白血病筛查准确率达到90.0%！DNA甲基化结合智能手机对肿瘤进行早期筛查

基于液体活检的癌症早检(Early Detection)是美国国家癌症研究所近年对癌症检测和诊断提出的新的方向，目的是发现早期癌症甚至癌前病变。DNA甲基化检测样本易于从组织、血液、尿液、胸腹水和痰液中获得，检测方法具有灵敏度高、稳定性佳和成本低的特点，作为新型的生物标志物近年已经被广泛应用于各种恶性肿瘤的早期诊断，包括肺癌、消化道肿瘤、胶质瘤和妇科肿瘤等。

识别甲基化景观（Methylscape）生物标志物的平台的出现有可能极大地改善现有的癌症早筛，使患者处于最早的可治疗的阶段。

近日，有研究者开发了一种基于半胱胺装饰的金纳米颗粒（Cyst/AuNPs）简单直接的甲基化景观检测传感平台结合基于智能手机的生物传感器，能够快速对多种肿瘤进行早期筛查。从血液样本中提取DNA后，15分钟内可以进行白血病早期筛查，准确率达到90.0%。文章标题为Rapid detection of cancer DNA in human blood using cysteamine-capped AuNPs and a machine learning-enabled smartphone。

图1.通过Cyst/AuNPs组件进行癌症筛查的简单快速传感平台可以通过两个简单的步骤完成。

如图1所示。首先，使用水溶液溶解DNA片段。然后将Cyst/AuNPs添加到混合溶液中。正常和恶性DNA的甲基化特性不同，导致DNA片段具有不同的自组装模式。正常DNA聚集松散，最终聚集Cyst/AuNPs。这会导致Cyst/AuNPs的红移特性，因此肉眼可以观察到红色到紫色的颜色变化。相比之下，癌症DNA独特的甲基化谱导致产生更大的DNA片段簇。

使用智能手机相机拍摄96孔板的图像。通过配备机器学习的智能手机测定癌症DNA与基于光谱学的方法进行了比较。

在真实血液样本中进行癌症筛查

为了扩展传感平台的实用性，研究者应用了一个在真实血液样本中成功区分正常和癌症DNA的传感器。CpG位点的甲基化模式在表观遗传学上调控基因表达。在几乎所有癌症类型中，都有观察到DNA甲基化的变化从而导致促进肿瘤发生的基因表达的交替。

作为与DNA甲基化相关的其他癌症的模型，研究者使用来自白血病患者和健康对照的血液样本来研究甲基化景观在区分白血病癌症中的有效性。这种甲基化景观生物标志物不仅优于现有的快速白血病筛查方法，而且还证明了使用这种简单直接的检测方法扩展到多种癌症早期检测的可行性。

分析了来自31名白血病患者和12名健康个体的血液样本的DNA。如图2a中的箱形图所示，癌症样本的相对吸光度（ΔA650/525）低于来自正常样本的DNA。这主要是由于疏水力的增强导致了癌症DNA的密集聚集，从而阻止了Cyst/AuNPs的聚集。因此，这些纳米颗粒完全分散在癌症聚集物的外层，这导致Cyst/AuNPs吸附在正常和癌症DNA聚集物上的不同分散。然后通过改变阈值从ΔA650/525的最小值到最大值来生成ROC曲线。

图2.

(a)在优化条件下，显示正常(蓝色)和癌症(红色)dna存在时囊肿/AuNPs溶液的相对吸光度值(DA650/525)的箱状图;(b) ROC分析和诊断试验评价。(c)诊断正常人和癌症患者的混淆矩阵。(d)灵敏度、特异性、阳性预测值(PPV)、阴性预测值(NPV)和所开发方法的准确性。

如图2b所示，开发的传感器得到的ROC曲线下面积(AUC=0.9274)显示出较高的灵敏度和特异性。从箱形图可以看出，代表正常DNA组最低点和代表癌症DNA组最高点没有很好地分开;因此，使用逻辑回归来区分正常组和癌症组。在给定的一组自变量的基础上，它估计了一个事件发生的概率，比如癌症或正常群体。因变量的范围在0和1之间。因此，结果是一种概率。我们根据ΔA650/525确定了癌症识别概率（P）如下：

其中b=5.3533,w1=−6.965。对于样本分类，小于0.5的概率表示样本正常，而概率为0.5或更高表示癌症样本。图2c描述了由留空交叉验证生成的混淆矩阵，用于验证分类方法的稳定性。图2d总结了该方法的诊断测试评估，包括敏感性、特异性、阳性预测值（PPV）和阴性预测值（NPV）。

基于智能手机的生物传感器

为了在不使用分光光度计的情况下进一步简化样品测试，研究者使用人工智能（AI）来解释溶液的颜色并区分正常个体和癌变个体。鉴于此，利用计算机视觉通过手机摄像头拍摄的96孔板的图像将Cyst/AuNPs溶液的颜色转化为正常DNA（紫色）或癌症DNA（红色）。人工智能可以降低成本，并提高解释纳米颗粒溶液颜色的可及性，而且无需使用任何光学硬件智能手机附件。最后，训练了两个机器学习模型，包括随机森林（RF）和支持向量机（SVM）以构建模型。RF和SVM模型都正确地将样品分为阳性和阴性，准确率为90.0%。这表明，在基于手机的生物传感中使用人工智能是很有可能的。

图3.

(a)在为图像采集步骤准备样本时记录的溶液的目标类别。(b)在图像采集步骤中拍摄的示例图像。(c)从图像中提取的96孔板的每孔中囊肿/AuNPs溶液的颜色强度(b)。

研究者使用Cyst/AuNPs成功开发了一个简单的甲基化景观检测传感平台，以及能够在使用真实血液样本进行白血病筛查时区分正常DNA和癌症DNA的传感器。开发的传感器表明，从真实血液样本中提取DNA，能够15分钟快速且经济有效地检测白血病患者中少量癌症DNA(3nM)，并且显示出95.3%的准确性。为了通过消除对分光光度计的需求来进一步简化样品测试，使用手机拍照，机器学习来解释溶液的颜色并区分正常和癌症个体，准确度也能够达到90.0%。

参考文献：DOI: 10.1039/d2ra05725e