RNA Velocity
- ผู้เสนอ
- Gioele La Manno & Pavel Soldatov
- ปี
- 2018
- ประเภท
- Trajectory inference method
- กลุ่มวิธี
- Single-cell genomics
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
RNA velocity เป็นระเบียบวิธีเชิงคำนวณที่อนุมานสถานะการพัฒนาในอนาคตของเซลล์แต่ละเซลล์จากข้อมูลการจัดลำดับ RNA ของเซลล์เดี่ยว (single-cell RNA-sequencing data) ระเบียบวิธีนี้พัฒนาโดย La Manno และคณะในปี 2018 การวิเคราะห์ RNA velocity วัดทิศทางและอัตราการเปลี่ยนแปลงสถานะของเซลล์โดยการวิเคราะห์อัตราส่วนของทรานสคริปต์ mRNA ที่ยังไม่ได้ถูกตัดต่อ (unspliced) ต่อทรานสคริปต์ mRNA ที่ถูกตัดต่อแล้ว (spliced) ภายในเซลล์แต่ละเซลล์ สิ่งนี้ช่วยให้สามารถคาดการณ์วิถีของเซลล์ (cell trajectories) และเส้นทางการจำแนกเซลล์ (differentiation pathways) โดยไม่จำเป็นต้องมีการสุ่มตัวอย่างตามเวลาหรือการจัดการทดลอง ทำให้ได้ข้อมูลเชิงลึกที่ไม่เหมือนใครเกี่ยวกับการตัดสินใจเกี่ยวกับชะตากรรมของเซลล์ (cell fate decisions) ในระหว่างการพัฒนาและโรค
แนวคิดเบื้องหลังวิธีการ
ในระหว่างการถอดรหัส (transcription) mRNA จะถูกสังเคราะห์ขึ้นในตอนแรกในรูปของพรี-mRNA (pre-mRNA) ที่ยังไม่ได้ถูกตัดต่อ การตัดต่อ (splicing) จะกำจัดอินตรอน (introns) ออก ทำให้เกิด mRNA ที่สมบูรณ์ (mature mRNA) ความอุดมสมบูรณ์สัมพัทธ์ของ mRNA ที่ยังไม่ได้ถูกตัดต่อเทียบกับ mRNA ที่ถูกตัดต่อแล้วในยีนหนึ่งๆ สะท้อนถึงกิจกรรมการถอดรหัสล่าสุด: อัตราส่วน unspliced สูง/spliced ต่ำ บ่งชี้ถึงการเพิ่มขึ้นของการถอดรหัสเมื่อเร็วๆ นี้ ในขณะที่อัตราส่วน unspliced ต่ำ/spliced สูง บ่งชี้ถึงการลดลงของการถอดรหัสเมื่อเร็วๆ นี้ หรือการแสดงออกของ mRNA ที่เสถียรอย่างต่อเนื่อง RNA velocity รวมข้อมูลนี้จากยีนหลายพันยีน โดยการเปรียบเทียบสถานะการถอดรหัสของเซลล์แต่ละเซลล์ (การแสดงออกของยีนปัจจุบัน) กับความเร็ว (velocity) ของเซลล์ (ทิศทางการเปลี่ยนแปลงการแสดงออกที่อนุมานได้จากอัตราส่วนการตัดต่อ) นักวิจัยสามารถคาดการณ์ได้ว่าเซลล์กำลังมุ่งหน้าไปที่ใดในปริภูมิการแสดงออกของยีน (gene expression space) เซลล์ที่มีความเร็วคล้ายคลึงกันจะดำเนินตามวิถีที่คล้ายคลึงกัน ทำให้สามารถแสดงภาพเส้นทางการจำแนกเซลล์ในระดับประชากรได้
ประวัติศาสตร์
La Manno และคณะได้นำเสนอ RNA velocity ในปี 2018 โดยสังเกตว่าความอุดมสมบูรณ์ของ mRNA ที่ยังไม่ได้ถูกตัดต่อในเซลล์เดี่ยวให้ข้อมูลเกี่ยวกับทิศทางการถอดรหัส พวกเขาได้สาธิตแนวทางนี้ในระบบการพัฒนาหลายระบบ (การพัฒนาตับอ่อน, การสร้างเซลล์ประสาท) Bergen และคณะ (2020) ได้ขยายระเบียบวิธีนี้ด้วยกรอบการทำงานทางสถิติที่ปรับปรุงแล้ว (ซอฟต์แวร์ scVelo) ทำให้สามารถจัดการกับสถานะเซลล์ชั่วคราวและจลนศาสตร์ที่ซับซ้อนได้ดีขึ้น RNA velocity ได้กลายเป็นวิธีการวิเคราะห์หลังการทดลอง (post-hoc analysis) มาตรฐานในการศึกษาเซลล์เดี่ยวอย่างรวดเร็ว ช่วยให้สามารถค้นพบเส้นทางการจำแนกเซลล์ใหม่ๆ และตรวจสอบสมมติฐานเกี่ยวกับการพัฒนา
ควรใช้เมื่อใด
ใช้ RNA velocity เพื่อทำความเข้าใจวิถีการพัฒนา คาดการณ์การเปลี่ยนแปลงชะตากรรมของเซลล์ และตรวจสอบความสัมพันธ์ของชนิดเซลล์ที่ค้นพบจากการวิเคราะห์การจัดกลุ่ม (clustering analysis) วิธีนี้มีประสิทธิภาพอย่างยิ่งในระบบการพัฒนา (การสร้างตัวอ่อน, การสร้างเม็ดเลือด) และในการอธิบายการลุกลามของโรคในเนื้อเยื่อ หลีกเลี่ยงการใช้ RNA velocity เมื่อเซลล์ไม่ได้มีการเปลี่ยนแปลงสถานะอย่างแข็งขัน (เนื้อเยื่อที่อยู่ในสภาวะคงที่ (steady-state) ที่มีการแสดงออกของยีนคงที่) เนื่องจากสัญญาณความเร็วจะอ่อนแอ ข้อควรพิจารณาทางเทคนิค: โปรโตคอลแบบหยด (droplet-based protocols) (10x) ต้องการระเบียบวิธีที่อนุมานการตัดต่อจาก reads ที่อยู่ในอินตรอน โปรโตคอลแบบเต็มความยาว (full-length protocols) (Smart-seq2) ช่วยให้สามารถวัดผลได้โดยตรง
ข้อจำกัดและข้อควรพิจารณา
- อาศัยสมมติฐานที่ว่าพลวัตการตัดต่อ mRNA สะท้อนถึงการเปลี่ยนแปลงสถานะของเซลล์ในอนาคต ละเมิดสมมติฐานสำหรับยีนที่ไม่มีการถอดรหัสอย่างต่อเนื่อง
- ความเร็วจะอ่อนแอในเซลล์ที่มีกิจกรรมการถอดรหัสต่ำ (เซลล์พักตัว (quiescent cells), ชนิดเซลล์ที่เจริญเต็มที่)
- ต้องการการจัดลำดับข้อมูลความลึกสูงเพื่อวัด reads ที่ยังไม่ได้ถูกตัดต่ออย่างแม่นยำ โดยเฉพาะอย่างยิ่งในโปรโตคอลแบบหยด
- การคาดการณ์เป็นแบบความน่าจะเป็น ไม่สามารถคาดการณ์ชะตากรรมของเซลล์แต่ละเซลล์ได้อย่างแน่นอน
- ไวต่อการเลือกยีนและการเลือกพารามิเตอร์ทางสถิติ
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- อนุมานพลวัตเชิงเวลาจากข้อมูลภาพนิ่ง (static snapshot data) โดยไม่จำเป็นต้องทำการทดลองแบบอนุกรมเวลา
- ให้ความละเอียดระดับเซลล์สำหรับวิถีการพัฒนา
- ระบุจุดตัดสินใจชะตากรรมของเซลล์และจุดแตกแขนงในการจำแนกเซลล์
- ตรวจสอบและขยายผลลัพธ์จากการจัดกลุ่มแบบไม่มีผู้ดูแล (unsupervised clustering)
- เข้ากันได้กับเทคโนโลยีเซลล์เดี่ยวและเนื้อเยื่อที่หลากหลาย
การประยุกต์ใช้
- การอนุมานวิถีการจำแนกเซลล์เม็ดเลือดจากการจัดลำดับ RNA ของเซลล์เดี่ยวจากเซลล์ไขกระดูก
- การคาดการณ์การตัดสินใจชะตากรรมของเซลล์ประสาทระหว่างการพัฒนาสมองโดยการวิเคราะห์ความเร็วในเซลล์ต้นกำเนิด
- การระบุเส้นทางการเปลี่ยนสภาพเซลล์ (transdifferentiation pathways) ในการทดลองการปรับโปรแกรมใหม่ (reprogramming experiments) ที่เซลล์เปลี่ยนชะตากรรม
- การตรวจจับความยืดหยุ่นของเซลล์มะเร็งระยะเริ่มต้นและลายเซ็นการเปลี่ยนสภาพก่อนการแพร่กระจาย (pre-metastatic transition signatures) ในข้อมูลเนื้องอกของเซลล์เดี่ยว
- การเปิดเผยการเปลี่ยนแปลงของเครือข่ายยีนตามเวลาที่ขับเคลื่อนการเปลี่ยนแปลงสถานะของเซลล์ในการกระตุ้นเซลล์ภูมิคุ้มกัน
วิธีการทำงาน
วิธีการทำงาน
ดำเนินการจัดลำดับ RNA ของเซลล์เดี่ยว (เช่น 10x Genomics, Smart-seq2) บนเซลล์จากเนื้อเยื่อหรือระยะการพัฒนา ตรวจสอบให้แน่ใจว่าความลึกของการจัดลำดับเพียงพอที่จะตรวจจับทั้ง reads ที่ถูกตัดต่อและยังไม่ได้ถูกตัดต่อ
จัดตำแหน่ง reads และวัดปริมาณจำนวน reads ที่ยังไม่ได้ถูกตัดต่อและถูกตัดต่อต่อยีนต่อเซลล์ ดำเนินการควบคุมคุณภาพมาตรฐาน (การกรองเซลล์, การกรองยีน) ปรับข้อมูลการแสดงออกและแปลงเป็น log
คำนวณอัตราส่วนการตัดต่อ (unspliced/(unspliced+spliced)) สำหรับแต่ละการรวมกันของยีน-เซลล์ ระบุยีนที่มีพลวัตการตัดต่อที่แข็งแกร่งและมีสัญญาณเพียงพอ
ประมาณค่า RNA velocity โดยการถดถอยพลวัตของอัตราส่วนการตัดต่อเทียบกับระดับการแสดงออกของยีนในเซลล์ต่างๆ ปรับแบบจำลองความน่าจะเป็น (เช่น steady-state kinetics, gamma process) เพื่ออนุมานเวกเตอร์ความเร็ว
แสดงภาพเวกเตอร์ความเร็วในปริภูมิที่มีมิติลดลง (เช่น UMAP, t-SNE) ระบุทิศทางของวิถี สถานะสุดท้าย และจุดตัดสินใจ คาดการณ์การเลือกชะตากรรมของเซลล์
ข้อผิดพลาดที่พบบ่อย
- การตีความเวกเตอร์ความเร็วมากเกินไปว่าเป็นคำทำนายที่แน่นอน แทนที่จะเป็นการประมาณค่าความน่าจะเป็นที่มีความไม่แน่นอน
- การใช้ RNA velocity กับเนื้อเยื่อที่มีการหมุนเวียนของการถอดรหัสต่ำ ซึ่งวิธีนี้ไม่มีประสิทธิภาพ
- การสมมติว่ายีนทั้งหมดเป็นไปตามจลนศาสตร์การตัดต่อแบบง่ายๆ วงจรป้อนกลับ (feedback loops) และสัญญาณรบกวนในการถอดรหัส (transcriptional noise) ทำให้การอนุมานซับซ้อนขึ้น
- การละเลยผลกระทบจากแบตช์ (batch effects) และสิ่งแปลกปลอมทางเทคนิค (technical artifacts) ในการประมาณค่าอัตราส่วนการตัดต่อ
คำถามที่พบบ่อย
เหตุใด RNA velocity จึงอาศัยข้อมูลการตัดต่อ?
พลวัตการตัดต่อเผยให้เห็นกิจกรรมการถอดรหัสล่าสุด ยีนที่กำลังถูกเปิดใช้งานใหม่จะสะสมทรานสคริปต์ที่ยังไม่ได้ถูกตัดต่อ ยีนที่กำลังถูกลดการทำงานหรือรักษาสถานะการแสดงออกที่เสถียรจะมี mRNA ที่ถูกตัดต่อเป็นหลัก สัญญาณนี้เมื่อรวมกับระดับการแสดงออกปัจจุบัน จะบ่งชี้ว่าการแสดงออกของยีนกำลังเพิ่มขึ้นหรือลดลง
RNA velocity สามารถคาดการณ์ชะตากรรมของเซลล์เดี่ยวได้หรือไม่?
ไม่แน่นอน RNA velocity ให้การคาดการณ์แบบความน่าจะเป็นตามแนวโน้มระดับประชากร เซลล์แต่ละเซลล์อาจเบี่ยงเบนไปจากวิถีที่คาดการณ์ไว้เนื่องจากสัญญาณรบกวน (noise) ความไม่แน่นอน (stochasticity) หรือปัจจัยที่ไม่ได้สังเกต การคาดการณ์ระดับประชากรมีความน่าเชื่อถือมากกว่าการคาดการณ์ระดับเซลล์เดี่ยว
โปรโตคอลการจัดลำดับแบบใดดีที่สุดสำหรับการวิเคราะห์ RNA velocity?
โปรโตคอลแบบเต็มความยาว (Smart-seq2) เหมาะสมที่สุดเนื่องจากสามารถจับอินตรอนและเอกซอนได้โดยตรง โปรโตคอลแบบหยด (10x Genomics) ก็สามารถใช้ได้หากสามารถกู้คืน reads ที่อยู่ในอินตรอนได้ระหว่างการจัดตำแหน่ง การเลือกโปรโตคอลส่งผลต่อกำลังทางสถิติและคุณภาพทางเทคนิคของการประมาณค่าความเร็ว
ฉันจะตรวจสอบความถูกต้องของการคาดการณ์ RNA velocity ได้อย่างไร?
แนวทางการตรวจสอบความถูกต้อง ได้แก่: การทดลองแบบอนุกรมเวลาที่สุ่มตัวอย่างเซลล์ ณ จุดเวลาต่างๆ (ground truth), การเปรียบเทียบกับข้อมูลการรบกวนจากการทดลอง (experimental perturbation data), และความสอดคล้องกับชีววิทยาการพัฒนาที่ทราบ เครื่องมือซอฟต์แวร์ เช่น CellRank รวมความเร็วเข้ากับการแสดงออกของ RNA และแหล่งข้อมูลอื่นๆ เพื่อการอนุมานที่แข็งแกร่งยิ่งขึ้น
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
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.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วBergen, 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.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วChen, H., & Albergante, L. (2022). scVelo: RNA velocity at single-cell resolution. bioRxiv.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้ว