டிஎன்ஏ மெத்திலேஷன் சோதனையானது, 90.0% துல்லியத்துடன் கட்டிகள் மற்றும் லுகேமியா ஸ்கிரீனிங்கிற்கான ஸ்மார்ட்ஃபோன்களுடன் இணைந்து!

திரவ பயாப்ஸியின் அடிப்படையில் புற்றுநோயை முன்கூட்டியே கண்டறிதல் என்பது புற்றுநோய் கண்டறிதல் மற்றும் நோயறிதலின் ஒரு புதிய திசையாகும், இது சமீபத்திய ஆண்டுகளில் அமெரிக்க தேசிய புற்றுநோய் நிறுவனத்தால் முன்மொழியப்பட்டது, ஆரம்பகால புற்றுநோய் அல்லது முன்கூட்டிய புண்களைக் கண்டறியும் நோக்கத்துடன். நுரையீரல் புற்றுநோய், இரைப்பை குடல் கட்டிகள், க்ளியோமாஸ் மற்றும் பெண்ணோயியல் கட்டிகள் உள்ளிட்ட பல்வேறு வீரியம் மிக்க நோய்களின் ஆரம்பகால நோயறிதலுக்கான புதிய பயோமார்க்கராக இது பரவலாகப் பயன்படுத்தப்படுகிறது.

மெத்திலேஷன் லேண்ட்ஸ்கேப் (மெத்தில்ஸ்கேப்) பயோமார்க்ஸர்களை அடையாளம் காண்பதற்கான தளங்களின் தோற்றம், புற்றுநோய்க்கான ஆரம்பகால ஸ்கிரீனிங்கை கணிசமாக மேம்படுத்தும் ஆற்றலைக் கொண்டுள்ளது, இது நோயாளிகளை சிகிச்சையின் ஆரம்ப கட்டத்தில் வைக்கிறது.

சமீபத்தில், சிஸ்டமைன் அலங்கரிக்கப்பட்ட தங்க நானோ துகள்கள் (Cyst/AuNPs) அடிப்படையிலான மெத்திலேஷன் நிலப்பரப்பு கண்டறிதலுக்கான எளிய மற்றும் நேரடி உணர்திறன் தளத்தை ஆராய்ச்சியாளர்கள் உருவாக்கியுள்ளனர், இது ஸ்மார்ட்போன் அடிப்படையிலான பயோசென்சருடன் இணைந்து பரந்த அளவிலான கட்டிகளை விரைவாகத் திரையிட உதவுகிறது. 90.0% துல்லியத்துடன், இரத்த மாதிரியிலிருந்து டிஎன்ஏ பிரித்தெடுக்கப்பட்ட 15 நிமிடங்களுக்குள் லுகேமியாவிற்கான ஆரம்ப ஸ்கிரீனிங் செய்யப்படலாம். கட்டுரையின் தலைப்பு சிஸ்டைமைன்-கேப்டு AuNPகள் மற்றும் இயந்திர கற்றல்-செயல்படுத்தப்பட்ட ஸ்மார்ட்ஃபோனைப் பயன்படுத்தி மனித இரத்தத்தில் உள்ள புற்றுநோய் டிஎன்ஏவை விரைவாகக் கண்டறிதல் ஆகும்.

படம் 1. Cyst/AuNPs பாகங்கள் வழியாக புற்றுநோய் பரிசோதனைக்கான எளிய மற்றும் வேகமான உணர்திறன் தளம் இரண்டு எளிய படிகளில் நிறைவேற்றப்படலாம்.

இது படம் 1 இல் காட்டப்பட்டுள்ளது. முதலில், டிஎன்ஏ துண்டுகளை கரைக்க ஒரு அக்வஸ் கரைசல் பயன்படுத்தப்பட்டது. நீர்க்கட்டி / AuNP கள் பின்னர் கலப்பு கரைசலில் சேர்க்கப்பட்டன. இயல்பான மற்றும் வீரியம் மிக்க டிஎன்ஏ வெவ்வேறு மெத்திலேஷன் பண்புகளைக் கொண்டுள்ளது, இதன் விளைவாக டிஎன்ஏ துண்டுகள் வெவ்வேறு சுய-அசெம்பிளி வடிவங்களைக் கொண்டுள்ளன. சாதாரண டிஎன்ஏ தளர்வாக ஒருங்கிணைத்து, இறுதியில் நீர்க்கட்டி/AuNPகளை ஒருங்கிணைக்கிறது, இதன் விளைவாக நீர்க்கட்டி/AuNPகளின் சிவப்பு-மாற்றப்பட்ட தன்மை ஏற்படுகிறது, இதனால் சிவப்பு நிறத்தில் இருந்து ஊதா நிறமாக மாறுவதை நிர்வாணக் கண்ணால் காணலாம். மாறாக, புற்றுநோய் டிஎன்ஏவின் தனித்துவமான மெத்திலேஷன் சுயவிவரமானது டிஎன்ஏ துண்டுகளின் பெரிய கொத்துக்களை உற்பத்தி செய்ய வழிவகுக்கிறது.

96 கிணறு தட்டுகளின் படங்கள் ஸ்மார்ட்போன் கேமராவைப் பயன்படுத்தி எடுக்கப்பட்டது. ஸ்பெக்ட்ரோஸ்கோபி-அடிப்படையிலான முறைகளுடன் ஒப்பிடும்போது, ​​இயந்திர கற்றல் பொருத்தப்பட்ட ஸ்மார்ட்ஃபோன் மூலம் புற்றுநோய் டிஎன்ஏ அளவிடப்பட்டது.

உண்மையான இரத்த மாதிரிகளில் புற்றுநோய் பரிசோதனை

உணர்திறன் தளத்தின் பயன்பாட்டை நீட்டிக்க, புலனாய்வாளர்கள் உண்மையான இரத்த மாதிரிகளில் சாதாரண மற்றும் புற்றுநோய் டிஎன்ஏவை வெற்றிகரமாக வேறுபடுத்தும் ஒரு சென்சார் பயன்படுத்தப்பட்டது. சிபிஜி தளங்களில் உள்ள மெத்திலேஷன் வடிவங்கள் மரபணு வெளிப்பாட்டைக் கட்டுப்படுத்துகின்றன. ஏறக்குறைய அனைத்து புற்றுநோய் வகைகளிலும், டிஎன்ஏ மெத்திலேஷனில் ஏற்படும் மாற்றங்கள், இதனால் கட்டி உருவாக்கத்தை ஊக்குவிக்கும் மரபணுக்களின் வெளிப்பாட்டில் மாற்றாகக் காணப்படுகின்றன.

டிஎன்ஏ மெத்திலேஷனுடன் தொடர்புடைய பிற புற்றுநோய்களுக்கான மாதிரியாக, லுகேமியா நோயாளிகளிடமிருந்து இரத்த மாதிரிகள் மற்றும் லுகேமிக் புற்றுநோய்களை வேறுபடுத்துவதில் மெத்திலேஷன் நிலப்பரப்பின் செயல்திறனை ஆராய ஆராய்ச்சியாளர்கள் ஆரோக்கியமான கட்டுப்பாடுகளைப் பயன்படுத்தினர். இந்த மெத்திலேஷன் லேண்ட்ஸ்கேப் பயோமார்க்கர், தற்போதுள்ள ரேபிட் லுகேமியா ஸ்கிரீனிங் முறைகளை விட சிறப்பாக செயல்படுவது மட்டுமல்லாமல், இந்த எளிய மற்றும் நேரடியான மதிப்பீட்டைப் பயன்படுத்தி பரவலான புற்றுநோய்களை முன்கூட்டியே கண்டறிவதற்கான சாத்தியக்கூறுகளையும் நிரூபிக்கிறது.

31 லுகேமியா நோயாளிகள் மற்றும் 12 ஆரோக்கியமான நபர்களின் இரத்த மாதிரிகளில் இருந்து டிஎன்ஏ பகுப்பாய்வு செய்யப்பட்டது. படம் 2a இல் உள்ள பாக்ஸ் ப்ளாட்டில் காட்டப்பட்டுள்ளபடி, புற்றுநோய் மாதிரிகளின் (ΔA650/525) ஒப்பீட்டு உறிஞ்சுதல் சாதாரண மாதிரிகளிலிருந்து DNAவை விட குறைவாக இருந்தது. இது முக்கியமாக மேம்படுத்தப்பட்ட ஹைட்ரோபோபிசிட்டி காரணமாக புற்றுநோய் டிஎன்ஏவின் அடர்த்தியான திரட்டலுக்கு வழிவகுத்தது, இது நீர்க்கட்டி/AuNP களின் ஒருங்கிணைப்பைத் தடுக்கிறது. இதன் விளைவாக, இந்த நானோ துகள்கள் புற்றுநோய்த் திரட்டுகளின் வெளிப்புற அடுக்குகளில் முற்றிலும் சிதறடிக்கப்பட்டன, இதன் விளைவாக சாதாரண மற்றும் புற்றுநோய் டிஎன்ஏ திரட்டுகளில் உறிஞ்சப்பட்ட நீர்க்கட்டி/AuNP களின் வேறுபட்ட சிதறல் ஏற்பட்டது. ROC வளைவுகள், குறைந்தபட்ச மதிப்பான ΔA650/525 இலிருந்து அதிகபட்ச மதிப்புக்கு மாறுவதன் மூலம் உருவாக்கப்பட்டன.

படம் 2.(அ) உகந்த நிலைமைகளின் கீழ் இயல்பான (நீலம்) மற்றும் புற்றுநோய் (சிவப்பு) டிஎன்ஏ இருப்பதைக் காட்டும் நீர்க்கட்டி/AuNPs தீர்வுகளின் ஒப்பீட்டு உறிஞ்சுதல் மதிப்புகள்

(DA650/525) பெட்டி அடுக்குகள்; (ஆ) ROC பகுப்பாய்வு மற்றும் கண்டறியும் சோதனைகளின் மதிப்பீடு. (இ) சாதாரண மற்றும் புற்று நோயாளிகளைக் கண்டறிவதற்கான குழப்ப அணி. (ஈ) உணர்திறன், தனித்தன்மை, நேர்மறை முன்கணிப்பு மதிப்பு (PPV), எதிர்மறை முன்கணிப்பு மதிப்பு (NPV) மற்றும் வளர்ந்த முறையின் துல்லியம்.

படம் 2b இல் காட்டப்பட்டுள்ளபடி, வளர்ந்த உணரிக்காக பெறப்பட்ட ROC வளைவின் (AUC = 0.9274) பகுதி அதிக உணர்திறன் மற்றும் தனித்தன்மையைக் காட்டியது. பாக்ஸ் ப்ளாட்டில் இருந்து பார்க்க முடியும், சாதாரண டிஎன்ஏ குழுவைக் குறிக்கும் மிகக் குறைந்த புள்ளியானது புற்றுநோய் டிஎன்ஏ குழுவைக் குறிக்கும் மிக உயர்ந்த புள்ளியிலிருந்து நன்கு பிரிக்கப்படவில்லை; எனவே, சாதாரண மற்றும் புற்றுநோய் குழுக்களை வேறுபடுத்துவதற்கு லாஜிஸ்டிக் பின்னடைவு பயன்படுத்தப்பட்டது. சுயாதீன மாறிகளின் தொகுப்பைக் கொண்டு, இது புற்றுநோய் அல்லது சாதாரண குழு போன்ற நிகழ்வின் நிகழ்தகவை மதிப்பிடுகிறது. சார்பு மாறி 0 மற்றும் 1 க்கு இடையில் உள்ளது. இதன் விளைவாக ஒரு நிகழ்தகவு உள்ளது. ΔA650/525 அடிப்படையில் புற்றுநோயை அடையாளம் காணும் (P) நிகழ்தகவை நாங்கள் பின்வருமாறு தீர்மானித்தோம்.

எங்கே b=5.3533,w1=-6.965. மாதிரி வகைப்பாட்டிற்கு, 0.5 க்கும் குறைவான நிகழ்தகவு ஒரு சாதாரண மாதிரியைக் குறிக்கிறது, அதே சமயம் 0.5 அல்லது அதற்கு மேற்பட்ட நிகழ்தகவு புற்றுநோய் மாதிரியைக் குறிக்கிறது. படம் 2c லீவ்-இட்-அலோன் கிராஸ் சரிபார்ப்பிலிருந்து உருவாக்கப்பட்ட குழப்ப மேட்ரிக்ஸை சித்தரிக்கிறது, இது வகைப்பாடு முறையின் நிலைத்தன்மையை சரிபார்க்கப் பயன்படுத்தப்பட்டது. படம் 2d, உணர்திறன், தனித்தன்மை, நேர்மறை முன்கணிப்பு மதிப்பு (PPV) மற்றும் எதிர்மறை முன்கணிப்பு மதிப்பு (NPV) உள்ளிட்ட முறையின் கண்டறியும் சோதனை மதிப்பீட்டை சுருக்கமாகக் கூறுகிறது.

ஸ்மார்ட்போன் அடிப்படையிலான பயோசென்சர்கள்

ஸ்பெக்ட்ரோஃபோட்டோமீட்டர்களைப் பயன்படுத்தாமல் மாதிரி சோதனையை மேலும் எளிதாக்க, ஆராய்ச்சியாளர்கள் செயற்கை நுண்ணறிவை (AI) கரைசலின் நிறத்தை விளக்கவும் சாதாரண மற்றும் புற்றுநோய் நபர்களை வேறுபடுத்தவும் பயன்படுத்தினர். இதைக் கருத்தில் கொண்டு, மொபைல் ஃபோன் கேமரா மூலம் எடுக்கப்பட்ட 96-கிணறு தட்டுகளின் படங்களைப் பயன்படுத்தி, Cyst/AuNPs கரைசலின் நிறத்தை சாதாரண DNA (ஊதா) அல்லது புற்றுநோய் DNA (சிவப்பு) ஆக மாற்ற கணினி பார்வை பயன்படுத்தப்பட்டது. செயற்கை நுண்ணறிவு செலவுகளைக் குறைக்கலாம் மற்றும் நானோ துகள்கள் தீர்வுகளின் நிறத்தை விளக்குவதில் அணுகலை மேம்படுத்தலாம் மற்றும் ஆப்டிகல் ஹார்டுவேர் ஸ்மார்ட்ஃபோன் பாகங்கள் எதுவும் பயன்படுத்தப்படாமல் இருக்கும். இறுதியாக, ரேண்டம் ஃபாரஸ்ட் (ஆர்எஃப்) மற்றும் சப்போர்ட் வெக்டர் மெஷின் (எஸ்விஎம்) உள்ளிட்ட இரண்டு இயந்திர கற்றல் மாதிரிகள் மாதிரிகளை உருவாக்க பயிற்சி அளிக்கப்பட்டது. RF மற்றும் SVM மாதிரிகள் இரண்டும் மாதிரிகளை நேர்மறை மற்றும் எதிர்மறை என 90.0% துல்லியத்துடன் சரியாக வகைப்படுத்தின. மொபைல் போன் அடிப்படையிலான பயோசென்சிங்கில் செயற்கை நுண்ணறிவின் பயன்பாடு மிகவும் சாத்தியம் என்று இது அறிவுறுத்துகிறது.

படம் 3.(அ) படம் கையகப்படுத்தும் படிக்கான மாதிரி தயாரிப்பின் போது பதிவு செய்யப்பட்ட தீர்வின் இலக்கு வகுப்பு. (ஆ) படம் கையகப்படுத்தும் படியின் போது எடுக்கப்பட்ட எடுத்துக்காட்டு படம். (இ) படத்திலிருந்து பிரித்தெடுக்கப்பட்ட 96-கிணறு தகட்டின் ஒவ்வொரு கிணற்றிலும் நீர்க்கட்டி/AuNPs கரைசலின் வண்ணத் தீவிரம் (b).

Cyst/AuNP களைப் பயன்படுத்தி, மெத்திலேஷன் நிலப்பரப்பு கண்டறிதலுக்கான எளிய உணர்திறன் தளத்தையும், லுகேமியா பரிசோதனைக்கு உண்மையான இரத்த மாதிரிகளைப் பயன்படுத்தும் போது, ​​புற்றுநோய் டிஎன்ஏவிலிருந்து சாதாரண டிஎன்ஏவை வேறுபடுத்தும் திறன் கொண்ட சென்சார் ஒன்றையும் ஆராய்ச்சியாளர்கள் வெற்றிகரமாக உருவாக்கியுள்ளனர். உண்மையான இரத்த மாதிரிகளில் இருந்து பிரித்தெடுக்கப்பட்ட டிஎன்ஏ 15 நிமிடங்களில் லுகேமியா நோயாளிகளுக்கு சிறிய அளவிலான புற்றுநோய் டிஎன்ஏ (3nM) ஐ விரைவாகவும் செலவு குறைந்ததாகவும் கண்டறிய முடியும் என்பதை மேம்படுத்தப்பட்ட சென்சார் நிரூபித்தது, மேலும் 95.3% துல்லியத்தைக் காட்டியது. ஸ்பெக்ட்ரோஃபோட்டோமீட்டரின் தேவையை நீக்குவதன் மூலம் மாதிரி சோதனையை மேலும் எளிதாக்குவதற்கு, தீர்வின் நிறத்தை விளக்குவதற்கும், மொபைல் போன் புகைப்படத்தைப் பயன்படுத்தி சாதாரண மற்றும் புற்றுநோய் நபர்களை வேறுபடுத்துவதற்கும் இயந்திர கற்றல் பயன்படுத்தப்பட்டது, மேலும் துல்லியத்தையும் 90.0% இல் அடைய முடிந்தது.

குறிப்பு: DOI: 10.1039/d2ra05725e