RNA Velocity(RNA速度)
- 提唱者
- Gioele La Manno & Pavel Soldatov
- 年
- 2018
- 種類
- Trajectory inference method
- 系統
- Single-cell genomics
この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む
何をする手法か?
RNA velocityは、単一細胞RNAシーケンシングデータから個々の細胞の将来的な発生状態を推定する計算手法である。2018年にLa Mannoらによって開発されたRNA velocity解析は、個々の細胞内の未スプライシングmRNA転写産物とスプライシング済みmRNA転写産物の比率を解析することにより、細胞状態遷移の方向と速度を測定する。これにより、時間的サンプリングや操作を必要とせずに細胞軌道や分化経路を予測することが可能となり、発生や疾患における細胞運命決定に関する独自の洞察を提供する。
手法の背後にある直感
転写中、mRNAは最初に未スプライシング前駆体(pre-mRNA)として合成される。スプライシングはイントロンを除去し、成熟mRNAを生成する。遺伝子における未スプライシングmRNAとスプライシング済みmRNAの相対的な豊富さは、最近の転写活性を反映する。未スプライシングが多い/スプライシング済みが少ない場合は最近のアップレギュレーションを示唆し、未スプライシングが少ない/スプライシング済みが多い場合は最近のダウンレギュレーションまたは安定したmRNAの継続的な発現を示す。RNA velocityは、この情報を数千の遺伝子にわたって組み合わせる。個々の細胞の転写状態(現在の遺伝子発現)を、スプライシング比率から推定される速度(変化する発現の方向)と比較することにより、研究者は細胞が遺伝子発現空間のどこに向かっているかを予測できる。同様の速度を持つ細胞は同様の軌道に従い、集団レベルでの分化パスの可視化を可能にする。
歴史学
La Mannoら(2018)は、単一細胞における未スプライシングmRNAの量が転写方向に関する情報を提供することを発見し、RNA velocityを導入した。彼らは、いくつかの発生システム(膵臓発生、神経発生)でこのアプローチを実証した。Bergenら(2020)は、統計的フレームワーク(scVeloソフトウェア)を改善してこの手法を拡張し、過渡的な細胞状態や複雑なキネティクスをより良く扱うことを可能にした。RNA velocityは、単一細胞研究における標準的な事後解析となり、新規分化経路の発見や発生仮説の検証を可能にしている。
使うべき場面
発生軌道を理解し、細胞運命遷移を予測し、クラスタリング解析から発見された細胞タイプ間の関係を検証するためにRNA velocityを使用する。特に発生システム(胚発生、造血)や組織における疾患進行の特性評価において強力である。細胞が活発に状態変化していない(遺伝子発現が静的な定常状態組織)場合は、速度シグナルが弱くなるため、RNA velocityの使用を避ける。技術的考慮事項:ドロップレットベースのプロトコル(10x)では、イントロンリードからスプライシングを推定する手法が必要となる。フルレングスプロトコル(Smart-seq2)では直接測定が可能である。
限界と注意点
- mRNAスプライシングダイナミクスが将来の細胞状態変化を反映するという仮定に依存する。継続的な転写がない遺伝子では仮定が破られる
- 転写活性が低い細胞(休止細胞、成熟細胞タイプ)では速度が弱い
- 特にドロップレットベースのプロトコルでは、未スプライシングリードを正確に測定するために高深度シーケンスが必要である
- 予測は確率的であり、個々の細胞の運命を確実には予測できない
- 遺伝子選択と統計パラメータの選択に敏感である
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- 時間系列実験を必要とせずに、静的なスナップショットデータから時間的ダイナミクスを推定する
- 発生軌道のための細胞レベルの解像度を提供する
- 分化における細胞運命決定点および分岐点を特定する
- 教師なしクラスタリングの結果を検証および拡張する
- 多様な単一細胞技術および組織と互換性がある
応用
- 骨髄細胞の単一細胞RNA-seqから造血分化軌道を推定する
- 前駆細胞の速度を解析することにより、脳発生中の神経運命決定を予測する
- 細胞が運命を変えるリプログラミング実験における異種分化経路を特定する
- 単一細胞腫瘍データにおける早期がん細胞の可塑性と転移前移行シグネチャを検出する
- 免疫細胞活性化における細胞状態遷移を駆動する時間的遺伝子制御変化を明らかにする
使い方
使い方
組織または発生段階からの単一細胞RNAシーケンシング(例:10x Genomics, Smart-seq2)を実行する。スプライシング済みおよび未スプライシングのリードの両方を検出するのに十分なシーケンス深度を確保する。
細胞あたりの遺伝子ごとの未スプライシングおよびスプライシング済みカウントをリードにアラインメントし定量化する。標準的な品質管理(細胞フィルタリング、遺伝子フィルタリング)を実行する。発現データを正規化および対数変換する。
各遺伝子-細胞の組み合わせについてスプライシング比率(未スプライシング/(未スプライシング+スプライシング済み))を計算する。堅牢なスプライシングダイナミクスと十分なシグナルを持つ遺伝子を特定する。
細胞間での遺伝子発現レベルに対するスプライシング比率ダイナミクスの回帰によりRNA velocityを推定する。速度ベクトルを推定するために確率モデル(例:定常状態キネティクス、ガンマプロセス)をフィッティングする。
低次元空間(例:UMAP, t-SNE)で速度ベクトルを可視化する。軌道方向、終末状態、決定点を特定する。細胞運命の選択を予測する。
よくある落とし穴
- 不確実性を持つ確率的推定値としてではなく、確実な予測として速度ベクトルを過度に解釈すること
- 手法が効果を発揮しない転写ターンオーバーの低い組織にRNA velocityを適用すること
- 単純なスプライシングキネティクスに従うすべての遺伝子を仮定すること。フィードバックループと転写ノイズが推定を複雑にする
- スプライシング比率推定におけるバッチ効果と技術的アーティファクトを無視すること
よくある質問
RNA velocityはなぜスプライシング情報に依存するのか?
スプライシングダイナミクスは最近の転写活性を明らかにします。新しく活性化されている遺伝子は未スプライシング転写産物を蓄積し、ダウンレギュレーションされているか安定した発現を維持している遺伝子は主にスプライシング済みmRNAを持っています。このシグナルは、現在の発現レベルと組み合わされると、遺伝子発現が増加しているか減少しているかを示します。
RNA velocityは単一細胞の運命を予測できるか?
確実ではありません。RNA velocityは、集団レベルの傾向に基づいた確率的予測を提供します。ノイズ、確率性、または未観測の要因により、個々の細胞は予測された軌道から逸脱する可能性があります。集団レベルの予測は、単一細胞の予測よりも信頼性が高いです。
RNA velocity解析に最適なシーケンスプロトコルは何か?
フルレングスプロトコル(Smart-seq2)は、イントロンとエクソンを直接キャプチャするため理想的です。ドロップレットベースのプロトコル(10x Genomics)も、アラインメント中にイントロンリードが回収されれば機能します。プロトコルの選択は、統計的検出力と速度推定値の技術的品質に影響します。
RNA velocityの予測をどのように検証するか?
検証アプローチには、複数の時点の細胞をサンプリングする時間系列実験(グラウンドトゥルース)、実験的摂動データとの比較、および既知の発生生物学との一貫性が含まれます。CellRankのようなソフトウェアツールは、より堅牢な推定のために、速度をRNA発現およびその他のデータソースと統合します。
関連する手法
参考文献
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.
DOI 文献を開くコピーしました。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.
DOI 文献を開くコピーしました。Chen, H., & Albergante, L. (2022). scVelo: RNA velocity at single-cell resolution. bioRxiv.
出版物の文献を開くコピーしました。