|
生物信息学习的正确姿势
NGS系列文章包括NGS基础、转录组分析 (Nature重磅综述|关于RNA-seq你想知道的全在这)、ChIP-seq分析 (ChIP-seq基本分析流程)、单细胞测序分析 (重磅综述:三万字长文读懂单细胞RNA测序分析的最佳实践教程 (原理、代码和评述))、DNA甲基化分析、重测序分析、GEO数据挖掘(典型医学设计实验GEO数据分析 (step-by-step) - Limma差异分析、火山图、功能富集)、批次处理等内容。
根据所用文库制备方法的不同,RNA序列(也被称为reads
或tag
)将从转录本((10X Genomics
, CEL-seq2
, Drop-seq
, inDrops
)的3'
端(或5'
端)或全长转录本(Smart-seq
)中获得。
Image credit: Papalexi E and Satija R. Single-cell RNA sequencing to explore immune cell heterogeneity, Nature Reviews Immunology 2018 (https://doi.org/10.1038/nri.2017.76)
不同测序方式的优点:
3’(或5’)末端测序:
通过使用UMI进行更准确的定量,从而将生物学重复与扩增重复(PCR)区别开来;
测序的细胞数量更多,可以更好地鉴定细胞类型群;
每个细胞成本更低;
大于10,000个细胞的结果最佳
全长测序:
检测亚型水平(isoform-level
)表达差异;
鉴定等位基因特异性差异表达;
对较少数量的细胞进行更深的测序;
最适用于细胞数少的样品。
我们将主要介绍3’端测序,重点是基于液滴的方法 (inDrops
, Drop-seq
, 10X Genomics
)。
在3’端测序中,同一转录本的不同reads片段仅会源自转录本的3’端,相同序列的可能性很高,同时在建库过程中的PCR步骤可能导致reads的重复,因此为了区分是生物学还是技术上的重复,我们使用唯一标识符(unique molecular identifiers,UMI
)进行标注。
比对到相同的转录本、UMI不同的reads来源于不同的分子,为正常生物转录,每个read都被计数。
UMI相同的reads来自同一分子,为技术重复,计为1个read。
上面两条描述是理想情况,方便理解,实际处理起来要复杂一些。
我们以下图为例,下图中分子ACTB
的UMI均相同,因此只能记为1个molecule
,而ARL1
的UMI不同所以可以记为2个molecule
。
Image credit: modified from Macosko EZ et al. Highly Parallel Genome-wide Expression Profiling of Individual Cells Using Nanoliter Droplets, Cell 2015 (https://doi.org/10.1016/j.cell.2015.05.002)_
在细胞水平进行正确定量都需要以下条件:
Sample index: 样本来源
Added during library preparation - needs to be documented
Cellular barcode: 细胞来源
Each library preparation method has a stock of cellular barcodes used during the library preparation
Unique molecular identifier (UMI): 转录本来源
The UMI will be used to collapse PCR duplicates
Sequencing read1: the Read1 sequence
Sequencing read2: the Read2 sequence
例如,使用inDrops v3
库准备方法时,以下内容是reads的所有信息:
Image credit: Sarah Boswell(https://scholar.harvard.edu/saboswell), Director of the Single Cell Sequencing Core at HMS_
R1 (61 bp Read 1): sequence of the read (Red top arrow)
R2 (8 bp Index Read 1 (i7)): cellular barcode - which cell read originated from (Purple top arrow)
R3 (8 bp Index Read 2 (i5)): sample/library index - which sample read originated from (Red bottom arrow)
R4 (14 bp Read 2): read 2 and remaining cellular barcode and UMI - which transcript read originated from (Purple bottom arrow)
对于不同的基于液滴的scRNA-seq方法,scRNA-seq的分析工作流程相似,但是UMI
、细胞ID
和样品索引
的解析会有所不同。例如,以下是10X
序列reads的示意图,其中index
,UMI
和barcode
的位置不同 :
Image credit: Sarah Boswell(https://scholar.harvard.edu/saboswell), Director of the Single Cell Sequencing Core at HMS_
scRNA-seq方法能通过测序的reads解析barcodes
和UMI
,它们在特定步骤里会轻微地不同,但除了方法外,大致流程都是一致的,常规工作流程如下所示:
Image credit: Luecken, MD and Theis, FJ. Current best practices in single‐cell RNA‐seq analysis: a tutorial, Mol Syst Biol 2019 (doi: https://doi.org/10.15252/msb.20188746) 中文解读见:重磅综述:三万字长文读懂单细胞RNA测序分析的最佳实践教程 (原理、代码和评述)
工作流程的步骤是:
生成count矩阵(method-specific steps
):
reads格式化,对样本进行多路分解(demultiplexing
,即通过barcodes
确定reads
的来源),比对和定量。
原始count的质量控制:
过滤质量较差的细胞。
细胞聚类:
基于转录活性的相似性对细胞进行聚类(细胞类型数=簇数)?
marker
识别:
识别每个cluster的标记基因。
可选的下游步骤。
无论进行那种分析,生物学重复都是必要的!
我们聚焦于基于液滴型的3’端测序(比如inDrops
、10X Genomics
和Drop-seq
),将原始测序数据转换为count矩阵。
测序工具将以BCL
或FASTQ
格式输出原始测序数据,或生成count矩阵。如果reads是BCL格式,我们将需要转换为FASTQ格式。有一个有用的命令行工具bcl2fastq,可以轻松执行此转换。
NOTE: We do not demultiplex at this step in the workflow. You may have sequenced 6 samples, but the reads for all samples may be present all in the same BCL or FASTQ file.
对于许多scRNA-seq方法,从原始测序数据中生成count矩阵都将经历相似的步骤。
umis
(https://github.com/vals/umis)和`zUMIs`(https://github.com/vals/umis)是命令行工具,可用于估计测转录本3'端的scRNA-seq数据的表达。此过程中的步骤包括:
格式化reads并过滤嘈杂的细胞barcodes
;
Demultiplexing the samples
(通过barcodes
确定reads
的来源);
比对/伪比对到转录本;
折叠UMI和定量reads。
当然,如果使用10X Genomics建库方法,Cell Ranger pipeline
(https://support.10xgenomics.com/single-cell-gene-expression/software/pipelines/latest/what-is-cell-ranger)将负责执行以上的所有步骤 (10X单细胞测序分析软件:Cell ranger,从拆库到定量)。
格式化reads并过滤非细胞barcodes
:
FASTQ
文件能解析得到细胞barcodes、UMIs和样本barcodes。对于基于液滴型的方法,一些细胞barcodes会对应的低的reads数(< 1000 reads) ,原因是:
encapsulation of free floating RNA from dying cells
simple cells (RBCs, etc.) expressing few genes
cells that failed for some reason 在比对reads之前,需要从序列数据中过滤掉多余的条形码。
为了进行这种过滤,提取并保存每个细胞的“细胞条形码”和“分子条形码”。
例如,如果使用“umis”
工具,则信息将以以下格式添加到每条reads的标题行中 (NGS基础 - FASTQ格式解释和质量评估):
@HWI-ST808:130:H0B8YADXX:1:1101:2088:2222:CELL_GGTCCA:UMI_CCCTAGGAAGATGGAGGAGAGAAGGCGGTGAAAGAGACCTGTAAAAAGCCACCGN+@@@DDBD>=AFCF+<CAFHDECII:DGGGHGIGGIIIEHGIIIGIIDHII#
建库中使用的细胞条形码应该是已知的,未知的条形码会被丢弃,同时对于已知的细胞条形码允许一定的错配。
Demultiplexing the samples:
如果测序多于一个样品执行此步骤,这是一步不由“umis”
工具处理,而由“zUMIs”
完成的步骤,这步会解析reads以确定与每个与细胞相关的样本条形码。
比对/伪比对到转录:
通过传统(STAR
)或轻量型(Kallisto/RapMap
)方法,将reads比对回基因。
折叠UMI和定量reads:
使用Kallisto
或featureCounts
之类的工具仅对唯一的UMI进行量化,得到
Image credit: extracted from Lafzi et al. Tutorial: guidelines for the experimental design of single-cell RNA sequencing studies, Nature Protocols 2018 (https://doi.org/10.1038/s41596-018-0073-y)
矩阵中的每个值代表源自相应基因在各个细胞中的reads数。
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-12-23 12:24
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社