ट्यूमरच्या लवकर तपासणीसाठी स्मार्टफोनसह DNA मेथिलेशन चाचणी आणि ल्युकेमिया तपासणी 90.0% अचूकतेसह!

लिक्विड बायोप्सीच्या आधारे कर्करोगाची लवकर तपासणी ही अलीकडच्या वर्षांत यूएस नॅशनल कॅन्सर इन्स्टिट्यूटने प्रस्तावित केलेली कॅन्सर शोधण्याची आणि निदानाची एक नवीन दिशा आहे, ज्याचा उद्देश लवकर कर्करोग किंवा अगदी पूर्वकॅन्सरच्या जखमांचा शोध घेण्याच्या उद्देशाने आहे. फुफ्फुसाचा कर्करोग, गॅस्ट्रोइंटेस्टाइनल ट्यूमर, ग्लिओमास आणि स्त्रीरोगविषयक ट्यूमरसह विविध घातक रोगांचे लवकर निदान करण्यासाठी हे नवीन बायोमार्कर म्हणून मोठ्या प्रमाणावर वापरले गेले आहे.

मेथिलेशन लँडस्केप (मेथिलस्केप) बायोमार्कर्स ओळखण्यासाठी प्लॅटफॉर्मच्या उदयामध्ये कर्करोगाच्या विद्यमान प्रारंभिक तपासणीमध्ये लक्षणीय सुधारणा करण्याची क्षमता आहे, ज्यामुळे रुग्णांना लवकरात लवकर उपचार करण्यायोग्य टप्प्यावर ठेवले जाते.

अलीकडे, संशोधकांनी स्मार्टफोन-आधारित बायोसेन्सरसह एकत्रितपणे सिस्टीमाइन सजवलेल्या सोन्याचे नॅनोपार्टिकल्स (Cyst/AuNPs) वर आधारित मिथिलेशन लँडस्केप डिटेक्शनसाठी एक साधे आणि थेट संवेदन प्लॅटफॉर्म विकसित केले आहे जे ट्यूमरच्या विस्तृत श्रेणीचे जलद लवकर स्क्रीनिंग सक्षम करते. रक्ताच्या नमुन्यातून डीएनए काढल्यानंतर 15 मिनिटांच्या आत ल्युकेमियासाठी प्रारंभिक तपासणी केली जाऊ शकते, 90.0% अचूकतेसह. लेखाचे शीर्षक सिस्टीमाइन-कॅप्ड एयूएनपी आणि मशीन लर्निंग-सक्षम स्मार्टफोन वापरून मानवी रक्तातील कर्करोग डीएनएचे जलद शोध आहे.

आकृती 1. Cyst/AuNPs घटकांद्वारे कर्करोग तपासणीसाठी एक साधा आणि जलद सेन्सिंग प्लॅटफॉर्म दोन सोप्या चरणांमध्ये पूर्ण केला जाऊ शकतो.

हे आकृती 1 मध्ये दर्शविले आहे. प्रथम, DNA तुकड्यांना विरघळण्यासाठी जलीय द्रावण वापरण्यात आले. सिस्ट/AuNPs नंतर मिश्र द्रावणात जोडले गेले. सामान्य आणि घातक डीएनएमध्ये भिन्न मेथिलेशन गुणधर्म असतात, परिणामी डीएनएचे तुकडे वेगवेगळ्या सेल्फ-असेंबली पॅटर्नसह होतात. सामान्य DNA सैलपणे एकत्रित होते आणि शेवटी Cyst/AuNPs एकत्रित करते, ज्यामुळे Cyst/AuNP चे लाल-बदललेले स्वरूप दिसून येते, जेणेकरून लाल ते जांभळ्या रंगात झालेला बदल उघड्या डोळ्यांनी पाहिला जाऊ शकतो. याउलट, कर्करोगाच्या डीएनएच्या अद्वितीय मेथिलेशन प्रोफाइलमुळे डीएनए तुकड्यांच्या मोठ्या क्लस्टर्सची निर्मिती होते.

स्मार्टफोन कॅमेरा वापरून 96-वेल प्लेट्सच्या प्रतिमा घेतल्या गेल्या. स्पेक्ट्रोस्कोपी-आधारित पद्धतींच्या तुलनेत मशीन लर्निंगसह सुसज्ज स्मार्टफोनद्वारे कर्करोग डीएनए मोजला गेला.

वास्तविक रक्त नमुन्यांमध्ये कर्करोग तपासणी

सेन्सिंग प्लॅटफॉर्मची उपयुक्तता वाढवण्यासाठी, अन्वेषकांनी एक सेन्सर लागू केला ज्याने वास्तविक रक्त नमुन्यांमधील सामान्य आणि कर्करोगाच्या डीएनएमध्ये यशस्वीरित्या फरक केला. सीपीजी साइट्सवरील मेथिलेशन पॅटर्न एपिजेनेटिकली जीन अभिव्यक्ती नियंत्रित करतात. जवळजवळ सर्व कर्करोगाच्या प्रकारांमध्ये, डीएनए मेथिलेशनमध्ये बदल आणि अशा प्रकारे ट्यूमरिजेनेसिसला उत्तेजन देणाऱ्या जनुकांच्या अभिव्यक्तीमध्ये बदल आढळून आले आहेत.

डीएनए मेथिलेशनशी संबंधित इतर कर्करोगांसाठी मॉडेल म्हणून, संशोधकांनी ल्युकेमियाच्या रूग्णांचे रक्त नमुने आणि ल्युकेमिक कर्करोग वेगळे करण्यासाठी मेथिलेशन लँडस्केपची प्रभावीता तपासण्यासाठी निरोगी नियंत्रणे वापरली. हे मेथिलेशन लँडस्केप बायोमार्कर केवळ विद्यमान जलद ल्युकेमिया स्क्रीनिंग पद्धतींना मागे टाकत नाही तर या साध्या आणि सरळ परखचा वापर करून कर्करोगाच्या विस्तृत श्रेणीचा लवकर शोध घेण्यापर्यंत विस्तारित करण्याची व्यवहार्यता देखील प्रदर्शित करते.

31 ल्युकेमिया रुग्ण आणि 12 निरोगी व्यक्तींच्या रक्ताच्या नमुन्यांमधील डीएनएचे विश्लेषण करण्यात आले. आकृती 2a मधील बॉक्स प्लॉटमध्ये दर्शविल्याप्रमाणे, कर्करोगाच्या नमुन्यांचे सापेक्ष शोषण (ΔA650/525) सामान्य नमुन्यांमधील DNA पेक्षा कमी होते. हे प्रामुख्याने वर्धित हायड्रोफोबिसिटीमुळे होते ज्यामुळे कर्करोग डीएनएचे दाट एकत्रीकरण होते, ज्यामुळे सिस्ट/एयूएनपीचे एकत्रीकरण रोखले जाते. परिणामी, हे नॅनोकण कर्करोगाच्या समुच्चयांच्या बाह्य स्तरांमध्ये पूर्णपणे विखुरले गेले, ज्यामुळे सामान्य आणि कर्करोगाच्या DNA समुच्चयांवर शोषलेल्या सिस्ट/AuNPs चे वेगळे विखुरले गेले. आरओसी वक्र नंतर थ्रेशोल्ड ΔA650/525 च्या किमान मूल्यापासून कमाल मूल्यापर्यंत बदलून व्युत्पन्न केले गेले.

आकृती 2.(a) सिस्ट/AuNPs सोल्यूशन्सची सापेक्ष शोषक मूल्ये इष्टतम परिस्थितीत सामान्य (निळा) आणि कर्करोग (लाल) डीएनएची उपस्थिती दर्शवितात

(DA650/525) बॉक्स प्लॉटचे; (b) ROC विश्लेषण आणि निदान चाचण्यांचे मूल्यमापन. (c) सामान्य आणि कर्करोगाच्या रुग्णांच्या निदानासाठी गोंधळ मॅट्रिक्स. (d) संवेदनशीलता, विशिष्टता, सकारात्मक भविष्यसूचक मूल्य (PPV), नकारात्मक भविष्यसूचक मूल्य (NPV) आणि विकसित पद्धतीची अचूकता.

आकृती 2b मध्ये दर्शविल्याप्रमाणे, विकसित सेन्सरसाठी प्राप्त आरओसी वक्र (AUC = 0.9274) अंतर्गत क्षेत्राने उच्च संवेदनशीलता आणि विशिष्टता दर्शविली. बॉक्स प्लॉटवरून पाहिल्याप्रमाणे, सामान्य डीएनए समूहाचे प्रतिनिधित्व करणारा सर्वात खालचा बिंदू कर्करोगाच्या डीएनए गटाचे प्रतिनिधित्व करणाऱ्या सर्वोच्च बिंदूपासून विभक्त केलेला नाही; म्हणून, लॉजिस्टिक रीग्रेशनचा वापर सामान्य आणि कर्करोग गटांमध्ये फरक करण्यासाठी केला गेला. स्वतंत्र व्हेरिएबल्सचा संच दिल्यास, तो कर्करोग किंवा सामान्य गट यासारख्या घटना घडण्याच्या संभाव्यतेचा अंदाज लावतो. अवलंबित व्हेरिएबल 0 आणि 1 च्या दरम्यान आहे. त्यामुळे परिणाम संभाव्यता आहे. आम्ही खालीलप्रमाणे ΔA650/525 वर आधारित कर्करोग ओळख (P) ची संभाव्यता निर्धारित केली.

जेथे b=5.3533,w1=-6.965. नमुना वर्गीकरणासाठी, 0.5 पेक्षा कमी संभाव्यता सामान्य नमुना दर्शवते, तर 0.5 किंवा त्याहून अधिक संभाव्यता कर्करोगाचा नमुना दर्शवते. आकृती 2c मध्ये क्लासिफिकेशन पद्धतीची स्थिरता प्रमाणित करण्यासाठी वापरल्या जाणाऱ्या क्रॉस-व्हॅलिडेशनमधून व्युत्पन्न झालेल्या गोंधळ मॅट्रिक्सचे चित्रण केले आहे. आकृती 2d संवेदनक्षमता, विशिष्टता, सकारात्मक भविष्यसूचक मूल्य (PPV) आणि नकारात्मक भविष्यसूचक मूल्य (NPV) यासह पद्धतीच्या निदान चाचणी मूल्यमापनाचा सारांश देते.

स्मार्टफोन-आधारित बायोसेन्सर

स्पेक्ट्रोफोटोमीटरचा वापर न करता नमुना चाचणी आणखी सोपी करण्यासाठी, संशोधकांनी द्रावणाच्या रंगाचा अर्थ लावण्यासाठी आणि सामान्य आणि कर्करोगग्रस्त व्यक्तींमध्ये फरक करण्यासाठी कृत्रिम बुद्धिमत्ता (AI) वापरली. हे पाहता, मोबाईल फोन कॅमेऱ्याद्वारे घेतलेल्या 96-वेल प्लेट्सच्या प्रतिमा वापरून सिस्ट/AuNPs सोल्यूशनचा रंग सामान्य DNA (जांभळा) किंवा कर्करोगग्रस्त DNA (लाल) मध्ये अनुवादित करण्यासाठी संगणक दृष्टी वापरली गेली. कृत्रिम बुद्धिमत्ता खर्च कमी करू शकते आणि नॅनोपार्टिकल सोल्यूशन्सच्या रंगाचा अर्थ लावण्यासाठी आणि कोणत्याही ऑप्टिकल हार्डवेअर स्मार्टफोन ॲक्सेसरीजचा वापर न करता सुलभता सुधारू शकते. शेवटी, रँडम फॉरेस्ट (RF) आणि सपोर्ट वेक्टर मशीन (SVM) सह दोन मशीन लर्निंग मॉडेल्सना मॉडेल्स तयार करण्यासाठी प्रशिक्षण देण्यात आले. RF आणि SVM या दोन्ही मॉडेल्सनी 90.0% अचूकतेसह नमुने सकारात्मक आणि नकारात्मक असे वर्गीकृत केले आहेत. हे सूचित करते की मोबाइल फोन-आधारित बायोसेन्सिंगमध्ये कृत्रिम बुद्धिमत्तेचा वापर करणे शक्य आहे.

आकृती 3.(a) प्रतिमा संपादन चरणासाठी नमुना तयार करताना रेकॉर्ड केलेल्या सोल्यूशनचा लक्ष्य वर्ग. (b) प्रतिमा संपादन चरणादरम्यान घेतलेली प्रतिमा. (c) प्रतिमेतून काढलेल्या 96-वेल प्लेटच्या प्रत्येक विहिरीतील सिस्ट/AuNPs द्रावणाची रंगाची तीव्रता (b).

Cyst/AuNPs वापरून, संशोधकांनी मेथिलेशन लँडस्केप डिटेक्शनसाठी एक साधा सेन्सिंग प्लॅटफॉर्म यशस्वीरित्या विकसित केला आहे आणि ल्यूकेमिया स्क्रीनिंगसाठी वास्तविक रक्त नमुने वापरताना सामान्य DNA आणि कर्करोग DNA वेगळे करण्यास सक्षम सेन्सर विकसित केला आहे. विकसित सेन्सरने हे दाखवून दिले की वास्तविक रक्ताच्या नमुन्यांमधून काढलेले DNA 15 मिनिटांत ल्युकेमियाच्या रूग्णांमध्ये अल्प प्रमाणात कर्करोग DNA (3nM) जलद आणि किफायतशीरपणे शोधण्यात सक्षम होते आणि 95.3% अचूकता दर्शविली. स्पेक्ट्रोफोटोमीटरची गरज काढून टाकून नमुना चाचणी आणखी सोपी करण्यासाठी, सोल्यूशनच्या रंगाचा अर्थ लावण्यासाठी आणि मोबाइल फोन छायाचित्र वापरून सामान्य आणि कर्करोगग्रस्त व्यक्तींमध्ये फरक करण्यासाठी मशीन लर्निंगचा वापर केला गेला आणि अचूकता 90.0% वर देखील साध्य करता आली.

संदर्भ: DOI: 10.1039/d2ra05725e