scRNA-seq의 출현은 단일 세포 수준에서 유전자 발현 프로파일을 탐색 할 수있는 전례없는 기회를 제공합니다. 현재 scRNA-seq는 특히 종양학 및 면역학 연구에서 세포 이질성에 대한 주요 생물학적 질문을 연구하는 데 선호되는 선택이되었습니다. 그러나 높은 차원 성, 희소성, 세포 집단에 따른 다양한 이질성, 기술적 잡음 및 재현성 부족으로 인해 데이터 시각화 및 통계 분석에 새로운 도전을 제기합니다.
유전체학, 전사 체학 및 후성 유전체학을위한 차세대 시퀀싱 기반 기술은 이제 개별 세포의 특성화에 점점 더 초점을 맞추고 있습니다. 예를 들어, 단일 세포 RNA 시퀀싱 (scRNA-seq)은 세포 수준에서 전사 변화를 포괄적으로 특성화 할 수 있으며 미세 환경의 맥락에서 개별 세포의 기능을 더 잘 이해하는 데 도움이됩니다. 최근에는 COVID-19 퇴치 개별 면역 세포의 전사 변화를 특성화합니다.
JMP Genomics 10에 새로 추가 된 scRNA-seq 워크 플로우는 클러스터링 분석을 통해 복잡하고 희귀 한 세포 집단을 시각적으로 대화식으로 탐색 한 다음 세포 유형 및 기타 조건에서 차등 유전자 발현 패턴을 감지하는 데 도움이됩니다.
왜 JMP Genomics인가?
에 JMP Genomics 10 , 우리는 과학자들이 자신의 scRNA-seq 데이터를 매우 자신있게 효율적으로 탐색 할 수 있도록 표준화되고 상호 작용 적이며 재현 가능한 scRNA-seq 워크 플로우를 만들었습니다. 이 워크 플로우의 주요 기능에는 데이터 품질 관리 (QC), 가변 유전자 선택, 희소 SVD 분석, 클러스터링, 기능 중요도 스크리닝, 동적 시각화 (예 : 바이올린 플롯, 능선 플롯 및 도트 플롯) 및 차등 유전자 발현 분석이 포함됩니다. . 또한 JMP의 R 통합 기능을 활용하여 적절한 R 패키지가 설치 될 때 셀 모집단에서 t-SNE 또는 UMAP 시각화를 수행합니다.
주요 특징들
이 문서에서는 분석을 통해이 새로운 워크 플로의 주요 기능을 보여줍니다. PBMC 데이터 세트 예로서. 먼저 다음 위치에있는 Feature-Barcode 매트릭스 가져 오기 도구를 사용해야합니다. 가져 오기> 차세대 시퀀싱 JMP Genomics의 메뉴를 사용하여 원시 UMI 카운트 데이터를 희소 형식으로 읽은 다음이를 고밀도 형식으로 변환합니다. 수입 업체의 출력 데이터는 아래에있는 기본 단일 세포 RNA-seq 워크 플로의 입력으로 사용할 수 있습니다. 워크 플로> 기본 하위 메뉴. 인터페이스에서 설정을 지정한 후 운영 JMP 프로젝트로 구성된 탭 보고서를 생성합니다.
그림 1 : 기본 ScRNA-Seq 워크 플로우의 인터페이스.
데이터 개요 및 QC
워크 플로우는 QC 단계를 수행하여 품질이 낮은 세포와 유전자를 제거합니다. 데이터 개요 보고서는 사용할 QC 기준을 결정하는 데 도움이됩니다. (이 게시물에서이 시각화 및 기타 사항을 탐색 할 수 있습니다. JMP 공개 .)
그림 2 :이 데이터 세트의 주요 통계가 포함 된 데이터 개요 보고서.
가변 유전자 선택
scRNA-seq 데이터에서 높은 차원 성과 희소성을 처리하는 한 가지 방법은 높은 세포 간 변이를 나타내는 유전자에만 집중하는 것입니다. 이를 용이하게하기 위해 워크 플로우는 분산 및 VST라는 두 가지 가변 유전자 선택 방법을 제공하여 후속 분석을 위해 고도로 가변적 인 유전자 세트를 선택하는 데 도움을줍니다. 가변 유전자 선택 탭에는 선택한 가변 유전자가 빨간색으로 표시된 분산 평균 플롯이 표시됩니다.
그림 3 : VST 방법의 분산 평균 플롯. 빨간색 점은 선택된 가변 유전자를 나타냅니다. 나머지 유전자는 폐기됩니다.
희소 SVD 분석
그런 다음 워크 플로는 희소 SVD 분석을 수행하여 클러스터링 및 시각화 목적으로 데이터 세트의 차원과 희소성을 더욱 줄입니다. 클러스터링 탭은 데이터의 전역 구조를 탐색하는 데 도움이되는 상위 구성 요소가있는 2D 및 3D SVD 플롯을 모두 제공합니다.
그림 4 : 상위 3 개 구성 요소를 시각화하는 3D SVD 플롯.
클러스터링
scRNA-seq 데이터 분석에서 중요한 작업 중 하나는 클러스터링 알고리즘을 통해 세포 집단을 식별하는 것입니다. 이 워크 플로는 계층 적 및 K- 평균이라는 두 가지 클러스터링 알고리즘을 제공합니다. 이 예에서는 PBMC 데이터 세트에서 9 개의 클러스터를 식별하는 계층 적 클러스터링을 사용했습니다. 덴드로 그램 또는 성좌도를 통해 군집을 탐색 할 수도 있습니다.
그림 5 : 계층 적 클러스터링의 덴드로 그램.
그림 6 : 계층 적 클러스터링의 별자리 플롯.
UMAP 및 t-SNE 시각화
UMAP 및 t-SNE는 scRNA-seq 데이터 탐색에 사용되는 두 가지 인기있는 시각화 방법입니다. JMP Genomics는 로컬 R 환경에 Rtsne 및 UMAP 패키지를 설치 한 경우 t-SNE 및 UMAP를 사용하여 클러스터링 결과를 시각화하는 옵션을 제공합니다. JMP Genomics는 또한 하드 드라이브에 수십 개의 그림을 생성하지 않고도 t-SNE 및 UMAP 시각화에서 유전자 발현 패턴을 대화식으로 살펴볼 수 있도록 Feature Switcher라는 도구를 제공합니다. 그림 7에서는 UMAP를 예로 사용합니다.
그림 7 : 로컬 데이터 필터 및 기능 전환기를 사용한 UMAP 시각화
더 많은 시각화
JMP Genomics는 또한 바이올린 플롯, 능선 플롯 및 도트 플롯을 포함하여 세포 유형 전반에 걸쳐 유전자 발현 패턴을 동적으로 대화식으로 탐색 할 수있는 추가 시각화 도구를 제공합니다. 사용자는 Recode 버튼을 통해 마커 유전자 목록의 발현 패턴을 기반으로 세포 집단을 정의 할 수 있습니다. 또한 사용자는 외부 데이터베이스에 대한 링크를 통해 관심 유전자에 대한 정보를 확인할 수 있습니다.
그림 8 : 세포 유형에 따른 유전자 발현 수준의 바이올린 플롯, 능선 플롯 및 도트 플롯.
기능 중요도 심사
가변 유전자 선택 단계는 분석에서 유전자 수를 크게 줄 였지만 여전히 수천 개의 유전자를 탐구해야합니다. 따라서 JMP Genomics는 부트 스트랩 포레스트 알고리즘을 사용하여 세포 분리의 중요성에 따라 유전자의 순위를 매기는 기능 스크리닝 방법을 제공합니다. 예를 들어 사용자는 시각화를 위해 2,000 개 대신 상위 30 개 유전자를 선택할 수 있습니다. JMP Genomics는 또한 중요한 유전자 목록을 GTEx 데이터베이스로 전송하여 조직 별 발현 패턴을 탐색하는 데 도움이되는 도구를 제공합니다.
그림 9 : 상위 30 개 유전자를 보여주는 기능 선별 보고서.
차동 유전자 발현
차등 유전자 발현 분석은 scRNA-seq 데이터에서 세포 유형에 따른 전사 변화에 대한 통계적 통찰력을 도출하는 핵심 단계입니다. 이 워크 플로우는 JMP Genomics의 ANOVA 플랫폼을 통합하여 복잡한 연구 설계를 허용하는 정교한 혼합 효과 모델을 사용하여 차동 유전자 발현 분석을 수행합니다.
시작하기
이 새로운 단일 세포 RNA-seq 워크 플로우에 대한이 5 분 소개 동영상을 통해 시작하실 수 있습니다.
추가 정보
scRNA-seq가 생물 의학 연구에서 계속 인기를 얻고 있기 때문에 빠르게 성장하는 scRNA-seq 데이터 세트에서 유효한 통찰력을 신속하게 추출하려면 재현 가능하고 상호 작용하며 사용자 친화적 인 워크 플로우가 필요합니다. JMP Genomics 10의 새로운 scRNA-seq 워크 플로우를 사용하면보다 편리하고 확실하게 중요한 연구를 신속하게 진행할 수 있습니다. 또한 JMP Genomics 10은 JMP Pro의 향상된 예측 모델링 플랫폼을 활용하고 R 및 Python의 오픈 소스 패키지와 더 나은 통합을 제공하여 그 어느 때보 다 강력합니다. 이동 JMP 유전체학 자세한 내용은.
scRNA-seq 워크 플로우 및 JMP Genomics의 기타 흥미로운 기능에 대한 다음 프레젠테이션을 확인하십시오.
