İçeriğe atla
Arama sonuçlarına dön

RNA Hızı

Ortaya koyan
Gioele La Manno & Pavel Soldatov
Yıl
2018
Tür
Trajectory inference method
Aile
Single-cell genomics

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

RNA hızı, tek hücreli RNA dizileme verilerinden bireysel hücrelerin gelecekteki gelişimsel durumunu çıkarsayan hesaplamalı bir yöntemdir.

La Manno ve arkadaşları tarafından 2018'de geliştirilen RNA hızı analizi, bireysel hücrelerdeki eklenmemiş (unspliced) ve eklenmiş (spliced) mRNA transkriptlerinin oranını analiz ederek hücre durumu geçişlerinin yönünü ve hızını ölçer. Bu, zamansal örnekleme veya manipülasyon gerektirmeden hücre yörüngelerinin ve farklılaşma yollarının tahmin edilmesini sağlayarak, gelişim ve hastalık sırasındaki hücre kaderi kararlarına ilişkin benzersiz içgörüler sunar.

Yöntemin mantığı

Transkripsiyon sırasında mRNA başlangıçta eklenmemiş öncü (pre-mRNA) olarak sentezlenir. Eklenme (splicing) intronları çıkararak olgun mRNA üretir. Bir gendeki eklenmemiş ve eklenmiş mRNA'nın göreceli bolluğu, son transkripsiyonel aktiviteyi yansıtır: yüksek eklenmemiş/düşük eklenmiş, yakın zamanda yukarı regülasyonu düşündürürken, düşük eklenmemiş/yüksek eklenmiş, yakın zamanda aşağı regülasyonu veya kararlı mRNA'nın devam eden ekspresyonunu gösterir. RNA hızı, bu bilgiyi binlerce gen boyunca birleştirir. Bir bireysel hücrenin transkripsiyonel durumunu (mevcut gen ekspresyonu) hızıyla (eklenme oranlarından çıkarılan değişen ekspresyon yönü) karşılaştırarak, araştırmacılar hücrenin gen ekspresyon uzayında nereye doğru ilerlediğini tahmin edebilirler. Benzer hızlara sahip hücreler benzer yörüngeleri takip eder, bu da popülasyon düzeyindeki farklılaşma yollarının görselleştirilmesini sağlar.

Tarih

La Manno ve arkadaşları, 2018'de RNA hızını tanıttılar ve tek hücrelerdeki eklenmemiş mRNA bolluklarının transkripsiyonel yön hakkında bilgi sağladığını gözlemlediler. Yaklaşımı çeşitli gelişimsel sistemlerde (pankreas gelişimi, nörogenez) gösterdiler. Bergen ve arkadaşları (2020), yöntemi geliştirilmiş istatistiksel çerçevelerle (scVelo yazılımı) genişleterek, geçici hücre durumlarının ve karmaşık kinetiğin daha iyi ele alınmasını sağladılar. RNA hızı, tek hücre çalışmalarında hızla standart bir post-hoc analiz haline gelerek, yeni farklılaşma yollarının keşfedilmesini ve gelişimsel hipotezlerin doğrulanmasını sağlamıştır.

Ne zaman kullanılır?

Gelişimsel yörüngeleri anlamak, hücre kaderi geçişlerini tahmin etmek ve kümeleme analizinden keşfedilen hücre tipi ilişkilerini doğrulamak için RNA hızını kullanın. Özellikle gelişimsel sistemlerde (embriyogenez, hematopoez) ve dokulardaki hastalık ilerlemesini karakterize etmede güçlüdür. Hücreler aktif olarak durum değiştirmediğinde (statik gen ekspresyonuna sahip kararlı durum dokuları) RNA hızından kaçının, çünkü hız sinyalleri zayıflar. Teknik husus: damlacık tabanlı protokoller (10x) intronik okumalardan eklenmeyi çıkarsayan yöntemler gerektirir; tam uzunlukta protokoller (Smart-seq2) doğrudan ölçüm sağlar.

Sınırlar ve dikkat edilmesi gerekenler

  • mRNA eklenme dinamiklerinin gelecekteki hücre durumu değişikliklerini yansıttığı varsayımına dayanır; devam eden transkripsiyonu olmayan genler için varsayımı ihlal eder
  • Düşük transkripsiyonel aktiviteye sahip hücrelerde (durgun hücreler, olgun hücre tipleri) hız zayıftır
  • Özellikle damlacık tabanlı protokollerde, eklenmemiş okumaları doğru bir şekilde ölçmek için yüksek derinlikli dizileme gerektirir
  • Tahminler olasılıksaldır; bireysel hücrelerin kaderini kesin olarak tahmin edemez
  • Gen seçimine ve istatistiksel parametre seçimlerine duyarlıdır

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Zaman serisi deneyleri gerektirmeden statik anlık görüntü verilerinden zamansal dinamikleri çıkarır
  • Gelişimsel yörüngeler için hücre düzeyinde çözünürlük sağlar
  • Farklılaşmadaki hücre kaderi karar noktalarını ve dallanma noktalarını tanımlar
  • Denetimsiz kümelemeden elde edilen sonuçları doğrular ve genişletir
  • Çeşitli tek hücre teknolojileri ve dokularıyla uyumludur

Uygulama alanları

  • Kemik iliği hücrelerinin tek hücreli RNA dizilemesinden hematopoetik farklılaşma yörüngelerini çıkarmak
  • Progenitör hücrelerdeki hızı analiz ederek beyin gelişimi sırasında nöral kader kararlarını tahmin etmek
  • Hücrelerin kaderini değiştirdiği yeniden programlama deneylerinde transdiferansiyasyon yollarını belirlemek
  • Tek hücreli tümör verilerinde erken kanser hücresi plastisitesini ve pre-metastatik geçiş imzalarını tespit etmek
  • İmmün hücre aktivasyonunda hücre durumu geçişlerini yönlendiren zamansal gen düzenleyici değişiklikleri ortaya çıkarmak

Nasıl çalışır?

Nasıl çalışır?

1

Bir doku veya gelişimsel aşamadaki hücreler üzerinde tek hücreli RNA dizileme (örn. 10x Genomics, Smart-seq2) gerçekleştirin; eklenmiş ve eklenmemiş okumaları tespit etmek için dizileme derinliğinin yeterli olduğundan emin olun.

2

Okumaları hizalayın ve her hücredeki her gen için eklenmemiş ve eklenmiş sayımları niceleyin; standart kalite kontrolü (hücre filtreleme, gen filtreleme) gerçekleştirin; ekspresyon verilerini normalleştirin ve log-dönüşüm uygulayın.

3

Her gen-hücre kombinasyonu için eklenme oranlarını (eklenmemiş/(eklenmemiş+eklenmiş)) hesaplayın; sağlam eklenme dinamiklerine ve yeterli sinyale sahip genleri belirleyin.

4

Hücreler arası gen ekspresyon seviyelerine karşı eklenme oranı dinamiklerini regresyon yaparak RNA hızını tahmin edin; hız vektörlerini çıkarmak için olasılıksal modelleri (örn. kararlı durum kinetiği, gama süreci) uygulayın.

5

Hız vektörlerini indirgenmiş boyutlu uzayda (örn. UMAP, t-SNE) görselleştirin; yörünge yönlerini, terminal durumları ve karar noktalarını belirleyin; hücre kaderi seçimlerini tahmin edin.

Sık yapılan hatalar

  • Hız vektörlerini belirsizlikle birlikte olasılıksal tahminler yerine kesin tahminler olarak aşırı yorumlamak
  • Yöntemin gücünün yetersiz olduğu düşük transkripsiyonel dönüşüme sahip dokulara RNA hızını uygulamak
  • Tüm genlerin basit eklenme kinetiğini takip ettiğini varsaymak; geri besleme döngüleri ve transkripsiyonel gürültü çıkarımı karmaşıklaştırır
  • Eklenme oranı tahmininde parti etkilerini ve teknik artefaktları ihmal etmek

Sık sorulan sorular

RNA hızı neden eklenme bilgilerine dayanır?

Eklenme dinamikleri son transkripsiyonel aktiviteyi ortaya koyar. Yeni aktive olan genler eklenmemiş transkriptleri biriktirir; aşağı regüle edilen veya kararlı ekspresyonu sürdüren genler öncelikle eklenmiş mRNA'ya sahiptir. Bu sinyal, mevcut ekspresyon seviyeleriyle birleştiğinde, gen ekspresyonunun artıp azalmadığını gösterir.

RNA hızı tek hücrelerin kaderini tahmin edebilir mi?

Kesin olarak değil. RNA hızı, popülasyon düzeyindeki eğilimlere dayalı olasılıksal tahminler sağlar. Bireysel hücreler, gürültü, stokastisite veya gözlemlenmeyen faktörler nedeniyle tahmin edilen yörüngelerden sapabilir. Popülasyon düzeyindeki tahminler, tek hücreli tahminlerden daha güvenilirdir.

RNA hızı analizi için en iyi dizileme protokolü hangisidir?

Tam uzunlukta protokoller (Smart-seq2) idealdir çünkü intronları ve ekzonları doğrudan yakalarlar. Damlacık tabanlı protokoller (10x Genomics) de, hizalama sırasında intronik okumalar kurtarılırsa çalışabilir. Protokol seçimi, hız tahminlerinin istatistiksel gücünü ve teknik kalitesini etkiler.

RNA hızı tahminlerini nasıl doğrularım?

Doğrulama yaklaşımları şunları içerir: birden fazla zaman noktasında hücreleri örnekleyen zaman serisi deneyleri (gerçek durum), deneysel pertürbasyon verileriyle karşılaştırma ve bilinen gelişimsel biyoloji ile tutarlılık. CellRank gibi yazılım araçları, daha sağlam çıkarım için hızı RNA ekspresyonu ve diğer veri kaynaklarıyla entegre eder.

İlgili yöntemler

Kaynaklar

  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.

    DOI kaynağını aç
    Kopyalandı.
  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.

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

    Yayın kaynağını aç
    Kopyalandı.