RNA Velocity
- Diperkenalkan oleh
- Gioele La Manno & Pavel Soldatov
- Tahun
- 2018
- Jenis
- Trajectory inference method
- Keluarga
- Single-cell genomics
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
RNA velocity adalah metode komputasi yang menyimpulkan keadaan perkembangan masa depan sel individual dari data sekuensing RNA sel tunggal. Dikembangkan oleh La Manno dan kolega pada tahun 2018, analisis RNA velocity mengukur arah dan laju transisi keadaan sel dengan menganalisis rasio transkrip mRNA yang belum tersambung (unspliced) terhadap yang telah tersambung (spliced) di dalam sel individual. Hal ini memungkinkan prediksi lintasan sel dan jalur diferensiasi tanpa memerlukan pengambilan sampel atau manipulasi temporal, memberikan wawasan unik tentang keputusan nasib sel selama perkembangan dan penyakit.
Intuisi di balik metode
Selama transkripsi, mRNA awalnya disintesis sebagai prekursor yang belum tersambung (pre-mRNA). Penyambungan (splicing) menghilangkan intron, menghasilkan mRNA matang. Kelimpahan relatif mRNA yang belum tersambung dibandingkan dengan yang telah tersambung pada suatu gen mencerminkan aktivitas transkripsional baru-baru ini: rasio tinggi mRNA belum tersambung/rendah mRNA tersambung menunjukkan peningkatan regulasi (upregulation) baru-baru ini, sementara rasio rendah mRNA belum tersambung/tinggi mRNA tersambung menunjukkan penurunan regulasi (downregulation) baru-baru ini atau ekspresi mRNA stabil yang berkelanjutan. RNA velocity menggabungkan informasi ini di ribuan gen. Dengan membandingkan keadaan transkripsional sel individual (ekspresi gen saat ini) dengan kecepatannya (arah perubahan ekspresi yang disimpulkan dari rasio penyambungan), peneliti dapat memprediksi ke mana arah sel dalam ruang ekspresi gen. Sel-sel dengan kecepatan serupa mengikuti lintasan serupa, memungkinkan visualisasi jalur diferensiasi pada tingkat populasi.
Sejarah
La Manno dan kolega memperkenalkan RNA velocity pada tahun 2018, mengamati bahwa kelimpahan mRNA yang belum tersambung dalam sel tunggal memberikan informasi tentang arah transkripsional. Mereka mendemonstrasikan pendekatan ini pada beberapa sistem perkembangan (perkembangan pankreas, neurogenesis). Bergen dan kolega (2020) memperluas metode ini dengan kerangka statistik yang ditingkatkan (perangkat lunak scVelo), memungkinkan penanganan keadaan sel transien dan kinetika kompleks yang lebih baik. RNA velocity dengan cepat menjadi analisis pasca-hoc standar dalam studi sel tunggal, memungkinkan penemuan jalur diferensiasi baru dan validasi hipotesis perkembangan.
Kapan digunakan
Gunakan RNA velocity untuk memahami lintasan perkembangan, memprediksi transisi nasib sel, dan memvalidasi hubungan tipe sel yang ditemukan dari analisis pengelompokan (clustering). Metode ini sangat kuat dalam sistem perkembangan (embriogenesis, hematopoiesis) dan dalam mengkarakterisasi progresi penyakit pada jaringan. Hindari RNA velocity ketika sel tidak aktif mengubah keadaan (jaringan keadaan tunak dengan ekspresi gen statis), karena sinyal kecepatan menjadi lemah. Pertimbangan teknis: protokol berbasis tetesan (droplet-based) (10x) memerlukan metode yang menyimpulkan penyambungan dari pembacaan intron; protokol panjang penuh (full-length) (Smart-seq2) memungkinkan pengukuran langsung.
Batasan dan pertimbangan
- Bergantung pada asumsi bahwa dinamika penyambungan mRNA mencerminkan perubahan keadaan sel di masa depan; melanggar asumsi untuk gen tanpa transkripsi yang sedang berlangsung
- Kecepatan lemah pada sel dengan aktivitas transkripsional rendah (sel tenang, tipe sel matang)
- Memerlukan sekuensing kedalaman tinggi untuk mengukur pembacaan mRNA yang belum tersambung secara akurat, terutama dalam protokol berbasis tetesan
- Prediksi bersifat probabilistik; tidak dapat meramalkan nasib sel individual dengan pasti
- Sensitif terhadap pemilihan gen dan pilihan parameter statistik
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Menyimpulkan dinamika temporal dari data snapshot statis tanpa memerlukan eksperimen deret waktu
- Memberikan resolusi tingkat sel untuk lintasan perkembangan
- Mengidentifikasi titik keputusan nasib sel dan titik percabangan dalam diferensiasi
- Memvalidasi dan memperluas hasil dari pengelompokan tanpa pengawasan (unsupervised clustering)
- Kompatibel dengan beragam teknologi sel tunggal dan jaringan
Penerapan
- Menyimpulkan lintasan diferensiasi hematopoietik dari sekuensing RNA sel tunggal sel sumsum tulang
- Memprediksi keputusan nasib saraf selama perkembangan otak dengan menganalisis kecepatan pada sel progenitor
- Mengidentifikasi jalur transdiferensiasi dalam eksperimen reprogram di mana sel mengubah nasib
- Mendeteksi plastisitas sel kanker dini dan tanda-tanda transisi pra-metastatik dalam data tumor sel tunggal
- Mengungkap perubahan regulasi gen temporal yang mendorong transisi keadaan sel dalam aktivasi sel imun
Cara kerjanya
Cara kerjanya
Lakukan sekuensing RNA sel tunggal (misalnya, 10x Genomics, Smart-seq2) pada sel dari jaringan atau tahap perkembangan; pastikan kedalaman sekuensing cukup untuk mendeteksi pembacaan (reads) yang belum tersambung maupun yang telah tersambung.
Sejajarkan pembacaan dan kuantifikasi jumlah mRNA yang belum tersambung dan tersambung per gen per sel; lakukan kontrol kualitas standar (pemfilteran sel, pemfilteran gen); normalisasi dan transformasi log data ekspresi.
Hitung rasio penyambungan (mRNA belum tersambung / (mRNA belum tersambung + mRNA tersambung)) untuk setiap kombinasi gen-sel; identifikasi gen dengan dinamika penyambungan yang kuat dan sinyal yang cukup.
Perkirakan RNA velocity dengan meregresikan dinamika rasio penyambungan terhadap tingkat ekspresi gen di seluruh sel; cocokkan model probabilistik (misalnya, kinetika keadaan tunak, proses gamma) untuk menyimpulkan vektor kecepatan.
Visualisasikan vektor kecepatan dalam ruang berdimensi tereduksi (misalnya, UMAP, t-SNE); identifikasi arah lintasan, keadaan terminal, dan titik keputusan; prediksi pilihan nasib sel.
Kesalahan umum
- Interpretasi berlebihan vektor kecepatan sebagai prediksi pasti daripada perkiraan probabilistik dengan ketidakpastian
- Menerapkan RNA velocity pada jaringan dengan pergantian transkripsional rendah di mana metode ini kurang bertenaga
- Mengasumsikan semua gen mengikuti kinetika penyambungan sederhana; loop umpan balik dan kebisingan transkripsional mempersulit inferensi
- Mengabaikan efek batch dan artefak teknis dalam estimasi rasio penyambungan
Pertanyaan yang sering diajukan
Mengapa RNA velocity bergantung pada informasi penyambungan?
Dinamika penyambungan mengungkapkan aktivitas transkripsional baru-baru ini. Gen yang baru diaktifkan mengakumulasi transkrip yang belum tersambung; gen yang mengalami penurunan regulasi atau mempertahankan ekspresi stabil sebagian besar memiliki mRNA yang tersambung. Sinyal ini, dikombinasikan dengan tingkat ekspresi saat ini, menunjukkan apakah ekspresi gen meningkat atau menurun.
Bisakah RNA velocity memprediksi nasib sel tunggal?
Tidak dengan pasti. RNA velocity memberikan prediksi probabilistik berdasarkan tren tingkat populasi. Sel individual dapat menyimpang dari lintasan yang diprediksi karena kebisingan, stokastisitas, atau faktor yang tidak teramati. Prediksi tingkat populasi lebih dapat diandalkan daripada prediksi sel tunggal.
Protokol sekuensing apa yang terbaik untuk analisis RNA velocity?
Protokol panjang penuh (Smart-seq2) ideal karena secara langsung menangkap intron dan ekson. Protokol berbasis tetesan (10x Genomics) juga dapat berfungsi jika pembacaan intron pulih selama penjajaran. Pilihan protokol memengaruhi kekuatan statistik dan kualitas teknis estimasi kecepatan.
Bagaimana cara memvalidasi prediksi RNA velocity?
Pendekatan validasi meliputi: eksperimen deret waktu yang mengambil sampel sel pada beberapa titik waktu (kebenaran dasar), perbandingan dengan data gangguan eksperimental, dan konsistensi dengan biologi perkembangan yang diketahui. Alat perangkat lunak seperti CellRank mengintegrasikan kecepatan dengan ekspresi RNA dan sumber data lain untuk inferensi yang lebih kuat.
Metode terkait
Sumber
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.
Buka referensi DOIDisalin.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.
Buka referensi DOIDisalin.Chen, H., & Albergante, L. (2022). scVelo: RNA velocity at single-cell resolution. bioRxiv.
Buka referensi publikasiDisalin.