سرعت آرانای (RNA Velocity)
- معرفیشده توسط
- Gioele La Manno & Pavel Soldatov
- سال
- 2018
- نوع
- Trajectory inference method
- خانواده
- Single-cell genomics
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
سرعت آرانای یک روش محاسباتی است که حالت تکاملی آینده سلولهای منفرد را از دادههای توالییابی آرانای تکسلولی استنباط میکند. روش سرعت آرانای که در سال ۲۰۱۸ توسط لامانو و همکارانش توسعه یافت، با تحلیل نسبت رونوشتهای آرانای پیامرسان (mRNA) غیرپیوسته به پیوسته در سلولهای منفرد، جهت و سرعت گذارهای حالت سلولی را اندازهگیری میکند. این امر امکان پیشبینی مسیرهای سلولی و مسیرهای تمایزی را بدون نیاز به نمونهبرداری یا دستکاری زمانی فراهم میکند و بینشهای منحصربهفردی در مورد تصمیمگیری سرنوشت سلول در طول تکامل و بیماری ارائه میدهد.
شهود پشت روش
در طول رونویسی، آرانای پیامرسان در ابتدا به صورت پیشساز غیرپیوسته (pre-mRNA) سنتز میشود. پیراستن اینترونها را حذف کرده و آرانای پیامرسان بالغ تولید میکند. فراوانی نسبی آرانای پیامرسان غیرپیوسته در مقابل پیوسته در یک ژن، نشاندهنده فعالیت رونویسی اخیر است: نسبت بالای غیرپیوسته به پیوسته نشاندهنده افزایش اخیر است، در حالی که نسبت پایین غیرپیوسته به پیوسته نشاندهنده کاهش اخیر یا بیان مداوم آرانای پیامرسان پایدار است. سرعت آرانای این اطلاعات را در هزاران ژن ترکیب میکند. با مقایسه حالت رونویسی یک سلول منفرد (بیان ژن فعلی) با سرعت آن (جهت تغییر بیان استنباط شده از نسبتهای پیراستن)، محققان میتوانند پیشبینی کنند که سلول در فضای بیان ژن به کدام سمت حرکت میکند. سلولهایی با سرعتهای مشابه، مسیرهای مشابهی را دنبال میکنند و این امر امکان تجسم مسیرهای تمایزی در سطح جمعیت را فراهم میآورد.
تاریخ
لامانو و همکارانش در سال ۲۰۱۸ سرعت آرانای را معرفی کردند و مشاهده نمودند که فراوانی آرانای پیامرسان غیرپیوسته در سلولهای منفرد اطلاعاتی در مورد جهت رونویسی ارائه میدهد. آنها این رویکرد را بر روی چندین سیستم تکاملی (تکامل پانکراس، زایش سلولهای عصبی) نشان دادند. برگن و همکارانش (۲۰۲۰) این روش را با چارچوبهای آماری بهبودیافته (نرمافزار scVelo) گسترش دادند و امکان مدیریت بهتر حالتهای گذرا و سینتیکهای پیچیده را فراهم کردند. سرعت آرانای به سرعت به یک تحلیل پسنگر استاندارد در مطالعات تکسلولی تبدیل شده است و امکان کشف مسیرهای تمایزی جدید و اعتبارسنجی فرضیههای تکاملی را فراهم میآورد.
چه زمانی استفاده شود
از سرعت آرانای برای درک مسیرهای تکاملی، پیشبینی گذارهای سرنوشت سلول و اعتبارسنجی روابط کشفشده سلولی از تحلیل خوشهبندی استفاده کنید. این روش بهویژه در سیستمهای تکاملی (رویانزایی، خونسازی) و در توصیف پیشرفت بیماری در بافتها قدرتمند است. زمانی که سلولها در حال تغییر حالت فعال نیستند (بافتهای حالت پایدار با بیان ژن ایستا)، از سرعت آرانای اجتناب کنید، زیرا سیگنالهای سرعت ضعیف میشوند. ملاحظات فنی: پروتکلهای مبتنی بر قطره (10x) به روشهایی نیاز دارند که پیراستن را از خوانشهای اینترونی استنباط کنند؛ پروتکلهای تمام طول (Smart-seq2) اندازهگیری مستقیم را امکانپذیر میسازند.
محدودیتها و ملاحظات
- بر این فرض استوار است که دینامیک پیراستن آرانای پیامرسان، تغییرات حالت آینده سلول را منعکس میکند؛ برای ژنهای بدون رونویسی در حال انجام، این فرض نقض میشود
- سرعت در سلولهای با فعالیت رونویسی کم (سلولهای خاموش، انواع سلول بالغ) ضعیف است
- برای اندازهگیری دقیق خوانشهای غیرپیوسته، بهویژه در پروتکلهای مبتنی بر قطره، به توالییابی با عمق بالا نیاز دارد
- پیشبینیها احتمالی هستند؛ نمیتوان سرنوشت سلولهای منفرد را با قطعیت پیشبینی کرد
- به انتخاب ژن و پارامترهای آماری حساس است
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- دینامیک زمانی را از دادههای ایستا بدون نیاز به آزمایشهای سری زمانی استنباط میکند
- وضوح در سطح سلول برای مسیرهای تکاملی ارائه میدهد
- نقاط تصمیمگیری سرنوشت سلول و نقاط انشعاب در تمایز را شناسایی میکند
- نتایج حاصل از خوشهبندی بدون نظارت را اعتبارسنجی و گسترش میدهد
- با فناوریها و بافتهای مختلف تکسلولی سازگار است
کاربردها
- استنباط مسیرهای تمایز خونسازی از توالییابی آرانای تکسلولی سلولهای مغز استخوان
- پیشبینی تصمیمگیریهای سرنوشت عصبی در طول تکامل مغز با تحلیل سرعت در سلولهای پیشساز
- شناسایی مسیرهای دگرتمایزی در آزمایشهای بازبرنامهریزی که در آنها سلولها سرنوشت خود را تغییر میدهند
- تشخیص انعطافپذیری سلولهای سرطانی اولیه و امضاهای گذار پیشمتاستاتیک در دادههای تومور تکسلولی
- آشکارسازی تغییرات رونویسی زمانی که محرک گذارهای حالت سلولی در فعالسازی سلولهای ایمنی هستند
چگونه کار میکند
چگونه کار میکند
انجام توالییابی آرانای تکسلولی (مانند 10x Genomics، Smart-seq2) بر روی سلولهای یک بافت یا مرحله تکاملی؛ اطمینان از عمق توالییابی کافی برای تشخیص هر دو نوع خوانش پیوسته و غیرپیوسته.
خوانشها را همتراز کرده و تعداد خوانشهای غیرپیوسته و پیوسته را به ازای هر ژن در هر سلول کمیسازی کنید؛ کنترل کیفیت استاندارد (فیلتر سلول، فیلتر ژن) را انجام دهید؛ دادههای بیان را نرمالسازی و لگاریتمی کنید.
محاسبه نسبتهای پیراستن (غیرپیوسته/(غیرپیوسته+پیوسته)) برای هر ترکیب ژن-سلول؛ شناسایی ژنهایی با دینامیک پیراستن قوی و سیگنال کافی.
تخمین سرعت آرانای با رگرسیون دینامیک نسبت پیراستن در برابر سطوح بیان ژن در میان سلولها؛ برازش مدلهای احتمالی (مانند سینتیک حالت پایدار، فرآیند گاما) برای استنباط بردارهای سرعت.
تجسم بردارهای سرعت در فضای کاهشیافته (مانند UMAP، t-SNE)؛ شناسایی جهتهای مسیر، حالتهای پایانی و نقاط تصمیمگیری؛ پیشبینی انتخابهای سرنوشت سلول.
دامهای رایج
- تفسیر بیش از حد بردارهای سرعت به عنوان پیشبینیهای قطعی به جای تخمینهای احتمالی همراه با عدم قطعیت
- بهکارگیری سرعت آرانای در بافتهایی با گردش رونویسی پایین که روش در آنها قدرت کافی ندارد
- فرض اینکه همه ژنها از سینتیک پیراستن ساده پیروی میکنند؛ حلقههای بازخورد و نویز رونویسی استنتاج را پیچیده میکنند
- نادیده گرفتن اثرات دستهای و مصنوعات فنی در تخمین نسبت پیراستن
پرسشهای متداول
چرا سرعت آرانای به اطلاعات پیراستن متکی است؟
دینامیک پیراستن فعالیت رونویسی اخیر را آشکار میکند. ژنهایی که به تازگی فعال میشوند، رونوشتهای غیرپیوسته را انباشته میکنند؛ ژنهایی که کاهش مییابند یا بیان پایدار را حفظ میکنند، عمدتاً آرانای پیامرسان پیوسته دارند. این سیگنال، همراه با سطوح بیان فعلی، نشان میدهد که آیا بیان ژن در حال افزایش یا کاهش است.
آیا سرعت آرانای میتواند سرنوشت سلولهای منفرد را پیشبینی کند؟
با قطعیت نه. سرعت آرانای پیشبینیهای احتمالی را بر اساس روندهای سطح جمعیت ارائه میدهد. سلولهای منفرد ممکن است به دلیل نویز، تصادفی بودن یا عوامل مشاهده نشده از مسیرهای پیشبینیشده منحرف شوند. پیشبینیهای سطح جمعیت قابل اعتمادتر از پیشبینیهای تکسلولی هستند.
کدام پروتکل توالییابی برای تحلیل سرعت آرانای بهترین است؟
پروتکلهای تمام طول (Smart-seq2) ایدهآل هستند زیرا اینترونها و اگزونها را مستقیماً ثبت میکنند. پروتکلهای مبتنی بر قطره (10x Genomics) نیز میتوانند کار کنند اگر خوانشهای اینترونی در طول همترازی بازیابی شوند. انتخاب پروتکل بر قدرت آماری و کیفیت فنی تخمینهای سرعت تأثیر میگذارد.
چگونه پیشبینیهای سرعت آرانای را اعتبارسنجی کنم؟
رویکردهای اعتبارسنجی شامل موارد زیر است: آزمایشهای سری زمانی که سلولها را در چندین نقطه زمانی نمونهبرداری میکنند (حقیقت زمینی)، مقایسه با دادههای اغتشاش تجربی، و سازگاری با زیستشناسی تکاملی شناختهشده. ابزارهای نرمافزاری مانند CellRank سرعت را با بیان آرانای و سایر منابع داده برای استنتاج قویتر ادغام میکنند.
روشهای مرتبط
منابع
La Manno, G., Soldatov, R., Zeisel, A., Braun, E., Hochgerner, H., Petukhov, V., & Merad, M. (2018). RNA velocity of single cells. Nature, 560(7737), 494–498.
باز کردن مرجع DOIکپی شد.Bergen, V., Lange, M., Peidli, S., Wolf, F. A., & Raj, B. (2020). Generalizing RNA velocity to transient cell states through smoothed differentiation of expected counts. Nature Biotechnology, 38(12), 1408–1417.
باز کردن مرجع DOIکپی شد.Chen, H., & Albergante, L. (2022). scVelo: RNA velocity at single-cell resolution. bioRxiv.
باز کردن مرجع انتشارکپی شد.