RNA-sekvensointi (RNA-sekvensointi) on muuttanut transkriptomiikkaa mahdollistamalla RNA-molekyylien genomilaajuisen määrityksen ja karakterisointia. Teknologia on sen perustamisesta lähtien kehittynyt irtotavaramittauksista yhden solun resoluutioon, lyhyistä lukemista pitkiin lukukausiin sekä epäsuorasta havaitsemisesta natiivin RNA-RNA:n suoraan kuulusteluun. Nämä kehityst ovat paitsi syventäneet geenien säätelyn ymmärtämistämme myös avanneet uusia mahdollisuuksia kliiniselle diagnostiikalle, lääkelöydölle ja personoidulle lääketieteen tieteelle. Tässä artikkelissa tarkastellaan RNA-sekvenssiteknologian viimeisimpiä edistysaskeleita, mukaan lukien sekvensointialustojen, yhden solun ja tilan lähestymistapoja, suoraa RNA-sekvensointia, bioinformatiikan työkaluja ja kehittymässä olevia kliinisiä sovelluksia.

Sekvensointialustan ennakko

Lyhytkestoinen jaksotus: korkeampi läpimeno ja tarkkuus

Uuden sukupolven sekvensointi (NGS) alustat, erityisesti ne, jotka ovat peräisin Illuminasta, hallitsevat edelleen lyhyen lukeman RNA-sekvenssimarkkinoita. [Ilumina NovaSeq 6000[ tarjoaa ennennäkemättömän läpimenon, mahdollistaen satojen näytteiden sekvenssin yhdellä kerralla samalla kun säilytetään korkea tarkkuus ja alhaiset kustannukset per pohja. Viimeaikaiset NovaSeq X -sarjan päivitykset parantavat tietojen laatua ja vähentävät käänneaikaa. Nämä alustat ovat edelleen kultastandardi eri ilmaisujen analysoinnille, muunnelmien havaitsemiselle ja transkriptien kvantitaation määrälle geeni- ja isoformitasolla.

Pitkän aikavälin jaksotus: Kokopituisten transkriptien kaappaaminen

Oxford Nanopore Technologies and Pacific Biosciences (PacBio) -teknologiat ovat kypsyneet merkittävästi, nyt ne tarjoavat lukemispituudet yli 10 kilobases. [Oxford Nanopore.Minion[] ja Promethon-alustat tarjoavat reaaliaikaisen sekvenssin natiivien RNA-molekyylien välillä, kun taas PacBio...

Yksisoluiset ja Spatial Transcriptomyct

Yksisoluisen RNA-sekvensointi: solujen heterogenetiikan ratkaiseminen

Yksisoluinen RNA-sekvensointi (scRNA-seq) on tullut nykyaikaisen transkription kulmakiveksi. Droplet-pohjaiset menetelmät, kuten 10x Genomiikkakromosomi[], mahdollistavat kymmenien tuhansien solujen profiloinnin yhdessä kokeessa hallittavissa olevalla hinnalla. Viimeaikaisia innovaatioita ovat kombinatoriset indeksointimenetelmät (esim. sci-RNA-seq), jotka ovat skaalautuneet pidemmälle ilman erikoisia mikrofluidilaitteita. Nämä menetelmät ovat paljastaneet harvinaisia solupopulaatioita, dynaamisia solutiloja ja sukulinjan trajektoreja kehityksessä, immuniteetissa ja sairauksissa.

Spatial Transcriptomics: Lisääminen kudos konteksti

Bulk ja single-cell RNA-seq menettää paikkatietoa. Spatial transkriptioics technologies, kuten 10x Visium, Slide-seq ja MERFISH, nyt mahdollistavat geenin ilmentymän mittaukset säilyttäen kudosarkkitehtuuria. Visium käyttää viivakoodattuja kaappausluotaimia dioilla kartoittaakseen RNA:n kudososista lähes yhden solun tarkkuudella. Korkeammat resoluutiomenetelmät kuten MERFISH ja sitä seuraavat FISH+ voivat ratkaista satoja geenejä solun alapuolella lokalisoitumisessa. Nämä tekniikat mullistavat ymmärryksemme kasvaimen mikroympäristöistä, aivojen organisaatiosta ja kehitysbiologiasta.

Suora RNA-sekvensointi ja epitranskriptomiikka

Suora RNA-sekvensointi: Biojen vähentäminen

Perinteinen RNA-sekvenssi vaatii käänteistä transkriptiota, joka tuo esiin ennakkoluuloja, erityisesti 5′ päässä ja GC-rikassa alueilla. Suora RNA-sekvensointi, jota Oxford Nanopore on edelläkävijöinyt, sekvenssit natiivit RNA-molekyylit ilman muuntamista cDNA:ksi. Tämä lähestymistapa kuvaa aitoa RNA-muunnosta, poly(A) hännän pituutta ja täyden pituuden transkriptiorakenteita. Viimeaikaiset parannukset nanoporen kemiassa ja basecalling-algoritmit ovat lisänneet läpivientiä ja tarkkuutta, jolloin suora RNA-sekvenssi on käytännöllinen transkriptomien kokoisille tutkimuksille.

Havaitaan RNA-muutosten muutokset

RNA-molekyylit sisältävät yli 170 tunnettua kemiallista muutosta, kuten N6-metyyliadenosiinia (m6A), pseudouridiinia ja 5-metyylisytosiinia. Nämä muutokset säätelevät manipulointia, vakautta ja kääntämistä. Suora RNA-sekvensointi voi tunnistaa muuntamisen aiheuttamia peruskutsuvirheitä tai -signaalinsiirtoja, mikä mahdollistaa transkriptionomaisen kartoituksen muutoksista ilman vasta-aineen vetämistä alas. Kehittyvät laskentatyökalut kuten Tombo, Nanocompore ja m6Anet-vivutus raakana nanopore -signaalien havaitsemiseksi yhden pesän resoluutiolla. Tämä kenttä, joka tunnetaan epitranscriptomynteinä, kasvaa nopeasti ja lupaa paljastaa uusia geenien säätelyn kerroksia.

Bioinformatiikan työkalut Transcriptome analyysi

Tasaus ja kvantitatiivinen

RNA-sekvenssitietojen räjähdys on ajanut kehittyneiden laskentatyökalujen kehittämistä. Lyhyen lukemisen osalta STARin ja HISAT2:n kaltaiset plixe-aware-reunustuskoneet tarjoavat nopean ja tarkan kartoituksen. Pseudantilit, kuten Salmon ja Kallisto, nopeuttavat merkittävästi kvantitatiivista kehitystä arvioimalla transkriptioiden runsautta ilman täydellistä linjausta. Pitkän aikavälin linjaustyökalut, kuten minimaalisetp2 ja uLTRA, käsittelevät kompleksisuuden ryppyjen pitkissä lukemissa. Pilvipohjaiset alustat, kuten Terra tai DNAnexus, mahdollistavat tutkijoiden analysoida suuria tietokokonaisuuksia ilman paikallista infrastruktuuria.

Erilaisuus- ja toistoanalyysi

Tilastollinen menetelmät differentiaaliilmaisu on tullut vahvempi. Työkalut kuten DESeq2, edgeR, ja limma-voom malli laskea tietoja tarkoituksenmukaiset jakelut, käsitellä erän vaikutuksia, ja valvoa vääriä löydöksiä. Erotus leikkaus ja isoformin käyttö, rMATS, LeafCutter, ja SUPPA2 vipuvaikutus liitäntä lukemat tai transkripti määrä tunnistaa vaihtoehtoisia leikkaus tapahtumia. Integraatio koneoppimisen parantaa havaitsemista hienovarainen leikkaamalla muutoksia liittyvät tauti.

Pilvilaskenta ja uusittavuus

Moderni transkriptiikka vaatii skaalautuvaa laskentaa. Dockerin, Snakemaken tai Nextflowin avulla tapahtuvat työnkulkut ovat nyt standardi. Syöpägeenin (TCGA) ja ENCODEn kaltaiset julkiset arkistot tarjoavat massiivisia tietoaineistoja sekundaarianalyysiin. Kontrolloidut työkalut varmistavat yhdenmukaiset tulokset eri laskentaympäristöissä. RNA-sek-bioinformatiikan tulevaisuus on automaattisissa putkistoissa, joissa on laadunvalvonta, normalisointi ja visualisointi mahdollisimman vähäisellä käyttäjän väliintulolla.

Kliiniset ja kääntämissovellukset

Syöpä Transcriptomics

RNA-sekq:ia käytetään laajasti onkologiassa fuusiogeenien, varianttien ja ilmentymismerkkien tunnistamiseen, jotka ohjaavat ennustetta ja hoitoa. Esimerkiksi geenifuusioiden, kuten BCR-ABL:n, EML4-ALK:n ja TMPRSS2-ERG:n havaitseminen on nykyään rutiinia kliinisissä RNA-sekapaneelissa. Yksisoluinen RNA-sekaq on paljastamassa kasvaimen heterogeenisyyttä ja resistenssimekanismeja. Nestemäiset biopsiat, joissa käytetään solutonta RNA:ta verestä, tarjoavat ei-invasiivisen tavan seurata taudin etenemistä ja hoitovastetta.

Harvinaiset Tautidiagnostiset tiedot

Sekvensointi voi täydentää eksoomia tai genomisekvensointia harvinaisten geneettisten sairauksien diagnosoinnissa. Se voi tunnistaa poikkeavan limittymisen, monoalleelin ilmentymisen ja ilmeen outliers, jotka osoittavat patogeenisiä variantteja koodaamattomilla alueilla. Laaja-alaiset hankkeet, kuten diagnosoimattomat sairaudet Network ja Genomics Englanti, ovat osoittaneet RNA-sekvenssin hyödyllisyyden aiemmin ratkaisemattomien tapausten ratkaisemisessa. Yhdistämällä lyhyt luettava pitkän lukeman RNA-sekvenssillä parantaa transkripteihin vaikuttavien rakenteellisten varianttien havaitsemista.

Haasteet ja tulevaisuuden linjaukset

Kustannus ja skaalattavuus

Vaikka kustannukset ovat laskeneet huomattavasti, rutiininomaiset RNA-sekvenssit ovat edelleen kalliita monissa kliinisissä asetuksissa. Yksisoluiset ja tilalliset menetelmät ovat edelleen kustannuskieltäviä rutiininomaisissa laaja-alaisissa tutkimuksissa. Pitkän aikavälin sekvensointi edellyttää suurta panos-RNA:ta ja erikoistuneita protokollia. Mikrofluidienssien, automaatio- ja sekvensointikemian jatkuva edistyminen todennäköisesti alentaa kustannuksia entisestään. Minionin kaltaiset kannettavat laitteet tekevät sekvensointiin pääsyn pienimuotoisissa asetuksissa.

Datakompleksisuus ja integrointi

Moniomiikan integrointi. Kombining transkriptiota genomiikan, proteomiikan ja epigenomiikan kanssa.Tarvitsee kehittyneitä tilastollisia ja koneoppimistapoja. Moniomiikan tekijäanalyysin (MOFA) ja syväoppimisen kaltaisten menetelmien avulla voidaan tunnistaa johdonmukaisia biologisia reittejä datakerroksissa. Erän vaikutusten, puuttuvien tietojen ja erilaisten mittausvaakojen käsittely on edelleen haastavaa. Yhdenmukaisten standardien, kuten GA4GH- ja FAIR-periaatteiden kehittäminen on ratkaisevan tärkeää toistettavissa olevan tutkimuksen kannalta.

Tekoäly ja ennakoiva mallinnus

Tekoälyä käytetään yhä enemmän transkriptionomianalyysiin. Syvät hermoverkot ennustavat leikkaustuloksia sekvenssistä, luokittelevat kasvaimen alatyyppejä ilmeprofiileista ja tunnistavat lääkeresistentit biomarkkerit. Muuntajat ja genomitietoihin mukautetut laajat kielimallit ovat kehittymässä (esim. DNABERT, Enformer). Nämä työkalut lupaavat poimia syvempiä oivalluksia transkriptiodatasta, mutta vaativat suuria, hyvin parannettuja koulutusaineistoja ja huolellista tulkintaa, jotta vältetään ylisopivuus.

Päätelmät

RNA-sekvensointiteknologiat etenevät huomattavaa vauhtia. Parannetuista lyhyen ja pitkän lukemisen alustoista yksisoluisiin ja paikkatietomenetelmiin tutkijoilla on nyt ennennäkemätön työkalusarja, joka kuulustelee transkriptiota. Suora RNA-sekvensointi ja epitranscriptomiikka lisäävät uuden ulottuvuuden, kun ne kaappaavat RNA-muunnoksia ja alkuperäismolekyyliä. Bioinformatiikkaputket kehittyvät edelleen, jolloin analyysi on helpommin saavutettavissa ja toistettavissa. Kustannusten laskun ja integroinnin parantuessa RNA-sekvenssiolla on yhä keskeisempi rooli perusbiologiassa ja kliinisessä lääketieteessä, mikä mahdollistaa löydösten kehittymisen, joita ei ollut kuviteltavissa vuosikymmen sitten.