အကျိတ်များကို စောစီးစွာစစ်ဆေးခြင်းနှင့် သွေးကင်ဆာစစ်ဆေးခြင်းအတွက် 90.0% တိကျမှုဖြင့် DNA methylation စမ်းသပ်ခြင်းကို စမတ်ဖုန်းများဖြင့် ပေါင်းစပ်ထားသည်။

အရည်အသားစဥ်စစ်ဆေးခြင်းအပေါ်အခြေခံ၍ ကင်ဆာကို စောစီးစွာရှာဖွေတွေ့ရှိခြင်းသည် မကြာသေးမီနှစ်များအတွင်း US National Cancer Institute မှ အဆိုပြုထားသော ကင်ဆာရောဂါရှာဖွေခြင်းနှင့် ရောဂါရှာဖွေခြင်း၏ ဦးတည်ချက်အသစ်တစ်ခုဖြစ်ပြီး အစောပိုင်းကင်ဆာ သို့မဟုတ် ကင်ဆာမဖြစ်မီအနာများကိုပင် ရှာဖွေဖော်ထုတ်ရန် ရည်ရွယ်သည်။အဆုတ်ကင်ဆာ၊ အစာအိမ်နှင့်အူလမ်းကြောင်းအကျိတ်များ၊ gliomas နှင့် မီးယပ်ကင်ဆာအကျိတ်များ အပါအဝင် အမျိုးမျိုးသော ကင်ဆာရောဂါများကို အစောပိုင်းရောဂါရှာဖွေတွေ့ရှိမှုအတွက် ဆန်းသစ်သော biomarker အဖြစ် တွင်ကျယ်စွာအသုံးပြုထားသည်။

methylation အခင်းအကျင်း (Methylscape) biomarkers များကို ဖော်ထုတ်ရန် ပလပ်ဖောင်းများ ပေါ်ထွက်ခြင်းသည် လူနာများအား ကုသနိုင်သော အစောဆုံးအဆင့်တွင် ရှိနှင့်ပြီးသား ကင်ဆာအတွက် စောစီးစွာ စစ်ဆေးခြင်းအား သိသိသာသာ တိုးတက်စေမည့် အလားအလာရှိပါသည်။

မကြာသေးမီက၊ သုတေသီများသည် အကျိတ်အများအပြားကို လျင်မြန်စွာစောစီးစွာစစ်ဆေးနိုင်စေသည့် cysteamine အလှဆင်ရွှေရောင်နာနိုအမှုန်များ (Cyst/AuNPs) ကိုအခြေခံ၍ ရိုးရှင်းပြီး တိုက်ရိုက်အာရုံခံသည့်ပလက်ဖောင်းကို တီထွင်ခဲ့သည်။90.0% တိကျမှုဖြင့် သွေးနမူနာမှ DNA ထုတ်ယူပြီးနောက် 15 မိနစ်အတွင်း သွေးကင်ဆာအတွက် စောစီးစွာ စစ်ဆေးခြင်းကို ပြုလုပ်နိုင်သည်။ဆောင်းပါးခေါင်းစဉ်သည် cysteamine-capped AuNPs နှင့် machine learning-enabled smartphone ကို အသုံးပြု၍ လူ့သွေးထဲတွင် ကင်ဆာ DNA ကို လျင်မြန်စွာ ရှာဖွေတွေ့ရှိခြင်းဖြစ်သည်။

ပုံ 1. Cyst/AuNPs အစိတ်အပိုင်းများမှတစ်ဆင့် ကင်ဆာစစ်ဆေးခြင်းအတွက် ရိုးရှင်းပြီး လျင်မြန်သော အာရုံခံပလက်ဖောင်းကို ရိုးရှင်းသော အဆင့်နှစ်ဆင့်ဖြင့် ပြီးမြောက်နိုင်ပါသည်။

၎င်းကို ပုံ 1 တွင် ပြထားသည်။ ပထမဦးစွာ DNA အပိုင်းအစများကို ပျော်ဝင်ရန် ရေတွင်ရှိသော ဖြေရှင်းချက်ကို အသုံးပြုခဲ့သည်။ထို့နောက် Cyst/AuNPs များကို ရောစပ်ထားသော အဖြေသို့ ပေါင်းထည့်ခဲ့သည်။ပုံမှန်နှင့် ဆိုးရွားသော DNA တွင် မတူညီသော methylation ဂုဏ်သတ္တိများ ရှိပြီး DNA အပိုင်းအစများသည် မတူညီသော ကိုယ်ပိုင်စုပုံပုံစံများဖြင့် ဖြစ်ပေါ်စေသည်။ပုံမှန် DNA သည် ဖြည်းညှင်းစွာ စုစည်းပြီး နောက်ဆုံးတွင် Cyst/AuNPs များကို စုစည်းစေပြီး၊ Cyst/AuNPs များ၏ အနီရောင်ပြောင်းသွားသော သဘောသဘာဝကို ဖြစ်ပေါ်စေသည်၊ သို့မှသာ အနီရောင်မှ ခရမ်းရောင်သို့ အရောင်ပြောင်းလဲခြင်းကို သာမန်မျက်စိဖြင့် ကြည့်ရှုနိုင်မည်ဖြစ်သည်။ဆန့်ကျင်ဘက်အနေနှင့်၊ ကင်ဆာ DNA ၏ထူးခြားသော methylation ပရိုဖိုင်သည် DNA အပိုင်းအစများ ပိုမိုကြီးမားသောအစုအဝေးများကို ဖြစ်ပေါ်စေသည်။

စမတ်ဖုန်းကင်မရာဖြင့် ရိုက်ယူထားသည့် ရေတွင်း 96 ပုံများ။ကင်ဆာ DNA ကို spectroscopy-based နည်းလမ်းများနှင့် နှိုင်းယှဉ်ကာ စက်သင်ယူမှုတပ်ဆင်ထားသော စမတ်ဖုန်းဖြင့် တိုင်းတာသည်။

သွေးနမူနာအစစ်ဖြင့် ကင်ဆာစစ်ဆေးခြင်း။

အာရုံခံပလက်ဖောင်း၏ အသုံးဝင်မှုကို တိုးချဲ့ရန်အတွက် စုံစမ်းစစ်ဆေးသူများသည် သွေးနမူနာများတွင် ပုံမှန်နှင့် ကင်ဆာဖြစ်စေနိုင်သော DNA အကြား အောင်မြင်စွာ ခွဲခြားနိုင်သည့် အာရုံခံကိရိယာကို အသုံးပြုခဲ့ကြသည်။CpG ဆိုက်များရှိ မက်သွိုင်းရှင်းပုံစံများသည် မျိုးရိုးဗီဇဖော်ပြမှုကို စီမံကွပ်ကဲသည်။ကင်ဆာအမျိုးအစားအားလုံးနီးပါးတွင် DNA methylation ပြောင်းလဲမှုနှင့် tumourigenesis ကိုမြှင့်တင်ပေးသည့် မျိုးဗီဇဖော်ပြမှုတွင် ပြောင်းလဲမှုများကို လေ့လာတွေ့ရှိရပါသည်။

DNA methylation နှင့်ဆက်စပ်သော အခြားကင်ဆာများအတွက် စံပြတစ်ခုအနေဖြင့် သုတေသီများသည် သွေးကင်ဆာဝေဒနာရှင်များထံမှ သွေးနမူနာများနှင့် ကျန်းမာသောထိန်းချုပ်မှုများကို အသုံးပြုကာ leukaemic ကင်ဆာများကို ခွဲခြားရာတွင် မီသိုင်းရှင်းရှုခင်း၏ ထိရောက်မှုကို စုံစမ်းစစ်ဆေးရန် အသုံးပြုခဲ့သည်။ဤ methylation အခင်းအကျင်း biomarker သည် ရှိပြီးသား လျင်မြန်သော သွေးကင်ဆာစစ်ဆေးခြင်းနည်းလမ်းများကို ပိုမိုကောင်းမွန်စေရုံသာမက၊ ဤရိုးရှင်းပြီး ရိုးရှင်းသောစစ်ဆေးမှုကို အသုံးပြု၍ ကျယ်ပြန့်သောကင်ဆာရောဂါများကို စောစီးစွာရှာဖွေတွေ့ရှိခြင်းအထိ တိုးချဲ့နိုင်ခြေကို ပြသသည်။

သွေးကင်ဆာလူနာ ၃၁ ဦးနှင့် ကျန်းမာသူ ၁၂ ဦးတို့မှ သွေးနမူနာများမှ DNA ကို ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ပုံ 2a တွင် ပြထားသည့်အတိုင်း ကင်ဆာနမူနာများ (ΔA650/525) ၏ ဆက်စပ်စုပ်ယူမှုသည် ပုံမှန်နမူနာများမှ DNA ထက် နိမ့်ပါသည်။၎င်းမှာ အဓိကအားဖြင့် Cyst/AuNPs များစုပုံခြင်းကို ဟန့်တားသည့် ကင်ဆာ DNA ၏ သိပ်သည်းစွာ စုစည်းမှုကို ဖြစ်စေသော တိုးမြှင့်ထားသော hydrophobicity ကြောင့်ဖြစ်သည်။ရလဒ်အနေဖြင့်၊ ဤနာနိုအမှုန်များသည် ကင်ဆာအစုအဝေးများ၏ အပြင်ဘက်အလွှာများတွင် လုံးလုံးပြန့်ကျဲသွားကာ ပုံမှန်နှင့် ကင်ဆာ DNA ပေါင်းစုတွင် စုပ်ယူထားသော Cyst/AuNPs ကွဲပြားသွားစေသည်။ထို့နောက် ROC မျဉ်းကွေးများကို အနိမ့်ဆုံးတန်ဖိုး ΔA650/525 မှ အမြင့်ဆုံးတန်ဖိုးသို့ အတိုင်းအတာတစ်ခုအထိ ပြောင်းလဲခြင်းဖြင့် ထုတ်ပေးခဲ့သည်။

ပုံ 2.(က) အကောင်းဆုံးအခြေအနေများအောက်တွင် ပုံမှန် (အပြာ) နှင့် ကင်ဆာ (အနီရောင်) dna ပါဝင်မှုကိုပြသသည့် cyst/AuNPs ဖြေရှင်းချက်များ၏ ဆက်စပ်စုပ်ယူမှုတန်ဖိုးများ

အကွက်ကွက်များ (DA650/525)၊(ခ) ROC ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် ရောဂါရှာဖွေစမ်းသပ်မှု အကဲဖြတ်ခြင်း။(ဂ) သာမန်နှင့် ကင်ဆာလူနာများ၏ ရောဂါရှာဖွေခြင်းအတွက် ရှုပ်ထွေးမှုများ။(ဃ) အာရုံခံနိုင်စွမ်း၊ တိကျမှု၊ အပြုသဘောဆောင်သော ခန့်မှန်းတန်ဖိုး (PPV)၊ အနုတ်လက္ခဏာ ခန့်မှန်းတန်ဖိုး (NPV) နှင့် တီထွင်ထားသော နည်းလမ်း၏ တိကျမှု။

ပုံ 2b တွင်ပြထားသည့်အတိုင်း ROC မျဉ်းကွေး (AUC = 0.9274) အောက်တွင်ရှိသော ဧရိယာသည် အာရုံခံနိုင်စွမ်းနှင့် တိကျမှုကို မြင့်မားစွာပြသထားသည်။အကွက်ကွက်ကွက်မှ မြင်တွေ့နိုင်သကဲ့သို့၊ ပုံမှန် DNA အုပ်စုကို ကိုယ်စားပြုသည့် အနိမ့်ဆုံးအမှတ်သည် ကင်ဆာ DNA အုပ်စုကို ကိုယ်စားပြုသည့် အမြင့်ဆုံးအမှတ်နှင့် ကောင်းစွာ ခွဲမထားပါ။ထို့ကြောင့် ပုံမှန်နှင့် ကင်ဆာအုပ်စုများအကြား ခွဲခြားရန် ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှုကို အသုံးပြုခဲ့သည်။အမှီအခိုကင်းသော ကိန်းရှင်အစုတစ်ခုအား ပေးထားသော၊ ၎င်းသည် ကင်ဆာ သို့မဟုတ် ပုံမှန်အုပ်စုကဲ့သို့ အဖြစ်အပျက်တစ်ခု ဖြစ်ပွားနိုင်ခြေကို ခန့်မှန်းသည်။0 နှင့် 1 ကြားတွင် မှီခိုသော ကိန်းရှင် အပိုင်းအခြားများ။ ထို့ကြောင့် ရလဒ်သည် ဖြစ်နိုင်ခြေတစ်ခုဖြစ်သည်။ကျွန်ုပ်တို့သည် ΔA650/525 ကိုအခြေခံ၍ ကင်ဆာခွဲခြားသတ်မှတ်ခြင်း (P) ဖြစ်နိုင်ခြေကို အောက်ပါအတိုင်း ဆုံးဖြတ်ခဲ့သည်။

b=5.3533,w1=-6.965 နေရာတွင်။နမူနာအမျိုးအစား ခွဲခြားခြင်းအတွက်၊ ဖြစ်နိုင်ခြေ 0.5 ထက်နည်းသော ဖြစ်နိုင်ခြေသည် ပုံမှန်နမူနာကို ညွှန်ပြသော်လည်း ဖြစ်နိုင်ခြေ 0.5 သို့မဟုတ် ထို့ထက်ပိုသော ဖြစ်နိုင်ခြေသည် ကင်ဆာနမူနာကို ညွှန်ပြနေပါသည်။ပုံ 2c သည် အမျိုးအစားခွဲခြားနည်းလမ်း၏ တည်ငြိမ်မှုကို မှန်ကန်ကြောင်းအတည်ပြုရန် အသုံးပြုခဲ့သည့် ချန်ထား-it-တစ်ကိုယ်တည်း အပြန်အလှန်စစ်ဆေးခြင်းမှ ထုတ်ပေးသော ရှုပ်ထွေးမှုမက်ထရစ်ကို သရုပ်ဖော်သည်။ပုံ 2d သည် အာရုံခံနိုင်စွမ်း၊ တိကျမှု၊ အပြုသဘောဆောင်သော ခန့်မှန်းတန်ဖိုး (PPV) နှင့် အနုတ်လက္ခဏာ ခန့်မှန်းတန်ဖိုး (NPV) အပါအဝင် နည်းလမ်း၏ ရောဂါရှာဖွေစမ်းသပ်မှုအကဲဖြတ်မှုကို အကျဉ်းချုပ်ဖော်ပြသည်။

စမတ်ဖုန်းအခြေခံ ဇီဝအာရုံခံကိရိယာများ

spectrophotometers အသုံးမပြုဘဲ နမူနာစမ်းသပ်မှုကို ပိုမိုရိုးရှင်းစေရန် သုတေသီများသည် အဖြေ၏အရောင်ကို အဓိပ္ပာယ်ဖွင့်ဆိုရန်နှင့် သာမန်နှင့် ကင်ဆာဖြစ်စေသော ပုဂ္ဂိုလ်များကြား ခွဲခြားရန် သုတေသီများသည် ဥာဏ်ရည်တု (AI) ကို အသုံးပြုခဲ့သည်။ယင်းကြောင့်၊ Cyst/AuNPs ဖြေရှင်းချက်၏အရောင်ကို မိုဘိုင်းလ်ဖုန်းကင်မရာမှတဆင့် ရိုက်ယူထားသော 96- well plates ၏ပုံများကို အသုံးပြု၍ ပုံမှန် DNA (ခရမ်းရောင်) သို့မဟုတ် ကင်ဆာဖြစ်စေသော DNA (အနီရောင်) သို့ ဘာသာပြန်ရန် ကွန်ပျူတာအမြင်ကို အသုံးပြုခဲ့သည်။Artificial Intelligence သည် ကုန်ကျစရိတ်များကို လျှော့ချနိုင်ပြီး နာနိုအမှုန်များ ဖြေရှင်းချက်များ၏ အရောင်ကို အဓိပ္ပာယ်ပြန်ဆိုရာတွင် အသုံးပြုနိုင်စွမ်းကို ပိုမိုကောင်းမွန်စေပြီး မည်သည့် optical hardware စမတ်ဖုန်း ဆက်စပ်ပစ္စည်းများကိုမျှ အသုံးမပြုဘဲ အသုံးပြုနိုင်သည်။နောက်ဆုံးတွင်၊ Random Forest (RF) နှင့် Support Vector Machine (SVM) အပါအဝင် စက်သင်ယူမှုမော်ဒယ်နှစ်ခုကို မော်ဒယ်များတည်ဆောက်ရန် လေ့ကျင့်သင်ကြားပေးခဲ့သည်။RF နှင့် SVM မော်ဒယ်နှစ်ခုစလုံးသည် နမူနာများကို အပြုသဘောနှင့် အနုတ်လက္ခဏာအဖြစ် မှန်ကန်စွာ 90.0% ဖြင့် မှန်ကန်စွာ ခွဲခြားထားသည်။မိုဘိုင်းလ်ဖုန်းအခြေပြု biosensing တွင် ဉာဏ်ရည်တုကို အသုံးပြုခြင်းသည် အတော်လေး ဖြစ်နိုင်ကြောင်း အကြံပြုထားသည်။

ပုံ 3.(က) နမူနာပုံရယူခြင်းအဆင့်အတွက် နမူနာပြင်ဆင်မှုအတွင်း မှတ်တမ်းတင်ထားသော အဖြေအမျိုးအစားကို ပစ်မှတ်ထားပါ။(ခ) ပုံဝယ်ယူမှုအဆင့်တွင် ရိုက်ယူထားသော နမူနာပုံ။(ဂ) ပုံ (ခ) မှထုတ်နုတ်ထားသော 96- well plate ၏တွင်းတစ်ခုစီရှိ cyst/AuNPs ဖြေရှင်းချက်၏ အရောင်ပြင်းထန်မှု။

Cyst/AuNPs ကိုအသုံးပြု၍ သုတေသီများသည် သွေးကင်ဆာစစ်ဆေးခြင်းအတွက် သွေးနမူနာစစ်စစ်ကိုအသုံးပြုသည့်အခါ သွေးနမူနာစစ်စစ်ကိုအသုံးပြုသည့်အခါ သာမန် DNA နှင့် ကင်ဆာ DNA ကို ခွဲခြားနိုင်သော ရိုးရှင်းသောအာရုံခံပလက်ဖောင်းကို အောင်မြင်စွာတီထွင်နိုင်ခဲ့သည်။တီထွင်ထားသော အာရုံခံကိရိယာသည် သွေးနမူနာအစစ်များမှ ထုတ်ယူထားသော DNA သည် သွေးကင်ဆာလူနာများတွင် ၁၅ မိနစ်အတွင်း ကင်ဆာ DNA (3nM) အနည်းငယ်ကို လျင်မြန်ပြီး ကုန်ကျစရိတ်သက်သာစွာ ရှာဖွေတွေ့ရှိနိုင်ကြောင်း သရုပ်ပြခဲ့ပြီး တိကျမှု 95.3% ကို ပြသခဲ့သည်။spectrophotometer လိုအပ်မှုကို ဖယ်ရှားခြင်းဖြင့် နမူနာစမ်းသပ်မှုကို ပိုမိုရိုးရှင်းစေရန်၊ ဖြေရှင်းချက်၏အရောင်ကို အဓိပ္ပာယ်ဖွင့်ဆိုရန်နှင့် မိုဘိုင်းလ်ဖုန်းဓာတ်ပုံကို အသုံးပြု၍ သာမန်နှင့် ကင်ဆာဖြစ်စေသော ပုဂ္ဂိုလ်များကြား ခွဲခြားသတ်မှတ်ရန် စက်သင်ယူမှုကို အသုံးပြုကာ တိကျမှုကိုလည်း 90.0% တွင် ရရှိနိုင်ပါသည်။

ကိုးကား- DOI: 10.1039/d2ra05725e