ДНХ-ийн метиляцийн шинжилгээг ухаалаг гар утастай хослуулан хорт хавдар, лейкемийн эрт илрүүлэг шинжилгээг 90.0%-ийн нарийвчлалтайгаар хийдэг!

Шингэн биопси дээр үндэслэн хорт хавдрыг эрт илрүүлэх нь хорт хавдрыг эрт илрүүлэх, тэр ч байтугай хорт хавдрын өмнөх эмгэгийг илрүүлэх зорилгоор сүүлийн жилүүдэд АНУ-ын Хавдар судлалын үндэсний хүрээлэнгээс дэвшүүлсэн хорт хавдрыг илрүүлэх, оношлох шинэ чиглэл юм. Энэ нь уушгины хорт хавдар, ходоод гэдэсний замын хавдар, глиома, эмэгтэйчүүдийн хавдар зэрэг янз бүрийн хорт хавдрын эрт оношлогоонд шинэ биомаркер болгон өргөн хэрэглэгддэг.

Метилизацийн ландшафт (Methylscape) биомаркеруудыг тодорхойлох платформууд бий болсноор хорт хавдрыг эрт илрүүлэх үзлэгийг мэдэгдэхүйц сайжруулж, өвчтөнүүдийг хамгийн эрт эмчлэх боломжтой болгодог.

Саяхан судлаачид цистеаминаар чимэглэсэн алтны нано бөөмс (Cyst/AuNPs) дээр суурилсан метилжилтийн ландшафт илрүүлэх энгийн бөгөөд шууд мэдрэгч бүхий платформыг ухаалаг гар утсанд суурилсан биосенсортой хослуулан бүтээсэн нь өргөн хүрээний хавдрыг эрт илрүүлэх боломжийг олгодог. Цусны хорт хавдрын эрт илрүүлэг шинжилгээг цусны дээжээс ДНХ гарган авснаас хойш 15 минутын дотор 90.0%-ийн нарийвчлалтайгаар хийх боломжтой. Өгүүллийн гарчиг нь хүний ​​цусан дахь хорт хавдрын ДНХ-ийг цистеаминаар бүрхэгдсэн AuNP болон машинд суралцах боломжтой ухаалаг утас ашиглан хурдан илрүүлэх явдал юм.

Зураг 1. Cyst/AuNPs бүрэлдэхүүн хэсгүүдээр дамжуулан хорт хавдрыг илрүүлэх энгийн бөгөөд хурдан мэдрэгч бүхий платформыг хоёр энгийн алхамаар хийж болно.

Үүнийг 1-р зурагт үзүүлэв. Эхлээд усан уусмалаар ДНХ-ийн хэсгүүдийг уусгасан. Холимог уусмалд цист/AuNP нэмсэн. Хэвийн болон хорт ДНХ нь өөр өөр метилжилтийн шинж чанартай байдаг тул ДНХ-ийн хэсгүүд өөр өөр өөрөө угсрах загвартай байдаг. Хэвийн ДНХ нь сул хуримтлагдаж, эцэст нь Cyst/AuNPs-ийг нэгтгэдэг бөгөөд энэ нь цист/AuNP-ийн улаан шилжилтийн шинж чанарыг бий болгодог бөгөөд ингэснээр өнгө нь улаанаас нил ягаан болж өөрчлөгдөхийг нүцгэн нүдээр харж болно. Үүний эсрэгээр, хорт хавдрын ДНХ-ийн өвөрмөц метилизаци нь ДНХ-ийн хэлтэрхий том кластеруудыг үйлдвэрлэхэд хүргэдэг.

96 худгийн хавтангийн зургийг ухаалаг утасны камер ашиглан авсан. Хорт хавдрын ДНХ-ийг спектроскопи дээр суурилсан аргуудтай харьцуулахад машин сурах төхөөрөмжөөр тоноглогдсон ухаалаг утсаар хэмжсэн.

Бодит цусны дээжинд хорт хавдрын скрининг хийх

Судлаачид мэдрэгчтэй платформыг ашиглах боломжийг нэмэгдүүлэхийн тулд жинхэнэ цусны дээжинд хэвийн болон хорт хавдрын ДНХ-ийг ялгах мэдрэгчийг ашигласан. CpG сайтууд дахь метилизаци нь генийн илэрхийлэлийг эпигенетик байдлаар зохицуулдаг. Бараг бүх хорт хавдрын төрлүүдэд ДНХ-ийн метилжилт, улмаар хавдар үүсэхийг дэмждэг генийн илэрхийлэлд өөрчлөлт оршдог.

ДНХ-ийн метилжилттэй холбоотой бусад хорт хавдрын загвар болгон судлаачид лейкемийн хорт хавдрыг ялгахад метиляцийн ландшафтын үр нөлөөг судлахын тулд лейкемитэй өвчтөнүүд болон эрүүл хяналтын хүмүүсийн цусны дээжийг ашигласан. Энэхүү метилжилтийн ландшафтын биомаркер нь одоо байгаа лейкемийн хурдан скринингийн аргуудаас даваад зогсохгүй энэхүү энгийн бөгөөд энгийн шинжилгээг ашиглан олон төрлийн хорт хавдрыг эрт илрүүлэх боломжийг харуулж байна.

Цусны хорт хавдартай 31 өвчтөн, эрүүл 12 хүний ​​цусны дээжээс ДНХ-д шинжилгээ хийсэн. Зураг 2а-д үзүүлсэн хайрцгийн графикаас харахад хорт хавдрын дээжийн харьцангуй шингээлт (ΔA650/525) хэвийн дээжийн ДНХ-ээс бага байна. Энэ нь голчлон хорт хавдрын ДНХ-ийн нягт бөөгнөрөлд хүргэдэг гидрофобик чанар сайжирсантай холбоотой бөгөөд энэ нь цист/AuNP-ийг нэгтгэхээс сэргийлсэн. Үүний үр дүнд эдгээр нано хэсгүүд нь хорт хавдрын агрегатуудын гаднах давхаргад бүрэн тархсан бөгөөд энэ нь хэвийн болон хорт хавдрын ДНХ-ийн агрегатуудад шингэсэн Cyst/AuNP-ийн ялгаатай тархалтыг бий болгосон. Дараа нь босгыг ΔA650/525-ийн хамгийн бага утгаас хамгийн их утга хүртэл өөрчлөх замаар ROC муруйг үүсгэсэн.

Зураг 2.(а) Оновчтой нөхцөлд хэвийн (цэнхэр) болон хорт хавдрын (улаан) ДНХ байгааг харуулсан цист/AuNPs уусмалын харьцангуй шингээлтийн утгууд

(DA650/525) хайрцагны талбай; (б) ROC шинжилгээ ба оношлогооны тестийн үнэлгээ. (в) Хэвийн болон хорт хавдартай өвчтөнүүдийг оношлох төөрөгдлийн матриц. (г) Боловсруулсан аргын мэдрэмж, өвөрмөц байдал, эерэг таамаглах утга (PPV), сөрөг таамаглах утга (NPV) ба нарийвчлал.

Зураг 2b-д үзүүлснээр боловсруулсан мэдрэгчийг олж авсан ROC муруйн доорх талбай (AUC = 0.9274) өндөр мэдрэмж, өвөрмөц байдлыг харуулсан. Хайрцагны зургаас харахад хэвийн ДНХ-ийн бүлгийг төлөөлдөг хамгийн доод цэг нь хорт хавдрын ДНХ-ийн бүлгийг төлөөлдөг хамгийн дээд цэгээс сайн салаагүй; Тиймээс логистик регрессийг хэвийн болон хорт хавдрын бүлгүүдийг ялгахад ашигласан. Бие даасан хувьсагчийн багцыг өгснөөр хорт хавдар эсвэл хэвийн бүлэг гэх мэт үйл явдлын магадлалыг тооцдог. Хамаарах хувьсагч нь 0-ээс 1-ийн хооронд хэлбэлздэг. Тиймээс үр дүн нь магадлал юм. Бид ΔA650/525 дээр үндэслэн хорт хавдрыг тодорхойлох магадлалыг (P) дараах байдлаар тодорхойлсон.

Үүнд b=5.3533,w1=-6.965. Түүврийн ангиллын хувьд 0.5-аас бага магадлал нь хэвийн дээжийг, харин 0.5 ба түүнээс дээш магадлал нь хорт хавдрын дээжийг илтгэнэ. Зураг 2в-д ангиллын аргын тогтвортой байдлыг баталгаажуулахад ашигласан хөндлөн баталгаажуулалтаас үүссэн төөрөгдлийн матрицыг дүрсэлсэн байна. Зураг 2d-д мэдрэмж, өвөрмөц байдал, эерэг таамаглах утга (PPV) болон сөрөг таамаглах утга (NPV) зэрэг аргын оношлогооны тестийн үнэлгээг нэгтгэн харуулав.

Ухаалаг гар утсанд суурилсан биосенсорууд

Спектрофотометр ашиглахгүйгээр дээжийн шинжилгээг хялбарчлахын тулд судлаачид уусмалын өнгийг тайлбарлаж, хэвийн болон хорт хавдартай хүмүүсийг ялгахын тулд хиймэл оюун ухааныг ашигласан. Үүнийг харгалзан компьютерийн харааны тусламжтайгаар Cyst/AuNPs уусмалын өнгийг ердийн ДНХ (ягаан) эсвэл хорт хавдрын ДНХ (улаан) болгон хөрвүүлэхэд гар утасны камераар авсан 96 цооногийн хавтангийн зургийг ашигласан. Хиймэл оюун ухаан нь ухаалаг гар утасны оптик тоног төхөөрөмж ашиглахгүйгээр нано бөөмсийн шийдлийн өнгийг тайлбарлахдаа зардлыг бууруулж, хүртээмжийг сайжруулж чадна. Эцэст нь Random Forest (RF) болон Support Vector Machine (SVM) зэрэг машин сургалтын хоёр загварыг загваруудыг бүтээхэд сургасан. RF болон SVM загваруудын аль аль нь дээжийг 90.0% -ийн нарийвчлалтайгаар эерэг ба сөрөг гэж зөв ангилсан. Энэ нь гар утсанд суурилсан био мэдрэгчийг тогтооход хиймэл оюун ухааныг ашиглах бүрэн боломжтойг харуулж байна.

Зураг 3.(a) Зураг авах үе шатанд дээж бэлтгэх явцад бүртгэгдсэн уусмалын зорилтот анги. (б) Зураг авах үе шатанд авсан зурагны жишээ. (в) Зурагнаас гаргаж авсан 96 худгийн хавтангийн нүх тус бүрийн цист/AuNPs уусмалын өнгөний эрч хүч (b).

Судлаачид Cyst/AuNPs ашиглан лейкемийн скрининг хийхэд жинхэнэ цусны дээжийг ашиглах үед метилжилтийн ландшафт илрүүлэх энгийн мэдрэгч бүхий платформ болон хэвийн ДНХ-ийг хорт хавдрын ДНХ-ээс ялгах чадвартай мэдрэгчийг амжилттай бүтээжээ. Энэхүү боловсруулсан мэдрэгч нь бодит цусны дээжээс гаргаж авсан ДНХ нь лейкемитэй өвчтөнд хорт хавдрын бага хэмжээний ДНХ (3nM)-ийг 15 минутын дотор хурдан бөгөөд хэмнэлттэй илрүүлж, 95.3%-ийн нарийвчлалтай болохыг харуулжээ. Спектрофотометрийн хэрэгцээг арилгах замаар дээжийн туршилтыг илүү хялбарчлахын тулд гар утасны гэрэл зургийг ашиглан уусмалын өнгийг тайлбарлах, хэвийн болон хорт хавдартай хүмүүсийг ялгахад машин сургалтыг ашигласан бөгөөд нарийвчлалыг 90.0% -д хүргэх боломжтой болсон.

Лавлагаа: DOI: 10.1039/d2ra05725e