中文网站 ची किंमत
लिक्विड बायोप्सीवर आधारित कर्करोगाचे लवकर निदान ही अलिकडच्या वर्षांत यूएस नॅशनल कॅन्सर इन्स्टिट्यूटने प्रस्तावित केलेली कर्करोग शोधण्याची आणि निदानाची एक नवीन दिशा आहे, ज्याचा उद्देश लवकर कर्करोग किंवा अगदी पूर्व-कॅन्सरस जखमांचा शोध घेणे आहे. फुफ्फुसाचा कर्करोग, गॅस्ट्रोइंटेस्टाइनल ट्यूमर, ग्लिओमा आणि स्त्रीरोगविषयक ट्यूमरसह विविध घातक आजारांच्या लवकर निदानासाठी एक नवीन बायोमार्कर म्हणून याचा मोठ्या प्रमाणावर वापर केला जात आहे.
मेथिलेशन लँडस्केप (मेथिलस्केप) बायोमार्कर्स ओळखण्यासाठी प्लॅटफॉर्मच्या उदयामुळे कर्करोगाच्या सुरुवातीच्या तपासणीत लक्षणीय सुधारणा करण्याची क्षमता आहे, ज्यामुळे रुग्णांना लवकरात लवकर उपचार करण्यायोग्य टप्प्यावर आणता येईल.
अलिकडेच, संशोधकांनी सिस्टीमाइन सजवलेल्या सोन्याच्या नॅनोपार्टिकल्स (सिस्ट/एयूएनपी) वर आधारित मिथाइलेशन लँडस्केप डिटेक्शनसाठी एक सोपा आणि थेट सेन्सिंग प्लॅटफॉर्म विकसित केला आहे जो स्मार्टफोन-आधारित बायोसेन्सरसह एकत्रित केला आहे जो विविध प्रकारच्या ट्यूमरची जलद लवकर तपासणी करण्यास सक्षम करतो. रक्ताच्या नमुन्यातून डीएनए काढल्यानंतर १५ मिनिटांत ल्युकेमियाची लवकर तपासणी केली जाऊ शकते, ज्याची अचूकता ९०.०% आहे. लेखाचे शीर्षक आहे सिस्टीमाइन-कॅप्ड एयूएनपी आणि मशीन लर्निंग-सक्षम स्मार्टफोन वापरून मानवी रक्तातील कर्करोगाच्या डीएनएचा जलद शोध.
आकृती १. सिस्ट/एयूएनपी घटकांद्वारे कर्करोग तपासणीसाठी एक सोपा आणि जलद सेन्सिंग प्लॅटफॉर्म दोन सोप्या चरणांमध्ये साध्य करता येतो.
हे आकृती १ मध्ये दाखवले आहे. प्रथम, डीएनए तुकड्यांचे विरघळण्यासाठी जलीय द्रावणाचा वापर करण्यात आला. नंतर मिश्रित द्रावणात सिस्ट/एयूएनपी जोडले गेले. सामान्य आणि घातक डीएनएमध्ये वेगवेगळे मिथाइलेशन गुणधर्म असतात, ज्यामुळे वेगवेगळ्या स्व-असेंबली पॅटर्नसह डीएनए तुकड्या तयार होतात. सामान्य डीएनए सैलपणे एकत्रित होते आणि अखेरीस सिस्ट/एयूएनपी एकत्रित करते, ज्यामुळे सिस्ट/एयूएनपीचे लाल-बदललेले स्वरूप होते, ज्यामुळे लाल ते जांभळ्या रंगात होणारा बदल उघड्या डोळ्यांनी पाहता येतो. याउलट, कर्करोगाच्या डीएनएच्या अद्वितीय मिथाइलेशन प्रोफाइलमुळे डीएनए तुकड्यांचे मोठे क्लस्टर तयार होतात.
स्मार्टफोन कॅमेऱ्याचा वापर करून ९६ विहिरींच्या प्लेट्सचे फोटो काढण्यात आले. स्पेक्ट्रोस्कोपी-आधारित पद्धतींच्या तुलनेत मशीन लर्निंगने सुसज्ज असलेल्या स्मार्टफोनद्वारे कर्करोगाचा डीएनए मोजण्यात आला.
खऱ्या रक्ताच्या नमुन्यांमध्ये कर्करोग तपासणी
सेन्सिंग प्लॅटफॉर्मची उपयुक्तता वाढविण्यासाठी, संशोधकांनी एक सेन्सर वापरला जो वास्तविक रक्त नमुन्यांमध्ये सामान्य आणि कर्करोगाच्या डीएनएमध्ये यशस्वीरित्या फरक करतो. सीपीजी साइट्सवरील मिथाइलेशन पॅटर्न एपिजेनेटिकली जीन अभिव्यक्तीचे नियमन करतात. जवळजवळ सर्व प्रकारच्या कर्करोगांमध्ये, डीएनए मिथाइलेशनमध्ये आणि अशा प्रकारे ट्यूमरजनन वाढवणाऱ्या जीन्सच्या अभिव्यक्तीमध्ये बदल बदलताना दिसून आले आहेत.
डीएनए मिथाइलेशनशी संबंधित इतर कर्करोगांसाठी एक मॉडेल म्हणून, संशोधकांनी ल्युकेमिया रुग्णांच्या आणि निरोगी नियंत्रणांच्या रक्ताचे नमुने वापरून ल्युकेमिक कर्करोगांमध्ये फरक करण्यासाठी मिथाइलेशन लँडस्केपची प्रभावीता तपासली. हे मिथाइलेशन लँडस्केप बायोमार्कर केवळ विद्यमान जलद ल्युकेमिया स्क्रीनिंग पद्धतींपेक्षा चांगले काम करत नाही तर या साध्या आणि सरळ परखाचा वापर करून कर्करोगाच्या विस्तृत श्रेणीचे लवकर निदान करण्याची व्यवहार्यता देखील दर्शवते.
३१ ल्युकेमिया रुग्ण आणि १२ निरोगी व्यक्तींच्या रक्ताच्या नमुन्यांमधील डीएनएचे विश्लेषण करण्यात आले. आकृती २अ मधील बॉक्स प्लॉटमध्ये दाखवल्याप्रमाणे, कर्करोगाच्या नमुन्यांचे सापेक्ष शोषण (ΔA650/525) सामान्य नमुन्यांमधील डीएनएपेक्षा कमी होते. हे प्रामुख्याने वाढलेल्या हायड्रोफोबिसिटीमुळे होते ज्यामुळे कर्करोगाच्या डीएनएचे दाट एकत्रीकरण होते, ज्यामुळे सिस्ट/AuNPs चे एकत्रीकरण रोखले गेले. परिणामी, हे नॅनोपार्टिकल्स कर्करोगाच्या समुच्चयांच्या बाह्य थरांमध्ये पूर्णपणे विखुरले गेले, ज्यामुळे सामान्य आणि कर्करोगाच्या डीएनए समुच्चयांवर शोषलेल्या सिस्ट/AuNPs चे वेगळे विखुरले गेले. त्यानंतर ΔA650/525 च्या किमान मूल्यापासून कमाल मूल्यापर्यंत थ्रेशोल्ड बदलून ROC वक्र तयार केले गेले.
आकृती २.(अ) सिस्ट/एयूएनपी सोल्यूशन्सचे सापेक्ष शोषक मूल्ये जे अनुकूल परिस्थितीत सामान्य (निळा) आणि कर्करोग (लाल) डीएनएची उपस्थिती दर्शवितात.
(DA650/525) बॉक्स प्लॉट्सचे; (b) निदान चाचण्यांचे ROC विश्लेषण आणि मूल्यांकन. (c) सामान्य आणि कर्करोगाच्या रुग्णांच्या निदानासाठी गोंधळ मॅट्रिक्स. (d) संवेदनशीलता, विशिष्टता, सकारात्मक भाकित मूल्य (PPV), नकारात्मक भाकित मूल्य (NPV) आणि विकसित पद्धतीची अचूकता.
आकृती २ब मध्ये दाखवल्याप्रमाणे, विकसित सेन्सरसाठी मिळालेल्या आरओसी वक्र (AUC = ०.९२७४) अंतर्गत क्षेत्राने उच्च संवेदनशीलता आणि विशिष्टता दर्शविली. बॉक्स प्लॉटवरून पाहिल्याप्रमाणे, सामान्य डीएनए गटाचे प्रतिनिधित्व करणारा सर्वात कमी बिंदू कर्करोग डीएनए गटाचे प्रतिनिधित्व करणाऱ्या सर्वोच्च बिंदूपासून चांगला वेगळा नाही; म्हणून, सामान्य आणि कर्करोग गटांमध्ये फरक करण्यासाठी लॉजिस्टिक रिग्रेशनचा वापर केला गेला. स्वतंत्र चलांचा संच दिल्यास, ते कर्करोग किंवा सामान्य गटासारख्या घटनेच्या संभाव्यतेचा अंदाज लावते. अवलंबित चल ० आणि १ च्या दरम्यान असते. म्हणून परिणाम संभाव्यता आहे. आम्ही खालीलप्रमाणे ΔA650/525 वर आधारित कर्करोग ओळखण्याची संभाव्यता (P) निश्चित केली.
जिथे 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 वर्गीकरण पद्धतीची स्थिरता प्रमाणित करण्यासाठी वापरल्या जाणाऱ्या लीव्ह-इट-अलोन क्रॉस-व्हॅलिडेशनमधून निर्माण झालेल्या गोंधळ मॅट्रिक्सचे चित्रण केले आहे. आकृती 2d मध्ये पद्धतीच्या निदान चाचणी मूल्यांकनाचा सारांश दिला आहे, ज्यामध्ये संवेदनशीलता, विशिष्टता, सकारात्मक भाकित मूल्य (PPV) आणि नकारात्मक भाकित मूल्य (NPV) यांचा समावेश आहे.
स्मार्टफोन-आधारित बायोसेन्सर
स्पेक्ट्रोफोटोमीटरचा वापर न करता नमुना चाचणी अधिक सोपी करण्यासाठी, संशोधकांनी द्रावणाचा रंग स्पष्ट करण्यासाठी आणि सामान्य आणि कर्करोगग्रस्त व्यक्तींमध्ये फरक करण्यासाठी कृत्रिम बुद्धिमत्ता (AI) वापरली. हे लक्षात घेता, मोबाईल फोन कॅमेऱ्याद्वारे घेतलेल्या 96-वेल प्लेट्सच्या प्रतिमा वापरून सिस्ट/AuNPs द्रावणाचा रंग सामान्य DNA (जांभळा) किंवा कर्करोगग्रस्त DNA (लाल) मध्ये अनुवादित करण्यासाठी संगणक दृष्टीचा वापर करण्यात आला. कृत्रिम बुद्धिमत्ता खर्च कमी करू शकते आणि नॅनोपार्टिकल सोल्यूशन्सच्या रंगाचे स्पष्टीकरण करण्यात सुलभता सुधारू शकते, आणि कोणत्याही ऑप्टिकल हार्डवेअर स्मार्टफोन अॅक्सेसरीजचा वापर न करता. शेवटी, रँडम फॉरेस्ट (RF) आणि सपोर्ट व्हेक्टर मशीन (SVM) यासह दोन मशीन लर्निंग मॉडेल्सना मॉडेल्स तयार करण्यासाठी प्रशिक्षित करण्यात आले. RF आणि SVM दोन्ही मॉडेल्सनी 90.0% अचूकतेसह नमुने सकारात्मक आणि नकारात्मक म्हणून योग्यरित्या वर्गीकृत केले. हे सूचित करते की मोबाइल फोन-आधारित बायोसेन्सिंगमध्ये कृत्रिम बुद्धिमत्तेचा वापर शक्य आहे.
आकृती ३.(अ) प्रतिमा संपादन चरणासाठी नमुना तयार करताना रेकॉर्ड केलेल्या द्रावणाचा लक्ष्य वर्ग. (ब) प्रतिमा संपादन चरणादरम्यान घेतलेली उदाहरण प्रतिमा. (क) प्रतिमेतून काढलेल्या ९६-वेल प्लेटच्या प्रत्येक विहिरीतील सिस्ट/एयूएनपी द्रावणाची रंग तीव्रता (ब).
सिस्ट/एयूएनपी वापरून, संशोधकांनी मिथाइलेशन लँडस्केप डिटेक्शनसाठी एक सोपा सेन्सिंग प्लॅटफॉर्म आणि ल्युकेमिया तपासणीसाठी वास्तविक रक्त नमुने वापरताना सामान्य डीएनए कर्करोगाच्या डीएनएपासून वेगळे करण्यास सक्षम सेन्सर यशस्वीरित्या विकसित केला आहे. विकसित सेन्सरने हे दाखवून दिले की वास्तविक रक्त नमुन्यांमधून काढलेला डीएनए १५ मिनिटांत ल्युकेमिया रुग्णांमध्ये कर्करोगाच्या डीएनए (३ एनएम) चे कमी प्रमाणात जलद आणि किफायतशीरपणे शोधण्यास सक्षम आहे आणि ९५.३% ची अचूकता दर्शवितो. स्पेक्ट्रोफोटोमीटरची आवश्यकता दूर करून नमुना चाचणी अधिक सुलभ करण्यासाठी, द्रावणाचा रंग स्पष्ट करण्यासाठी आणि मोबाइल फोन फोटो वापरून सामान्य आणि कर्करोगाच्या व्यक्तींमध्ये फरक करण्यासाठी मशीन लर्निंगचा वापर केला गेला आणि अचूकता देखील ९०.०% पर्यंत साध्य करता आली.
संदर्भ: DOI: 10.1039/d2ra05725e
पोस्ट वेळ: फेब्रुवारी-१८-२०२३
गोपनीयता सेटिंग्ज