Skip to content
Назад к результатам поиска

РНК-скорость

Автор метода
Gioele La Manno & Pavel Soldatov
Год
2018
Тип
Trajectory inference method
Семейство
Single-cell genomics

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

РНК-скорость — это вычислительный метод, который определяет будущее состояние развития отдельных клеток на основе данных одноклеточного секвенирования РНК.

Разработанный Ла Манно и его коллегами в 2018 году, анализ РНК-скорости измеряет направление и темп переходов клеточного состояния путем анализа соотношения несплайсированных и сплайсированных мРНК-транскриптов в отдельных клетках. Это позволяет предсказывать клеточные траектории и пути дифференцировки без необходимости временного отбора проб или манипуляций, предоставляя уникальное представление о решениях клеточной судьбы во время развития и болезней.

Интуиция метода

Во время транскрипции мРНК изначально синтезируется как несплайсированный предшественник (пре-мРНК). Сплайсинг удаляет интроны, производя зрелую мРНК. Относительное содержание несплайсированной и сплайсированной мРНК в гене отражает недавнюю транскрипционную активность: высокое соотношение несплайсированных/низкое сплайсированных предполагает недавнюю активацию, в то время как низкое соотношение несплайсированных/высокое сплайсированных указывает на недавнюю деактивацию или продолжающуюся экспрессию стабильной мРНК. РНК-скорость объединяет эту информацию по тысячам генов. Сравнивая транскрипционное состояние отдельной клетки (текущая экспрессия генов) с ее скоростью (направление изменяющейся экспрессии, выведенное из соотношений сплайсинга), исследователи могут предсказать, куда движется клетка в пространстве экспрессии генов. Клетки со схожими скоростями следуют схожим траекторияям, что позволяет визуализировать пути дифференцировки на уровне популяции.

История

Ла Манно и коллеги представили РНК-скорость в 2018 году, отметив, что содержание несплайсированной мРНК в отдельных клетках предоставляет информацию о направлении транскрипции. Они продемонстрировали подход на нескольких системах развития (развитие поджелудочной железы, нейрогенез). Берген и коллеги (2020) расширили метод улучшенными статистическими фреймворками (программное обеспечение scVelo), что позволило лучше обрабатывать переходные клеточные состояния и сложную кинетику. РНК-скорость быстро стала стандартным пост-анализом в одноклеточных исследованиях, позволяя открывать новые пути дифференцировки и валидировать гипотезы развития.

Когда применять

Использовать РНК-скорость для понимания траекторий развития, предсказания переходов клеточной судьбы и валидации обнаруженных взаимосвязей клеточных типов из кластерного анализа. Метод особенно мощный в системах развития (эмбриогенез, гемопоэз) и при характеристике прогрессирования заболеваний в тканях. Избегать использования РНК-скорости, когда клетки не находятся в активном состоянии изменения (ткани в стационарном состоянии со статичной экспрессией генов), поскольку сигналы скорости становятся слабыми. Технические соображения: капельные протоколы (10x) требуют методов, которые выводят сплайсинг из интронных прочтений; полноразмерные протоколы (Smart-seq2) позволяют прямое измерение.

Ограничения и замечания

  • Основан на предположении, что динамика сплайсинга мРНК отражает будущие изменения клеточного состояния; нарушает предположение для генов без текущей транскрипции
  • Скорость слаба в клетках с низкой транскрипционной активностью (покоящиеся клетки, зрелые типы клеток)
  • Требует секвенирования высокой глубины для точного измерения несплайсированных прочтений, особенно в капельных протоколах
  • Предсказания вероятностны; не может с уверенностью предсказать судьбу отдельных клеток
  • Чувствителен к выбору генов и параметрам статистических моделей

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Определяет временную динамику из статических данных моментального снимка без необходимости проведения экспериментов с временными рядами
  • Предоставляет разрешение на уровне клеток для траекторий развития
  • Идентифицирует точки принятия решений клеточной судьбы и точки ветвления при дифференцировке
  • Валидирует и расширяет результаты неконтролируемого кластеризации
  • Совместим с различными одноклеточными технологиями и тканями

Применение

  • Вывод траекторий гемопоэтической дифференцировки из одноклеточного РНК-секвенирования клеток костного мозга
  • Предсказание решений нейронной судьбы во время развития мозга путем анализа скорости в клетках-предшественниках
  • Идентификация путей трансдифференцировки в экспериментах по репрограммированию, где клетки меняют судьбу
  • Обнаружение ранней пластичности раковых клеток и сигнатур преметастатического перехода в одноклеточных данных опухолей
  • Выявление временных изменений в регуляции генов, обусловливающих переходы клеточного состояния при активации иммунных клеток

Как это работает

Как это работает

1

Провести одноклеточное секвенирование РНК (например, 10x Genomics, Smart-seq2) клеток из ткани или на определенной стадии развития; обеспечить достаточную глубину секвенирования для обнаружения как сплайсированных, так и несплайсированных прочтений.

2

Выровнять прочтения и количественно оценить несплайсированные и сплайсированные счетчики для каждого гена и клетки; выполнить стандартный контроль качества (фильтрация клеток, фильтрация генов); нормализовать и логарифмически преобразовать данные экспрессии.

3

Вычислить соотношения сплайсинга (несплайсированные/(несплайсированные+сплайсированные)) для каждой комбинации ген-клетка; идентифицировать гены с устойчивой динамикой сплайсинга и достаточным сигналом.

4

Оценить РНК-скорость путем регрессии динамики соотношения сплайсинга против уровней экспрессии генов в клетках; подогнать вероятностные модели (например, кинетика в стационарном состоянии, гамма-процесс) для вывода векторов скорости.

5

Визуализировать векторы скорости в пониженном размерном пространстве (например, UMAP, t-SNE); идентифицировать направления траекторий, конечные состояния и точки принятия решений; предсказать выбор клеточной судьбы.

Частые ошибки

  • Чрезмерная интерпретация векторов скорости как точных предсказаний, а не вероятностных оценок с неопределенностью
  • Применение РНК-скорости к тканям с низким оборотом транскрипции, где метод не обладает достаточной мощностью
  • Предположение, что все гены следуют простой кинетике сплайсинга; петли обратной связи и транскрипционный шум усложняют вывод
  • Пренебрежение пакетными эффектами и техническими артефактами при оценке соотношения сплайсинга

Часто задаваемые вопросы

Почему РНК-скорость полагается на информацию о сплайсинге?

Динамика сплайсинга выявляет недавнюю транскрипционную активность. Гены, которые только что активируются, накапливают несплайсированные транскрипты; гены, которые деактивируются или поддерживают стабильную экспрессию, имеют преимущественно сплайсированную мРНК. Этот сигнал в сочетании с текущими уровнями экспрессии указывает на то, увеличивается или уменьшается экспрессия гена.

Может ли РНК-скорость предсказать судьбу отдельных клеток?

Не с уверенностью. РНК-скорость предоставляет вероятностные предсказания, основанные на тенденциях на уровне популяции. Отдельные клетки могут отклоняться от предсказанных траекторий из-за шума, стохастичности или ненаблюдаемых факторов. Предсказания на уровне популяции более надежны, чем предсказания для отдельных клеток.

Какой протокол секвенирования лучше всего подходит для анализа РНК-скорости?

Полноразмерные протоколы (Smart-seq2) являются идеальными, поскольку они напрямую захватывают интроны и экзоны. Капельные протоколы (10x Genomics) также могут работать, если интронные прочтения восстанавливаются во время выравнивания. Выбор протокола влияет на статистическую мощность и техническое качество оценок скорости.

Как валидировать предсказания РНК-скорости?

Подходы к валидации включают: эксперименты с временными рядами, отбирающие клетки в разные моменты времени (золотой стандарт), сравнение с данными экспериментальных возмущений и соответствие известной биологии развития. Программные инструменты, такие как CellRank, интегрируют скорость с РНК-экспрессией и другими источниками данных для более надежного вывода.

Похожие методы

Источники

  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.

    Открыть ссылку DOI
    Скопировано.
  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.

    Открыть ссылку DOI
    Скопировано.
  3. Chen, H., & Albergante, L. (2022). scVelo: RNA velocity at single-cell resolution. bioRxiv.

    Открыть ссылку на публикацию
    Скопировано.