文献丨转录组RNA seq——青年阶段!(下)

简介: 文献丨转录组RNA seq——青年阶段!(下)

超体RNA分析

标准的RNA seq分析是利用大量组织或者细胞进行的,不能保存空间三维信息和细胞类型,不利于我们理解生物的复杂性。为了能深入研究,大佬们提出了超RNA分析技术,如单细胞测序和空间转录组等。

单细胞测序

scRNA-seq以单个细胞为样本(使用流式细胞仪,需要分离细胞,操作难度大),然后标记扩增其RNA,过程与常规转录组测序相似。单细胞分离后,裂解释放rna进行cDNA的合成,并制备文库。在制备文库过程中,单个细胞的rna用pcr扩增,引入了pcr偏差,可以用UMIs(分子标识符)进行校正。虽然只有少数转录本会被逆转录,但泊松分布法取样限制了检测的灵敏度,能够产生可用数据。

一般单细胞测序时,需要考虑以下问题:

  • 是否沿着转录本全长读取?
  • 分析更多细胞(广度)还是分析每个细胞更多转录本(深度)?
  • 实验成本如何?

单细胞测序的特点:

吞吐量较低,每个细胞都需要独立处理,允许用户选择性剪接和等位基因特异性表达,推断异构体的能力较差,需要从广度和深度两个方向考虑问题。

常用方法:平板或微流控制法(捕获少量细胞,但检测的基因多,形成单个数据集)

未来,单细胞测序可能会像今天转录组测序一样批量使用。。。

空间转录组测序

目前,转录组测序提供了详细的数据,但是无法获取空间信息,这是研究过程中的一大难题。空间组学的两种方法:空间编码原位转录组学

空间编码:通过激光捕获显微切割的方法,从组织切片中获取RNA的空间位置编码信息。

原位转录组学:对细胞中RNA进行测序或者成像从而产生组织切片的数据。

目前需要解决的两个问题:

  1. 该法只能用于新鲜组织
  2. 分辨率有限制

上述技术不成熟,也有一些替代方法:单分子荧光原位杂交和基于成像法,能够产生更窄的图谱,直接检测RNA,同时提供组织结构和微环境信息。

超稳态RNA分析

DGE分析RNA-seq测量稳定的mRNA水平(通过平衡转录、加工、降解来维持),也可以用于转录和翻译过程和动力学研究。

新生RNA:Nascent RNA,指刚刚转录完成,未经加工运输的RNA。

用新生RNA测量活性转录

基因表达是一个动态过程,DGE在测量复杂快速变化时受到限制,RNA-seq能够用于TSSs图谱和新生RNA定量,从而使rna动力学研究成为可能。新生RNA法特点:半衰期短、丰度低

原生伸长转录测序:native elongating transcription sequencing (NET- seq),缺乏特异性,可能会污染新生RNA富集。

4-Thiouridine:4-硫代吡啶,真核生物核酸中天然不存在,容易结合,因此可用于初生RNA分析。进行代谢脉冲标记能够识别新生RNA,缺点是:时间长、灵敏度低。

初生RNA的分析方法受到非特异性背景和降解RNA的负面影响,标记比较复杂,限制了灵敏度,进一步的发展可能与空间组学结合,或者RNA-蛋白质互作结合的方法。

核糖体图谱法测定活性翻译

RNA-seq重点关注样品中的mRNA种类和数量,但mRNA不一定直接对应蛋白质的产生。以下两种方法帮助理解“翻译体(从mRNA转化而来的完整蛋白质集合。

  • 多核糖体分析法
  • 基于RNA-seq的核糖体足迹法

上述两种方式能得知有多少个核糖体占据了一个转录本?以及它们在转录本上的分布。从而推断出特定情况下哪些转录本正在被翻译。

多核糖体图谱:利用离心技术分离多核糖体和单一核糖体结合的mRNA,制备文库,在多核糖体部分检测到更高的丰度,可以推断单mRNA的翻译状态。

Ribo-seq:基于RNA足迹发展而来,使用环六胺抑制翻译伸长,导致核糖体在链上停止,然后用RNase1来消除mRNA,留下20多个受到核糖体保护的核苷酸,受保护的RNA测序揭示核糖体的密度和位置,用于产生文库。通过分析能够识别单个mRNA分子的相对翻译、起始、延伸、终止。

RNA-seq的其他应用

RNA在调节分子互作的生物学过程中发挥重要作用,RNA-seq能够用于解决分子内和分子间RNA的相互作用,揭示结构信息,深入了解转录和翻译过程。

互作分析的共同主题:enrichment of RNA that is interacting relative to RNA that is not.

RNA结构和RNA-蛋白质互作

1.结构化分析:利用核酸酶或试剂探测结构化RNA(双链、dsRNA)和非结构化RNA(单链、ssRNA),核酸酶降解后残余RNA被转化为cDNA并测序,读取深度和反应性呈正比。

PARS:RNA结构并行分析( parallel analysis of RNA structure)

2.化学作图:特异性修饰核糖核苷酸,标记阻断逆转录过程,导致cDNA截断,在修饰位点引起错掺突变,随后测序推断结构。

3.RRI分析法:RNA-RNA相互作用分析,首先将互作的RNA分子和生物素交联,然后进行富集,链接自由端,片段化之后制备文库,揭示相互作用的位点信息。

4.RNA-protein相互作用分析方法:RNA和蛋白质互作,交联免疫沉淀RNA后进行测序,利用UV紫外光辐射,在RNA和蛋白质间产生共价交联,片段化后,目标蛋白的抗体结合RNA,并链接适配器,提取cDNA,研究结构和互作体。

用分子内RNA互作探索RNA结构

查询RNA结构的方法有两种:核酸酶法和化学探测法

  • 核酸酶法 如RNA结构并行分析、片段测序,使用特异酶降解后制备文库,结构化和非结构化区域通过计算识别,但其分辨率低于化学法,同时其尺寸比较大。
  • 化学探测法 使用化学探针标记结构化或者非结构化区域,导致逆转录阻断或者cDNA误掺,测序揭示结构特征。探针是小分子,能够在体内确定,更具有生物学意义。还可以用于新生RNA分析和共转录RNA分析。

上述两种方法均产生短RNA片段,只报告单个位点,而误掺和突变检测法每次报告多个位点。所有方法都不是绝对有效,逆转录阻断法可能失败,化学标记可能突变,尖峰控制能提高检测质量却未普及。

这些方法都说明了RNA结构对基因和互作起到的重要作用。

分子间RNA的相互作用

全转录组法和靶向法类似,相互作用的RNAs在体内交联并富集,富集减少进入反应的RNA数量,起到调节作用。

RNA和蛋白质互作

芯片序列是理解RNA和蛋白质互作的关键工具,使用甲醛或者紫外线使RNA和蛋白质交联,再进行简单的RNA免疫沉淀测序得出结果。

该法的两个缺点:

  • RNA和蛋白互作的温和洗涤条件下,许多非特异性结合片段也被富集。
  • RNA断裂的缺失降低了结合位点的分辨率。

254nm紫外光交联剂介绍:能够在互作位点上产生共价键,并且不会交联蛋白质间互作,稳定了RNA和蛋白质的结合,允许严格富集,破坏天然RNA和蛋白质的互作,减少背景信号。

结论

作者预测RNA-seq将彻底改变真核转录组的分析方式,未来对于基因组的功能理解更加深入,各种分子调控至关重要,因此转录组发展并未结束。

目前,单细胞测序正成为许多实验室标准,空间转录组学也可能逐渐普及。长度测序方法可能取代二代测序技术,成为大多数人的默认方法,为了实现这种情况,需要提高吞吐量并降低错误率,如果长度测序能够像短读测序一样便宜可靠,那将会是未来首选技术!

文献:RNA sequencing: the teenage years,Nature Reviews Gentics,2019【后台回复“20220915”下载PDF】

往期推荐

文献丨转录组表达数据的生信挖掘研究

相关文章
|
2月前
|
算法 数据挖掘 Go
文献速读|5分生信+免疫组化单细胞联合bulk转录组肿瘤预后模型
研究摘要: 在《Cancer Immunology Immunotherapy》上发表的一篇文章,通过整合Bulk和单细胞RNA-seq数据,探讨了非小细胞肺癌(NSCLC)中癌相关纤维细胞(CAF)的作用。研究者识别出CAF的预后标志物,构建了一个基于CAF的模型,该模型在四个独立队列中区分了预后良好的和较差的患者。WGCNA分析鉴定出CAF标记基因,而CAF分数与免疫微环境和免疫治疗反应相关。高CAF分数关联较差的免疫治疗反应,FBLIM1被发现为CAF的主要来源,其高表达预测了免疫疗法的不良反应。该研究揭示了CAF在NSCLC免疫抑制和治疗策略中的重要地位。
81 1
|
数据挖掘
Seurat 4.0 | 单细胞转录组数据整合(scRNA-seq integration)
Seurat 4.0 | 单细胞转录组数据整合(scRNA-seq integration)
1450 0
Seurat 4.0 | 单细胞转录组数据整合(scRNA-seq integration)
|
2月前
|
搜索推荐 数据挖掘 Java
文献速读|7分的干湿结合胃癌单细胞联合bulk转录组+线粒体自噬
研究人员通过单细胞和bulk RNA测序,鉴定出18个线粒体自噬相关基因(MRGs),在胃癌中的预后作用。这些基因可能成为新的生物标志物和治疗靶点。分析显示GABARAPL2和CDC37在上皮细胞中高度表达,与免疫浸润和预后相关。构建的风险模型在多个独立队列中验证有效,表明MRGs可改善预后预测,并提示免疫治疗潜力。研究强调了单细胞分析在理解疾病复杂性和指导个性化治疗中的价值。
27 3
|
29天前
|
机器学习/深度学习 弹性计算 数据可视化
玩ST、肿瘤研究的来学习一下!16分Nature子刊的单细胞空间转录组+机器学习
Nature Communications 发表了一项关于空间转录组和机器学习在肿瘤研究中的应用。研究聚焦于HPV阴性口腔鳞状细胞癌,通过整合单细胞和空间转录组分析,揭示了肿瘤核心(TC)和前沿边缘(LE)的独特转录特征。TC和LE的基因表达模式与多种癌症的预后相关,其中LE基因标志关联不良预后,而TC则与较好预后相关。利用机器学习,研究人员建立了预测模型,识别出跨癌症类型的保守TC和LE特征。此外,他们还分析了RNA剪接动态,发现了潜在的治疗脆弱性。这项工作为肿瘤生物学和靶向治疗提供了新见解,并为药物开发提供了依据。
26 0
|
4月前
|
机器学习/深度学习 人工智能
【论文速递】PeRConAI2022 - 使用教师助理的多阶段模型压缩和基于提示的训练的蒸馏
【论文速递】PeRConAI2022 - 使用教师助理的多阶段模型压缩和基于提示的训练的蒸馏
|
9月前
|
数据挖掘
文献丨转录组RNA seq——青年阶段!(上)
文献丨转录组RNA seq——青年阶段!
文献丨转录组RNA seq——青年阶段!(上)
|
9月前
|
存储 数据可视化 数据挖掘
文献丨转录组表达数据的生信挖掘研究
文献丨转录组表达数据的生信挖掘研究
|
9月前
|
数据挖掘 Go
文献丨群体转录组分析锁定关键转录因子
文献丨群体转录组分析锁定关键转录因子
|
9月前
|
数据可视化 数据挖掘 Go
RNA-seq丨转录组分析标准流程与常用工具
RNA-seq丨转录组分析标准流程与常用工具
|
9月前
|
算法 数据挖掘 Windows
靶向RNA-seq全面解决方案和加速分析,只看这篇就够了!
靶向RNA-seq全面解决方案和加速分析,只看这篇就够了!
64 0