Skip to content
กลับไปยังผลการค้นหา

RNA Velocity

ผู้เสนอ
Gioele La Manno & Pavel Soldatov
ปี
2018
ประเภท
Trajectory inference method
กลุ่มวิธี
Single-cell genomics

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

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

1

ดำเนินการจัดลำดับ RNA ของเซลล์เดี่ยว (เช่น 10x Genomics, Smart-seq2) บนเซลล์จากเนื้อเยื่อหรือระยะการพัฒนา ตรวจสอบให้แน่ใจว่าความลึกของการจัดลำดับเพียงพอที่จะตรวจจับทั้ง reads ที่ถูกตัดต่อและยังไม่ได้ถูกตัดต่อ

2

จัดตำแหน่ง reads และวัดปริมาณจำนวน reads ที่ยังไม่ได้ถูกตัดต่อและถูกตัดต่อต่อยีนต่อเซลล์ ดำเนินการควบคุมคุณภาพมาตรฐาน (การกรองเซลล์, การกรองยีน) ปรับข้อมูลการแสดงออกและแปลงเป็น log

3

คำนวณอัตราส่วนการตัดต่อ (unspliced/(unspliced+spliced)) สำหรับแต่ละการรวมกันของยีน-เซลล์ ระบุยีนที่มีพลวัตการตัดต่อที่แข็งแกร่งและมีสัญญาณเพียงพอ

4

ประมาณค่า RNA velocity โดยการถดถอยพลวัตของอัตราส่วนการตัดต่อเทียบกับระดับการแสดงออกของยีนในเซลล์ต่างๆ ปรับแบบจำลองความน่าจะเป็น (เช่น steady-state kinetics, gamma process) เพื่ออนุมานเวกเตอร์ความเร็ว

5

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

  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.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  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.

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

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว