Pruebas de metilación de ADN combinadas con teléfonos inteligentes para la detección temprana de tumores y detección de leucemia con una precisión del 90.0%.

La detección temprana del cáncer basada en la biopsia líquida es una nueva dirección de detección y diagnóstico del cáncer propuesto 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 temprano de varias neoplasias malignas, incluidos el cáncer de pulmón, los tumores gastrointestinales, los gliomas y los tumores ginecológicos.

La aparición de plataformas para identificar biomarcadores del paisaje de metilación (metilcape) tiene el potencial de mejorar significativamente la detección temprana existente para el cáncer, 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 por cisteamina (quiste/AuNP) combinadas con un biosensor a base de teléfonos inteligentes que permite una detección temprana 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 la detección rápida del ADN del cáncer en sangre humana utilizando AuNP con tisteamina y un teléfono inteligente habilitado para el aprendizaje automático。

Figura 1. Una plataforma de detección simple y rápida para el detección del cáncer a través de componentes de quist/AuNP se puede lograr en dos simples pasos.

Esto se muestra en la Figura 1. Primero, se usó una solución acuosa para disolver los fragmentos de ADN. El quiste/AuNP se agregaron luego a la solución mixta. El ADN normal y maligno tiene diferentes propiedades de metilación, lo que resulta en fragmentos de ADN con diferentes patrones de autoensamblaje. Los agregados de ADN normales son libremente y eventualmente agregan quistes/AuNP, lo que resulta en la naturaleza desplazada en rojo de quiste/AuNP, de modo que se puede observar un cambio de color de rojo a púrpura a simple vista. En contraste, 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 una cámara de teléfono inteligente. El ADN del cáncer se midió por un teléfono inteligente equipado con aprendizaje automático en comparación con los métodos basados ​​en espectroscopía.

Detección de cáncer en muestras de sangre real

Para extender 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 real. Los patrones de metilación en los sitios de CpG regulan epigenéticamente la expresión génica. En casi todos los tipos de cáncer, se ha observado que los cambios en la metilación del ADN y, por lo tanto, en la expresión de genes que promueven tumourigénesis se alternan.

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 efectividad del paisaje de metilación en los cánceres leucémicos diferenciales. Este biomarcador del paisaje de metilación no solo supera a los métodos de detección de leucemia rápida existentes, sino que también demuestra la viabilidad de extenderse a 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 la gráfica de cuadro en la Figura 2a, la absorbancia relativa de las muestras de cáncer (ΔA650/525) fue menor que la del ADN de las muestras normales. Esto se debió principalmente a la mayor hidrofobicidad que condujo a una agregación densa del ADN del cáncer, lo que evitó la agregación de quist/AuNP. Como resultado, estas nanopartículas se dispersaron por completo en las capas externas de los agregados de cáncer, lo que resultó en una dispersión diferente de quiste/AuNP adsorbidos en agregados de ADN normales y de cáncer. Las curvas ROC se generaron luego variando el umbral desde un valor mínimo de ΔA650/525 a un valor máximo.

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

(DA650/525) de gráficos de caja; (b) Análisis ROC y evaluación de pruebas de diagnóstico. (c) Matriz de confusión para el diagnóstico de pacientes normales y de cáncer. (D) Sensibilidad, especificidad, valor predictivo positivo (PPV), 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 se puede ver en la gráfica de la 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 de cáncer; Por lo tanto, la regresión logística se usó para diferenciar entre los grupos normales y de 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 rangos entre 0 y 1. El resultado es, por lo tanto, una probabilidad. Determinamos la probabilidad de identificación del cáncer (P) basada en ΔA650/525 de la siguiente manera.

donde b = 5.3533, w1 = -6.965. Para la clasificación de la muestra, una probabilidad de menos de 0.5 indica una muestra normal, mientras que una probabilidad de 0.5 o más indica una muestra de cáncer. La Figura 2C representa la matriz de confusión generada a partir de la validación cruzada de licencia, 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 (PPV) y el valor predictivo negativo (VPN).

Biosensores basados ​​en teléfonos inteligentes

Para simplificar aún más las pruebas de muestra sin el uso de espectrofotómetros, los investigadores usaron inteligencia artificial (IA) para interpretar el color de la solución y distinguir entre individuos normales y cancerosos. Dado esto, la visión por computadora se usó para traducir el color de la solución de quiste/AuNP al ADN normal (púrpura) o ADN canceroso (rojo) utilizando imágenes de placas de 96 pocillos a través de una cámara de teléfono móvil. La inteligencia artificial puede reducir los costos y mejorar la accesibilidad para interpretar el color de las soluciones de nanopartículas, y sin el uso de accesorios de teléfonos inteligentes de hardware óptico. Finalmente, se capacitaron dos modelos de aprendizaje automático, incluido el bosque aleatorio (RF) y la máquina de vectores de soporte (SVM) para construir los modelos. Tanto los modelos RF como SVM clasificaron correctamente las muestras como positivas y negativas con una precisión del 90.0%. Esto sugiere que el uso de inteligencia artificial en la biosensación de teléfonos móviles es muy 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 de color de la solución de quiste/AuNP en cada pocillo de la placa de 96 pocillos extraída de la imagen (B).

Usando quistes/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 del cáncer cuando se usa muestras de sangre reales para el examen de leucemia. El sensor desarrollado demostró que el ADN extraído de muestras de sangre reales pudo detectar pequeñas cantidades de ADN del cáncer (3NM) en pacientes con leucemia en 15 minutos, y mostró una precisión del 95.3%. Para simplificar aún más las pruebas de muestra eliminando la necesidad de un espectrofotómetro, se utilizó el aprendizaje automático para interpretar el color de la solución y diferenciar entre personas normales y cancerosas que usan una fotografía de teléfono móvil, y la precisión también se pudo lograr en 90.0%.

Referencia: doi: 10.1039/d2ra05725e