¡Pruebas de metilación del ADN combinadas con teléfonos inteligentes para la detección temprana de tumores y leucemia con una precisión del 90,0%!

La detección temprana del cáncer basada en biopsia líquida es una nueva dirección de detección y diagnóstico del cáncer propuesta por el Instituto Nacional del Cáncer de EE. UU. en los últimos años, con el objetivo de detectar cáncer temprano o incluso lesiones precancerosas. Se ha utilizado ampliamente como un nuevo biomarcador para el diagnóstico precoz de diversas neoplasias malignas, incluidos cáncer de pulmón, tumores gastrointestinales, gliomas y tumores ginecológicos.

La aparición de plataformas para identificar biomarcadores del paisaje de metilación (Mmethylscape) tiene el potencial de mejorar significativamente la detección temprana del cáncer existente, colocando a los pacientes en la etapa tratable más temprana.

Recientemente, los investigadores han desarrollado una plataforma de detección simple y directa para la detección del paisaje de metilación basada en nanopartículas de oro decoradas con cisteamina (Cyst/AuNP) combinadas con un biosensor basado en un teléfono inteligente que permite una detección temprana y rápida de una amplia gama de tumores. La detección temprana de leucemia se puede realizar dentro de los 15 minutos posteriores a la extracción de ADN de una muestra de sangre, con una precisión del 90,0%. El título del artículo es Detección rápida de ADN canceroso en sangre humana utilizando AuNP cubiertas con cisteamina y un teléfono inteligente con aprendizaje automático.

Figura 1. Se puede lograr una plataforma de detección simple y rápida para la detección del cáncer mediante componentes Cyst/AuNP en dos simples pasos.

Esto se muestra en la Figura 1. Primero, se usó una solución acuosa para disolver los fragmentos de ADN. Luego se agregaron quistes/AuNP a la solución mixta. El ADN normal y el maligno tienen diferentes propiedades de metilación, lo que da como resultado fragmentos de ADN con diferentes patrones de autoensamblaje. El ADN normal se agrega libremente y finalmente agrega Quistes/AuNP, lo que da como resultado la naturaleza desplazada al rojo de los Quistes/AuNP, de modo que se puede observar un cambio de color de rojo a púrpura a simple vista. Por el contrario, el perfil de metilación único del ADN del cáncer conduce a la producción de grupos más grandes de fragmentos de ADN.

Se tomaron imágenes de placas de 96 pocillos con la cámara de un teléfono inteligente. El ADN del cáncer se midió mediante un teléfono inteligente equipado con aprendizaje automático en comparación con métodos basados ​​en espectroscopia.

Detección de cáncer en muestras de sangre reales

Para ampliar la utilidad de la plataforma de detección, los investigadores aplicaron un sensor que distinguió con éxito entre ADN normal y canceroso en muestras de sangre reales. Los patrones de metilación en los sitios CpG regulan epigenéticamente la expresión génica. En casi todos los tipos de cáncer, se ha observado que se alternan cambios en la metilación del ADN y, por tanto, en la expresión de genes que promueven la tumorigénesis.

Como modelo para otros cánceres asociados con la metilación del ADN, los investigadores utilizaron muestras de sangre de pacientes con leucemia y controles sanos para investigar la eficacia del panorama de metilación para diferenciar los cánceres leucémicos. Este biomarcador del panorama de metilación no solo supera a los métodos de detección rápida de leucemia existentes, sino que también demuestra la viabilidad de ampliar la detección temprana de una amplia gama de cánceres utilizando este ensayo simple y directo.

Se analizó el ADN de muestras de sangre de 31 pacientes con leucemia y 12 individuos sanos. Como se muestra en el diagrama de caja de la Figura 2a, la absorbancia relativa de las muestras de cáncer (ΔA650/525) fue menor que la del ADN de muestras normales. esto se debió principalmente a la hidrofobicidad mejorada que conduce a una agregación densa de ADN del cáncer, lo que impidió la agregación de Cyst/AuNP. Como resultado, estas nanopartículas se dispersaron completamente en las capas externas de los agregados del cáncer, lo que resultó en una dispersión diferente de quistes/AuNP adsorbidos en los agregados de ADN normales y cancerosos. Luego se generaron curvas ROC variando el umbral desde un valor mínimo de ΔA650/525 hasta un valor máximo.

Figura 2.(a) Valores de absorbancia relativa de soluciones de quistes/AuNP que muestran la presencia de ADN normal (azul) y canceroso (rojo) en condiciones optimizadas

(DA650/525) de diagramas de caja; (b) Análisis ROC y evaluación de pruebas diagnósticas. (c) Matriz de confusión para el diagnóstico de pacientes normales y con cáncer. (d) Sensibilidad, especificidad, valor predictivo positivo (VPP), valor predictivo negativo (VPN) y precisión del método desarrollado.

Como se muestra en la Figura 2b, el área bajo la curva ROC (AUC = 0,9274) obtenida para el sensor desarrollado mostró alta sensibilidad y especificidad. Como puede verse en el diagrama de caja, el punto más bajo que representa el grupo de ADN normal no está bien separado del punto más alto que representa el grupo de ADN del cáncer; por lo tanto, se utilizó la regresión logística para diferenciar entre los grupos normales y con cáncer. Dado un conjunto de variables independientes, estima la probabilidad de que ocurra un evento, como un cáncer o un grupo normal. La variable dependiente oscila entre 0 y 1. Por tanto, el resultado es una probabilidad. Determinamos la probabilidad de identificación del cáncer (P) según ΔA650/525 de la siguiente manera.

donde b=5,3533,w1=-6,965. Para la clasificación de muestras, una probabilidad inferior a 0,5 indica una muestra normal, mientras que una probabilidad de 0,5 o superior indica una muestra de cáncer. La Figura 2c muestra la matriz de confusión generada a partir de la validación cruzada de dejarlo solo, que se utilizó para validar la estabilidad del método de clasificación. La Figura 2d resume la evaluación de la prueba de diagnóstico del método, incluida la sensibilidad, la especificidad, el valor predictivo positivo (VPP) y el valor predictivo negativo (VPN).

Biosensores basados ​​en teléfonos inteligentes

Para simplificar aún más las pruebas de muestras sin el uso de espectrofotómetros, los investigadores utilizaron inteligencia artificial (IA) para interpretar el color de la solución y distinguir entre individuos normales y cancerosos. Teniendo esto en cuenta, se utilizó visión por computadora para traducir el color de la solución Cyst/AuNPs en ADN normal (púrpura) o ADN canceroso (rojo) utilizando imágenes de placas de 96 pocillos tomadas a través de la cámara de un teléfono móvil. La inteligencia artificial puede reducir los costos y mejorar la accesibilidad en la interpretación del color de las soluciones de nanopartículas, y sin el uso de ningún accesorio de hardware óptico para teléfonos inteligentes. Finalmente, se entrenaron dos modelos de aprendizaje automático, incluido Random Forest (RF) y Support Vector Machine (SVM), para construir los modelos. Tanto el modelo RF como el SVM clasificaron correctamente las muestras como positivas y negativas con una precisión del 90,0%. Esto sugiere que el uso de inteligencia artificial en biodetección basada en teléfonos móviles es bastante posible.

Figura 3. (a) Clase objetivo de la solución registrada durante la preparación de la muestra para el paso de adquisición de imágenes. (b) Imagen de ejemplo tomada durante el paso de adquisición de imágenes. (c) Intensidad del color de la solución de quiste/AuNPs en cada pocillo de la placa de 96 pocillos extraída de la imagen (b).

Utilizando Cyst/AuNP, los investigadores han desarrollado con éxito una plataforma de detección simple para la detección del paisaje de metilación y un sensor capaz de distinguir el ADN normal del ADN canceroso cuando se utilizan muestras de sangre reales para la detección de leucemia. El sensor desarrollado demostró que el ADN extraído de muestras de sangre reales era capaz de detectar de forma rápida y rentable pequeñas cantidades de ADN canceroso (3 nM) en pacientes con leucemia en 15 minutos y mostró una precisión del 95,3 %. Para simplificar aún más las pruebas de muestras al eliminar la necesidad de un espectrofotómetro, se utilizó el aprendizaje automático para interpretar el color de la solución y diferenciar entre individuos normales y cancerosos utilizando una fotografía de un teléfono móvil, y también se pudo lograr una precisión del 90,0%.

Referencia: DOI: 10.1039/d2ra05725e