单细胞基因表达分析

来自美国麻省理工学院怀海德研究所的研究人员报道，在当前许多各种不同的生物学研究中，用于产生和理解全局基因表达分析数据的常见假设能够导致关于基因活性和细胞行为方面严重缺陷性的结论。相关研究结果刊登在Cell期刊上。怀海德研究所研究员Richard Young说，“表达分析是当代生物学最经常用到的方法之一。因此，我们担心存在缺陷的假设可能影响对很多生物学研究的理解。”今天对基因表达数据的大多数理解都依赖于一种假设：用来分析的所有细胞拥有类似的mRNA总量，其中mRNA大约占细胞RNA中的10%，作为蛋白合成的蓝图发挥作用。然而，一些细胞，包括恶性癌细胞，要比其他细胞产生几倍多的mRNA。传统的全局基因表达分析通常忽略这些差别。Young实验室研究员和论文共同通讯作者Tony Lee说，“我们着重研究了基因表达分析的这种常见性的假设，它潜在影响了很多研究人员。我们提供一种具体的问题例子和一种研究人员能够执行的解决方法。”Young实验室的成员们最近在研究表达高水平c-Myc的癌细胞的基因表达时揭示出这种缺陷。已知c-My是一种基因调节物，在恶性癌细胞中高度表达。当比较表达高水平c-Myc的细胞和表达低水平c-Myc的细胞时，他们吃惊地发现不同的基因表达分析方法能够产生显著性的不同结果。进一步的研究揭示出在含有高水平c-Myc的和低水平c-Myc的细胞中存在显著性的不同，不过这些不同利用常见使用的实验方法和分析方法来掩盖掉。论文共同作者Jakob Lovén说，“我们从不同的基因表达分析方法中观察到的不同结果是令人震惊的，而且导致我们在几种平台上重新研究了这整个过程。我们然后意识到细胞含有类似mRNA水平的常见假设存在严重缺陷，能够导致严重性的误解，特别是对拥有非常不同RNA含量的癌细胞而言，尤其如此。”除了描绘出这种问题之外，研究人员也描述了一种补救方法。通过利用被称作RNA spike-in的人工合成mRNA作为标准对照，他们能够比较实验数据并且能够消除关于细胞RNA总量方面的假设。他们将这种补救方法应用到他们研究的所有三种基因表达分析平台。尽管研究人员相信使用RNA spike-in应当成为全局基因表达分析的新标准，但是理解很多之前的研究时产生的问题可能持续存在。(生物谷Bioon.com)http://www.bioon.com/biology/UploadFiles/201210/2012102722451179.gifdoi: 10.1016/j.cell.2012.10.012PMC:PMID:Revisiting Global Gene Expression AnalysisJakob Lovén, David A. Orlando, Alla A. Sigova, Charles Y. Lin, Peter B. Rahl, Christopher B. Burge, David L. Levens, Tong Ihn Lee, Richard A. YoungGene expression analysis is a widely used and powerful method for investigating the transcriptional behavior of biological systems, for classifying cell states in disease, and for many other purposes. Recent studies indicate that common assumptions currently embedded in experimental and analytical practices can lead to misinterpretation of global gene expression data. We discuss these assumptions and describe solutions that should minimize erroneous interpretation of gene expression data from multiple analysis platforms.

定义：单细胞研究，就是针对单个细胞的研究，这是相对于群体细胞的研究。研究意义：细胞是生命活动的基本单位，研究细胞的结构功能及行为，有利于揭示复杂生命体的生命活动规律，探究生理生化现象，获得统计平均结果。然而，现代研究表明，单个细胞内的成分存在巨大差异，平均分析结果不能反映单个细胞内成分的真实情况，会带来误导信息。癌症等疾病总是从个别细胞的变异开始，极少量异常细胞信号会被群体信号所掩盖，不能及时获得有关病变的信息。另外，细胞间的信号传导，应激反应等活动在细胞内迅速发生，传统方法无法做到实时监测。对于数量较少且较为珍贵的细胞样本，如干细胞、元祖细胞及患者样本，传统分析方法需要大量的细胞样本，并不适宜。关于物质在细胞内的空间分布，亚细胞结构如细胞器的分析，传统方法也不能满足。这些都要求我们在一定范围内从单细胞水平研究细胞的生命活动。单细胞分析方法：毛细管电泳、微流控芯片、图像分析、动力学分析及纳米技术等。目前单细胞分析存在的难点：首先无论是针对一个特异性大分子，还是在OMIC水平上进行分子分析，都存在单细胞提取物数量少，难以分析的困难，这甚至可以说是不可能完成的，因此增加灵敏度势在必行。除此之外高通量分析也是一个瓶颈，要想获得单细胞分析确切的分析结果，研究人员必须快速而准确的分析多个细胞，这并不容易。另外单细胞分析也常常需要进行多种方式分析，这不仅是由于细胞存在于一种异质性环境汇总，而且也在同一时间，也需要测量多个参数。

[b][i]Deepcell周一表示，已与英伟达合作开发用于单细胞研究应用的生成人工智能技术。[/i][/b][align=center][b][i][img=image.png,113,83]https://img1.17img.cn/17img/images/202401/uepic/174b29e0-2f00-4d45-af22-8d08603d1fda.jpg[/img][/i][/b][/align][align=center][b][i][img=e763286044be6f856573c041d533273b_logo_with_R.jpg]https://img1.17img.cn/17img/images/202401/uepic/ee51f257-73e0-4f4c-beab-da55f87c445f.jpg[/img][/i][/b][/align]通过合作，公司将利用英伟达的计算专业知识和Clara一套专注于医疗保健的计算平台和软件，为基于细胞形态的分析应用程序构建新的算法，这些算法可以与Deepcell最近推出的REM-I高维细胞分析和分选平台等工具结合使用。Deepcell联合创始人、总裁兼首席技术官Mahyar Salek在一份声明中表示：“我们看到了将多模式和生成性人工智能融入我们的平台的多种可能性，并利用我们拥有的数十亿细胞图像的专有数据库来训练更多的人工智能模型。我们与英伟达的关系将帮助我们加快此类增强，并将这些进步带给我们的客户。”总部位于加利福尼亚州门洛帕克的Deepcell成立于2017年，是斯坦福大学的子公司，于2022年初筹集了7300万美元的B轮资金。Deepcell 是人工智能（AI）驱动的单细胞分析领域的先驱，旨在推动深度生物学发现，早在2023年2 月 6 日宣布，它已经发布了三个数据集，使研究人员能够探索新的高维形态数据。这些数据集是在 Deepcell 的高通量平台上生成的，该平台由成像和分选仪器、AI 模型和软件套件组成。Deepcell的首席技术官 Mahyar Salek曾经表示:“Deepcell的数据表明，深度学习可以实现较高的分类准确率，揭示了精确描述细胞特征和表型的新方法，并能够对感兴趣的细胞进行无标记分离，以进行进一步的深度分析。这项技术为生物医学界的科学家、转化研究机构和制药行业提供了一种新的工具，以从细胞形态学数据中获得对细胞的深度认识。”[b]关于 Deepcell[/b]Deepcell 是一家生命科学公司，它将 AI 引入细胞生物学，开启了称为形态组学的高维生物发现新领域。通过 Deepcell 的人工智能成像和微流体解决方案 REM-I 平台，该公司正在利用细胞形态学进行无限发现，从而实现新规模的细胞生物学研究和单细胞分析。Deepcell 的平台利用其 AI 模型，即人类基础模型，根据形态差异来识别和分类细胞，有助于推动基础和转化研究，并提供诊断测试和治疗靶向方面的未来应用。该公司于 2017 年从斯坦福大学分拆出来，已筹集近 1 亿美元的风险投资。[来源：仪器信息网译] 未经授权不得转载[align=right][/align]