RNA Velocity
- 提出者
- Gioele La Manno & Pavel Soldatov
- 年份
- 2018
- 类型
- Trajectory inference method
- 类别
- Single-cell genomics
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
RNA velocity 是一种计算方法,它从单细胞 RNA 测序数据中推断单个细胞的未来发育状态。RNA velocity 分析由 La Manno 及其同事于 2018 年开发,通过分析单个细胞内未剪接 mRNA 转录本与已剪接 mRNA 转录本的比例来测量细胞状态转变的方向和速度。这使得在无需时间采样或操作的情况下即可预测细胞轨迹和分化途径,从而为发育和疾病过程中的细胞命运决定提供独特的见解。
方法背后的直觉
在转录过程中,mRNA 最初被合成为未剪接的前体(pre-mRNA)。剪接去除内含子,产生成熟的 mRNA。基因上未剪接与已剪接 mRNA 的相对丰度反映了近期的转录活性:高未剪接/低已剪接表明近期上调,而低未剪接/高已剪接表明近期下调或稳定 mRNA 的持续表达。RNA velocity 将跨越数千个基因的此信息结合起来。通过将单个细胞的转录状态(当前基因表达)与其速度(从剪接比例推断的表达变化方向)进行比较,研究人员可以预测细胞在基因表达空间中的去向。具有相似速度的细胞遵循相似的轨迹,从而可以可视化群体水平的分化路径。
历史学
La Manno 及其同事于 2018 年引入了 RNA velocity,他们观察到单细胞中的未剪接 mRNA 丰度提供了关于转录方向的信息。他们在几个发育系统(胰腺发育、神经发生)上演示了该方法。Bergen 及其同事(2020 年)通过改进的统计框架(scVelo 软件)扩展了该方法,能够更好地处理瞬时细胞状态和复杂动力学。RNA velocity 已迅速成为单细胞研究中标准的后续分析,能够发现新的分化途径并验证发育假说。
何时使用
利用 RNA velocity 来理解发育轨迹、预测细胞命运转变以及验证从聚类分析中发现的细胞类型关系。它在发育系统(胚胎发生、造血)和表征组织中的疾病进展方面尤其强大。当细胞未积极改变状态时(稳态组织基因表达静态),避免使用 RNA velocity,因为速度信号会变弱。技术考虑:基于液滴的方案(10x)需要能够从内含子读数推断剪接的方法;全长方案(Smart-seq2)能够直接测量。
局限与注意事项
- 依赖于 mRNA 剪接动力学反映未来细胞状态变化的假设;对于没有持续转录的基因,该假设不成立
- 低转录活性的细胞(静息细胞、成熟细胞类型)中速度较弱
- 需要高深度测序才能准确测量未剪接读数,尤其是在基于液滴的方案中
- 预测是概率性的;无法确定地预测单个细胞的命运
- 对基因选择和统计参数选择敏感
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 从静态快照数据中推断时间动力学,无需进行时间序列实验
- 为发育轨迹提供细胞级别分辨率
- 识别分化中的细胞命运决定点和分支点
- 验证并扩展无监督聚类结果
- 兼容多种单细胞技术和组织
应用
- 从骨髓细胞的单细胞 RNA-seq 中推断造血分化轨迹
- 通过分析祖细胞的速度来预测大脑发育过程中的神经命运决定
- 在细胞改变命运的重编程实验中识别转分化途径
- 在单细胞肿瘤数据中检测早期癌细胞可塑性和转移前转移信号
- 揭示驱动免疫细胞激活中细胞状态转变的时间基因调控变化
使用方式
使用方式
对来自组织或发育阶段的细胞进行单细胞 RNA 测序(例如,10x Genomics, Smart-seq2);确保测序深度足以检测未剪接和已剪接的读数。
对每个基因-细胞组合进行比对读数和量化未剪接与已剪接计数;执行标准质量控制(细胞过滤、基因过滤);标准化和对数转换表达数据。
计算每个基因-细胞组合的剪接比例(未剪接/(未剪接+已剪接));识别具有稳健剪接动力学和足够信号的基因。
通过将跨细胞的剪接比例动力学与基因表达水平进行回归来估计 RNA velocity;拟合概率模型(例如,稳态动力学、gamma 过程)以推断速度向量。
在降维空间(例如,UMAP、t-SNE)中可视化速度向量;识别轨迹方向、终末状态和决策点;预测细胞命运选择。
常见陷阱
- 过度解读速度向量为确定性预测而非具有不确定性的概率性估计
- 将 RNA velocity 应用于转录周转率低的组织,此时该方法效力不足
- 假设所有基因都遵循简单的剪接动力学;反馈回路和转录噪声使推断复杂化
- 在估计剪接比例时忽略批次效应和技术伪影
常见问题
RNA velocity 为何依赖于剪接信息?
剪接动力学揭示了近期的转录活性。新激活的基因会积累未剪接的转录本;下调或维持稳定表达的基因主要具有已剪接的 mRNA。此信号与当前表达水平结合,表明基因表达正在增加还是减少。
RNA velocity 能预测单个细胞的命运吗?
不能确定地预测。RNA velocity 基于群体水平的趋势提供概率性预测。由于噪声、随机性或未观察到的因素,单个细胞可能偏离预测的轨迹。群体水平的预测比单细胞预测更可靠。
哪种测序方案最适合 RNA velocity 分析?
全长方案(Smart-seq2)是理想的,因为它们直接捕获内含子和外显子。基于液滴的方案(10x Genomics)也可以,前提是在比对过程中恢复了内含子读数。方案选择会影响速度估计的统计功效和技术质量。
如何验证 RNA velocity 预测?
验证方法包括:在多个时间点对细胞进行采样的时间序列实验(真实情况)、与实验扰动数据的比较以及与已知发育生物学的一致性。CellRank 等软件工具将速度与 RNA 表达和其他数据源集成,以获得更稳健的推断。
相关方法
参考文献
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.
打开 DOI 文献已复制。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.
打开 DOI 文献已复制。Chen, H., & Albergante, L. (2022). scVelo: RNA velocity at single-cell resolution. bioRxiv.
打开出版物文献已复制。