BB. 机器学习辅助的全局DNA甲基化指纹分析用于区分早期肺癌和良性肺部疾病

以下文章来源于分析化学方法 ，作者科研小组

全文简介

DNA甲基化在人类肿瘤的发展中起着关键作用。然而，DNA甲基化的常规表征可能是费时费力的。我们在此描述了一种灵敏、简单的表面增强拉曼光谱(SERS)方法，用于鉴定早期肺癌(LC)患者的DNA甲基化模式。通过比较甲基化DNA碱基或序列与其对应物的SERS光谱，我们确定了胞嘧啶甲基化的可靠光谱标记。为了走向临床应用，我们应用我们的SERS策略检测从细胞系模型以及早期LC和良性肺部疾病(BLD)患者的福尔马林固定石蜡包埋组织中提取的基因组DNA (gDNA)的甲基化模式。在一个106人的临床队列中，我们的结果显示早期LC (n = 65)和BLD患者(n = 41)之间gDNA的不同甲基化模式，表明癌症诱导的DNA甲基化改变。结合偏最小二乘判别分析，用曲线下面积(AUC)值0.85来区分早期LC和BLD患者。我们相信DNA甲基化改变的SERS图谱，以及机器学习可能为LC的早期检测提供一条有前途的新途径。

简介

（A）在5×10−5 M时相同浓度的5 mC和C（胞嘧啶）的SERS光谱，以及5 mC-C的差分光谱；（B）sss mC（mCGATAmCGCAT，20 ng/μL）和sss（CGCAT，20 ng/μ（C）PLS-DA模型的VIP分数，用于区分ss mC和ss。（D）具有不同胞嘧啶碱比的ss mC + ss的SERS光谱 RmC = [mC]/([C]+[mC])。（E）摩尔比RmC与1001 cm−1（I1001）的峰值强度之间的线性关系。

从细胞系样本中提取的gDNA的SERS测量和交叉验证，包括A549，NCI-H226，SK-MES-1和BEAS-2B。(A)平均SERS光谱，阴影区域代表平均值的标准差。(B)通过从肺上皮细胞系(BEAS-2B)中减去来自LC细胞系(A549，NCI–H226，SK-MES-1)的gDNA的SERS光谱来计算差异光谱。(C)1006cm-1(I 1006)处的相应峰值强度。(D)通过LINE-1分析进行交叉验证。图3C和D中的数据表示为平均值±标准差.

从早期LC和BLD患者的FFPE组织标本中提取的gDNA的SERS信号和总体甲基化水平。(A)显示来自单个样品的gDNA光谱强度分布的颜色图。彩色图的横轴和纵轴对应于400-1800cm-1范围内的SERS光谱数据和患者编号(65名早期LC患者和41名BLD患者)。然后使用SERS峰强度来确定图中每个点的颜色。(B)平均SERS光谱，阴影区域代表平均值的标准差，以及LC-BLD的差异光谱。(C)根据1006cm-1(I 1006)处的峰值强度直接比较整体甲基化水平。通过Mann-Whitney U检验计算组间差异。***P < 0.0001。(D)基于1006cm-1的SERS信号强度的ROC曲线，用于区分早期LC和BLD患者。(E)从PLS-DA模型计算的单个样本的预测分数。(F)基于用于区分早期LC和BLD患者的预测分数的ROC曲线。(G)从用于区分早期LC和BLD的PLS-DA模型获得的VIP分数。

相关成果以“Machine learning-assisted global DNA methylation fingerprint analysis for differentiating early-stage lung cancer from benign lung diseases”，发表在国际学术期刊“Biosensors and Bioelectronics”上。

文献链接：https://doi.org/10.1016/j.bios.2023.115235

转自：“NANO学术”微信公众号

如有侵权，请联系本站删除！