DNAメチル化テストは、90.0％の精度で腫瘍と白血病スクリーニングの早期スクリーニングのためにスマートフォンと組み合わせて！

液体生検に基づく癌の早期発見は、初期の癌または前癌病変を検出することを目的として、近年米国国立癌研究所によって提案された癌の検出と診断の新しい方向です。肺がん、胃腸腫瘍、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しいバイオマーカーとして広く使用されています。

メチル化環境（メチルスケープ）バイオマーカーを特定するためのプラットフォームの出現は、がんの既存の早期スクリーニングを大幅に改善し、患者を最も早い治療可能な段階に置く可能性があります。

最近、研究者は、幅広い腫瘍の迅速な早期スクリーニングを可能にするスマートフォンベースのバイオセンサーと組み合わせた、システアミン装飾金ナノ粒子（CYST/AUNP）に基づい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。白血病の早期スクリーニングは、血液サンプルからのDNA抽出後15分以内に90.0％の精度で実施できます。記事のタイトルは、システアミンを覆うAUNPと機械学習対応のスマートフォンを使用したヒト血液中の癌DNAの迅速な検出。

図1。CYST/AUNPS成分を介したがんスクリーニングのためのシンプルで高速なセンシングプラットフォームは、2つの簡単なステップで実現できます。

これを図1に示します。最初に、DNAフラグメントを溶解するために水溶液を使用しました。次に、嚢胞/AUNPを混合溶液に加えました。正常および悪性DNAは異なるメチル化特性を持ち、異なる自己組織化パターンを持つDNAフラグメントをもたらします。正常なDNAはゆるく凝集し、最終的には嚢胞/AUNPを凝集させ、嚢胞/auNPの赤方偏移の性質をもたらし、赤から紫への色の変化が肉眼で観察されるようにします。対照的に、がんDNAのユニークなメチル化プロファイルは、DNA断片のより大きなクラスターの産生につながります。

96ウェルプレートの画像は、スマートフォンカメラを使用して撮影しました。がんDNAは、分光法ベースの方法と比較して機械学習を装備したスマートフォンで測定しました。

実際の血液サンプルの癌スクリーニング

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、研究者は、実際の血液サンプルで正常なDNAと癌性のDNAを際立たせるセンサーを適用しました。 CPGサイト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調節します。ほとんどすべての癌タイプでは、DNAメチル化の変化、したがって腫瘍形成を促進する遺伝子の発現の変化が交互になることが観察されています。

DNAメチル化に関連する他の癌のモデルとして、研究者は白血病患者と健康なコントロールの血液サンプルを使用して、白血病がんの分化におけるメチル化環境の有効性を調査しました。このメチル化ランドスケープバイオマーカーは、既存の急速な白血病スクリーニング方法よりも優れているだけでなく、このシンプルで簡単なアッセイを使用して広範囲の癌の早期発見に拡大する可能性を示しています。

31人の白血病患者と12人の健康な人の血液サンプルからのDNAが分析されました。図2Aのボックスプロットに示されているように、癌サンプルの相対吸光度（ΔA650/525）は、通常のサンプルからのDNAの相対的な吸光度よりも低かった。これは主に、癌DNAの密な凝集につながる疎水性の強化によるものであり、これにより嚢胞/AUNPの凝集が妨げられました。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、その結果、正常および癌DNA凝集体に吸着された嚢胞/AUNPの異なる分散が生じました。その後、ROC曲線は、ΔA650/525の最小値から最大値にしきい値を変更することにより生成されました。

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

（DA650/525）ボックスプロット。 （b）診断テストのROC分析と評価。 （c）正常患者およびがん患者の診断のための混乱マトリックス。 （d）感度、特異性、正の予測値（PPV）、負の予測値（NPV）、および開発された方法の精度。

図2Bに示すように、開発されたセンサーに対して得られたROC曲線（AUC = 0.9274）の下の領域は、高い感度と特異性を示しました。ボックスプロットからわかるように、通常のDNAグループを表す最低点は、がん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、正常群と癌群を区別しました。独立変数のセットを考えると、癌や正常群など、イベントが発生する可能性を推定します。従属変数は0〜1の範囲です。したがって、結果は確率です。次のように、ΔA650/525に基づいて癌の識別の確率（P）を決定しました。

ここで、B = 5.3533、W1 = -6.965。サンプル分類では、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、分類方法の安定性を検証するために使用された休暇と単独の交差検証から生成された混乱マトリックスを示しています。図2Dは、感度、特異性、正の予測値（PPV）および負の予測値（NPV）を含む、方法の診断テスト評価をまとめたものです。

スマートフォンベースのバイオセンサー

分光光度計を使用せずにサンプルテストをさらに簡素化するために、研究者は人工知能（AI）を使用して溶液の色を解釈し、正常な個人と癌性の個人を区別しました。これを考えると、コンピュータービジョンを使用して、CYST/AUNPS溶液の色を、携帯電話カメラを通して撮影した96ウェルプレートの画像を使用して、通常のDNA（紫）または癌性DNA（赤）に翻訳しました。人工知能は、ナノ粒子溶液の色を解釈する際のコストを削減し、アクセシビリティを向上させ、光学ハードウェアスマートフォンアクセサリを使用せずに使用できます。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モデルの両方が、90.0％の精度でサンプルを正と負と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で人工知能を使用することが非常に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ためにサンプルの準備中に記録されたソリューションのターゲットクラス。 （b）画像取得ステップで撮影した画像の例。 （c）画像から抽出された96ウェルプレートの各ウェルにおける嚢胞/AUNPS溶液の色強度（b）。

CYST/AUNPSを使用して、研究者は、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、メチル化景観検出のための単純なセンシングプラットフォームと、癌DNAと正常な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分で迅速かつ費用効果的に検出することができ、95.3％の精度を示したことを実証しました。分光光度計の必要性を排除することでサンプルテストをさらに簡素化するために、機械学習を使用してソリューションの色を解釈し、携帯電話の写真を使用して正常と癌性の個人を区別し、精度も90.0％で達成することができました。

参照：doi：10.1039/d2ra05725e