Przejdź do treści
Wróć do wyników wyszukiwania

Szybkość RNA

Autor metody
Gioele La Manno & Pavel Soldatov
Rok
2018
Typ
Trajectory inference method
Rodzina
Single-cell genomics

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

RNA velocity to metoda obliczeniowa, która wnioskuje o przyszłym stanie rozwojowym pojedynczych komórek na podstawie danych sekwencjonowania RNA pojedynczych komórek (single-cell RNA-sequencing).

Opracowana przez La Manno i współpracowników w 2018 roku, analiza RNA velocity mierzy kierunek i tempo przechodzenia stanów komórkowych poprzez analizę stosunku niedociętych (unspliced) do dociętych (spliced) transkryptów mRNA w pojedynczych komórkach. Umożliwia to przewidywanie trajektorii komórkowych i ścieżek różnicowania bez konieczności próbkowania czasowego lub manipulacji, dostarczając unikalnych spostrzeżeń na temat decyzji o losie komórek podczas rozwoju i chorób.

Intuicja stojąca za metodą

Podczas transkrypcji mRNA jest początkowo syntetyzowane jako niedocięty prekursor (pre-mRNA). Splicing usuwa introny, produkując dojrzałe mRNA. Względna obfitość niedociętego w stosunku do dociętego mRNA dla danego genu odzwierciedla niedawną aktywność transkrypcyjną: wysoki stosunek niedociętych/niski dociętych sugeruje niedawną upregulated, podczas gdy niski stosunek niedociętych/wysoki dociętych wskazuje na niedawną downregulated lub utrzymującą się ekspresję stabilnego mRNA. RNA velocity łączy te informacje dla tysięcy genów. Porównując stan transkrypcyjny pojedynczej komórki (aktualna ekspresja genów) z jej prędkością (kierunek zmieniającej się ekspresji wnioskowany ze stosunków splicingowych), badacze mogą przewidzieć, dokąd zmierza komórka w przestrzeni ekspresji genów. Komórki o podobnych prędkościach podążają podobnymi trajektoriami, umożliwiając wizualizację ścieżek różnicowania na poziomie populacji.

Historia

La Manno i współpracownicy wprowadzili RNA velocity w 2018 roku, zauważając, że obfitość niedociętego mRNA w pojedynczych komórkach dostarcza informacji o kierunku transkrypcji. Zaprezentowali podejście na kilku systemach rozwojowych (rozwój trzustki, neurogeneza). Bergen i współpracownicy (2020) rozszerzyli metodę o ulepszone ramy statystyczne (oprogramowanie scVelo), umożliwiając lepsze radzenie sobie ze stanami przejściowymi komórek i złożoną kinetyką. RNA velocity szybko stała się standardową analizą post-hoc w badaniach pojedynczych komórek, umożliwiając odkrywanie nowych ścieżek różnicowania i walidację hipotez rozwojowych.

Kiedy stosować

Wykorzystać RNA velocity do zrozumienia trajektorii rozwojowych, przewidywania przejść losu komórek i walidacji odkrytych relacji typów komórek z analizy klastrowania. Jest szczególnie potężna w systemach rozwojowych (embriogeneza, hematopoeza) i w charakteryzacji progresji chorób w tkankach. Unikać RNA velocity, gdy komórki nie zmieniają aktywnie stanu (tkanki w stanie ustalonym ze statyczną ekspresją genów), ponieważ sygnały prędkości stają się słabe. Uwaga techniczna: protokoły oparte na kropelkach (10x) wymagają metod wnioskujących splicing z odczytów intronowych; protokoły pełnego transkryptu (Smart-seq2) umożliwiają bezpośredni pomiar.

Ograniczenia i uwagi

  • Opiera się na założeniu, że dynamika splicingowa mRNA odzwierciedla przyszłe zmiany stanu komórki; narusza założenie dla genów bez trwającej transkrypcji
  • Prędkość jest słaba w komórkach o niskiej aktywności transkrypcyjnej (komórki spoczywające, dojrzałe typy komórek)
  • Wymaga sekwencjonowania o wysokiej głębokości do dokładnego pomiaru odczytów niedociętych, szczególnie w protokołach opartych na kropelkach
  • Przewidywania są probabilistyczne; nie można z pewnością prognozować losu pojedynczych komórek
  • Wrażliwa na wybór genów i wybór parametrów statystycznych

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Wnioskuje dynamikę czasową z danych statycznych migawek bez konieczności przeprowadzania eksperymentów w szeregach czasowych
  • Zapewnia rozdzielczość na poziomie komórki dla trajektorii rozwojowych
  • Identyfikuje punkty decyzyjne losu komórek i punkty rozgałęzienia w różnicowaniu
  • Waliduje i rozszerza wyniki analizy klastrowania nienadzorowanego
  • Kompatybilna z różnymi technologiami pojedynczych komórek i tkankami

Zastosowania

  • Wnioskowanie trajektorii różnicowania hematopoetycznego z sekwencjonowania RNA pojedynczych komórek z komórek szpiku kostnego
  • Przewidywanie decyzji o losie neuronów podczas rozwoju mózgu poprzez analizę prędkości w komórkach progenitorowych
  • Identyfikacja ścieżek transdyferencjacji w eksperymentach z przeprogramowaniem, gdzie komórki zmieniają los
  • Wykrywanie wczesnej plastyczności komórek nowotworowych i sygnatur przejścia przedmetastatycznego w danych sekwencjonowania pojedynczych komórek guza
  • Ujawnianie czasowych zmian regulacji genów napędzających przejścia stanów komórkowych w aktywacji komórek odpornościowych

Jak to działa

Jak to działa

1

Przeprowadzić sekwencjonowanie RNA pojedynczych komórek (np. 10x Genomics, Smart-seq2) na komórkach z tkanki lub etapu rozwojowego; zapewnić wystarczającą głębokość sekwencjonowania do wykrycia odczytów zarówno dociętych, jak i niedociętych.

2

Dopasować odczyty i skwantyfikować niedocięte i docięte liczby na gen na komórkę; przeprowadzić standardową kontrolę jakości (filtrowanie komórek, filtrowanie genów); znormalizować i zlogarytmować dane ekspresji.

3

Obliczyć stosunki splicingowe (niedocięte/(niedocięte+docięte)) dla każdej kombinacji gen-komórka; zidentyfikować geny o solidnej dynamice splicingowej i wystarczającym sygnale.

4

Oszacować RNA velocity poprzez regresję dynamiki stosunku splicingowego względem poziomów ekspresji genów w komórkach; dopasować modele probabilistyczne (np. kinetyka stanu ustalonego, proces gamma) w celu wnioskowania wektorów prędkości.

5

Wizualizować wektory prędkości w przestrzeni o zredukowanym wymiarze (np. UMAP, t-SNE); zidentyfikować kierunki trajektorii, stany terminalne i punkty decyzyjne; przewidzieć wybory losu komórek.

Częste pułapki

  • Nadmierna interpretacja wektorów prędkości jako pewnych przewidywań, a nie probabilistycznych oszacowań z niepewnością
  • Stosowanie RNA velocity do tkanek o niskim obrocie transkrypcyjnym, gdzie metoda nie ma mocy
  • Zakładanie, że wszystkie geny podążają prostą kinetyką splicingową; pętle sprzężenia zwrotnego i szum transkrypcyjny komplikują wnioskowanie
  • Pomijanie efektów wsadowych (batch effects) i artefaktów technicznych w szacowaniu stosunku splicingowego

Najczęściej zadawane pytania

Dlaczego RNA velocity opiera się na informacjach o splicingu?

Dynamika splicingowa ujawnia niedawną aktywność transkrypcyjną. Geny będące w trakcie aktywacji gromadzą niedocięte transkrypty; geny będące w trakcie dezaktywacji lub utrzymujące stabilną ekspresję mają głównie docięte mRNA. Ten sygnał, w połączeniu z aktualnymi poziomami ekspresji, wskazuje, czy ekspresja genu rośnie, czy maleje.

Czy RNA velocity może przewidzieć los pojedynczych komórek?

Nie z pewnością. RNA velocity dostarcza probabilistycznych przewidywań opartych na trendach populacyjnych. Pojedyncze komórki mogą odbiegać od przewidywanych trajektorii z powodu szumu, stochastyczności lub nieobserwowanych czynników. Przewidywania na poziomie populacji są bardziej wiarygodne niż przewidywania na poziomie pojedynczych komórek.

Jaki protokół sekwencjonowania jest najlepszy do analizy RNA velocity?

Protokoły pełnego transkryptu (Smart-seq2) są idealne, ponieważ bezpośrednio przechwytują introny i eksony. Protokoły oparte na kropelkach (10x Genomics) również mogą działać, jeśli odczyty intronowe zostaną odzyskane podczas dopasowania. Wybór protokołu wpływa na moc statystyczną i jakość techniczną oszacowań prędkości.

Jak walidować przewidywania RNA velocity?

Metody walidacji obejmują: eksperymenty w szeregach czasowych z próbkowaniem komórek w wielu punktach czasowych (prawda podstawowa), porównanie z danymi perturbacji eksperymentalnej i zgodność ze znaną biologią rozwojową. Narzędzia programowe, takie jak CellRank, integrują prędkość z ekspresją RNA i innymi źródłami danych w celu uzyskania bardziej solidnego wnioskowania.

Pokrewne metody

Źródła

  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.

    Otwórz odnośnik DOI
    Skopiowano.
  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.

    Otwórz odnośnik DOI
    Skopiowano.
  3. Chen, H., & Albergante, L. (2022). scVelo: RNA velocity at single-cell resolution. bioRxiv.

    Otwórz odnośnik do publikacji
    Skopiowano.