Tekli-omikler Tekli-Hücre RNA-seq Analizi — Bütünleştirici Multimodal Tekli-Hücre Profillemesi
Multi-omics Single-Cell RNA Sequencing Analysis · Ayrıca şöyle bilinir: scMulti-omics, single-cell multi-omics, multimodal single-cell analysis, paired single-cell omics
Tekli-omikler tekli-hücre RNA-seq analizi, aynı bireysel hücrelerde eş zamanlı olarak ölçülen veya birlikte profillenen gen ifadesi (scRNA-seq), kromatin erişilebilirliği (scATAC-seq) veya yüzey protein bolluğu (CITE-seq) gibi iki veya daha fazla moleküler katmanı bütünleştirir. Bu modaliteleri paylaşılan düşük boyutlu bir uzayda hizalayarak, araştırmacılar tek bir deneyin sağlayabileceğinden daha mekanistik olarak zengin bir hücre kimliği, düzenleyici durumu ve fenotip resmi elde ederler.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tek modaliteli transkriptomikten belirsiz olan hücre tiplerini veya durumlarını çözmeniz gerektiğinde, düzenleyici öğeleri (kromatin, protein) aynı hücredeki gen ifadesine bağlamak istediğinizde veya epigenom ile transkriptom arasındaki nedensel mekanizmayı anlamak sorunuzun merkezinde olduğunda tekli-omik tekli-hücre analizini kullanın. İdeal senaryolar hücre farklılaşmasını, hastalıkla ilişkili düzenleyici yeniden yapılandırmayı veya bağışıklık aktivasyon durumlarını incelemeyi içerir. Standart bir scRNA-seq deneyi biyolojik sorunuzu zaten yanıtlıyorsa kullanmayın — ek maliyet (reaktif, dizileme derinliği, hesaplama karmaşıklığı) yalnızca ek modalite temel, yedekli olmayan bilgi sağladığında haklı çıkar. Örnek kalitesi veya hücre verimi eşleştirilmiş deneyler için yetersiz olduğunda bundan kaçının, çünkü düşük kaliteli tekli-omik verilerin yorumlanması temiz tekil modalite verilerinden daha zordur.
Güçlü yönler & sınırlılıklar
- Tekil-modalite transkriptomiklerin ayırt edemediği hücre tiplerini ve düzenleyici durumları çözer.
- Aynı hücrede kromatin erişilebilirliğini veya yüzey işaretleyicilerini gen ifadesine doğrudan bağlayarak mekanistik içgörü sağlar.
- Hücre etiketleme güvenilirliği, birden fazla bağımsız moleküler sinyal anlaştığında önemli ölçüde daha yüksektir.
- Tekli-hücre çözünürlüğünde gen düzenleyici ağların ve güçlendirici-gen bağlantılarının çıkarılmasını sağlar.
- Kader bağlılığının erken bir sinyali olarak kromatin hazırlığı ile yörünge ve sözde zaman analizlerini destekler.
- Aktif topluluk kıyaslaması ile iyi desteklenen araçların (Seurat, Scanpy/muon, ArchR, MOFA+) büyüyen ekosistemi.
- Tekil-modalite deneylerine göre hücre başına daha yüksek maliyet; kütüphane hazırlığı teknik olarak daha zordur ve hata oranları daha yüksektir.
- Her ek modalite, veri seyrekleşmesini artırır, özellikle scATAC-seq, scRNA-seq'den çok daha seyrek olup sağlam analiz için daha fazla hücre gerektirir.
- Bütünleştirme algoritmaları, modaliteler derinlemesine tutarsız olduğunda geçerli olmayabilecek varsayımlar (örneğin, paylaşılan komşuluk yapısı) yapar.
- Hesaplama işlem hatları karmaşıktır, birçok ayarlanabilir hiperparametreye sahiptir ve eleştirel olarak değerlendirmek için alan uzmanlığı gerektirir.
- Kromatin ve protein modaliteleri için RNA'ya kıyasla daha az kapsamlı referans etiketleme kaynakları, otomatik etiketlemeyi zorlaştırır.
SSS
CITE-seq ve 10x Multiome arasındaki fark nedir?
CITE-seq, aynı hücreden RNA ve yüzey proteinlerini (antikor türetilmiş etiketler, ADT) ölçer, bu da onu immünofenotipleme için ideal hale getirir. 10x Chromium Multiome, aynı nükleustan RNA ve açık kromatin (ATAC-seq) ölçer, bu da onu gen düzenlemesini incelemek için uygun hale getirir. Her ikisi de tekli-omik deneylerdir, ancak farklı ek katmanları yakalarlar. Seçim, protein düzeyinde hücre yüzeyi fenotiplemesine veya epigenomik düzenleyici bilgiye ihtiyacınız olup olmadığına bağlıdır.
Tekli-omik bir deney için kaç hücreye ihtiyacım var?
Öneriler deneye ve biyolojik soruya göre değişir, ancak pratik bir kural olarak, nadir popülasyonların temsil edildiğinden emin olmak için KÇ sonrası örnek başına en az 5.000–10.000 yüksek kaliteli hücre hedefleyin. ATAC içeren deneyler için, ATAC verileri daha seyrek olduğu için yalnızca RNA deneylerinden daha fazla hücreye ihtiyaç vardır. Hücre tipi diferansiyel bolluk analizleri için güç hesaplamaları mevcuttur ancak henüz olgunlaşmaktadır.
Farklı laboratuvarlardan veya platformlardan gelen verileri hesaplamalı olarak bütünleştirebilir miyim?
Evet, ancak bu doğrudan ortak yerleşim yerine köprü bütünleştirmesi gerektirir. Seurat'ın köprü bütünleştirmesi veya GLUE gibi yöntemler, bir ortak deney referansı aracılığıyla paylaşılan bir gizli uzay öğrenerek farklı teknoloji çiftleriyle ölçülen veri kümelerini (örneğin, bir kohort RNA+ATAC ile, diğeri yalnızca RNA ile) hizalayabilir. Bu ima edilen bütünleştirmenin istatistiksel belirsizliği, gerçekten eşleştirilmiş verilerden daha yüksektir ve şeffaf bir şekilde raporlanmalıdır.
Tekli-omik analiz her zaman hücre tipi etiketlemesini iyileştirir mi?
Genellikle evet, ancak her zaman değil. Ek modalite çok seyrek (hücre başına çok az ATAC tepe noktası) veya teknik olarak gürültülü (yüksek antikor arka planı) olduğunda, ortak yerleşim tek başına RNA'dan daha kötü olabilir. Her zaman modaliteye özgü kalite metriklerini inceleyin ve ek modalitenin olumlu katkıda bulunduğunu doğrulamak için bütünleştirme ile ve onsuz kümeleme sonuçlarını karşılaştırın.
Hangi yazılım ekosistemini kullanmalıyım?
İki ana ekosistem hakimdir: Kapsamlı ara çizelgeleriyle Seurat (R) ve WNN işlem hattı ve Scanpy ve muon etrafında inşa edilmiş Python ekosistemi MOFA+ ve ArchR entegrasyonu ile. Seurat, yeni başlayanlar için daha eksiksiz uçtan uca öğreticilere sahiptir; Python ekosistemi özel işlem hatları için daha fazla esneklik sunar ve çok büyük veri kümelerine daha iyi ölçeklenir. Her ikisi de aktif olarak bakımı yapılır ve kıyaslanır.
Kaynaklar
- Hao, Y., Hao, S., Andersen-Nissen, E., Mauck, W. M., Zheng, S., Butler, A., Lee, M. J., Wilk, A. J., Darby, C., Zager, M., Hoffman, P., Stoeckius, M., Papalexi, E., Mimitou, E. P., Jain, J., Srivastava, A., Stuart, T., Fleming, L. M., Yeung, B., Rogers, A. J., McElrath, J. M., Blish, C. A., Gottardo, R., Smibert, P., & Satija, R. (2021). Integrated analysis of multimodal single-cell data. Cell, 184(13), 3573–3587.e29. link ↗
- Argelaguet, R., Arnol, D., Bredikhin, D., Deloro, Y., Velten, B., Marioni, J. C., & Stegle, O. (2020). MOFA+: a statistical framework for comprehensive integration of multi-modal single-cell data. Genome Biology, 21(1), 111. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multi-omics Single-Cell RNA Sequencing Analysis. ScholarGate. https://scholargate.app/tr/bioinformatics/multi-omics-single-cell-rna-seq-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ChIP-seq Peak CallingBiyoenformatik↔ karşılaştır
- Gen Kümesi Zenginleşme Analizi (GSEA)Biyoenformatik↔ karşılaştır
- Çoklu-omik RNA-seq Diferansiyel İfade AnaliziBiyoenformatik↔ karşılaştır
- Yol Zenginleştirme AnaliziBiyoenformatik↔ karşılaştır
- RNA-seq Diferansiyel İfadeBiyoenformatik↔ karşılaştır
- Tek hücre RNA-seq AnaliziBiyoenformatik↔ karşılaştır