చిత్రం. (సి) చిత్రం (బి) నుండి సేకరించిన 96-బావి ప్లేట్‌లోని ప్రతి బావిలో తిత్తి/AuNPల ద్రావణం యొక్క రంగు తీవ్రత.

Cyst/AuNPలను ఉపయోగించి, పరిశోధకులు మిథైలేషన్ ల్యాండ్‌స్కేప్ డిటెక్షన్ కోసం ఒక సాధారణ సెన్సింగ్ ప్లాట్‌ఫారమ్‌ను విజయవంతంగా అభివృద్ధి చేశారు మరియు లుకేమియా స్క్రీనింగ్ కోసం నిజమైన రక్త నమూనాలను ఉపయోగిస్తున్నప్పుడు క్యాన్సర్ DNA నుండి సాధారణ DNAని వేరు చేయగల సెన్సార్‌ను విజయవంతంగా అభివృద్ధి చేశారు. నిజమైన రక్త నమూనాల నుండి సేకరించిన DNA లుకేమియా రోగులలో చిన్న మొత్తంలో క్యాన్సర్ DNA (3nM)ని 15 నిమిషాల్లో వేగంగా మరియు తక్కువ ఖర్చుతో గుర్తించగలదని అభివృద్ధి చెందిన సెన్సార్ నిరూపించింది మరియు 95.3% ఖచ్చితత్వాన్ని చూపించింది. స్పెక్ట్రోఫోటోమీటర్ అవసరాన్ని తొలగించడం ద్వారా నమూనా పరీక్షను మరింత సులభతరం చేయడానికి, మొబైల్ ఫోన్ ఫోటోగ్రాఫ్‌ను ఉపయోగించి ద్రావణం యొక్క రంగును అర్థం చేసుకోవడానికి మరియు సాధారణ మరియు క్యాన్సర్ వ్యక్తుల మధ్య తేడాను గుర్తించడానికి మెషిన్ లెర్నింగ్ ఉపయోగించబడింది మరియు ఖచ్చితత్వాన్ని కూడా 90.0% వద్ద సాధించగలిగారు.

సూచన: DOI: 10.1039/d2ra05725e