การทดสอบเมทิลเลชันของ DNA ร่วมกับสมาร์ทโฟนเพื่อการคัดกรองเนื้องอกและมะเร็งเม็ดเลือดขาวในระยะเริ่มต้นด้วยความแม่นยำ 90.0%!

การตรวจพบมะเร็งตั้งแต่ระยะเริ่มแรกด้วยการตรวจชิ้นเนื้อจากของเหลว (liquid biopsy) เป็นแนวทางใหม่ในการตรวจจับและวินิจฉัยมะเร็งที่สถาบันมะเร็งแห่งชาติสหรัฐอเมริกาเสนอขึ้นในช่วงไม่กี่ปีที่ผ่านมา โดยมีเป้าหมายเพื่อตรวจหามะเร็งตั้งแต่ระยะเริ่มแรก หรือแม้แต่รอยโรคก่อนเป็นมะเร็ง วิธีนี้ถูกนำมาใช้อย่างแพร่หลายในฐานะไบโอมาร์กเกอร์ชนิดใหม่สำหรับการวินิจฉัยมะเร็งชนิดต่างๆ ในระยะเริ่มแรก รวมถึงมะเร็งปอด เนื้องอกในทางเดินอาหาร เนื้องอกในสมอง และเนื้องอกทางนรีเวช

การเกิดขึ้นของแพลตฟอร์มสำหรับระบุไบโอมาร์กเกอร์ของภูมิทัศน์เมทิลเลชัน (Methylscape) มีศักยภาพในการปรับปรุงการตรวจคัดกรองมะเร็งในระยะเริ่มต้นที่มีอยู่ได้อย่างมีนัยสำคัญ ช่วยให้ผู้ป่วยได้รับการรักษาในระยะเริ่มต้นที่สุด

เมื่อเร็วๆ นี้ นักวิจัยได้พัฒนาแพลตฟอร์มการตรวจจับแบบง่ายและใช้ง่ายสำหรับการตรวจจับภูมิทัศน์เมทิลเลชัน โดยใช้อนุภาคนาโนทองคำที่เคลือบด้วยซิสเตอามีน (Cyst/AuNPs) ร่วมกับไบโอเซนเซอร์บนสมาร์ทโฟน ช่วยให้สามารถคัดกรองมะเร็งได้หลากหลายชนิดตั้งแต่ระยะเริ่มต้นอย่างรวดเร็ว การตรวจคัดกรองมะเร็งเม็ดเลือดขาวระยะเริ่มต้นสามารถทำได้ภายใน 15 นาทีหลังจากการสกัดดีเอ็นเอจากตัวอย่างเลือด ด้วยความแม่นยำ 90.0% ชื่อบทความ: การตรวจจับดีเอ็นเอของมะเร็งในเลือดมนุษย์อย่างรวดเร็วโดยใช้อนุภาคนาโนทองคำเคลือบซิสเตอามีนและสมาร์ทโฟนที่ใช้เทคโนโลยีการเรียนรู้ของเครื่อง

รูปที่ 1 แพลตฟอร์มการตรวจจับที่ง่ายและรวดเร็วสำหรับการคัดกรองมะเร็งผ่านส่วนประกอบ Cyst/AuNP สามารถทำได้ด้วยขั้นตอนง่ายๆ สองขั้นตอน

แสดงในรูปที่ 1 ขั้นแรกใช้สารละลายน้ำละลายชิ้นส่วนดีเอ็นเอ จากนั้นเติม Cyst/AuNP ลงในสารละลายผสม DNA ปกติและ DNA มะเร็งมีคุณสมบัติเมทิลเลชันต่างกัน ส่งผลให้ชิ้นส่วนดีเอ็นเอมีรูปแบบการประกอบตัวเองต่างกัน DNA ปกติจะรวมตัวกันอย่างหลวมๆ และในที่สุดก็รวมตัวเป็น Cyst/AuNP ซึ่งส่งผลให้ Cyst/AuNP มีลักษณะการเลื่อนไปทางแดง ทำให้สามารถสังเกตเห็นการเปลี่ยนสีจากสีแดงเป็นสีม่วงได้ด้วยตาเปล่า ในทางตรงกันข้าม โปรไฟล์เมทิลเลชันเฉพาะตัวของ DNA มะเร็งนำไปสู่การสร้างกลุ่มชิ้นส่วนดีเอ็นเอที่มีขนาดใหญ่ขึ้น

ภาพเพลต 96 หลุมถูกถ่ายโดยใช้กล้องสมาร์ทโฟน ดีเอ็นเอของมะเร็งถูกวัดด้วยสมาร์ทโฟนที่ติดตั้งระบบการเรียนรู้ของเครื่อง เมื่อเทียบกับวิธีการที่ใช้สเปกโทรสโกปี

การตรวจคัดกรองมะเร็งจากตัวอย่างเลือดจริง

เพื่อขยายประโยชน์ใช้สอยของแพลตฟอร์มตรวจจับ นักวิจัยได้นำเซ็นเซอร์ที่สามารถแยกแยะระหว่างดีเอ็นเอปกติและดีเอ็นเอที่เป็นมะเร็งในตัวอย่างเลือดจริงได้สำเร็จ รูปแบบเมทิลเลชันที่ตำแหน่ง CpG ควบคุมการแสดงออกของยีนแบบ epigenetic ในมะเร็งเกือบทุกประเภท พบว่าการเปลี่ยนแปลงของเมทิลเลชันของดีเอ็นเอและการแสดงออกของยีนที่ส่งเสริมการเกิดเนื้องอกมีการสลับกัน

เพื่อเป็นแบบจำลองสำหรับมะเร็งชนิดอื่นๆ ที่เกี่ยวข้องกับการเมทิลเลชันของดีเอ็นเอ นักวิจัยได้ใช้ตัวอย่างเลือดจากผู้ป่วยมะเร็งเม็ดเลือดขาวและกลุ่มควบคุมที่มีสุขภาพดี เพื่อศึกษาประสิทธิภาพของภูมิทัศน์เมทิลเลชันในการแยกแยะมะเร็งเม็ดเลือดขาว ไบโอมาร์กเกอร์ภูมิทัศน์เมทิลเลชันนี้ไม่เพียงแต่มีประสิทธิภาพเหนือกว่าวิธีการคัดกรองมะเร็งเม็ดเลือดขาวแบบรวดเร็วที่มีอยู่ในปัจจุบันเท่านั้น แต่ยังแสดงให้เห็นถึงความเป็นไปได้ในการขยายขอบเขตไปสู่การตรวจพบมะเร็งได้ตั้งแต่ระยะเริ่มต้นด้วยการทดสอบที่ง่ายและตรงไปตรงมานี้

ได้ทำการวิเคราะห์ดีเอ็นเอจากตัวอย่างเลือดของผู้ป่วยมะเร็งเม็ดเลือดขาว 31 ราย และผู้ป่วยปกติ 12 ราย ดังแสดงในแผนภาพกล่องในรูปที่ 2a ค่าการดูดกลืนแสงสัมพัทธ์ของตัวอย่างมะเร็ง (ΔA650/525) ต่ำกว่าค่าการดูดกลืนแสงสัมพัทธ์ของดีเอ็นเอจากตัวอย่างปกติ สาเหตุหลักมาจากคุณสมบัติการไม่ชอบน้ำที่เพิ่มขึ้น ซึ่งนำไปสู่การรวมตัวหนาแน่นของดีเอ็นเอมะเร็ง ซึ่งป้องกันการรวมตัวของซีสต์/AuNP ส่งผลให้อนุภาคนาโนเหล่านี้กระจายตัวอย่างสมบูรณ์ในชั้นนอกของมวลรวมของมะเร็ง ส่งผลให้การกระจายตัวของซีสต์/AuNP ที่ดูดซับบนมวลรวมของดีเอ็นเอปกติและของมะเร็งแตกต่างกัน จากนั้นจึงสร้างเส้นโค้ง ROC โดยการเปลี่ยนค่าเกณฑ์จากค่าต่ำสุดที่ ΔA650/525 เป็นค่าสูงสุด

รูปที่ 2.(a) ค่าการดูดกลืนแสงสัมพันธ์ของสารละลายซีสต์/AuNP แสดงให้เห็นการมีอยู่ของดีเอ็นเอปกติ (สีน้ำเงิน) และดีเอ็นเอมะเร็ง (สีแดง) ภายใต้สภาวะที่เหมาะสมที่สุด

(DA650/525) ของแผนภาพกล่อง (b) การวิเคราะห์ ROC และการประเมินผลการทดสอบการวินิจฉัย (c) เมทริกซ์ความสับสนสำหรับการวินิจฉัยผู้ป่วยปกติและผู้ป่วยมะเร็ง (d) ความไว ความจำเพาะ ค่าการทำนายเชิงบวก (PPV) ค่าการทำนายเชิงลบ (NPV) และความแม่นยำของวิธีการที่พัฒนาขึ้น

ดังแสดงในรูปที่ 2b พื้นที่ใต้เส้นโค้ง ROC (AUC = 0.9274) ที่ได้จากเซ็นเซอร์ที่พัฒนาขึ้นมีความไวและความจำเพาะสูง ดังจะเห็นได้จากกราฟกล่อง จุดต่ำสุดที่แสดงถึงกลุ่มดีเอ็นเอปกติไม่ได้แยกออกจากจุดสูงสุดที่แสดงถึงกลุ่มดีเอ็นเอมะเร็งอย่างชัดเจน ดังนั้นจึงใช้การถดถอยโลจิสติกเพื่อแยกความแตกต่างระหว่างกลุ่มดีเอ็นเอปกติและกลุ่มดีเอ็นเอมะเร็ง เมื่อพิจารณาจากชุดตัวแปรอิสระ ระบบจะประมาณความน่าจะเป็นของเหตุการณ์ที่เกิดขึ้น เช่น กลุ่มมะเร็งหรือกลุ่มดีเอ็นเอปกติ ตัวแปรตามมีค่าอยู่ระหว่าง 0 ถึง 1 ดังนั้นผลลัพธ์ที่ได้จึงเป็นความน่าจะเป็น เราได้กำหนดความน่าจะเป็นของการระบุมะเร็ง (P) โดยอ้างอิงจาก ΔA650/525 ดังนี้

โดยที่ b=5.3533, w1=-6.965 สำหรับการจำแนกประเภทตัวอย่าง ความน่าจะเป็นที่น้อยกว่า 0.5 บ่งชี้ว่าตัวอย่างปกติ ในขณะที่ความน่าจะเป็นที่ 0.5 ขึ้นไปบ่งชี้ว่าตัวอย่างเป็นมะเร็ง รูปที่ 2c แสดงเมทริกซ์ความสับสนที่สร้างขึ้นจากการตรวจสอบแบบไขว้แบบปล่อยทิ้งไว้ (leave-it-alone cross-validation) ซึ่งใช้เพื่อตรวจสอบความเสถียรของวิธีการจำแนกประเภท รูปที่ 2d สรุปการประเมินการทดสอบวินิจฉัยของวิธีการนี้ ซึ่งรวมถึงความไว ความจำเพาะ ค่าพยากรณ์เชิงบวก (PPV) และค่าพยากรณ์เชิงลบ (NPV)

ไบโอเซนเซอร์ที่ใช้สมาร์ทโฟน

เพื่อลดความซับซ้อนในการทดสอบตัวอย่างโดยไม่ต้องใช้เครื่องสเปกโตรโฟโตมิเตอร์ นักวิจัยจึงใช้ปัญญาประดิษฐ์ (AI) เพื่อตีความสีของสารละลายและแยกแยะระหว่างบุคคลปกติและบุคคลที่มีมะเร็ง ด้วยเหตุนี้ จึงมีการใช้คอมพิวเตอร์วิชันเพื่อแปลงสีของสารละลาย Cyst/AuNPs เป็นดีเอ็นเอปกติ (สีม่วง) หรือดีเอ็นเอของมะเร็ง (สีแดง) โดยใช้ภาพเพลต 96 หลุมที่ถ่ายผ่านกล้องโทรศัพท์มือถือ ปัญญาประดิษฐ์สามารถลดต้นทุนและเพิ่มความสะดวกในการตีความสีของสารละลายอนุภาคนาโน โดยไม่ต้องใช้อุปกรณ์เสริมออปติคัลใดๆ ของสมาร์ทโฟน สุดท้ายนี้ ได้มีการฝึกฝนโมเดลการเรียนรู้ของเครื่องสองแบบ ได้แก่ Random Forest (RF) และ Support Vector Machine (SVM) เพื่อสร้างโมเดลขึ้น โดยโมเดล RF และ SVM สามารถจำแนกตัวอย่างเป็นบวกและลบได้อย่างถูกต้องด้วยความแม่นยำ 90.0% ซึ่งชี้ให้เห็นว่าการใช้ปัญญาประดิษฐ์ในการตรวจจับทางชีวภาพโดยใช้โทรศัพท์มือถือนั้นมีความเป็นไปได้

รูปที่ 3 (a) คลาสเป้าหมายของสารละลายที่บันทึกไว้ในระหว่างการเตรียมตัวอย่างสำหรับขั้นตอนการรับภาพ (b) ภาพตัวอย่างที่ถ่ายในระหว่างขั้นตอนการรับภาพ (c) ความเข้มของสีของสารละลายซีสต์/AuNPs ในแต่ละหลุมของแผ่น 96 หลุมที่สกัดจากภาพ (b)

ด้วยการใช้ Cyst/AuNP นักวิจัยประสบความสำเร็จในการพัฒนาแพลตฟอร์มการตรวจจับแบบง่ายสำหรับการตรวจจับภูมิทัศน์เมทิลเลชัน และเซ็นเซอร์ที่สามารถแยกความแตกต่างระหว่างดีเอ็นเอปกติกับดีเอ็นเอมะเร็งเมื่อใช้ตัวอย่างเลือดจริงในการคัดกรองมะเร็งเม็ดเลือดขาว เซ็นเซอร์ที่พัฒนาขึ้นแสดงให้เห็นว่าดีเอ็นเอที่สกัดจากตัวอย่างเลือดจริงสามารถตรวจจับดีเอ็นเอมะเร็งปริมาณเล็กน้อย (3 นาโนโมลาร์) ในผู้ป่วยมะเร็งเม็ดเลือดขาวได้อย่างรวดเร็วและคุ้มค่าภายใน 15 นาที และมีความแม่นยำถึง 95.3% เพื่อลดความยุ่งยากในการทดสอบตัวอย่างโดยไม่จำเป็นต้องใช้เครื่องสเปกโตรโฟโตมิเตอร์ จึงได้นำการเรียนรู้ของเครื่องมาใช้เพื่อตีความสีของสารละลายและแยกความแตกต่างระหว่างบุคคลปกติและบุคคลมะเร็งโดยใช้ภาพถ่ายจากโทรศัพท์มือถือ และยังสามารถให้ความแม่นยำถึง 90.0% อีกด้วย

อ้างอิง: DOI: 10.1039/d2ra05725e