Определение стелс-мультиплетов для лучшего дизайна эксперимента с одним клетками

Секвенирование РНК одноклеточного РНК (SCRNA-Seq) произвело революцию в современной биологии, позволяя ученым в то же время изучать экспрессию генов из тысяч отдельных клеток. Этот метод помогает исследователям идентифицировать различные клеточные популяции, изучать клеточную гетерогенность и понять динамику экспрессии генов в сложных тканях.

В недавнем исследовании исследователи из EMBL Barcelona предоставили новое понимание некоторых технических ограничений процесса, которые могут помочь ученым лучше справиться с этими рисками при разработке экспериментов SCRNA-seq.

В общем методе Scrna-seq используется микрофлюидное устройство, генерирующее миллионы «микрокраплетов». Каждая ячейка фиксируется в одной микрокрапе, а затем подвергается биохимическому профилированию. Однако в случайных случаях множественные ячейки фиксируются одновременно в микроадропе и неправильно распознаются как одна ячейка (называемая «мультилет»).

Этот скрытый артефакт может исказить данные и ввести в заблуждение интерпретацию экспериментов. Одним из способов снижения риска мультилетов является «выборка мультиплексирование»метод, в котором образцы помечены различными молекулярными штрих-кодами, и мультиплетки можно отличить благодаря наличию нескольких штрих-кодов в одной и той же микроадропе. Хотя эта стратегия улучшила экономическую эффективность и экспериментальный дизайнбыло неясно, сохранил ли он риск скрытых мультиплетов.

В новом исследовании Фумио Накаки, постдокторский научный сотрудник в группе Sharpe Embl Barcelona, количественно оценил риск наличия незамеченных (или «стелс») мультиплетов во время мультиплексирования выборки, как в теории, так и на практике. Работа была опубликовано в BMC GenomicsПолем

«Наша цель – предоставить исследователям практическую ссылку», – сказал Накаки. «Образец мультиплексирования широко используется, но его ограничения часто упускаются из виду. Пояснив, как и когда мультилеты возникают в мультиплексированных условиях, мы надеемся, что эта работа поддержит лучшую дизайн исследования в экспериментах и интерпретации данных».

Чтобы оценить, как мультиплексирование выборки влияет на обнаружение мультилета, Накаки объединил теоретическое моделирование с экспериментальным сравнительным анализом и использовался общедоступные одноклеточные наборы данных. Он получил математические выражения для оценки ожидаемых многократных скоростей в различных условиях ввода и подтвердил эти прогнозы в отношении реальных данных, где отдельные выборки были уникально штрих.

Сравнивая различные конфигурации мультиплексирования, Накаки показал, что, хотя мультиплексирование выборки помогает идентифицировать некоторые типы мультиплетов, по крайней мере один мультиплентный тип все еще остается, особенно в условиях, когда маркировка выборки была недостаточной, или выбор инструментов анализа был неадекватным.

Их анализ дает практическое руководство о том, как сбалансировать ввод ячейки, числа выборки и желаемую специфичность, подчеркивая, что даже при мультиплексировании экспериментальные параметры должны быть тщательно оптимизированы для поддержания целостности одноклеточных данных.