Хавдрын эрт үеийн скрининг болон лейкемийн скрининг хийхэд зориулсан ДНХ-ийн метилжилтийн шинжилгээг ухаалаг гар утастай хослуулан 90.0% нарийвчлалтайгаар хийлээ!

Шингэн биопсид суурилсан хорт хавдрыг эрт илрүүлэх нь АНУ-ын Үндэсний Хавдар Судлалын Хүрээлэнгийн сүүлийн жилүүдэд санал болгосон хорт хавдрыг илрүүлэх, оношлох шинэ чиглэл бөгөөд хорт хавдар эрт үе шатанд эсвэл хорт хавдрын өмнөх үе шатанд илрэх зорилготой юм. Үүнийг уушгины хорт хавдар, ходоод гэдэсний хавдар, глиом, эмэгтэйчүүдийн хавдар зэрэг янз бүрийн хорт хавдрын эрт оношлогоонд шинэ биомаркер болгон өргөн ашиглаж ирсэн.

Метилжилтийн ландшафт (Methylscape) биомаркеруудыг тодорхойлох платформууд гарч ирснээр хорт хавдрын эрт үеийн скринингийг мэдэгдэхүйц сайжруулж, өвчтөнүүдийг хамгийн эрт эмчлэх шатандаа оруулах боломжтой юм.

Саяхан судлаачид цистаминаар чимэглэсэн алтан нано хэсгүүд (Cyst/AuNPs) дээр суурилсан метилжилтийн ландшафтыг илрүүлэх энгийн бөгөөд шууд мэдрэгч платформыг ухаалаг гар утсанд суурилсан биосенсортой хослуулан боловсруулсан бөгөөд энэ нь олон төрлийн хавдрыг эрт илрүүлэх боломжийг олгодог. Цусны дээжээс ДНХ-г гаргаж авснаас хойш 15 минутын дотор 90.0% нарийвчлалтайгаар лейкемийн эрт илрүүлэлтийг хийж болно. Өгүүллийн гарчиг нь цистаминаар бүрхэгдсэн AuNPs болон машин сургалтын идэвхжүүлсэн ухаалаг гар утас ашиглан хүний ​​цусан дахь хорт хавдрын ДНХ-г хурдан илрүүлэх явдал юм.

Зураг 1. Cyst/AuNPs бүрэлдэхүүн хэсгүүдээр дамжуулан хорт хавдрын скрининг хийх энгийн бөгөөд хурдан мэдрэгч платформыг хоёр энгийн алхамаар хийж болно.

Үүнийг Зураг 1-т харуулав. Эхлээд ДНХ-ийн хэлтэрхийг уусгахын тулд усан уусмал ашигласан. Дараа нь холимог уусмалд цист/AuNP-ийг нэмсэн. Хэвийн болон хортой ДНХ нь өөр өөр метилжилтийн шинж чанартай байдаг тул өөрөө угсрах хэв маягтай ДНХ-ийн хэлтэрхий үүсдэг. Хэвийн ДНХ нь сулхан агрегацид орж, эцэст нь цист/auNP-ийг агрегацид оруулдаг бөгөөд энэ нь цист/auNP-ийн улаан шилжилтийн шинж чанарыг бий болгодог тул улаанаас нил ягаан өнгө рүү шилжихийг нүцгэн нүдээр ажиглаж болно. Үүний эсрэгээр, хорт хавдрын ДНХ-ийн өвөрмөц метилжилтийн профайл нь ДНХ-ийн хэлтэрхийнүүдийн том бөөгнөрөл үүсэхэд хүргэдэг.

96 нүхтэй хавтангийн зургийг ухаалаг гар утасны камераар авсан. Хорт хавдрын ДНХ-ийг спектроскопид суурилсан аргуудтай харьцуулсан машин сургалтын системтэй ухаалаг гар утсаар хэмжсэн.

Бодит цусны дээжинд хорт хавдрын шинжилгээ хийх

Мэдрэхүйн платформын ашиг тусыг өргөжүүлэхийн тулд судлаачид бодит цусны дээжинд хэвийн болон хорт хавдрын ДНХ-ийг амжилттай ялгадаг мэдрэгчийг ашигласан. CpG цэгүүд дэх метилжилтийн хэв маяг нь генийн экспрессийг эпигенетик байдлаар зохицуулдаг. Бараг бүх төрлийн хорт хавдрын үед ДНХ-ийн метилжилтийн өөрчлөлт, улмаар хавдрын үүслийг дэмждэг генийн экспрессийн өөрчлөлт ээлжлэн ажиглагдсан.

ДНХ-ийн метилжилттэй холбоотой бусад хорт хавдрын загвар болгон судлаачид лейкеми өвчтэй хүмүүс болон эрүүл хяналтын бүлгийн цусны дээжийг ашиглан лейкемитэй хорт хавдрыг ялгахад метилжилтийн ландшафтын үр нөлөөг судалсан. Энэхүү метилжилтийн ландшафтын биомаркер нь одоо байгаа лейкемийн хурдан скринингийн аргуудаас илүү сайн гүйцэтгэлтэй төдийгүй энэхүү энгийн бөгөөд ойлгомжтой шинжилгээг ашиглан олон төрлийн хорт хавдрыг эрт илрүүлэх боломжийг харуулж байна.

Лейкемитэй 31 өвчтөн болон 12 эрүүл хүний ​​цусны дээжээс авсан ДНХ-г шинжилсэн. Зураг 2a-д үзүүлсэн шиг хорт хавдрын дээжийн харьцангуй шингээлт (ΔA650/525) нь хэвийн дээжийн ДНХ-ээс бага байсан. Энэ нь голчлон хорт хавдрын ДНХ-ийн нягт агрегацид хүргэдэг гидрофобик чанар нэмэгдсэнтэй холбоотой бөгөөд энэ нь Cyst/AuNP-ийн агрегацийг саатуулсан. Үүний үр дүнд эдгээр нано хэсгүүд нь хорт хавдрын агрегатуудын гаднах давхаргад бүрэн тархсан бөгөөд энэ нь хэвийн болон хорт хавдрын ДНХ-ийн агрегатууд дээр шингэсэн Cyst/AuNP-ийн тархалтыг өөр өөрөөр бий болгосон. Дараа нь босгыг ΔA650/525-ийн хамгийн бага утгаас хамгийн их утга хүртэл өөрчлөх замаар ROC муруйг үүсгэсэн.

Зураг 2.(a) Цист/AuNPs уусмалын харьцангуй шингээлтийн утга нь оновчтой нөхцөлд хэвийн (цэнхэр) болон хорт хавдрын (улаан) ДНХ байгааг харуулж байна.

(DA650/525) хайрцаг графикийн үзүүлэлтүүд; (b) Оношилгооны шинжилгээний ROC шинжилгээ болон үнэлгээ. (c) Хэвийн болон хорт хавдартай өвчтөнүүдийн оношлогооны төөрөгдлийн матриц. (d) Мэдрэг чанар, өвөрмөц чанар, эерэг урьдчилсан утга (PPV), сөрөг урьдчилсан утга (NPV) болон боловсруулсан аргын нарийвчлал.

Зураг 2b-д үзүүлсэнчлэн, боловсруулсан мэдрэгчийн ROC муруйн доорх талбай (AUC = 0.9274) нь өндөр мэдрэмж ба өвөрмөц чанарыг харуулсан. Хайрцагны графикаас харахад хэвийн ДНХ-ийн бүлгийг төлөөлж буй хамгийн доод цэг нь хорт хавдрын ДНХ-ийн бүлгийг төлөөлж буй хамгийн өндөр цэгээс сайн тусгаарлагдаагүй байна; тиймээс хэвийн болон хорт хавдрын бүлгүүдийг ялгахын тулд логистик регрессийг ашигласан. Бие даасан хувьсагчдын багцыг өгсөн тохиолдолд хорт хавдар эсвэл хэвийн бүлэг гэх мэт үйл явдлын магадлалыг тооцоолно. Хамааралтай хувьсагч нь 0-ээс 1-ийн хооронд хэлбэлздэг. Тиймээс үр дүн нь магадлал юм. Бид ΔA650/525 дээр үндэслэн хорт хавдрын тодорхойлолтын магадлалыг (P) дараах байдлаар тодорхойлсон.

энд b=5.3533,w1=-6.965. Түүврийн ангиллын хувьд 0.5-аас бага магадлал нь хэвийн түүврийг илтгэдэг бол 0.5 ба түүнээс дээш магадлал нь хорт хавдрын дээжийг илтгэнэ. Зураг 2c-д ангиллын аргын тогтвортой байдлыг баталгаажуулахад ашигласан хөндлөн баталгаажуулалтаас үүссэн төөрөгдлийн матрицыг дүрсэлсэн болно. Зураг 2d-д мэдрэг чанар, өвөрмөц чанар, эерэг урьдчилан таамаглах утга (PPV) болон сөрөг урьдчилан таамаглах утга (NPV) зэрэг аргын оношлогооны туршилтын үнэлгээг нэгтгэн харуулав.

Ухаалаг гар утсанд суурилсан биосенсорууд

Спектрофотометр ашиглахгүйгээр дээжийн шинжилгээг илүү хялбарчлахын тулд судлаачид хиймэл оюун ухаан (AI) ашиглан уусмалын өнгийг тайлбарлаж, хэвийн болон хорт хавдартай хүмүүсийг ялгаж чадсан. Үүнийг харгалзан компьютерын харааг ашиглан Cyst/AuNPs уусмалын өнгийг гар утасны камераар авсан 96 нүхтэй хавтангийн зургийг ашиглан хэвийн ДНХ (нил ягаан) эсвэл хорт хавдрын ДНХ (улаан) болгон хөрвүүлсэн. Хиймэл оюун ухаан нь нано хэсгүүдийн уусмалын өнгийг тайлбарлах зардлыг бууруулж, хүртээмжийг сайжруулж, ухаалаг гар утасны оптик тоног төхөөрөмжийн дагалдах хэрэгслийг ашиглахгүйгээр хийж чадна. Эцэст нь Random Forest (RF) болон Support Vector Machine (SVM) зэрэг хоёр машин сургалтын загварыг загваруудыг бүтээхэд сургасан. RF болон SVM загварууд хоёулаа дээжийг 90.0%-ийн нарийвчлалтайгаар эерэг ба сөрөг гэж зөв ангилсан нь гар утсанд суурилсан биосенсорлолд хиймэл оюун ухааныг ашиглах нь нэлээд боломжтой болохыг харуулж байна.

Зураг 3.(a) Зураг авах үе шатанд дээж бэлтгэх явцад бүртгэгдсэн уусмалын зорилтот ангилал. (b) Зураг авах үе шатанд авсан жишээ зураг. (c) Зурагнаас гаргаж авсан 96 нүхтэй хавтангийн нүх тус бүрийн цист/AuNPs уусмалын өнгөний эрчим (b).

Судлаачид Cyst/AuNP-үүдийг ашиглан метилжилтийн ландшафтыг илрүүлэх энгийн мэдрэгч платформ болон лейкемийн скрининг хийхэд бодит цусны дээжийг ашиглах үед хэвийн ДНХ-ийг хорт хавдрын ДНХ-ээс ялгах чадвартай мэдрэгчийг амжилттай боловсруулсан. Боловсруулсан мэдрэгч нь бодит цусны дээжээс гаргаж авсан ДНХ нь лейкеми өвчтэй хүмүүст 15 минутын дотор бага хэмжээний хорт хавдрын ДНХ (3nM)-ийг хурдан бөгөөд зардал багатайгаар илрүүлж, 95.3% нарийвчлалтай болохыг харуулсан. Спектрофотометрийн шаардлагагүй болгосноор дээжийн шинжилгээг илүү хялбарчлахын тулд уусмалын өнгийг тайлбарлаж, гар утасны зургийг ашиглан хэвийн болон хорт хавдартай хүмүүсийг ялгахад машин сургалтыг ашигласан бөгөөд нарийвчлалыг 90.0% -д хүрч чадсан.

Лавлагаа: DOI: 10.1039/d2ra05725e