९०.०% को शुद्धताका साथ ट्युमर र ल्युकेमिया स्क्रिनिङको प्रारम्भिक स्क्रिनिङको लागि स्मार्टफोनसँग संयुक्त डीएनए मिथाइलेशन परीक्षण!

तरल बायोप्सीमा आधारित क्यान्सरको प्रारम्भिक पहिचान हालैका वर्षहरूमा अमेरिकी राष्ट्रिय क्यान्सर संस्थानले प्रस्ताव गरेको क्यान्सर पत्ता लगाउने र निदानको नयाँ दिशा हो, जसको उद्देश्य प्रारम्भिक क्यान्सर वा पूर्व-क्यान्सरस घावहरू पत्ता लगाउनु हो। फोक्सोको क्यान्सर, ग्यास्ट्रोइंटेस्टाइनल ट्युमर, ग्लियोमास र स्त्री रोग ट्युमर सहित विभिन्न घातक रोगहरूको प्रारम्भिक निदानको लागि यो एक उपन्यास बायोमार्करको रूपमा व्यापक रूपमा प्रयोग गरिएको छ।

मिथाइलेशन ल्यान्डस्केप (मिथाइलस्केप) बायोमार्करहरू पहिचान गर्न प्लेटफर्महरूको उदयले क्यान्सरको लागि अवस्थित प्रारम्भिक स्क्रिनिङमा उल्लेखनीय सुधार गर्ने क्षमता राख्छ, जसले गर्दा बिरामीहरूलाई प्रारम्भिक उपचार योग्य चरणमा पुर्‍याउँछ।

हालै, अनुसन्धानकर्ताहरूले सिस्टीमाइनले सजाइएको सुनको न्यानोपार्टिकल्स (सिस्ट/एयुएनपी) मा आधारित मिथाइलेशन ल्यान्डस्केप पत्ता लगाउनको लागि एक सरल र प्रत्यक्ष सेन्सिङ प्लेटफर्म विकास गरेका छन् जुन स्मार्टफोन-आधारित बायोसेन्सरसँग मिलेर ट्यूमरको विस्तृत दायराको द्रुत प्रारम्भिक स्क्रिनिङ सक्षम बनाउँछ। रगतको नमूनाबाट डीएनए निकासी पछि १५ मिनेट भित्र ल्युकेमियाको लागि प्रारम्भिक स्क्रिनिङ गर्न सकिन्छ, ९०.०% शुद्धताका साथ। लेखको शीर्षक सिस्टामाइन-क्याप्ड एयुएनपी र मेसिन लर्निङ-सक्षम स्मार्टफोन प्रयोग गरेर मानव रगतमा क्यान्सर डीएनएको द्रुत पत्ता लगाउने हो।

चित्र १. सिस्ट/एयुएनपी कम्पोनेन्टहरू मार्फत क्यान्सर स्क्रिनिङको लागि एक सरल र द्रुत सेन्सिङ प्लेटफर्म दुई सरल चरणहरूमा पूरा गर्न सकिन्छ।

यो चित्र १ मा देखाइएको छ। पहिले, DNA टुक्राहरू विघटन गर्न जलीय घोल प्रयोग गरिएको थियो। त्यसपछि मिश्रित घोलमा सिस्ट/AuNP हरू थपिएका थिए। सामान्य र घातक DNA मा फरक-फरक मिथाइलेशन गुणहरू हुन्छन्, जसको परिणामस्वरूप फरक-फरक स्व-एसेम्बली ढाँचाहरू भएका DNA टुक्राहरू हुन्छन्। सामान्य DNA ढिलो रूपमा जम्मा हुन्छ र अन्ततः सिस्ट/AuNP हरूलाई जम्मा गर्छ, जसले गर्दा सिस्ट/AuNP हरूको रातो-परिवर्तन प्रकृति हुन्छ, जसले गर्दा रातो देखि बैजनी रंगमा परिवर्तन नाङ्गो आँखाले अवलोकन गर्न सकिन्छ। यसको विपरित, क्यान्सर DNA को अद्वितीय मिथाइलेशन प्रोफाइलले DNA टुक्राहरूको ठूला क्लस्टरहरूको उत्पादन निम्त्याउँछ।

स्मार्टफोन क्यामेरा प्रयोग गरेर ९६ वटा इनार प्लेटहरूको तस्बिर खिचिएको थियो। स्पेक्ट्रोस्कोपी-आधारित विधिहरूको तुलनामा मेसिन लर्निङले सुसज्जित स्मार्टफोनद्वारा क्यान्सरको डीएनए मापन गरिएको थियो।

वास्तविक रगतको नमूनामा क्यान्सर स्क्रिनिङ

सेन्सिङ प्लेटफर्मको उपयोगिता विस्तार गर्न, अन्वेषकहरूले वास्तविक रगत नमूनाहरूमा सामान्य र क्यान्सरयुक्त डीएनए बीच सफलतापूर्वक छुट्याउने सेन्सर लागू गरे। CpG साइटहरूमा मिथाइलेशन ढाँचाहरूले एपिजेनेटिकली जीन अभिव्यक्तिलाई नियमन गर्दछ। लगभग सबै क्यान्सर प्रकारहरूमा, डीएनए मिथाइलेशनमा परिवर्तनहरू र यसरी ट्युमरजेनेसिसलाई बढावा दिने जीनहरूको अभिव्यक्तिमा परिवर्तनहरू वैकल्पिक रूपमा अवलोकन गरिएको छ।

डीएनए मिथाइलेशनसँग सम्बन्धित अन्य क्यान्सरहरूको लागि मोडेलको रूपमा, अनुसन्धानकर्ताहरूले ल्युकेमिया बिरामीहरू र स्वस्थ नियन्त्रणहरूबाट रगतको नमूनाहरू प्रयोग गरेर ल्युकेमिक क्यान्सरहरू छुट्याउन मिथाइलेशन ल्यान्डस्केपको प्रभावकारिताको अनुसन्धान गरे। यो मिथाइलेशन ल्यान्डस्केप बायोमार्करले अवस्थित द्रुत ल्युकेमिया स्क्रिनिङ विधिहरूलाई मात्र उत्कृष्ट प्रदर्शन गर्दैन, तर यो सरल र सीधा परख प्रयोग गरेर क्यान्सरहरूको विस्तृत दायराको प्रारम्भिक पत्ता लगाउन विस्तार गर्ने सम्भाव्यता पनि प्रदर्शन गर्दछ।

३१ ल्युकेमिया बिरामीहरू र १२ स्वस्थ व्यक्तिहरूको रगतको नमूनाबाट DNA विश्लेषण गरिएको थियो। चित्र २a मा बक्स प्लटमा देखाइए अनुसार, क्यान्सर नमूनाहरूको सापेक्षिक अवशोषण (ΔA650/525) सामान्य नमूनाहरूबाट DNA भन्दा कम थियो। यो मुख्यतया बढेको हाइड्रोफोबिसिटीको कारणले गर्दा क्यान्सर DNA को बाक्लो एकत्रीकरण भयो, जसले सिस्ट/AuNPs को एकत्रीकरणलाई रोक्यो। फलस्वरूप, यी न्यानोपार्टिकल्स क्यान्सर समुच्चयहरूको बाहिरी तहहरूमा पूर्ण रूपमा छरिएका थिए, जसको परिणामस्वरूप सामान्य र क्यान्सर DNA समुच्चयहरूमा सोसिएका सिस्ट/AuNPs को फरक फैलावट भयो। त्यसपछि ROC वक्रहरू ΔA650/525 को न्यूनतम मानबाट अधिकतम मानमा थ्रेसहोल्ड फरक पारेर उत्पन्न गरियो।

चित्र २.(क) अनुकूलित अवस्थाहरूमा सामान्य (नीलो) र क्यान्सर (रातो) डीएनएको उपस्थिति देखाउने सिस्ट/एयुएनपी समाधानहरूको सापेक्षिक अवशोषण मानहरू।

(DA650/525) बक्स प्लटहरूको; (ख) निदान परीक्षणहरूको ROC विश्लेषण र मूल्याङ्कन। (ग) सामान्य र क्यान्सर बिरामीहरूको निदानको लागि भ्रम म्याट्रिक्स। (घ) संवेदनशीलता, विशिष्टता, सकारात्मक भविष्यवाणी मान (PPV), नकारात्मक भविष्यवाणी मान (NPV) र विकसित विधिको शुद्धता।

चित्र २b मा देखाइए अनुसार, विकसित सेन्सरको लागि प्राप्त गरिएको ROC वक्र (AUC = ०.९२७४) अन्तर्गतको क्षेत्रले उच्च संवेदनशीलता र विशिष्टता देखायो। बक्स प्लटबाट देख्न सकिन्छ, सामान्य DNA समूहको प्रतिनिधित्व गर्ने सबैभन्दा कम बिन्दु क्यान्सर DNA समूहको प्रतिनिधित्व गर्ने उच्चतम बिन्दुबाट राम्रोसँग अलग गरिएको छैन; त्यसैले, सामान्य र क्यान्सर समूहहरू बीच भिन्नता छुट्याउन लजिस्टिक रिग्रेसन प्रयोग गरिएको थियो। स्वतन्त्र चरहरूको सेट दिएर, यसले क्यान्सर वा सामान्य समूह जस्ता घटना हुने सम्भावनाको अनुमान गर्दछ। निर्भर चर ० र १ बीचको हुन्छ। त्यसैले परिणाम सम्भाव्यता हो। हामीले ΔA650/525 को आधारमा क्यान्सर पहिचान (P) को सम्भावना निम्नानुसार निर्धारण गर्यौं।

जहाँ b=5.3533,w1=-6.965। नमूना वर्गीकरणको लागि, ०.५ भन्दा कमको सम्भाव्यताले सामान्य नमूनालाई जनाउँछ, जबकि ०.५ वा सोभन्दा बढीको सम्भाव्यताले क्यान्सर नमूनालाई जनाउँछ। चित्र २c ले वर्गीकरण विधिको स्थिरता प्रमाणित गर्न प्रयोग गरिएको लिभ-इट-अलोन क्रस-प्रमाणीकरणबाट उत्पन्न भ्रम म्याट्रिक्सलाई चित्रण गर्दछ। चित्र २d ले संवेदनशीलता, विशिष्टता, सकारात्मक भविष्यवाणी मान (PPV) र नकारात्मक भविष्यवाणी मान (NPV) सहित विधिको निदान परीक्षण मूल्याङ्कनको सारांश दिन्छ।

स्मार्टफोनमा आधारित बायोसेन्सरहरू

स्पेक्ट्रोफोटोमिटरको प्रयोग बिना नमूना परीक्षणलाई अझ सरल बनाउन, अनुसन्धानकर्ताहरूले समाधानको रंग व्याख्या गर्न र सामान्य र क्यान्सर भएका व्यक्तिहरू बीचको भिन्नता छुट्याउन कृत्रिम बुद्धिमत्ता (AI) प्रयोग गरे। यो कुरालाई ध्यानमा राख्दै, मोबाइल फोन क्यामेरा मार्फत लिइएका ९६-कुँवर प्लेटहरूको छविहरू प्रयोग गरेर सिस्ट/AuNPs समाधानको रंगलाई सामान्य DNA (बैजनी) वा क्यान्सरयुक्त DNA (रातो) मा अनुवाद गर्न कम्प्युटर भिजन प्रयोग गरियो। कृत्रिम बुद्धिमत्ताले लागत घटाउन सक्छ र न्यानोपार्टिकल समाधानको रंग व्याख्या गर्न पहुँचयोग्यता सुधार गर्न सक्छ, र कुनै पनि अप्टिकल हार्डवेयर स्मार्टफोन सामानहरूको प्रयोग बिना। अन्तमा, Random Forest (RF) र Support Vector Machine (SVM) सहित दुई मेसिन लर्निङ मोडेलहरूलाई मोडेलहरू निर्माण गर्न तालिम दिइएको थियो। RF र SVM दुवै मोडेलहरूले ९०.०% को शुद्धताका साथ नमूनाहरूलाई सकारात्मक र नकारात्मक रूपमा सही रूपमा वर्गीकृत गरे। यसले सुझाव दिन्छ कि मोबाइल फोन-आधारित बायोसेन्सिङमा कृत्रिम बुद्धिमत्ताको प्रयोग सम्भव छ।

चित्र ३.(क) छवि प्राप्ति चरणको लागि नमूना तयार गर्दा रेकर्ड गरिएको समाधानको लक्ष्य वर्ग। (ख) छवि प्राप्ति चरणको समयमा लिइएको उदाहरण छवि। (ग) छवि (ख) बाट निकालिएको ९६-कुवा प्लेटको प्रत्येक कुवामा सिस्ट/AuNPs समाधानको रंग तीव्रता।

सिस्ट/एयुएनपी प्रयोग गरेर, अनुसन्धानकर्ताहरूले मेथिलेसन ल्यान्डस्केप पत्ता लगाउनको लागि एक सरल सेन्सिङ प्लेटफर्म र ल्युकेमिया स्क्रिनिङको लागि वास्तविक रगत नमूनाहरू प्रयोग गर्दा क्यान्सर डीएनएबाट सामान्य डीएनए छुट्याउन सक्षम सेन्सर सफलतापूर्वक विकास गरेका छन्। विकसित सेन्सरले वास्तविक रगत नमूनाहरूबाट निकालिएको डीएनएले १५ मिनेटमा ल्युकेमिया बिरामीहरूमा क्यान्सर डीएनए (३एनएम) को सानो मात्रा द्रुत र लागत-प्रभावी रूपमा पत्ता लगाउन सक्षम भएको र ९५.३% को शुद्धता देखाएको देखाएको छ। स्पेक्ट्रोफोटोमिटरको आवश्यकतालाई हटाएर नमूना परीक्षणलाई अझ सरल बनाउन, मोबाइल फोनको फोटो प्रयोग गरेर घोलको रंग व्याख्या गर्न र सामान्य र क्यान्सर भएका व्यक्तिहरू बीचको भिन्नता छुट्याउन मेसिन लर्निङ प्रयोग गरिएको थियो, र शुद्धता पनि ९०.०% मा प्राप्त गर्न सक्षम भएको थियो।

सन्दर्भ: DOI: 10.1039/d2ra05725e