Skip to content
Torna ai risultati

RNA Velocity

Introdotto da
Gioele La Manno & Pavel Soldatov
Anno
2018
Tipo
Trajectory inference method
Famiglia
Single-cell genomics

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

RNA velocity è un metodo computazionale che inferisce lo stato di sviluppo futuro di singole cellule dai dati di single-cell RNA sequencing.

Sviluppata da La Manno e colleghi nel 2018, l'analisi RNA velocity misura la direzione e il ritmo delle transizioni dello stato cellulare analizzando il rapporto tra trascritti di mRNA non processati (unspliced) e processati (spliced) all'interno di singole cellule. Ciò consente la predizione di traiettorie cellulari e percorsi di differenziazione senza richiedere campionamento o manipolazione temporale, fornendo intuizioni uniche sulle decisioni di destino cellulare durante lo sviluppo e le malattie.

L’intuizione alla base del metodo

Durante la trascrizione, l'mRNA viene inizialmente sintetizzato come precursore non processato (pre-mRNA). Lo splicing rimuove gli introni, producendo mRNA maturo. L'abbondanza relativa di mRNA non processato rispetto a quello processato in un gene riflette l'attività trascrizionale recente: un alto rapporto unspliced/spliced suggerisce una recente upregulation, mentre un basso rapporto unspliced/spliced indica una recente downregulation o un'espressione continua di mRNA stabile. RNA velocity combina queste informazioni attraverso migliaia di geni. Confrontando lo stato trascrizionale di una singola cellula (espressione genica attuale) con la sua velocità (direzione del cambiamento di espressione inferita dai rapporti di splicing), i ricercatori possono prevedere dove la cellula si sta dirigendo nello spazio dell'espressione genica. Cellule con velocità simili seguono traiettorie simili, consentendo la visualizzazione dei percorsi di differenziazione a livello di popolazione.

Storia

La Manno e colleghi hanno introdotto RNA velocity nel 2018, osservando che le abbondanze di mRNA non processato nelle singole cellule forniscono informazioni sulla direzione trascrizionale. Hanno dimostrato l'approccio su diversi sistemi di sviluppo (sviluppo pancreatico, neurogenesi). Bergen e colleghi (2020) hanno esteso il metodo con framework statistici migliorati (software scVelo), consentendo una migliore gestione degli stati cellulari transitori e delle cinetiche complesse. RNA velocity è diventata rapidamente un'analisi post-hoc standard negli studi single-cell, consentendo la scoperta di nuovi percorsi di differenziazione e la validazione di ipotesi di sviluppo.

Quando usarlo

Utilizzare RNA velocity per comprendere le traiettorie di sviluppo, predire le transizioni di destino cellulare e validare le relazioni tra tipi cellulari scoperte dall'analisi di clustering. È particolarmente potente nei sistemi di sviluppo (embriogenesi, ematopoiesi) e nel caratterizzare la progressione delle malattie nei tessuti. Evitare RNA velocity quando le cellule non stanno attivamente cambiando stato (tessuti a stato stazionario con espressione genica statica), poiché i segnali di velocità diventano deboli. Considerazione tecnica: i protocolli basati su goccioline (10x) richiedono metodi che inferiscono lo splicing dalle letture introniche; i protocolli full-length (Smart-seq2) consentono la misurazione diretta.

Limiti e considerazioni

  • Si basa sull'assunzione che le dinamiche di splicing dell'mRNA riflettano i futuri cambiamenti dello stato cellulare; viola l'assunzione per geni senza trascrizione in corso
  • La velocità è debole nelle cellule con bassa attività trascrizionale (cellule quiescenti, tipi cellulari maturi)
  • Richiede sequenziamento ad alta profondità per misurare accuratamente le letture non processate, specialmente nei protocolli basati su goccioline
  • Le predizioni sono probabilistiche; non è possibile prevedere il destino di singole cellule con certezza
  • Sensibile alla selezione dei geni e alle scelte dei parametri statistici

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Inferisce dinamiche temporali da dati statici snapshot senza richiedere esperimenti di serie temporali
  • Fornisce risoluzione a livello cellulare per le traiettorie di sviluppo
  • Identifica punti decisionali e punti di ramificazione nella differenziazione
  • Valida ed estende i risultati del clustering non supervisionato
  • Compatibile con diverse tecnologie single-cell e tessuti

Applicazioni

  • Inferire traiettorie di differenziazione ematopoietica da single-cell RNA-seq di cellule di midollo osseo
  • Prevedere decisioni di destino neurale durante lo sviluppo cerebrale analizzando la velocità nelle cellule progenitrici
  • Identificare percorsi di transdifferenziazione in esperimenti di riprogrammazione in cui le cellule cambiano destino
  • Rilevare precoci plasticità delle cellule tumorali e firme di transizione pre-metastatica in dati single-cell tumorali
  • Rivelare cambiamenti temporali nella regolazione genica che guidano le transizioni dello stato cellulare nell'attivazione delle cellule immunitarie

Come funziona

Come funziona

1

Eseguire single-cell RNA sequencing (es. 10x Genomics, Smart-seq2) su cellule da un tessuto o stadio di sviluppo; assicurarsi che la profondità di sequenziamento sia sufficiente per rilevare letture sia processate che non processate.

2

Allineare le letture e quantificare i conteggi di mRNA non processati e processati per gene per cellula; eseguire il controllo qualità standard (filtraggio cellule, filtraggio geni); normalizzare e trasformare logaritmicamente i dati di espressione.

3

Calcolare i rapporti di splicing (unspliced/(unspliced+spliced)) per ogni combinazione gene-cellula; identificare geni con dinamiche di splicing robuste e segnale sufficiente.

4

Stimare RNA velocity regredendo le dinamiche del rapporto di splicing contro i livelli di espressione genica attraverso le cellule; adattare modelli probabilistici (es. cinetica di stato stazionario, processo gamma) per inferire vettori di velocità.

5

Visualizzare i vettori di velocità in uno spazio a dimensionalità ridotta (es. UMAP, t-SNE); identificare direzioni di traiettoria, stati terminali e punti decisionali; predire le scelte di destino cellulare.

Errori comuni

  • Interpretare eccessivamente i vettori di velocità come predizioni certe piuttosto che stime probabilistiche con incertezza
  • Applicare RNA velocity a tessuti con basso turnover trascrizionale dove il metodo manca di potenza
  • Assumere che tutti i geni seguano una cinetica di splicing semplice; cicli di feedback e rumore trascrizionale complicano l'inferenza
  • Trascurare effetti batch e artefatti tecnici nella stima del rapporto di splicing

Domande frequenti

Perché RNA velocity si basa sulle informazioni di splicing?

Le dinamiche di splicing rivelano l'attività trascrizionale recente. I geni che vengono attivati accumulano trascritti non processati; i geni che vengono sottoregolati o mantengono un'espressione stabile hanno principalmente mRNA processato. Questo segnale, combinato con i livelli di espressione attuali, indica se l'espressione genica sta aumentando o diminuendo.

RNA velocity può predire il destino di singole cellule?

Non con certezza. RNA velocity fornisce predizioni probabilistiche basate su trend a livello di popolazione. Singole cellule possono deviare dalle traiettorie previste a causa di rumore, stocasticità o fattori non osservati. Le predizioni a livello di popolazione sono più affidabili delle predizioni a singola cellula.

Quale protocollo di sequenziamento è migliore per l'analisi RNA velocity?

I protocolli full-length (Smart-seq2) sono ideali perché catturano direttamente introni ed esoni. Anche i protocolli basati su goccioline (10x Genomics) possono funzionare se le letture introniche vengono recuperate durante l'allineamento. La scelta del protocollo influisce sulla potenza statistica e sulla qualità tecnica delle stime di velocità.

Come valido le predizioni di RNA velocity?

Gli approcci di validazione includono: esperimenti di serie temporali che campionano cellule in più punti temporali (ground truth), confronto con dati di perturbazione sperimentale e coerenza con la biologia dello sviluppo nota. Strumenti software come CellRank integrano la velocità con l'espressione RNA e altre fonti di dati per un'inferenza più robusta.

Metodi correlati

Fonti

  1. 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.

    Apri il riferimento DOI
    Copiato.
  2. 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.

    Apri il riferimento DOI
    Copiato.
  3. Chen, H., & Albergante, L. (2022). scVelo: RNA velocity at single-cell resolution. bioRxiv.

    Apri il riferimento della pubblicazione
    Copiato.