စမတ်ဖုန်းများနှင့် ပေါင်းစပ်ထားသော DNA မီသိုင်းလေးရှင်း စစ်ဆေးမှုသည် အကျိတ်များနှင့် သွေးကင်ဆာရောဂါများကို စောစီးစွာ စစ်ဆေးရန်အတွက် ၉၀.၀% တိကျမှုရှိသည်။

အရည်တစ်ရှူးစစ်ဆေးမှုကို အခြေခံ၍ ကင်ဆာရောဂါကို စောစီးစွာရှာဖွေတွေ့ရှိခြင်းသည် မကြာသေးမီနှစ်များအတွင်း အမေရိကန်အမျိုးသားကင်ဆာအင်စတီကျုမှ အဆိုပြုထားသော ကင်ဆာရောဂါရှာဖွေခြင်းနှင့် ရောဂါရှာဖွေခြင်း၏ ဦးတည်ချက်အသစ်တစ်ခုဖြစ်ပြီး ကင်ဆာအစောပိုင်း သို့မဟုတ် ကင်ဆာမဖြစ်မီအနာများကိုပင် ရှာဖွေဖော်ထုတ်ရန် ရည်ရွယ်ချက်ဖြင့်ဖြစ်သည်။ ၎င်းကို အဆုတ်ကင်ဆာ၊ အစာအိမ်နှင့်အူလမ်းကြောင်းအကျိတ်များ၊ ဂလီယိုမာများနှင့် မီးယပ်ဆိုင်ရာအကျိတ်များ အပါအဝင် ကင်ဆာအမျိုးမျိုးကို စောစီးစွာရှာဖွေရန်အတွက် ဇီဝဗေဒဆိုင်ရာအမှတ်အသားအသစ်တစ်ခုအဖြစ် ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုခဲ့ကြသည်။

မီသိုင်းလေးရှင်း ရှုခင်း (Methylscape) ဇီဝအမှတ်အသားများကို ဖော်ထုတ်ရန် ပလက်ဖောင်းများ ပေါ်ပေါက်လာခြင်းသည် လက်ရှိ ကင်ဆာရောဂါအတွက် အစောပိုင်း စစ်ဆေးမှုကို သိသိသာသာ တိုးတက်ကောင်းမွန်စေပြီး လူနာများကို အစောဆုံး ကုသနိုင်သော အဆင့်တွင် ရှိစေမည့် အလားအလာရှိသည်။

မကြာသေးမီက သုတေသီများသည် cysteamine အလှဆင်ထားသော ရွှေနာနိုအမှုန်များ (Cyst/AuNPs) ကို အခြေခံ၍ methylation ရှုခင်းထောက်လှမ်းခြင်းအတွက် ရိုးရှင်းပြီး တိုက်ရိုက် အာရုံခံပလက်ဖောင်းတစ်ခုကို တီထွင်ခဲ့ပြီး ၎င်းသည် အကျိတ်အမျိုးမျိုးကို လျင်မြန်စွာ စောစီးစွာစစ်ဆေးနိုင်စေပါသည်။ သွေးနမူနာမှ DNA ထုတ်ယူပြီးနောက် ၁၅ မိနစ်အတွင်း သွေးကင်ဆာအတွက် စောစီးစွာစစ်ဆေးခြင်းကို ၉၀.၀% တိကျမှုဖြင့် ပြုလုပ်နိုင်ပါသည်။ ဆောင်းပါးခေါင်းစဉ်မှာ cysteamine-capped AuNPs နှင့် စက်သင်ယူမှုဖွင့်ထားသော စမတ်ဖုန်းကို အသုံးပြု၍ လူ့သွေးထဲတွင် ကင်ဆာ DNA ကို လျင်မြန်စွာ ထောက်လှမ်းခြင်းဖြစ်သည်။

ပုံ ၁။ Cyst/AuNPs အစိတ်အပိုင်းများမှတစ်ဆင့် ကင်ဆာစစ်ဆေးခြင်းအတွက် ရိုးရှင်းပြီး မြန်ဆန်သော အာရုံခံပလက်ဖောင်းကို ရိုးရှင်းသော အဆင့်နှစ်ဆင့်ဖြင့် လုပ်ဆောင်နိုင်ပါသည်။

၎င်းကို ပုံ ၁ တွင် ပြသထားသည်။ ပထမဦးစွာ၊ DNA အပိုင်းအစများကို ပျော်ဝင်စေရန် ရေပျော်ရည်ကို အသုံးပြုခဲ့သည်။ ထို့နောက် Cyst/AuNPs များကို ရောနှောထားသော ပျော်ရည်ထဲသို့ ထည့်သွင်းခဲ့သည်။ ပုံမှန် DNA နှင့် malignant DNA တို့သည် မတူညီသော methylation ဂုဏ်သတ္တိများရှိပြီး၊ မတူညီသော ကိုယ်တိုင်စုစည်းမှုပုံစံများရှိသော DNA အပိုင်းအစများကို ဖြစ်ပေါ်စေပါသည်။ ပုံမှန် DNA သည် လျော့ရဲစွာ စုပုံလာပြီး နောက်ဆုံးတွင် Cyst/AuNPs များကို စုပုံလာပြီး Cyst/AuNPs ၏ အနီရောင်ပြောင်းသွားသော သဘောသဘာဝကို ဖြစ်ပေါ်စေသောကြောင့် အနီရောင်မှ ခရမ်းရောင်သို့ အရောင်ပြောင်းလဲမှုကို မျက်စိဖြင့် မြင်တွေ့နိုင်သည်။ ဆန့်ကျင်ဘက်အားဖြင့်၊ ကင်ဆာ DNA ၏ ထူးခြားသော methylation ပရိုဖိုင်သည် DNA အပိုင်းအစများ၏ ပိုကြီးသော အစုအဝေးများ ထုတ်လုပ်မှုကို ဦးတည်စေသည်။

စမတ်ဖုန်းကင်မရာကို အသုံးပြု၍ ၉၆-well ပြားများ၏ ပုံများကို ရိုက်ကူးခဲ့သည်။ ကင်ဆာ DNA ကို spectroscopy-based နည်းလမ်းများနှင့် နှိုင်းယှဉ်၍ machine learning တပ်ဆင်ထားသော စမတ်ဖုန်းဖြင့် တိုင်းတာခဲ့သည်။

တကယ့်သွေးနမူနာများဖြင့် ကင်ဆာရောဂါစစ်ဆေးခြင်း

အာရုံခံပလက်ဖောင်း၏ အသုံးဝင်မှုကို တိုးချဲ့ရန်အတွက်၊ စုံစမ်းစစ်ဆေးသူများသည် စစ်မှန်သောသွေးနမူနာများတွင် ပုံမှန်နှင့် ကင်ဆာ DNA ကို အောင်မြင်စွာ ခွဲခြားသိမြင်နိုင်သော အာရုံခံကိရိယာတစ်ခုကို အသုံးပြုခဲ့ကြသည်။ CpG နေရာများရှိ မီသိုင်းလေးရှင်းပုံစံများသည် မျိုးဗီဇဖော်ပြမှုကို ဗီဇပြင်ပမှ ထိန်းချုပ်ပေးသည်။ ကင်ဆာအမျိုးအစားအားလုံးနီးပါးတွင်၊ DNA မီသိုင်းလေးရှင်းပြောင်းလဲမှုများနှင့် ကင်ဆာဖြစ်ပွားမှုကို မြှင့်တင်ပေးသော မျိုးဗီဇများ၏ ဖော်ပြမှုတွင် ပြောင်းလဲမှုများသည် အလှည့်အပြောင်းဖြစ်နေသည်ကို တွေ့ရှိရသည်။

DNA မီသိုင်းလေးရှင်းနှင့်ဆက်စပ်နေသော အခြားကင်ဆာများအတွက် မော်ဒယ်တစ်ခုအနေဖြင့် သုတေသီများသည် သွေးကင်ဆာဝေဒနာရှင်များနှင့် ကျန်းမာသောထိန်းချုပ်မှုများမှ သွေးနမူနာများကို အသုံးပြု၍ သွေးကင်ဆာများကို ခွဲခြားရာတွင် မီသိုင်းလေးရှင်း ရှုခင်း၏ ထိရောက်မှုကို စုံစမ်းစစ်ဆေးခဲ့ကြသည်။ ဤမီသိုင်းလေးရှင်း ရှုခင်း ဇီဝအမှတ်အသားသည် ရှိပြီးသား မြန်ဆန်သော သွေးကင်ဆာစစ်ဆေးခြင်းနည်းလမ်းများထက် သာလွန်ကောင်းမွန်ရုံသာမက ဤရိုးရှင်းပြီး တိကျသော assay ကို အသုံးပြု၍ ကင်ဆာအမျိုးမျိုးကို စောစီးစွာရှာဖွေတွေ့ရှိနိုင်မှုကိုလည်း ပြသခဲ့သည်။

သွေးကင်ဆာလူနာ ၃၁ ဦးနှင့် ကျန်းမာသောလူ ၁၂ ဦးထံမှ သွေးနမူနာများမှ DNA ကို ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ ပုံ ၂က ရှိ လေးထောင့်ကွက်တွင် ပြသထားသည့်အတိုင်း ကင်ဆာနမူနာများ (ΔA650/525) ၏ နှိုင်းရစုပ်ယူမှုသည် ပုံမှန်နမူနာများမှ DNA ထက် နိမ့်ကျသည်။ ၎င်းမှာ အဓိကအားဖြင့် hydrophobicity မြင့်တက်လာခြင်းကြောင့် ကင်ဆာ DNA သိပ်သည်းစွာ စုစည်းလာခြင်းကြောင့် Cyst/AuNPs များ စုစည်းမှုကို တားဆီးပေးသောကြောင့် ဖြစ်သည်။ ရလဒ်အနေဖြင့် ဤနာနိုအမှုန်များသည် ကင်ဆာအစုအဝေးများ၏ အပြင်ဘက်အလွှာများတွင် လုံးဝပျံ့နှံ့သွားပြီး ပုံမှန်နှင့် ကင်ဆာ DNA အစုအဝေးများတွင် စုပ်ယူထားသော Cyst/AuNPs များ ကွဲပြားစွာ ပျံ့နှံ့သွားခဲ့သည်။ ထို့နောက် ROC မျဉ်းကွေးများကို ΔA650/525 အနည်းဆုံးတန်ဖိုးမှ အများဆုံးတန်ဖိုးအထိ ကန့်သတ်ချက်ကို ပြောင်းလဲခြင်းဖြင့် ထုတ်လုပ်ခဲ့သည်။

ပုံ ၂။(က) အကောင်းဆုံးအခြေအနေများအောက်တွင် ပုံမှန် (အပြာရောင်) နှင့် ကင်ဆာ (အနီရောင်) DNA ရှိနေခြင်းကိုပြသသည့် cyst/AuNPs ပျော်ရည်များ၏ ဆွေမျိုး absorbance တန်ဖိုးများ

(DA650/525) box plots များ၏ (DA650/525)၊ (ခ) ရောဂါရှာဖွေစစ်ဆေးမှုများ၏ ROC ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အကဲဖြတ်ခြင်း။ (ဂ) ပုံမှန်နှင့် ကင်ဆာလူနာများကို ရောဂါရှာဖွေရန်အတွက် Confusion matrix။ (ဃ) ဖွံ့ဖြိုးပြီးနည်းလမ်း၏ sensitivity၊ specificity၊ positive predictive value (PPV)၊ negative predictive value (NPV) နှင့် တိကျမှု။

ပုံ ၂ခ တွင်ပြထားသည့်အတိုင်း၊ ဖွံ့ဖြိုးပြီး sensor အတွက်ရရှိသော ROC curve (AUC = 0.9274) အောက်ရှိဧရိယာသည် မြင့်မားသော sensitivity နှင့် specificity ကိုပြသသည်။ box plot မှမြင်နိုင်သည့်အတိုင်း၊ ပုံမှန် DNA အုပ်စုကိုကိုယ်စားပြုသော အနိမ့်ဆုံးအမှတ်သည် ကင်ဆာ DNA အုပ်စုကိုကိုယ်စားပြုသော အမြင့်ဆုံးအမှတ်နှင့် ကောင်းစွာခွဲခြားမထားပါ။ ထို့ကြောင့် ပုံမှန်နှင့် ကင်ဆာအုပ်စုများကို ခွဲခြားရန် logistic regression ကို အသုံးပြုခဲ့သည်။ လွတ်လပ်သော variable အစုံအလင်ပေးထားခြင်းဖြင့်၊ ကင်ဆာ သို့မဟုတ် ပုံမှန်အုပ်စုကဲ့သို့သော ဖြစ်ရပ်တစ်ခုဖြစ်ပွားခြင်း၏ ဖြစ်နိုင်ခြေကို ခန့်မှန်းသည်။ dependent variable သည် 0 မှ 1 အကြားတွင်ရှိသည်။ ထို့ကြောင့် ရလဒ်သည် probability ဖြစ်သည်။ ΔA650/525 ကိုအခြေခံ၍ ကင်ဆာခွဲခြားသတ်မှတ်ခြင်းဖြစ်နိုင်ခြေ (P) ကို အောက်ပါအတိုင်း ဆုံးဖြတ်ခဲ့သည်။

ဤတွင် b=5.3533၊ w1=-6.965။ နမူနာခွဲခြားမှုအတွက်၊ 0.5 အောက်ဖြစ်နိုင်ခြေသည် ပုံမှန်နမူနာကို ညွှန်ပြပြီး 0.5 သို့မဟုတ် ထို့ထက်ပိုသောဖြစ်နိုင်ခြေသည် ကင်ဆာနမူနာကို ညွှန်ပြသည်။ ပုံ 2c သည် ခွဲခြားမှုနည်းလမ်း၏တည်ငြိမ်မှုကို အတည်ပြုရန်အသုံးပြုသည့် leave-it-alone cross-validation မှထုတ်လုပ်သော confusion matrix ကိုဖော်ပြသည်။ ပုံ 2d သည် sensitivity၊ specificity၊ positive predictive value (PPV) နှင့် negative predictive value (NPV) အပါအဝင် နည်းလမ်း၏ ရောဂါရှာဖွေစမ်းသပ်မှုအကဲဖြတ်ခြင်းကို အကျဉ်းချုပ်ဖော်ပြထားသည်။

စမတ်ဖုန်းအခြေပြု ဇီဝအာရုံခံကိရိယာများ

ရောင်စဉ်တန်းဖိုတိုမီတာများ အသုံးမပြုဘဲ နမူနာစမ်းသပ်မှုကို ပိုမိုရိုးရှင်းစေရန်အတွက် သုတေသီများသည် အရည်၏အရောင်ကို အဓိပ္ပာယ်ဖွင့်ဆိုရန်နှင့် ပုံမှန်လူများနှင့် ကင်ဆာရှိသူများကို ခွဲခြားရန် အတုအယောင်ဉာဏ်ရည် (AI) ကို အသုံးပြုခဲ့ကြသည်။ ထို့ကြောင့် မိုဘိုင်းဖုန်းကင်မရာမှတစ်ဆင့် ရိုက်ကူးထားသော 96-well ပြားများ၏ ရုပ်ပုံများကို အသုံးပြု၍ Cyst/AuNPs အရည်၏အရောင်ကို ပုံမှန် DNA (ခရမ်းရောင်) သို့မဟုတ် ကင်ဆာရှိသော DNA (အနီရောင်) အဖြစ် ကွန်ပျူတာအမြင်ကို အသုံးပြုခဲ့သည်။ အတုအယောင်ဉာဏ်ရည်သည် ကုန်ကျစရိတ်များကို လျှော့ချပေးနိုင်ပြီး စမတ်ဖုန်းဆက်စပ်ပစ္စည်းများ၏ optical hardware များကို အသုံးမပြုဘဲ nanoparticle အရည်များ၏အရောင်ကို အဓိပ္ပာယ်ဖွင့်ဆိုရာတွင် အသုံးပြုရလွယ်ကူမှုကို တိုးတက်စေနိုင်သည်။ နောက်ဆုံးတွင် Random Forest (RF) နှင့် Support Vector Machine (SVM) အပါအဝင် စက်သင်ယူမှုပုံစံနှစ်ခုကို ပုံစံများတည်ဆောက်ရန် လေ့ကျင့်ပေးခဲ့သည်။ RF နှင့် SVM ပုံစံနှစ်ခုစလုံးသည် နမူနာများကို 90.0% တိကျမှုဖြင့် အပြုသဘောနှင့် အနုတ်လက္ခဏာအဖြစ် မှန်ကန်စွာ အမျိုးအစားခွဲခြားနိုင်ခဲ့သည်။ ၎င်းသည် မိုဘိုင်းဖုန်းအခြေပြု biosensing တွင် အတုအယောင်ဉာဏ်ရည်ကို အသုံးပြုခြင်းသည် အတော်လေးဖြစ်နိုင်ချေရှိကြောင်း အကြံပြုထားသည်။

ပုံ ၃။(က) ပုံရိပ်ရယူခြင်းအဆင့်အတွက် နမူနာပြင်ဆင်မှုအတွင်း မှတ်တမ်းတင်ထားသော အရည်၏ Target class။ (ခ) ပုံရိပ်ရယူခြင်းအဆင့်အတွင်း ရိုက်ကူးထားသော နမူနာရုပ်ပုံ။ (ဂ) ရုပ်ပုံမှ ထုတ်ယူထားသော 96-well plate ၏ well တစ်ခုစီတွင် cyst/AuNPs အရည်၏ အရောင်ပြင်းထန်မှု (ခ)။

Cyst/AuNPs များကို အသုံးပြု၍ သုတေသီများသည် မီသိုင်းလေးရှင်း ရှုခင်းရှာဖွေခြင်းအတွက် ရိုးရှင်းသော အာရုံခံပလက်ဖောင်းတစ်ခုနှင့် သွေးကင်ဆာစစ်ဆေးခြင်းအတွက် တကယ့်သွေးနမူနာများကို အသုံးပြုသည့်အခါ ပုံမှန် DNA နှင့် ကင်ဆာ DNA ကို ခွဲခြားနိုင်သော အာရုံခံကိရိယာတစ်ခုကို အောင်မြင်စွာ တီထွင်ခဲ့ကြသည်။ တီထွင်ထားသော အာရုံခံကိရိယာက သွေးကင်ဆာလူနာများတွင် ကင်ဆာ DNA အနည်းငယ် (3nM) ကို မိနစ် ၁၅ အတွင်း လျင်မြန်စွာနှင့် ကုန်ကျစရိတ်သက်သာစွာ ရှာဖွေနိုင်ကြောင်းနှင့် တိကျမှု ၉၅.၃% ပြသခဲ့ကြောင်း ပြသခဲ့သည်။ ရောင်စဉ်တန်းစစ်ဆေးခြင်း မလိုအပ်ဘဲ နမူနာစစ်ဆေးမှုကို ပိုမိုရိုးရှင်းစေရန်အတွက် စက်သင်ယူမှုကို အသုံးပြု၍ ဖြေရှင်းချက်၏အရောင်ကို အဓိပ္ပာယ်ဖွင့်ဆိုကာ မိုဘိုင်းဖုန်းဓာတ်ပုံကို အသုံးပြု၍ ပုံမှန်နှင့် ကင်ဆာရှိသူများကို ခွဲခြားသတ်မှတ်ခဲ့ပြီး တိကျမှု ၉၀.၀% ရရှိခဲ့သည်။

ကိုးကားချက်: DOI: 10.1039/d2ra05725e