RNA-Seq - RNA-Seq

Resumen de RNA-Seq. Dentro del organismo, los genes se transcriben y (en un organismo eucariota ) se empalman para producir transcripciones maduras de ARNm (rojo). El mRNA se extrae del organismo, se fragmenta y se copia en ds-cDNA estable (azul). El ds-cDNA se secuencia mediante métodos de secuenciación de lectura corta y de alto rendimiento . A continuación, estas secuencias se pueden alinear con una secuencia del genoma de referencia para reconstruir qué regiones del genoma se estaban transcribiendo. Estos datos se pueden usar para anotar dónde están los genes expresados, sus niveles de expresión relativos y cualquier variante de corte y empalme alternativa.

RNA-Seq (denominado como la abreviatura de "secuenciación de RNA") es una técnica de secuenciación que utiliza la secuenciación de próxima generación (NGS) para revelar la presencia y cantidad de RNA en una muestra biológica en un momento dado, analizando el transcriptoma celular que cambia continuamente .

Específicamente, RNA-Seq facilita la capacidad de buscar transcripciones de genes empalmados alternativos , modificaciones postranscripcionales , fusión de genes , mutaciones / SNP y cambios en la expresión génica a lo largo del tiempo, o diferencias en la expresión génica en diferentes grupos o tratamientos. Además de las transcripciones de ARNm, RNA-Seq puede analizar diferentes poblaciones de ARN para incluir ARN total, ARN pequeño, como miARN , ARNt y perfiles ribosómicos . RNA-Seq también se puede utilizar para determinar los límites de exón / intrón y verificar o modificar los límites de genes 5 ' y 3' previamente anotados . Los avances recientes en RNA-Seq incluyen la secuenciación de una sola célula , la secuenciación in situ de tejido fijado y la secuenciación de moléculas de ARN nativo con secuenciación de una sola molécula en tiempo real.

Antes de RNA-Seq, se realizaron estudios de expresión génica con microarrays basados ​​en hibridación . Los problemas con los microarrays incluyen artefactos de hibridación cruzada, mala cuantificación de genes de baja y alta expresión y necesidad de conocer la secuencia a priori . Debido a estos problemas técnicos, la transcriptómica pasó a métodos basados ​​en secuenciación. Estos progresaron desde la secuenciación de Sanger de bibliotecas de etiquetas de secuencia expresada , a métodos basados ​​en etiquetas químicas (por ejemplo, análisis en serie de la expresión génica ) y, finalmente, a la tecnología actual, secuenciación de próxima generación de ADN complementario (ADNc), en particular ARN-Seq.

Métodos

Preparación de la biblioteca

Flujo de trabajo experimental típico de RNA-Seq. El ARN se aísla de múltiples muestras, se convierte en bibliotecas de ADNc, se secuencia en un formato legible por computadora, se alinea con una referencia y se cuantifica para análisis posteriores como expresión diferencial y empalme alternativo. Descripción general de un flujo de trabajo experimental típico de RNA-Seq.

Los pasos generales para preparar una biblioteca de ADN complementario (ADNc) para la secuenciación se describen a continuación, pero a menudo varían entre plataformas.

  1. Aislamiento de ARN: El ARN se aísla del tejido y se mezcla con desoxirribonucleasa (DNasa). La DNasa reduce la cantidad de ADN genómico. La cantidad de degradación del ARN se verifica con electroforesis en gel y capilar y se usa para asignar un número de integridad del ARN a la muestra. Esta calidad de ARN y la cantidad total de ARN inicial se tienen en cuenta durante los pasos posteriores de preparación, secuenciación y análisis de la biblioteca.
  1. Selección / agotamiento de ARN: para analizar señales de interés, el ARN aislado se puede mantener tal cual, filtrar el ARN con colas poliadeniladas (poli (A)) en 3 ' para incluir solo ARNm , sin ARN ribosómico (ARNr) y / o filtrado por ARN que se une a secuencias específicas ( tabla de métodos de reducción y selección de ARN , a continuación). El ARN con colas 3 'poli (A) se compone principalmente de secuencias codificantes maduras procesadas. La selección de poli (A) se realiza mezclando ARN con oligómeros poli (T) unidos covalentemente a un sustrato, típicamente perlas magnéticas. La selección de poli (A) tiene limitaciones importantes en la detección de biotipos de ARN. Muchos biotipos de ARN no están poliadenilados, incluidos muchos transcritos de proteínas de núcleo de histonas y ARN no codificantes, o están regulados a través de la longitud de su cola de poli (A) (p. Ej., Citocinas) y, por lo tanto, es posible que no se detecten después de la selección de poli (A). Además, la selección de poli (A) puede aumentar el sesgo 3 ', especialmente con ARN de menor calidad. Estas limitaciones se pueden evitar con el agotamiento de los ribosomas, eliminando el ARNr que típicamente representa más del 90% del ARN en una célula. Tanto el enriquecimiento de poli (A) como los pasos de agotamiento del ribosoma son laboriosos y podrían introducir sesgos, por lo que se han desarrollado enfoques más simples para omitir estos pasos. Los objetivos de ARN pequeños, como el miARN , pueden aislarse aún más mediante la selección del tamaño con geles de exclusión, perlas magnéticas o kits comerciales.
  1. Síntesis de ADNc: el ARN se transcribe de forma inversa a ADNc porque el ADN es más estable y permite la amplificación (que utiliza ADN polimerasas ) y aprovecha una tecnología de secuenciación de ADN más madura. La amplificación posterior a la transcripción inversa da como resultado la pérdida de la hebra , que puede evitarse con el marcaje químico o la secuenciación de una sola molécula. La fragmentación y la selección del tamaño se realizan para purificar las secuencias que tienen la longitud adecuada para la máquina de secuenciación. El ARN, el ADNc o ambos se fragmentan con enzimas, sonicación o nebulizadores. La fragmentación del ARN reduce el sesgo 5 'de la transcripción inversa cebada aleatoriamente y la influencia de los sitios de unión del cebador , con la desventaja de que los extremos 5' y 3 'se convierten en ADN de manera menos eficiente. A la fragmentación le sigue la selección del tamaño, en la que se eliminan las secuencias pequeñas o se selecciona un rango estrecho de longitudes de secuencia. Debido a que los ARN pequeños como los miARN se pierden, estos se analizan de forma independiente. El cDNA para cada experimento se puede indexar con un código de barras hexámero u octámero, de modo que estos experimentos se pueden agrupar en un solo carril para la secuenciación multiplexada.
Métodos de selección y agotamiento de ARN:
Estrategia Tipo predominante de ARN Contenido de ARN ribosómico Contenido de ARN sin procesar Método de aislamiento
ARN total Todos Elevado Elevado Ninguno
Selección de PolyA Codificación Bajo Bajo Hibridación con oligómeros poli (dT)
Agotamiento de ARNr Codificación, no codificación Bajo Elevado Eliminación de oligómeros complementarios al ARNr
Captura de ARN Dirigido Bajo Moderar Hibridación con sondas complementarias a las transcripciones deseadas

Secuenciación complementaria de ADN (cDNA-Seq)

La biblioteca de ADNc derivada de biotipos de ARN se secuencia luego en un formato legible por computadora. Existen muchas tecnologías de secuenciación de alto rendimiento para la secuenciación de ADNc, incluidas las plataformas desarrolladas por Illumina , Thermo Fisher , BGI / MGI , PacBio y Oxford Nanopore Technologies . Para la secuenciación de lectura corta de Illumina, una tecnología común para la secuenciación de ADNc, los adaptadores se ligan al ADNc, el ADN se une a una celda de flujo, los grupos se generan a través de ciclos de amplificación y desnaturalización en puente, y la secuencia por síntesis se realiza en ciclos de síntesis de cadenas complementarias y excitación láser de bases con terminadores reversibles. La elección y los parámetros de la plataforma de secuenciación están guiados por el diseño experimental y el costo. Las consideraciones comunes del diseño experimental incluyen decidir la longitud de la secuenciación, la profundidad de la secuenciación, el uso de secuenciación de un solo extremo frente a la secuencia de pares, el número de réplicas, la multiplexación, la aleatorización y las adiciones.

Secuenciación de ARN pequeño / ARN no codificante

Al secuenciar un ARN distinto del ARNm, se modifica la preparación de la biblioteca. El ARN celular se selecciona en función del rango de tamaño deseado. Para objetivos de ARN pequeños, como miARN , el ARN se aísla mediante selección de tamaño. Esto se puede realizar con un gel de exclusión de tamaño, mediante perlas magnéticas de selección de tamaño o con un kit desarrollado comercialmente. Una vez aislados, los enlazadores se añaden al extremo 3 'y 5' y luego se purifican. El último paso es la generación de ADNc mediante transcripción inversa.

Secuenciación directa de ARN

RNASeqPics1.jpg

Debido a que se ha demostrado que la conversión de ARN en ADNc , la ligadura, la amplificación y otras manipulaciones de muestras introducen sesgos y artefactos que pueden interferir con la caracterización y cuantificación adecuadas de las transcripciones, empresas como Helicos (en quiebra) han explorado la secuenciación directa de ARN de una sola molécula . , Oxford Nanopore Technologies y otros. Esta tecnología secuencia las moléculas de ARN directamente de una manera masivamente paralela.

Secuenciación de ARN en tiempo real de una sola molécula

Se ha explorado la RNA-Seq directa de una sola molécula masivamente paralela como una alternativa a la RNA-Seq tradicional, en la que la conversión de RNA a cDNA , ligación, amplificación y otros pasos de manipulación de muestras pueden introducir sesgos y artefactos. Las plataformas tecnológicas que realizan RNA-Seq de una sola molécula en tiempo real incluyen la secuenciación Nanopore de Oxford Nanopore Technologies (ONT) , PacBio IsoSeq y Helicos (en quiebra). La secuenciación del ARN en su forma nativa conserva modificaciones como la metilación, lo que permite que se investiguen directa y simultáneamente. Otro beneficio de RNA-Seq de molécula única es que las transcripciones se pueden cubrir en su totalidad, lo que permite una detección y cuantificación de isoformas de mayor confianza en comparación con la secuenciación de lectura corta. Tradicionalmente, los métodos de RNA-Seq de molécula única tienen tasas de error más altas en comparación con la secuenciación de lectura corta, pero los métodos más nuevos como ONT directo RNA-Seq limitan los errores al evitar la fragmentación y la conversión de cDNA. Los usos recientes de la secuencia de ARN directa de ONT para la expresión diferencial en poblaciones de células humanas han demostrado que esta tecnología puede superar muchas limitaciones de la secuenciación de ADNc corta y larga.

Secuenciación de ARN unicelular (scRNA-Seq)

Los métodos estándar, como los microarrays y el análisis de secuencia de ARN a granel estándar, analizan la expresión de ARN de grandes poblaciones de células. En poblaciones de células mixtas, estas medidas pueden ocultar diferencias críticas entre células individuales dentro de estas poblaciones.

La secuenciación de ARN de una sola célula (scRNA-Seq) proporciona los perfiles de expresión de las células individuales. Aunque no es posible obtener información completa sobre cada ARN expresado por cada célula, debido a la pequeña cantidad de material disponible, los patrones de expresión génica pueden identificarse mediante análisis de agrupamiento de genes . Esto puede descubrir la existencia de tipos de células raras dentro de una población celular que tal vez nunca antes se hayan visto. Por ejemplo, dos grupos que realizaron scRNA-Seq en el epitelio de las vías respiratorias del pulmón identificaron en 2018 células especializadas raras en el pulmón llamadas ionocitos pulmonares que expresan el regulador de conductancia transmembrana de la fibrosis quística .

Procedimientos experimentales

Flujo de trabajo típico de RNA-Seq de una sola célula. Se aíslan células individuales de una muestra en pocillos o gotitas, se generan y amplifican bibliotecas de ADNc, se secuencian las bibliotecas y se generan matrices de expresión para análisis posteriores como la identificación del tipo de célula.

Los protocolos de scRNA-Seq actuales implican los siguientes pasos: aislamiento de células individuales y ARN, transcripción inversa (RT), amplificación, generación de bibliotecas y secuenciación. Las células individuales se separan mecánicamente en micropocillos (p. Ej., BD Rhapsody, Takara ICELL8, Vycap Puncher Platform o CellMicrosystems CellRaft) o se encapsulan en gotitas (p. Ej., 10x Genomics Chromium, Illumina Bio-Rad ddSEQ, 1CellBio InDrop, Dolomite Bio Nadia). Las células individuales se marcan agregando perlas con oligonucleótidos con código de barras; tanto las células como las perlas se suministran en cantidades limitadas, de modo que la co-ocupación con múltiples células y perlas es un evento muy raro. Una vez que se completa la transcripción inversa, los ADNc de muchas células se pueden mezclar para secuenciar; las transcripciones de una celda en particular se identifican mediante el código de barras exclusivo de cada celda. Se puede adjuntar un identificador molecular único (UMI) a las secuencias diana de ARNm / ADNc para ayudar a identificar los artefactos durante la preparación de la biblioteca.

Los desafíos para scRNA-Seq incluyen preservar la abundancia relativa inicial de mRNA en una célula e identificar transcripciones raras. El paso de transcripción inversa es fundamental ya que la eficiencia de la reacción RT determina qué cantidad de la población de ARN de la célula será finalmente analizada por el secuenciador. La procesividad de las transcriptasas inversas y las estrategias de cebado utilizadas pueden afectar la producción de ADNc de longitud completa y la generación de bibliotecas sesgadas hacia el extremo 3 'o 5' de los genes.

En la etapa de amplificación, actualmente se usa PCR o transcripción in vitro (IVT) para amplificar el ADNc. Una de las ventajas de los métodos basados ​​en PCR es la capacidad de generar ADNc de longitud completa. Sin embargo, también se pueden amplificar exponencialmente diferentes eficiencias de PCR en secuencias particulares (por ejemplo, contenido de GC y estructura de retroceso), produciendo bibliotecas con cobertura desigual. Por otro lado, mientras que las bibliotecas generadas por IVT pueden evitar el sesgo de secuencia inducido por PCR, las secuencias específicas pueden transcribirse de manera ineficaz, provocando así la pérdida de secuencia o generando secuencias incompletas. Se han publicado varios protocolos de scRNA-Seq: Tang et al., STRT, SMART-seq, CEL-seq, RAGE-seq, Quartz-seq y C1-CAGE. Estos protocolos difieren en términos de estrategias para la transcripción inversa, síntesis y amplificación de ADNc, y la posibilidad de acomodar códigos de barras específicos de secuencia (es decir, UMI ) o la capacidad de procesar muestras agrupadas.

En 2017, se introdujeron dos enfoques para medir simultáneamente el ARNm de una sola célula y la expresión de proteínas a través de anticuerpos marcados con oligonucleótidos conocidos como REAP-seq y CITE-seq.

Aplicaciones

scRNA-Seq se está utilizando ampliamente en disciplinas biológicas que incluyen desarrollo, neurología , oncología , enfermedades autoinmunes y enfermedades infecciosas .

scRNA-Seq ha proporcionado información considerable sobre el desarrollo de embriones y organismos, incluido el gusano Caenorhabditis elegans y la planaria regenerativa Schmidtea mediterranea . Los primeros animales vertebrados que se cartografiaron de esta manera fueron el pez cebra y Xenopus laevis . En cada caso, se estudiaron múltiples etapas del embrión, lo que permitió mapear todo el proceso de desarrollo célula por célula. La ciencia reconoció estos avances como el Avance del año 2018 .

Consideraciones experimentales

Se consideran una variedad de parámetros al diseñar y realizar experimentos de RNA-Seq:

  • Especificidad de tejido: la expresión génica varía dentro de los tejidos y entre ellos, y RNA-Seq mide esta mezcla de tipos de células. Esto puede dificultar el aislamiento del mecanismo biológico de interés. La secuenciación de una sola célula se puede utilizar para estudiar cada célula de forma individual, mitigando este problema.
  • Dependencia del tiempo: la expresión génica cambia con el tiempo y RNA-Seq solo toma una instantánea. Se pueden realizar experimentos de curso temporal para observar cambios en el transcriptoma.
  • Cobertura (también conocida como profundidad): el ARN alberga las mismas mutaciones observadas en el ADN y la detección requiere una cobertura más profunda. Con una cobertura lo suficientemente alta, se puede utilizar RNA-Seq para estimar la expresión de cada alelo. Esto puede proporcionar información sobre fenómenos como la impronta o los efectos cis-reguladores . La profundidad de secuenciación requerida para aplicaciones específicas se puede extrapolar de un experimento piloto.
  • Artefactos de generación de datos (también conocidos como variación técnica): los reactivos (p. Ej., Kit de preparación de la biblioteca), el personal involucrado y el tipo de secuenciador (p. Ej., Illumina , Pacific Biosciences ) pueden dar lugar a artefactos técnicos que podrían malinterpretarse como resultados significativos. . Al igual que con cualquier experimento científico, es prudente realizar RNA-Seq en un entorno bien controlado. Si esto no es posible o el estudio es un metanálisis , otra solución es detectar artefactos técnicos al inferir variables latentes (típicamente análisis de componentes principales o análisis factorial ) y posteriormente corregir estas variables.
  • Gestión de datos: un único experimento de RNA-Seq en seres humanos suele ser de 1 a 5 Gb (comprimido), o más cuando se incluyen archivos intermedios. Este gran volumen de datos puede plantear problemas de almacenamiento. Una solución es comprimir los datos utilizando esquemas computacionales multipropósito (por ejemplo, gzip ) o esquemas específicos de genómica. Este último puede basarse en secuencias de referencia o de novo. Otra solución es realizar experimentos de microarrays, que pueden ser suficientes para trabajos basados ​​en hipótesis o estudios de replicación (a diferencia de la investigación exploratoria).

Análisis

Un flujo de trabajo de análisis RNA-Seq estándar. Las lecturas secuenciadas se alinean con un genoma y / o transcriptoma de referencia y, posteriormente, se procesan para una variedad de control de calidad, descubrimiento y análisis basados ​​en hipótesis.

Ensamblaje del transcriptoma

Se utilizan dos métodos para asignar lecturas de secuencia sin procesar a características genómicas (es decir, ensamblar el transcriptoma):

  • De novo: este enfoque no requiere un genoma de referencia para reconstruir el transcriptoma y se usa normalmente si el genoma es desconocido, incompleto o sustancialmente alterado en comparación con la referencia. Los desafíos al usar lecturas cortas para el ensamblaje de novo incluyen 1) determinar qué lecturas deben unirse en secuencias contiguas ( contigs ), 2) robustez a errores de secuenciación y otros artefactos, y 3) eficiencia computacional. El algoritmo principal utilizado para el ensamblaje de novo pasó de gráficos superpuestos, que identifican todas las superposiciones por pares entre lecturas, a gráficos de Bruijn , que dividen las lecturas en secuencias de longitud k y colapsan todos los k-mers en una tabla hash. Se utilizaron gráficos de superposición con la secuenciación de Sanger, pero no se escalan bien a los millones de lecturas generadas con RNA-Seq. Ejemplos de ensambladores que usan gráficos de Bruijn son Trinity, Oases (derivado del ensamblador de genoma Velvet ), Bridger y rnaSPAdes. La secuenciación de pares y de lectura larga de la misma muestra puede mitigar los déficits en la secuenciación de lectura corta sirviendo como plantilla o esqueleto. Las métricas para evaluar la calidad de un ensamblaje de novo incluyen la longitud media del contig, el número de contigs y N50 .
Alineación de RNA-Seq con lecturas cortas divididas por intrones. Alineación de lecturas cortas a una secuencia de ARNm y al genoma de referencia. El software de alineación tiene que tener en cuenta lecturas cortas que se superponen a las uniones exón-exón (en rojo) y, por lo tanto, omiten secciones intrónicas del pre-mRNA y del genoma de referencia.
  • Guiado por genoma: este enfoque se basa en los mismos métodos utilizados para la alineación del ADN, con la complejidad adicional de alinear lecturas que cubren porciones no continuas del genoma de referencia. Estas lecturas no continuas son el resultado de secuenciar transcripciones empalmadas (ver figura). Normalmente, los algoritmos de alineación tienen dos pasos: 1) alinear porciones cortas de la lectura (es decir, sembrar el genoma) y 2) utilizar programación dinámica para encontrar una alineación óptima, a veces en combinación con anotaciones conocidas. Las herramientas de software que utilizan la alineación guiada por el genoma incluyen Bowtie , TopHat (que se basa en los resultados de BowTie para alinear las uniones de empalme), Subread, STAR, HISAT2 y GMAP. La salida de las herramientas de alineación (mapeo) guiada por el genoma se puede utilizar adicionalmente con herramientas como Cufflinks o StringTie para reconstruir secuencias de transcripciones contiguas ( es decir , un archivo FASTA). La calidad de un ensamblaje guiado por el genoma se puede medir con 1) métricas de ensamblaje de novo (p. Ej., N50) y 2) comparaciones con secuencias conocidas de transcripción, unión de empalme, genoma y proteínas utilizando precisión, recuperación o su combinación (p. Ej., Puntuación F1). Además, la evaluación in silico podría realizarse utilizando lecturas simuladas.

Una nota sobre la calidad del ensamblaje: el consenso actual es que 1) la calidad del ensamblaje puede variar según la métrica que se utilice, 2) las herramientas de ensamblaje que obtuvieron una buena puntuación en una especie no necesariamente funcionan bien en las otras especies y 3) la combinación de diferentes enfoques podría ser el más confiable.

Cuantificación de expresión génica

La expresión se cuantifica para estudiar los cambios celulares en respuesta a estímulos externos, diferencias entre estados sanos y enfermos y otras preguntas de investigación. Los niveles de transcripción se utilizan a menudo como un indicador de la abundancia de proteínas, pero a menudo no son equivalentes debido a eventos postranscripcionales como la interferencia del ARN y la desintegración mediada por tonterías .

La expresión se cuantifica contando el número de lecturas que se asignaron a cada locus en el paso de ensamblaje del transcriptoma . La expresión se puede cuantificar para exones o genes usando contigs o anotaciones de transcripción de referencia. Estos recuentos de lectura de RNA-Seq observados se han validado de manera sólida frente a tecnologías más antiguas, incluidos los microarrays de expresión y qPCR . Las herramientas que cuantifican los recuentos son HTSeq, FeatureCounts, Rcount, maxcounts, FIXSEQ y Cuffquant. Estas herramientas determinan los recuentos de lectura a partir de datos de RNA-Seq alineados, pero también se pueden obtener recuentos sin alineación con Sailfish y Kallisto. A continuación, los recuentos leídos se convierten en métricas adecuadas para pruebas de hipótesis, regresiones y otros análisis. Los parámetros para esta conversión son:

  • Profundidad / cobertura de secuenciación : aunque la profundidad está preespecificada cuando se realizan múltiples experimentos de RNA-Seq, aún variará ampliamente entre los experimentos. Por lo tanto, el número total de lecturas generadas en un solo experimento generalmente se normaliza convirtiendo los recuentos en fragmentos, lecturas o recuentos por millón de lecturas mapeadas (FPM, RPM o CPM). La diferencia entre RPM y FPM se derivó históricamente durante la evolución de la secuenciación de fragmentos de un solo extremo a la secuenciación de extremos emparejados. En la secuenciación de un solo extremo, solo hay una lectura por fragmento ( es decir , RPM = FPM). En la secuenciación de pares de extremos, hay dos lecturas por fragmento ( es decir , RPM = 2 x FPM). La profundidad de secuenciación a veces se denomina tamaño de biblioteca , el número de moléculas de ADNc intermediarias en el experimento.
  • Longitud del gen: los genes más largos tendrán más fragmentos / lecturas / recuentos que los genes más cortos si la expresión de la transcripción es la misma. Esto se ajusta dividiendo el FPM por la longitud de una característica (que puede ser un gen, transcripción o exón), lo que da como resultado los fragmentos métricos por kilobase de característica por millón de lecturas mapeadas (FPKM). Al observar grupos de características en muestras, FPKM se convierte en transcripciones por millón (TPM) dividiendo cada FPKM por la suma de FPKM dentro de una muestra.
  • Salida total de ARN de la muestra: debido a que se extrae la misma cantidad de ARN de cada muestra, las muestras con más ARN total tendrán menos ARN por gen. Estos genes parecen tener una expresión disminuida, lo que resulta en falsos positivos en los análisis posteriores. Las estrategias de normalización que incluyen el cuantil, DESeq2, TMM y la relación mediana intentan explicar esta diferencia comparando un conjunto de genes expresados ​​no diferencialmente entre muestras y escalando en consecuencia.
  • Varianza para la expresión de cada gen: se modela para tener en cuenta el error de muestreo (importante para genes con recuentos de lectura bajos), aumentar la potencia y disminuir los falsos positivos. La varianza se puede estimar como unadistribución binomial normal , de Poisson o negativa y con frecuencia se descompone en varianza técnica y biológica.

Picos para la cuantificación absoluta y la detección de efectos en todo el genoma

Los picos de ARN son muestras de ARN en concentraciones conocidas que se pueden utilizar como estándares de oro en el diseño experimental y durante los análisis posteriores para la cuantificación absoluta y la detección de efectos en todo el genoma.

  • Cuantificación absoluta: la cuantificación absoluta de la expresión génica no es posible con la mayoría de los experimentos de RNA-Seq, que cuantifican la expresión en relación con todas las transcripciones. Es posible realizar RNA-Seq con picos, muestras de RNA a concentraciones conocidas. Después de la secuenciación, los recuentos leídos de las secuencias con picos se utilizan para determinar la relación entre los recuentos leídos de cada gen y las cantidades absolutas de fragmentos biológicos. En un ejemplo, esta técnica se utilizó en embriones de Xenopus tropicalis para determinar la cinética de transcripción.
  • Detección de efectos en todo el genoma: los cambios en los reguladores globales, incluidos los remodeladores de cromatina , los factores de transcripción (p. Ej., MYC ), los complejos de acetiltransferasa y la posición de los nucleosomas no son congruentes con los supuestos de normalización y los controles de aumento pueden ofrecer una interpretación precisa.

Expresión diferencial

El uso más simple pero a menudo más poderoso de RNA-Seq es encontrar diferencias en la expresión génica entre dos o más afecciones ( p . Ej. , Tratadas frente a no tratadas); este proceso se llama expresión diferencial. Las salidas se denominan con frecuencia genes expresados ​​diferencialmente (DEG) y estos genes pueden estar regulados al alza o a la baja ( es decir , más altos o más bajos en la condición de interés). Hay muchas herramientas que realizan expresión diferencial . La mayoría se ejecutan en R , Python o la línea de comandos de Unix . Las herramientas de uso común incluyen DESeq, edgeR y voom + limma, todas las cuales están disponibles a través de R / Bioconductor . Estas son las consideraciones comunes al realizar la expresión diferencial:

  • Entradas: Las entradas de expresión diferencial incluyen (1) una matriz de expresión RNA-Seq (M genes x N muestras) y (2) una matriz de diseño que contiene condiciones experimentales para N muestras. La matriz de diseño más simple contiene una columna, que corresponde a las etiquetas de la condición que se está probando. Otras covariables (también denominadas factores, características, etiquetas o parámetros) pueden incluir efectos por lotes , artefactos conocidos y cualquier metadato que pueda confundir o mediar en la expresión génica. Además de las covariables conocidas, las covariables desconocidas también se pueden estimar mediante enfoques de aprendizaje automático no supervisados ​​que incluyen análisis de componentes principales , variables sustitutas y PEER. Los análisis de variables ocultas se emplean a menudo para los datos de RNA-Seq de tejido humano, que normalmente tienen artefactos adicionales que no se capturan en los metadatos ( p . Ej. , Tiempo isquémico, origen de múltiples instituciones, rasgos clínicos subyacentes, recopilación de datos a lo largo de muchos años con mucho personal).
  • Métodos: la mayoría de las herramientas utilizan estadísticas de regresión o no paramétricas para identificar genes expresados ​​diferencialmente, y se basan en recuentos de lectura mapeados en un genoma de referencia (DESeq2, limma, edgeR) o en recuentos de lectura derivados de la cuantificación sin alineación (sleuth, Puño, vestido de fiesta). Después de la regresión, la mayoría de las herramientas emplean ajustes del valor p de la tasa de error familiar (FWER) o de la tasa de descubrimiento falso (FDR) para tener en cuenta múltiples hipótesis (en estudios en humanos, ~ 20.000 genes que codifican proteínas o ~ 50.000 biotipos).
  • Resultados: un resultado típico consta de filas correspondientes al número de genes y al menos tres columnas, el cambio de pliegue logarítmico de cada gen ( transformación logarítmica de la relación en la expresión entre condiciones, una medida del tamaño del efecto ), valor p y p -valor ajustado para múltiples comparaciones . Los genes se definen como biológicamente significativos si pasan los puntos de corte para el tamaño del efecto (cambio logarítmico) y la significación estadística . Idealmente, estos límites deberían especificarse a priori , pero la naturaleza de los experimentos de RNA-Seq es a menudo exploratoria, por lo que es difícil predecir los tamaños del efecto y los límites pertinentes con anticipación.
  • Escollos: La razón de ser de estos métodos complejos es evitar la gran cantidad de escollos que pueden conducir a errores estadísticos e interpretaciones engañosas. Los obstáculos incluyen un aumento de las tasas de falsos positivos (debido a comparaciones múltiples), artefactos de preparación de muestras, heterogeneidad de la muestra (como antecedentes genéticos mixtos), muestras altamente correlacionadas, diseños experimentales de varios niveles no contabilizados y un diseño experimental deficiente . Un error notable es ver los resultados en Microsoft Excel sin utilizar la función de importación para garantizar que los nombres de los genes sigan siendo texto. Aunque es conveniente, Excel convierte automáticamente algunos nombres de genes ( SEPT1 , DEC1 , MARCH2 ) en fechas o números de coma flotante.
  • Elección de herramientas y evaluación comparativa: Existen numerosos esfuerzos que comparan los resultados de estas herramientas, y DESeq2 tiende a superar moderadamente a otros métodos. Al igual que con otros métodos, la evaluación comparativa consiste en comparar los resultados de las herramientas entre sí y los estándares de oro conocidos .

Los análisis posteriores para una lista de genes expresados ​​diferencialmente vienen en dos sabores, validando observaciones y haciendo inferencias biológicas. Debido a las trampas de la expresión diferencial y RNA-Seq, las observaciones importantes se replican con (1) un método ortogonal en las mismas muestras (como PCR en tiempo real ) u (2) otro experimento , a veces prerregistrado , en una nueva cohorte . Esto último ayuda a garantizar la generalización y, por lo general, puede seguirse con un metanálisis de todas las cohortes agrupadas. El método más común para obtener una comprensión biológica de alto nivel de los resultados es el análisis de enriquecimiento de conjuntos de genes , aunque a veces se emplean enfoques de genes candidatos. El enriquecimiento del conjunto de genes determina si la superposición entre dos conjuntos de genes es estadísticamente significativa, en este caso la superposición entre genes expresados ​​diferencialmente y conjuntos de genes de rutas / bases de datos conocidas ( por ejemplo , Ontología de genes , KEGG , Ontología de fenotipo humano ) o de análisis complementarios en el mismos datos (como redes de coexpresión). Las herramientas comunes para el enriquecimiento de conjuntos de genes incluyen interfaces web ( por ejemplo , ENRICHR, g: profiler, WEBGESTALT) y paquetes de software. Al evaluar los resultados del enriquecimiento, una heurística es buscar primero el enriquecimiento de la biología conocida como una verificación de cordura y luego expandir el alcance para buscar una nueva biología.

Ejemplos de modos alternativos de empalme de ARN. Los exones se representan como bloques azules y amarillos, los intrones empalmados como líneas negras horizontales que conectan dos exones y las uniones exón-exón como líneas finas de conexión grises entre dos exones.

Splicing alternativo

El empalme de ARN es parte integral de los eucariotas y contribuye significativamente a la regulación y diversidad de proteínas, lo que ocurre en> 90% de los genes humanos. Existen múltiples modos de empalme alternativos : omisión de exón (modo de empalme más común en humanos y eucariotas superiores), exones mutuamente excluyentes, sitios donantes o aceptores alternativos, retención de intrones (modo de empalme más común en plantas, hongos y protozoos), inicio de transcripción alternativo sitio (promotor) y poliadenilación alternativa. Uno de los objetivos de RNA-Seq es identificar eventos de empalme alternativos y probar si difieren entre las condiciones. La secuenciación de lectura larga captura la transcripción completa y, por lo tanto, minimiza muchos de los problemas en la estimación de la abundancia de isoformas, como el mapeo de lectura ambiguo. Para RNA-Seq de lectura corta, existen varios métodos para detectar empalmes alternativos que se pueden clasificar en tres grupos principales:

  • Empalme diferencial basado en recuento (también basado en eventos): estimación de la retención de exones. Algunos ejemplos son DEXSeq, MATS y SeqGSEA.
  • Basado en isoformas (también módulos de lectura múltiple, expresión diferencial de isoformas) : estimar primero la abundancia de isoformas y luego la abundancia relativa entre condiciones. Algunos ejemplos son Gemelos 2 y DiffSplice.
  • Basado en escisión de intrones: calcule el empalme alternativo utilizando lecturas divididas. Algunos ejemplos son MAJIQ y Leafcutter.

Las herramientas de expresión de genes diferenciales también se pueden utilizar para la expresión de isoformas diferenciales si las isoformas se cuantifican antes de tiempo con otras herramientas como RSEM.

Redes de coexpresión

Las redes de coexpresión son representaciones derivadas de datos de genes que se comportan de manera similar en tejidos y condiciones experimentales. Su propósito principal radica en la generación de hipótesis y enfoques de culpa por asociación para inferir funciones de genes previamente desconocidos. Los datos de RNA-Seq se han utilizado para inferir genes implicados en vías específicas basadas en la correlación de Pearson , tanto en plantas como en mamíferos. La principal ventaja de los datos de RNA-Seq en este tipo de análisis sobre las plataformas de microarrays es la capacidad de cubrir todo el transcriptoma, lo que permite la posibilidad de desentrañar representaciones más completas de las redes reguladoras de genes. La regulación diferencial de las isoformas de corte y empalme del mismo gen puede detectarse y usarse para predecir sus funciones biológicas. El análisis de redes de coexpresión de genes ponderados se ha utilizado con éxito para identificar módulos de coexpresión y genes concentradores intramodulares basados ​​en datos de secuencia de ARN. Los módulos de coexpresión pueden corresponder a tipos de células o vías. Los concentradores intramodulares altamente conectados se pueden interpretar como representantes de su módulo respectivo. Un eigengene es una suma ponderada de expresión de todos los genes en un módulo. Los genes propios son biomarcadores (características) útiles para el diagnóstico y el pronóstico. Se han propuesto enfoques de transformación estabilizadora de varianza para estimar coeficientes de correlación basados ​​en datos de secuencia de ARN.

Descubrimiento de variantes

RNA-Seq captura la variación del ADN, incluidas las variantes de un solo nucleótido , pequeñas inserciones / deleciones . y variación estructural . La llamada de variantes en RNA-Seq es similar a la llamada de variantes de ADN y, a menudo, emplea las mismas herramientas (incluidas SAMtools mpileup y GATK HaplotypeCaller) con ajustes para tener en cuenta el empalme. Una dimensión única para las variantes de ARN es la expresión específica de alelos (ASE) : las variantes de un solo haplotipo podrían expresarse preferentemente debido a efectos reguladores que incluyen loci de rasgos cuantitativos de impronta y expresión , y variantes raras no codificantes . Las limitaciones de la identificación de variantes de ARN incluyen que solo refleja regiones expresadas (en humanos, <5% del genoma), podría estar sujeto a sesgos introducidos por el procesamiento de datos (p. Ej., Los conjuntos de transcriptomas de novo subestiman la heterocigosidad) y tiene una calidad inferior en comparación para dirigir la secuenciación del ADN.

Edición de ARN (alteraciones postranscripcionales)

Tener las secuencias genómicas y transcriptómicas coincidentes de un individuo puede ayudar a detectar ediciones postranscripcionales ( edición de ARN ). Se identifica un evento de modificación postranscripcional si la transcripción del gen tiene un alelo / variante no observado en los datos genómicos.

Un evento de fusión de genes y el comportamiento de las lecturas de extremos emparejados caen en ambos lados de la unión de genes. Las fusiones de genes pueden ocurrir en Trans , entre genes en cromosomas separados, o en Cis , entre dos genes en el mismo cromosoma.

Detección de genes de fusión

Causados ​​por diferentes modificaciones estructurales en el genoma, los genes de fusión han ganado atención debido a su relación con el cáncer. La capacidad de RNA-Seq para analizar el transcriptoma completo de una muestra de manera imparcial lo convierte en una herramienta atractiva para encontrar este tipo de eventos comunes en el cáncer.

La idea se deriva del proceso de alinear las lecturas transcriptómicas cortas con un genoma de referencia. La mayoría de las lecturas cortas caerán dentro de un exón completo, y se esperaría que un conjunto más pequeño pero aún grande se mapeara en las uniones exón-exón conocidas. Las lecturas cortas restantes no mapeadas se analizarían luego para determinar si coinciden con una unión exón-exón donde los exones provienen de diferentes genes. Esto sería evidencia de un posible evento de fusión, sin embargo, debido a la longitud de las lecturas, esto podría resultar muy ruidoso. Un enfoque alternativo es utilizar lecturas de extremos emparejados, cuando un número potencialmente grande de lecturas emparejadas mapearía cada extremo a un exón diferente, brindando una mejor cobertura de estos eventos (ver figura). No obstante, el resultado final consiste en múltiples y potencialmente nuevas combinaciones de genes que proporcionan un punto de partida ideal para una mayor validación.

Historia

Las coincidencias de manuscritos de Pubmed destacan la creciente popularidad de RNA-Seq. Las coincidencias son para RNA-Seq (azul, términos de búsqueda: "RNA-Seq" O "RNA-Seq" OR "RNA-Seq" OR "RNASeq") y RNA = Seq en medicina (oro, términos de búsqueda: ("RNA Seq" OR "RNA-Seq" O "Secuenciación de ARN" O "RNASeq") Y "Medicina"). El número de manuscritos en PubMed con RNA-Seq sigue aumentando.

RNA-Seq se desarrolló por primera vez a mediados de la década de 2000 con el advenimiento de la tecnología de secuenciación de próxima generación. Los primeros manuscritos que utilizaron RNA-Seq incluso sin utilizar el término incluyen los de líneas celulares de cáncer de próstata (con fecha de 2006), Medicago truncatula (2006), maíz (2007) y Arabidopsis thaliana (2007), mientras que el término "RNA-Seq "en sí mismo se mencionó por primera vez en 2008. El número de manuscritos que se refieren a RNA-Seq en el título o resumen (Figura, línea azul) aumenta continuamente con 6754 manuscritos publicados en 2018. La intersección de RNA-Seq y medicina (Figura, oro línea) tiene una celeridad similar.

Aplicaciones a la medicina

RNA-Seq tiene el potencial de identificar nueva biología de enfermedades, perfilar biomarcadores para indicaciones clínicas, inferir vías farmacológicas y realizar diagnósticos genéticos. Estos resultados podrían personalizarse aún más para subgrupos o incluso pacientes individuales, destacando potencialmente una prevención, diagnóstico y terapia más efectivos. La viabilidad de este enfoque depende en parte de los costos en dinero y tiempo; una limitación relacionada es el equipo requerido de especialistas (bioinformáticos, médicos / clínicos, investigadores básicos, técnicos) para interpretar completamente la enorme cantidad de datos generados por este análisis.

Esfuerzos de secuenciación a gran escala

Se ha dado mucho énfasis a los datos de RNA-Seq después de que los proyectos Encyclopedia of DNA Elements (ENCODE) y The Cancer Genome Atlas (TCGA) hayan utilizado este enfoque para caracterizar docenas de líneas celulares y miles de muestras de tumores primarios, respectivamente. ENCODE tenía como objetivo identificar regiones reguladoras de todo el genoma en diferentes cohortes de líneas celulares y los datos transcriptómicos son fundamentales para comprender el efecto posterior de esas capas reguladoras epigenéticas y genéticas. TCGA, en cambio, tenía como objetivo recolectar y analizar miles de muestras de pacientes de 30 tipos diferentes de tumores para comprender los mecanismos subyacentes de la transformación y progresión maligna. En este contexto, los datos de RNA-Seq proporcionan una instantánea única del estado transcriptómico de la enfermedad y observan una población imparcial de transcripciones que permite la identificación de nuevas transcripciones, transcripciones de fusión y ARN no codificantes que podrían no detectarse con diferentes tecnologías.

Ver también

Referencias

Este artículo se envió a WikiJournal of Science para su revisión por pares académicos externos en 2019 ( informes de los revisores ). El contenido actualizado se reintegró a la página de Wikipedia bajo una licencia CC-BY-SA-3.0 ( 2021 ). La versión del registro revisada es: Felix Richter; et al. (17 de mayo de 2021). "Una amplia introducción a RNA-Seq". WikiJournal of Science . 4 (2): 4. doi : 10.15347 / WJS / 2021.004 . ISSN  2470-6345 . Wikidata  Q100146647 .

Otras lecturas

enlaces externos

  • Cresko B, Voelker R, Small C (2001). Bassham S, Catchen J (eds.). "RNA-seqlopedia" . Universidad de Oregon.: una guía de alto nivel para diseñar e implementar un experimento RNA-Seq.