திரவ பயாப்ஸி அடிப்படையில் புற்றுநோயை முன்கூட்டியே கண்டறிவது, சமீபத்திய ஆண்டுகளில் அமெரிக்க தேசிய புற்றுநோய் நிறுவனத்தால் முன்மொழியப்பட்ட புற்றுநோய் கண்டறிதல் மற்றும் நோயறிதலின் ஒரு புதிய திசையாகும், இது ஆரம்பகால புற்றுநோயை அல்லது முன்கூட்டிய புண்களைக் கூட கண்டறியும் நோக்கத்துடன் உள்ளது. நுரையீரல் புற்றுநோய், இரைப்பை குடல் கட்டிகள், க்ளியோமாக்கள் மற்றும் மகளிர் நோய் கட்டிகள் உள்ளிட்ட பல்வேறு வீரியம் மிக்க கட்டிகளை முன்கூட்டியே கண்டறிவதற்கான ஒரு புதிய உயிரியக்கக் குறியீடாக இது பரவலாகப் பயன்படுத்தப்படுகிறது.
மெத்திலேஷன் லேண்ட்ஸ்கேப் (மெத்தில்ஸ்கேப்) பயோமார்க்ஸர்களை அடையாளம் காண்பதற்கான தளங்களின் தோற்றம், புற்றுநோய்க்கான ஆரம்பகால பரிசோதனையை கணிசமாக மேம்படுத்தும் ஆற்றலைக் கொண்டுள்ளது, இது நோயாளிகளை ஆரம்பகால சிகிச்சையளிக்கக்கூடிய நிலையில் வைக்கிறது.
சமீபத்தில், ஆராய்ச்சியாளர்கள் மெத்திலேஷன் நிலப்பரப்பு கண்டறிதலுக்கான எளிய மற்றும் நேரடி உணர்திறன் தளத்தை உருவாக்கியுள்ளனர், இது சிஸ்டமைன் அலங்கரிக்கப்பட்ட தங்க நானோ துகள்கள் (சிஸ்ட்/AuNPs) அடிப்படையிலான ஸ்மார்ட்போன் அடிப்படையிலான பயோசென்சருடன் இணைந்து பல்வேறு கட்டிகளை விரைவாக முன்கூட்டியே பரிசோதிக்க உதவுகிறது. இரத்த மாதிரியிலிருந்து டிஎன்ஏ பிரித்தெடுத்த 15 நிமிடங்களுக்குள், 90.0% துல்லியத்துடன், லுகேமியாவிற்கான ஆரம்ப பரிசோதனையைச் செய்ய முடியும். கட்டுரையின் தலைப்பு சிஸ்டமைன்-மூடிய AuNPs மற்றும் இயந்திர கற்றல்-இயக்கப்பட்ட ஸ்மார்ட்போனைப் பயன்படுத்தி மனித இரத்தத்தில் புற்றுநோய் டிஎன்ஏவை விரைவாகக் கண்டறிதல்.
படம் 1. Cyst/AuNPs கூறுகள் வழியாக புற்றுநோய் பரிசோதனைக்கான எளிய மற்றும் வேகமான உணர்திறன் தளத்தை இரண்டு எளிய படிகளில் நிறைவேற்ற முடியும்.
இது படம் 1 இல் காட்டப்பட்டுள்ளது. முதலில், டி.என்.ஏ துண்டுகளை கரைக்க ஒரு நீர்வாழ் கரைசல் பயன்படுத்தப்பட்டது. பின்னர் கலப்பு கரைசலில் நீர்க்கட்டி/AuNPகள் சேர்க்கப்பட்டன. இயல்பான மற்றும் வீரியம் மிக்க டி.என்.ஏ வெவ்வேறு மெத்திலேஷன் பண்புகளைக் கொண்டுள்ளன, இதன் விளைவாக வெவ்வேறு சுய-அசெம்பிளி வடிவங்களுடன் டி.என்.ஏ துண்டுகள் உருவாகின்றன. இயல்பான டி.என்.ஏ தளர்வாகத் திரட்டப்பட்டு இறுதியில் நீர்க்கட்டி/AuNPகளை ஒருங்கிணைக்கிறது, இதன் விளைவாக நீர்க்கட்டி/AuNPகள் சிவப்பு நிறமாக மாற்றப்படுகின்றன, இதனால் சிவப்பு நிறத்தில் இருந்து ஊதா நிறத்திற்கு மாறுவதை நிர்வாணக் கண்ணால் காணலாம். இதற்கு நேர்மாறாக, புற்றுநோய் டி.என்.ஏவின் தனித்துவமான மெத்திலேஷன் சுயவிவரம் டி.என்.ஏ துண்டுகளின் பெரிய கொத்துக்களை உற்பத்தி செய்ய வழிவகுக்கிறது.
96 கிணறு தகடுகளின் படங்கள் ஸ்மார்ட்போன் கேமராவைப் பயன்படுத்தி எடுக்கப்பட்டன. ஸ்பெக்ட்ரோஸ்கோபி அடிப்படையிலான முறைகளுடன் ஒப்பிடும்போது இயந்திர கற்றல் பொருத்தப்பட்ட ஸ்மார்ட்போன் மூலம் புற்றுநோய் டிஎன்ஏ அளவிடப்பட்டது.
உண்மையான இரத்த மாதிரிகளில் புற்றுநோய் பரிசோதனை
உணர்திறன் தளத்தின் பயன்பாட்டை நீட்டிக்க, உண்மையான இரத்த மாதிரிகளில் இயல்பான மற்றும் புற்றுநோய் டிஎன்ஏவை வெற்றிகரமாக வேறுபடுத்தும் ஒரு சென்சாரை ஆய்வாளர்கள் பயன்படுத்தியுள்ளனர். சிபிஜி தளங்களில் மெத்திலேஷன் முறைகள் மரபணு வெளிப்பாட்டை எபிஜெனெடிக் முறையில் ஒழுங்குபடுத்துகின்றன. கிட்டத்தட்ட அனைத்து புற்றுநோய் வகைகளிலும், டிஎன்ஏ மெத்திலேஷனில் ஏற்படும் மாற்றங்கள் மற்றும் இதனால் கட்டி உருவாக்கத்தை ஊக்குவிக்கும் மரபணுக்களின் வெளிப்பாட்டில் ஏற்படும் மாற்றங்கள் மாறி மாறி காணப்படுகின்றன.
டிஎன்ஏ மெத்திலேஷனுடன் தொடர்புடைய பிற புற்றுநோய்களுக்கு ஒரு மாதிரியாக, ஆராய்ச்சியாளர்கள் லுகேமியா நோயாளிகளிடமிருந்து இரத்த மாதிரிகள் மற்றும் ஆரோக்கியமான கட்டுப்பாடுகளைப் பயன்படுத்தி லுகேமியா புற்றுநோய்களை வேறுபடுத்துவதில் மெத்திலேஷன் நிலப்பரப்பின் செயல்திறனை ஆய்வு செய்தனர். இந்த மெத்திலேஷன் நிலப்பரப்பு உயிரியக்கவியல் தற்போதுள்ள விரைவான லுகேமியா ஸ்கிரீனிங் முறைகளை விஞ்சுவது மட்டுமல்லாமல், இந்த எளிய மற்றும் நேரடியான மதிப்பீட்டைப் பயன்படுத்தி பரந்த அளவிலான புற்றுநோய்களை முன்கூட்டியே கண்டறிவதற்கான சாத்தியக்கூறுகளையும் நிரூபிக்கிறது.
31 லுகேமியா நோயாளிகள் மற்றும் 12 ஆரோக்கியமான நபர்களிடமிருந்து பெறப்பட்ட இரத்த மாதிரிகளிலிருந்து பெறப்பட்ட டி.என்.ஏ பகுப்பாய்வு செய்யப்பட்டது. படம் 2a இல் உள்ள பெட்டி வரைபடத்தில் காட்டப்பட்டுள்ளபடி, புற்றுநோய் மாதிரிகளின் (ΔA650/525) ஒப்பீட்டு உறிஞ்சுதல் சாதாரண மாதிரிகளிலிருந்து பெறப்பட்ட டி.என்.ஏவை விட குறைவாக இருந்தது. இது முக்கியமாக புற்றுநோய் டி.என்.ஏவின் அடர்த்தியான திரட்டலுக்கு வழிவகுத்த மேம்பட்ட ஹைட்ரோபோபிசிட்டி காரணமாகும், இது சிஸ்ட்/AuNPகளின் திரட்டலைத் தடுத்தது. இதன் விளைவாக, இந்த நானோ துகள்கள் புற்றுநோய் திரட்டுகளின் வெளிப்புற அடுக்குகளில் முழுமையாக சிதறடிக்கப்பட்டன, இதன் விளைவாக சாதாரண மற்றும் புற்றுநோய் டி.என்.ஏ திரட்டுகளில் உறிஞ்சப்பட்ட சிஸ்ட்/AuNPகளின் வேறுபட்ட சிதறல் ஏற்பட்டது. பின்னர் ROC வளைவுகள் ΔA650/525 என்ற குறைந்தபட்ச மதிப்பிலிருந்து அதிகபட்ச மதிப்புக்கு வரம்பை மாற்றுவதன் மூலம் உருவாக்கப்பட்டன.
படம் 2.(அ) உகந்த நிலைமைகளின் கீழ் சாதாரண (நீலம்) மற்றும் புற்றுநோய் (சிவப்பு) டிஎன்ஏ இருப்பதைக் காட்டும் நீர்க்கட்டி/AuNPs கரைசல்களின் ஒப்பீட்டு உறிஞ்சுதல் மதிப்புகள்.
(DA650/525) பெட்டி வரைபடங்கள்; (b) ROC பகுப்பாய்வு மற்றும் நோயறிதல் சோதனைகளின் மதிப்பீடு. (c) சாதாரண மற்றும் புற்றுநோய் நோயாளிகளின் நோயறிதலுக்கான குழப்ப அணி. (d) உணர்திறன், தனித்தன்மை, நேர்மறை முன்கணிப்பு மதிப்பு (PPV), எதிர்மறை முன்கணிப்பு மதிப்பு (NPV) மற்றும் உருவாக்கப்பட்ட முறையின் துல்லியம்.
படம் 2b இல் காட்டப்பட்டுள்ளபடி, உருவாக்கப்பட்ட சென்சாருக்காக பெறப்பட்ட ROC வளைவின் கீழ் உள்ள பகுதி (AUC = 0.9274) அதிக உணர்திறன் மற்றும் தனித்தன்மையைக் காட்டியது. பெட்டி வரைபடத்திலிருந்து பார்க்க முடிந்தபடி, சாதாரண DNA குழுவைக் குறிக்கும் மிகக் குறைந்த புள்ளி புற்றுநோய் DNA குழுவைக் குறிக்கும் மிக உயர்ந்த புள்ளியிலிருந்து நன்கு பிரிக்கப்படவில்லை; எனவே, சாதாரண மற்றும் புற்றுநோய் குழுக்களுக்கு இடையில் வேறுபடுவதற்கு லாஜிஸ்டிக் பின்னடைவு பயன்படுத்தப்பட்டது. சுயாதீன மாறிகளின் தொகுப்பைக் கொடுத்தால், புற்றுநோய் அல்லது சாதாரண குழு போன்ற ஒரு நிகழ்வு நிகழும் நிகழ்தகவை இது மதிப்பிடுகிறது. சார்பு மாறி 0 மற்றும் 1 க்கு இடையில் இருக்கும். எனவே இதன் விளைவாக ஒரு நிகழ்தகவு உள்ளது. ΔA650/525 ஐ அடிப்படையாகக் கொண்டு புற்றுநோய் அடையாளம் காணும் நிகழ்தகவை (P) பின்வருமாறு தீர்மானித்தோம்.
இங்கு b=5.3533,w1=-6.965. மாதிரி வகைப்பாட்டிற்கு, 0.5 க்கும் குறைவான நிகழ்தகவு ஒரு சாதாரண மாதிரியைக் குறிக்கிறது, அதே நேரத்தில் 0.5 அல்லது அதற்கு மேற்பட்ட நிகழ்தகவு ஒரு புற்றுநோய் மாதிரியைக் குறிக்கிறது. வகைப்பாடு முறையின் நிலைத்தன்மையை சரிபார்க்கப் பயன்படுத்தப்பட்ட லீவ்-இட்-அலோன் குறுக்கு சரிபார்ப்பிலிருந்து உருவாக்கப்பட்ட குழப்ப அணியை படம் 2c சித்தரிக்கிறது. உணர்திறன், தனித்தன்மை, நேர்மறை முன்கணிப்பு மதிப்பு (PPV) மற்றும் எதிர்மறை முன்கணிப்பு மதிப்பு (NPV) உள்ளிட்ட முறையின் கண்டறியும் சோதனை மதிப்பீட்டை படம் 2d சுருக்கமாகக் கூறுகிறது.
ஸ்மார்ட்போன் அடிப்படையிலான உயிரி உணரிகள்
ஸ்பெக்ட்ரோஃபோட்டோமீட்டர்களைப் பயன்படுத்தாமல் மாதிரி சோதனையை மேலும் எளிமைப்படுத்த, ஆராய்ச்சியாளர்கள் செயற்கை நுண்ணறிவை (AI) பயன்படுத்தி கரைசலின் நிறத்தை விளக்கி, சாதாரண மற்றும் புற்றுநோய் உள்ள நபர்களை வேறுபடுத்தினர். இதைக் கருத்தில் கொண்டு, மொபைல் போன் கேமரா மூலம் எடுக்கப்பட்ட 96-கிணறு தகடுகளின் படங்களைப் பயன்படுத்தி Cyst/AuNPs கரைசலின் நிறத்தை சாதாரண DNA (ஊதா) அல்லது புற்றுநோய் DNA (சிவப்பு) ஆக மொழிபெயர்க்க கணினி பார்வை பயன்படுத்தப்பட்டது. செயற்கை நுண்ணறிவு செலவுகளைக் குறைத்து, நானோ துகள் தீர்வுகளின் நிறத்தை விளக்குவதில் அணுகலை மேம்படுத்தலாம், மேலும் எந்த ஆப்டிகல் வன்பொருள் ஸ்மார்ட்போன் துணைக்கருவிகளையும் பயன்படுத்தாமல். இறுதியாக, ரேண்டம் ஃபாரஸ்ட் (RF) மற்றும் சப்போர்ட் வெக்டர் மெஷின் (SVM) உள்ளிட்ட இரண்டு இயந்திர கற்றல் மாதிரிகள் மாதிரிகளை உருவாக்க பயிற்சி அளிக்கப்பட்டன. RF மற்றும் SVM மாதிரிகள் இரண்டும் மாதிரிகளை நேர்மறை மற்றும் எதிர்மறை என 90.0% துல்லியத்துடன் சரியாக வகைப்படுத்தின. மொபைல் போன் அடிப்படையிலான பயோசென்சிங்கில் செயற்கை நுண்ணறிவின் பயன்பாடு மிகவும் சாத்தியம் என்பதை இது குறிக்கிறது.
படம் 3.(அ) படப் பெறுதல் படிநிலைக்கான மாதிரியைத் தயாரிக்கும் போது பதிவுசெய்யப்பட்ட கரைசலின் இலக்கு வகுப்பு. (ஆ) படப் பெறுதல் படிநிலையின் போது எடுக்கப்பட்ட எடுத்துக்காட்டு படம். (இ) படத்திலிருந்து பிரித்தெடுக்கப்பட்ட 96-கிணறு தட்டின் ஒவ்வொரு கிணற்றிலும் நீர்க்கட்டி/AuNPs கரைசலின் வண்ணத் தீவிரம் (ஆ).
Cyst/AuNP-களைப் பயன்படுத்தி, மெத்திலேஷன் நிலப்பரப்பு கண்டறிதலுக்கான எளிய உணர்திறன் தளத்தையும், லுகேமியா பரிசோதனைக்கு உண்மையான இரத்த மாதிரிகளைப் பயன்படுத்தும் போது சாதாரண DNA-வை புற்றுநோய் DNA-விலிருந்து வேறுபடுத்தும் திறன் கொண்ட ஒரு உணரியையும் ஆராய்ச்சியாளர்கள் வெற்றிகரமாக உருவாக்கியுள்ளனர். உண்மையான இரத்த மாதிரிகளிலிருந்து பிரித்தெடுக்கப்பட்ட DNA, லுகேமியா நோயாளிகளில் 15 நிமிடங்களில் சிறிய அளவிலான புற்றுநோய் DNA (3nM) ஐ விரைவாகவும் செலவு குறைந்ததாகவும் கண்டறிய முடிந்தது என்பதை இந்த உருவாக்கப்பட்ட சென்சார் நிரூபித்தது, மேலும் 95.3% துல்லியத்தைக் காட்டியது. ஸ்பெக்ட்ரோஃபோட்டோமீட்டரின் தேவையை நீக்குவதன் மூலம் மாதிரி சோதனையை மேலும் எளிமைப்படுத்த, மொபைல் போன் புகைப்படத்தைப் பயன்படுத்தி கரைசலின் நிறத்தை விளக்குவதற்கும் சாதாரண மற்றும் புற்றுநோய் நபர்களுக்கு இடையில் வேறுபடுத்துவதற்கும் இயந்திர கற்றல் பயன்படுத்தப்பட்டது, மேலும் 90.0% துல்லியத்தையும் அடைய முடிந்தது.
குறிப்பு: DOI: 10.1039/d2ra05725e
இடுகை நேரம்: பிப்ரவரி-18-2023