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
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
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.
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.
Вычислить соотношения сплайсинга (несплайсированные/(несплайсированные+сплайсированные)) для каждой комбинации ген-клетка; идентифицировать гены с устойчивой динамикой сплайсинга и достаточным сигналом.
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.
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
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 DOIСкопировано.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 DOIСкопировано.Chen, H., & Albergante, L. (2022). scVelo: RNA velocity at single-cell resolution. bioRxiv.
Открыть ссылку на публикациюСкопировано.