Опухоль, кровь или участок мозга содержат разные типы клеток и множество временных состояний. Одноклеточное РНК-секвенирование, scRNA-seq, пытается составить профиль активности генов для каждой клетки отдельно.
Клетки изолируют в каплях или микролунках, их РНК превращают в ДНК-копии и снабжают метками клетки и исходной молекулы. После общего секвенирования метки позволяют распределить прочтения обратно. Вычислительный анализ группирует похожие профили, отмечает маркеры и восстанавливает возможные траектории перехода между состояниями.
Почему ноль не всегда означает отсутствие
В клетке мало РНК, а захват и обратная транскрипция неполны. Слабый транскрипт может не попасть в библиотеку — возникает технический «ноль». Амплификация способна переоценить одни молекулы относительно других. Кроме того, отделение клеток от ткани само меняет их экспрессию. Поэтому кластер на диаграмме не автоматически равен новому типу клетки: нужны биологические повторы, контроль партии и проверка белковых или пространственных маркеров.
Метод TAS-Seq, опубликованный в 2022 году, добавил схему амплификации с терминальным расширением. В сравнениях авторов она лучше обнаруживала слабые транскрипты и сигналы межклеточного взаимодействия, сохраняя количественную согласованность. Это техническое улучшение, а не способ прочитать «все РНК без ошибок».
Карта РНК не является фотографией клетки
Перед чтением ткань разделяют на клетки или ядра, молекулы получают индивидуальные метки, а затем последовательности группируют вычислительно. Часть РНК теряется, и одинаковые клетки дают разные отсчёты из-за случайности выборки.
Кластеры поэтому проверяют маркерами, положением в ткани и независимыми опытами, а не объявляют новым типом по одному графику.
Сила одноклеточного подхода состоит в разрешении смеси: редкая иммунная клетка больше не теряется в среднем профиле. Малое число молекул и неравная эффективность захвата создают выпадения и технический шум. Образец ткани кажется однородным лишь до тех пор, пока все молекулы измеряют вместе.
Цена этой детализации — статистическая осторожность. Хороший вывод соединяет одноклеточные данные с морфологией, экспериментом и независимым набором образцов.