スマートフォンと組み合わせた DNA メチル化検査により、腫瘍の早期スクリーニングと白血病のスクリーニングを 90.0% の精度で実現します。

リキッドバイオプシーに基づく癌の早期検出は、米国国立癌研究所が近年提案した癌の検出と診断の新しい方向性であり、早期癌、さらには前癌病変を検出することを目的としています。肺がん、消化管腫瘍、神経膠腫、婦人科腫瘍など、さまざまな悪性腫瘍の早期診断のための新規バイオマーカーとして広く使用されています。

メチル化ランドスケープ (Meticscape) バイオマーカーを特定するプラットフォームの出現により、既存のがんの早期スクリーニングが大幅に改善され、患者を最も早い治療可能な段階に導く可能性があります。

最近、研究者らは、システアミン修飾金ナノ粒子 (Cyst/AuNP) とスマートフォンベースのバイオセンサーを組み合わせた、メチル化ランドスケープ検出のためのシンプルで直接的なセンシングプラットフォームを開発しました。これにより、広範囲の腫瘍の迅速な早期スクリーニングが可能になります。白血病の早期スクリーニングは、血液サンプルから DNA を抽出してから 15 分以内に 90.0% の精度で実行できます。記事のタイトルは「システアミンでキャップされた AuNP と機械学習対応スマートフォンを使用したヒト血液中のがん DNA の迅速な検出」です。

図 1. Cyst/AuNP コンポーネントを使用した癌スクリーニング用のシンプルで高速なセンシング プラットフォームは、2 つの簡単な手順で実現できます。

これを図 1 に示します。まず、水溶液を使用して DNA 断片を溶解しました。次いで、シスト/AuNPを混合溶液に添加した。正常な DNA と悪性 DNA は異なるメチル化特性を持っており、その結果、異なる自己集合パターンを持つ DNA 断片が生成されます。正常な DNA は緩やかに凝集し、最終的には Cyst/AuNP を凝集させ、その結果 Cyst/AuNP の性質が赤方偏移するため、赤から紫への色の変化が肉眼で観察できます。対照的に、がん DNA の独特のメチル化プロファイルにより、より大きな DNA 断片のクラスターが生成されます。

96 ウェル プレートの画像はスマートフォンのカメラを使用して撮影されました。がんの DNA は、分光法に基づく方法と比較して、機械学習を搭載したスマートフォンによって測定されました。

実際の血液サンプルによるがんスクリーニング

センシングプラットフォームの有用性を拡張するために、研究者らは、実際の血液サンプル中の正常な DNA と癌性 DNA を区別することに成功したセンサーを適用しました。 CpG 部位のメチル化パターンは遺伝子発現をエピジェネティックに制御します。ほとんどすべての種類のがんにおいて、DNA メチル化の変化、つまり腫瘍形成を促進する遺伝子の発現の変化が交互に観察されています。

DNAメチル化に関連する他のがんのモデルとして、研究者らは白血病患者と健康な対照者の血液サンプルを使用して、白血病がんの鑑別におけるメチル化状況の有効性を調査した。このメチル化ランドスケープバイオマーカーは、既存の迅速白血病スクリーニング法を上回る性能を発揮するだけでなく、このシンプルで直接的なアッセイを使用して広範囲の癌の早期検出に拡張できる可能性も示しています。

31人の白血病患者と12人の健康な人の血液サンプルのDNAが分析された。図 2a の箱ひげ図に示されているように、がんサンプルの相対吸光度 (ΔA650/525) は正常サンプルの DNA の相対吸光度よりも低かった。これは主に、疎水性が強化されてがん DNA が密に凝集し、Cyst/AuNP の凝集が妨げられたためです。その結果、これらのナノ粒子は癌凝集体の外層に完全に分散され、正常な DNA 凝集体と癌の DNA 凝集体に吸着した Cyst/AuNP の分散が異なりました。次に、しきい値をΔA650/525 の最小値から最大値まで変化させることによって ROC 曲線を生成しました。

図 2.(a) 最適化された条件下での正常 (青色) および癌 (赤色) DNA の存在を示す嚢胞/AuNP 溶液の相対吸光度値

(DA650/525) 箱ひげ図。 (b) ROC 分析と診断テストの評価。 (c) 正常患者と癌患者の診断のための混同マトリックス。 (d) 開発された方法の感度、特異度、陽性的中率 (PPV)、陰性的中率 (NPV) および精度。

図 2b に示すように、開発したセンサーで得られた ROC 曲線下面積 (AUC = 0.9274) は、高い感度と特異性を示しました。箱ひげ図からわかるように、正常 DNA グループを表す最低点は、癌 DNA グループを表す最高点から十分に分離されていません。したがって、ロジスティック回帰を使用して正常グループと癌グループを区別しました。一連の独立変数が与えられると、がんや正常なグループなどのイベントが発生する確率が推定されます。従属変数の範囲は 0 ～ 1 です。したがって、結果は確率になります。 ΔA650/525に基づいて癌同定の確率（P）を次のように決定しました。

ここで、b=5.3533、w1=-6.965。サンプルの分類では、0.5 未満の確率は正常なサンプルを示し、0.5 以上の確率は癌サンプルを示します。図 2c は、分類法の安定性を検証するために使用された、放置相互検証から生成された混同行列を示しています。図 2d は、感度、特異度、陽性的中率 (PPV) および陰性的中率 (NPV) を含む、この方法の診断検査評価をまとめています。

スマートフォンベースの生体センサー

分光光度計を使用せずにサンプル検査をさらに簡素化するために、研究者らは人工知能 (AI) を使用して溶液の色を解釈し、正常な人とがん患者を区別しました。これを考慮して、携帯電話のカメラで撮影した 96 ウェル プレートの画像を使用して、コンピューター ビジョンを使用して嚢胞/AuNP 溶液の色を正常な DNA (紫) または癌性 DNA (赤) に変換しました。人工知能は、光学ハードウェアのスマートフォンアクセサリを使用せずに、コストを削減し、ナノ粒子ソリューションの色の解釈におけるアクセシビリティを向上させることができます。最後に、ランダム フォレスト (RF) とサポート ベクター マシン (SVM) を含む 2 つの機械学習モデルをトレーニングしてモデルを構築しました。 RF モデルと SVM モデルはどちらも、90.0% の精度でサンプルを陽性と陰性として正しく分類しました。これは、携帯電話ベースのバイオセンシングにおける人工知能の使用がかなり可能であることを示唆しています。

図 3.(a) 画像取得ステップのサンプル準備中に記録された溶液のターゲット クラス。 (b) 画像取得ステップ中に撮影された画像の例。 (c) 画像 (b) から抽出された 96 ウェル プレートの各ウェル内の嚢胞/AuNP 溶液の色の強度。

研究者らは、Cyst/AuNPを使用して、メチル化ランドスケープ検出のためのシンプルなセンシングプラットフォームと、白血病スクリーニングに実際の血液サンプルを使用する際に正常なDNAとがんDNAを区別できるセンサーの開発に成功しました。開発されたセンサーは、実際の血液サンプルから抽出された DNA が、白血病患者の少量のがん DNA (3nM) を 15 分以内に迅速かつコスト効率よく検出できることを実証し、95.3% の精度を示しました。分光光度計の必要性を排除してサンプル検査をさらに簡素化するために、機械学習を使用して溶液の色を解釈し、携帯電話の写真を使用して正常な人とがん患者を区別しました。また、精度も90.0％を達成することができました。

参照: DOI: 10.1039/d2ra05725e