ट्यूमर आणि ल्यूकेमिया स्क्रीनिंगच्या प्रारंभिक स्क्रीनिंगसाठी स्मार्टफोनसह डीएनए मेथिलेशन चाचणी 90.0%च्या अचूकतेसह!

लिक्विड बायोप्सीवर आधारित कर्करोगाची लवकर तपासणी ही अलिकडच्या वर्षांत अमेरिकेच्या राष्ट्रीय कर्करोग संस्थेने प्रस्तावित कर्करोगाच्या शोध आणि निदानाची एक नवीन दिशा आहे, ज्याचे उद्दीष्ट लवकर कर्करोग किंवा अगदी पूर्वसूचनात्मक जखम शोधण्याच्या उद्देशाने आहे. फुफ्फुसांचा कर्करोग, गॅस्ट्रोइंटेस्टाइनल ट्यूमर, ग्लिओमास आणि स्त्रीरोगविषयक ट्यूमर यासह विविध विकृतींच्या लवकर निदानासाठी कादंबरी बायोमार्कर म्हणून याचा मोठ्या प्रमाणात वापर केला गेला आहे.

मेथिलेशन लँडस्केप (मेथिलस्केप) बायोमार्कर्स ओळखण्यासाठी प्लॅटफॉर्मच्या उदयास कर्करोगाच्या विद्यमान लवकर तपासणीत लक्षणीय सुधारणा करण्याची क्षमता आहे, ज्यामुळे रूग्णांना लवकरात लवकर उपचार करण्यायोग्य टप्प्यावर ठेवले जाते.

अलीकडेच, संशोधकांनी सिस्टिमाइन सजवलेल्या सोन्याच्या नॅनोपार्टिकल्स (सिस्ट/एयूएनपी) वर आधारित मेथिलेशन लँडस्केप शोधण्यासाठी एक साधे आणि थेट सेन्सिंग प्लॅटफॉर्म विकसित केले आहे जे स्मार्टफोन-आधारित बायोसेन्सरसह एकत्रित करते जे ट्यूमरच्या विस्तृत श्रेणीची वेगवान स्क्रीनिंग सक्षम करते. रक्ताच्या नमुन्यातून डीएनए काढल्यानंतर 15 मिनिटांच्या आत ल्यूकेमियासाठी लवकर तपासणी केली जाऊ शकते, ज्याची अचूकता 90.0%आहे. लेख शीर्षक म्हणजे सिस्टामाइन-कॅप्ड एयूएनपी आणि मशीन लर्निंग-सक्षम स्मार्टफोनचा वापर करून मानवी रक्तामध्ये कर्करोग डीएनएचा वेगवान शोध आहे.

आकृती 1. गळू/एयूएनपी घटकांद्वारे कर्करोगाच्या तपासणीसाठी एक साधे आणि वेगवान सेन्सिंग प्लॅटफॉर्म दोन सोप्या चरणांमध्ये पूर्ण केले जाऊ शकते.

हे आकृती 1 मध्ये दर्शविले आहे. प्रथम, डीएनए तुकड्यांना विरघळण्यासाठी एक जलीय द्रावणाचा वापर केला गेला. त्यानंतर सिस्ट/एयूएनपी मिश्रित द्रावणामध्ये जोडले गेले. सामान्य आणि घातक डीएनएमध्ये भिन्न मेथिलेशन गुणधर्म असतात, परिणामी डीएनए तुकड्यांना वेगवेगळ्या स्वयं-असेंब्ली नमुन्यांसह होते. सामान्य डीएनए हळूवारपणे आणि अखेरीस गळू/एयूएनपी एकत्रित करते, ज्यामुळे गळू/एयूएनपीच्या लाल-बदललेल्या स्वरूपाचा परिणाम होतो, जेणेकरून लाल ते जांभळ्या रंगात बदल नग्न डोळ्याने दिसून येतो. याउलट, कर्करोग डीएनएचे अद्वितीय मेथिलेशन प्रोफाइल डीएनए तुकड्यांच्या मोठ्या क्लस्टर्सचे उत्पादन करते.

स्मार्टफोन कॅमेरा वापरुन 96 विहीर प्लेट्सच्या प्रतिमा घेण्यात आल्या. स्पेक्ट्रोस्कोपी-आधारित पद्धतींच्या तुलनेत मशीन लर्निंगसह सुसज्ज स्मार्टफोनद्वारे कर्करोग डीएनए मोजले गेले.

वास्तविक रक्ताच्या नमुन्यांमध्ये कर्करोग तपासणी

सेन्सिंग प्लॅटफॉर्मची उपयुक्तता वाढविण्यासाठी, अन्वेषकांनी एक सेन्सर लागू केला जो वास्तविक रक्ताच्या नमुन्यांमध्ये सामान्य आणि कर्करोगाच्या डीएनए दरम्यान यशस्वीरित्या ओळखतो. सीपीजी साइटवरील मेथिलेशन नमुने जनुक अभिव्यक्तीचे नियमन करतात. जवळजवळ सर्व कर्करोगाच्या प्रकारांमध्ये, डीएनए मेथिलेशनमध्ये बदल आणि अशा प्रकारे ट्यूमरिजेनेसिसला प्रोत्साहन देणार्‍या जीन्सच्या अभिव्यक्तीमध्ये वैकल्पिकरित्या पाहिले गेले आहे.

डीएनए मेथिलेशनशी संबंधित इतर कर्करोगाचे एक मॉडेल म्हणून, संशोधकांनी ल्युकेमियाच्या रूग्णांमधून रक्ताचे नमुने आणि निरोगी नियंत्रणे वापरल्या ज्यामुळे ल्युकेमिक कर्करोगाच्या भिन्नतेत मेथिलेशन लँडस्केपच्या प्रभावीतेची तपासणी केली जाते. हे मेथिलेशन लँडस्केप बायोमार्कर केवळ विद्यमान रॅपिड ल्यूकेमिया स्क्रीनिंग पद्धतींपेक्षा जास्तच नाही तर या साध्या आणि सरळ परखांचा वापर करून विस्तृत कर्करोगाच्या लवकर शोधण्यापर्यंत विस्तारित करण्याची व्यवहार्यता देखील दर्शवते.

31 ल्युकेमिया रूग्ण आणि 12 निरोगी व्यक्तींच्या रक्ताच्या नमुन्यांमधील डीएनएचे विश्लेषण केले गेले. आकृती 2 ए मधील बॉक्स प्लॉटमध्ये दर्शविल्याप्रमाणे, कर्करोगाच्या नमुन्यांचे सापेक्ष शोषक (ΔA650/525) सामान्य नमुन्यांमधील डीएनएपेक्षा कमी होते. हे प्रामुख्याने वर्धित हायड्रोफोबिसिटीमुळे होते ज्यामुळे कर्करोगाच्या डीएनएच्या दाट एकत्रिकरणास कारणीभूत ठरते, ज्यामुळे गळू/एयूएनपीच्या एकत्रिकरणास प्रतिबंधित केले गेले. परिणामी, या नॅनो पार्टिकल्स कर्करोगाच्या एकूण बाह्य थरांमध्ये पूर्णपणे विखुरल्या गेल्या, ज्यामुळे सिस्ट/एयूएनपी सामान्य आणि कर्करोगाच्या डीएनए एकत्रितपणे वेगळ्या प्रमाणात पसरल्या. त्यानंतर आरओसी वक्र कमीतकमी ΔA650/525 च्या मूल्यापासून जास्तीत जास्त मूल्यापासून उंबरठा बदलून व्युत्पन्न केले गेले.

आकृती २. (अ) ऑप्टिमाइझ केलेल्या परिस्थितीत सामान्य (निळा) आणि कर्करोग (लाल) डीएनएची उपस्थिती दर्शविणारी गळू/एयूएनपी सोल्यूशन्सची सापेक्ष शोषक मूल्ये

(डीए 650/525) बॉक्स प्लॉट्स; (बी) आरओसी विश्लेषण आणि निदान चाचण्यांचे मूल्यांकन. (सी) सामान्य आणि कर्करोगाच्या रूग्णांच्या निदानासाठी गोंधळ मॅट्रिक्स. (डी) संवेदनशीलता, विशिष्टता, सकारात्मक भविष्यवाणी मूल्य (पीपीव्ही), नकारात्मक भविष्यवाणी मूल्य (एनपीव्ही) आणि विकसित पद्धतीची अचूकता.

आकृती 2 बी मध्ये दर्शविल्याप्रमाणे, विकसित सेन्सरसाठी प्राप्त केलेल्या आरओसी वक्र (एयूसी = 0.9274) अंतर्गत क्षेत्राने उच्च संवेदनशीलता आणि विशिष्टता दर्शविली. बॉक्स प्लॉटमधून पाहिल्याप्रमाणे, सामान्य डीएनए गटाचे प्रतिनिधित्व करणारे सर्वात कमी बिंदू कर्करोगाच्या डीएनए गटाचे प्रतिनिधित्व करणार्‍या सर्वोच्च बिंदूपासून वेगळे नाही; म्हणूनच, सामान्य आणि कर्करोगाच्या गटांमध्ये फरक करण्यासाठी लॉजिस्टिक रीग्रेशनचा वापर केला गेला. स्वतंत्र व्हेरिएबल्सचा एक संच दिल्यास, कर्करोग किंवा सामान्य गट यासारख्या घटनेच्या संभाव्यतेचा अंदाज लावतो. अवलंबून चल 0 ते 1 दरम्यान श्रेणी आहे. परिणाम म्हणून संभाव्यता आहे. आम्ही खालीलप्रमाणे ΔA650/525 वर आधारित कर्करोग ओळख (पी) ची संभाव्यता निर्धारित केली.

जेथे बी = 5.3533, डब्ल्यू 1 = -6.965. नमुना वर्गीकरणासाठी, 0.5 पेक्षा कमी संभाव्यता सामान्य नमुना दर्शवते, तर 0.5 किंवा त्यापेक्षा जास्त संभाव्यता कर्करोगाचा नमुना दर्शवते. आकृती 2 सी मध्ये रजा-एकट्या क्रॉस-वैधतेपासून व्युत्पन्न केलेल्या गोंधळ मॅट्रिक्सचे वर्णन केले आहे, जे वर्गीकरण पद्धतीची स्थिरता सत्यापित करण्यासाठी वापरली गेली. आकृती 2 डी संवेदनशीलता, विशिष्टता, सकारात्मक भविष्यवाणी मूल्य (पीपीव्ही) आणि नकारात्मक भविष्यवाणी मूल्य (एनपीव्ही) यासह पद्धतीच्या निदान चाचणी मूल्यांकनाचे सारांश देते.

स्मार्टफोन-आधारित बायोसेन्सर

स्पेक्ट्रोफोटोमीटरच्या वापराशिवाय नमुना चाचणी सुलभ करण्यासाठी, संशोधकांनी कृत्रिम बुद्धिमत्ता (एआय) चा उपयोग सोल्यूशनच्या रंगाचे स्पष्टीकरण करण्यासाठी केला आणि सामान्य आणि कर्करोगाच्या व्यक्तींमध्ये फरक केला. हे दिल्यास, संगणक व्हिजनचा उपयोग गळू/एयूएनपीएस सोल्यूशनचा रंग सामान्य डीएनए (जांभळा) किंवा कर्करोग डीएनए (लाल) मध्ये मोबाइल फोन कॅमेर्‍याद्वारे घेतलेल्या 96-विहीर प्लेट्सच्या प्रतिमांचा वापर करण्यासाठी केला गेला. कृत्रिम बुद्धिमत्ता खर्च कमी करू शकते आणि नॅनो पार्टिकल सोल्यूशन्सच्या रंगाचे स्पष्टीकरण आणि कोणत्याही ऑप्टिकल हार्डवेअर स्मार्टफोन अ‍ॅक्सेसरीजचा वापर न करता प्रवेशयोग्यता सुधारू शकते. अखेरीस, यादृच्छिक फॉरेस्ट (आरएफ) आणि सपोर्ट वेक्टर मशीन (एसव्हीएम) यासह दोन मशीन लर्निंग मॉडेल्सचे मॉडेल तयार करण्यासाठी प्रशिक्षण दिले गेले. आरएफ आणि एसव्हीएम दोन्ही मॉडेल्सने 90.0%च्या अचूकतेसह नमुने सकारात्मक आणि नकारात्मक म्हणून योग्यरित्या वर्गीकृत केले. हे सूचित करते की मोबाइल फोन-आधारित बायोसेन्सिंगमध्ये कृत्रिम बुद्धिमत्तेचा वापर करणे शक्य आहे.

आकृती (. (अ) प्रतिमा अधिग्रहण चरणातील नमुना तयार करताना रेकॉर्ड केलेल्या समाधानाचे लक्ष्य वर्ग. (ब) प्रतिमा अधिग्रहण चरण दरम्यान घेतलेली उदाहरणे. (सी) प्रतिमेतून काढलेल्या 96-विहीर प्लेटच्या प्रत्येक विहिरीमध्ये गळू/एयूएनपी सोल्यूशनची रंग तीव्रता (बी).

सिस्ट/एयूएनपी वापरुन, संशोधकांनी मेथिलेशन लँडस्केप शोधण्यासाठी एक साधे सेन्सिंग प्लॅटफॉर्म आणि ल्यूकेमिया स्क्रीनिंगसाठी वास्तविक रक्ताचे नमुने वापरताना कर्करोग डीएनएपासून सामान्य डीएनए वेगळे करण्यास सक्षम सेन्सर यशस्वीरित्या विकसित केला आहे. विकसित सेन्सरने असे सिद्ध केले की वास्तविक रक्ताच्या नमुन्यांमधून काढलेला डीएनए 15 मिनिटांत ल्युकेमिया रूग्णांमध्ये कर्करोग डीएनए (3 एनएम) कमी प्रमाणात शोधण्यात आणि खर्च-प्रभावीपणे शोधण्यात सक्षम होता आणि 95.3%अचूकता दर्शविला. स्पेक्ट्रोफोटोमीटरची आवश्यकता दूर करून नमुना चाचणी सुलभ करण्यासाठी, मशीन लर्निंगचा उपयोग सोल्यूशनच्या रंगाचे स्पष्टीकरण करण्यासाठी केला गेला आणि मोबाइल फोन छायाचित्र वापरणार्‍या सामान्य आणि कर्करोगाच्या व्यक्तींमध्ये फरक केला गेला आणि अचूकता 90.0%वर देखील प्राप्त केली गेली.

संदर्भ: डीओआय: 10.1039/d2ra05725e