zoukankan      html  css  js  c++  java
  • 单细胞测序的挑战

    单细胞测序的挑战

    与传统的“bulk” RNA-seq不同,单细胞RNA-seq的主要区别在于一个测序文库代表一个细胞,而不是大量的细胞(Drop-seq例外,其利用细胞UMI和分子UMI将大量细胞建成一个文库)。因此,须加倍关注单细胞测序文库之间的不同。文库间的差异性主要体现在:

    扩增效率(Amplification),差异可达100,000倍.

    基因“丢失”(dropouts),即一些基因在某些细胞中有表达,但是在另一些细胞中无法检测到.

    这两种差异都是由于起始材料太过稀少(RNA分子从一个细胞而来)而产生的。提高转录本捕获效率降低PCR扩增偏好性是亟待解决的问题, 因此这个领域的研究也相当活跃。

    单细胞测序的对照

    为了更好估计和消除单细胞测序文库间的技术(系统)误差,现有两种定量标准被广泛采用,即spike-ins和UMIs。使用这两种对照是为了辅助规范(normalization)不同细胞间的基因表达水平。

    Spike-ins

    Spike-ins是已知浓度的外源RNA分子。在单细胞裂解液中加入Spke-ins后,再进行反转录。最广泛使用的Spike-ins是External RNA Control Consortium (ERCC)提供的合成spikes。其包含96个不同长度和GC含量的mRNA分子 (Jiang et al. 2011)。但是spike-ins的使用浓度通常很高,结果会占据很大比例的测序reads。最新的Drop-seq技术也还没不能加入spike-ins。

    UMIs

    另一种标准化方法是使用 Unique Molecular Identifiers (UMIs)(Kivioja et al. 2012). UMIs是一种随机条形码(barcode)序列,长度在4-20 bp之间。 在扩增步骤之前(通常在反转录期间),UMIs被添加在每个转录本cDNA的3’或5’端。之后,对转录本末端进行靶向测序。这些barcodes使得在扩增步骤之前,可以对转录本进行定量。虽然UMIs消除扩增偏好性的效果非常好,但是不合适用于研究基因异构体和allel特异表达。

    REF

    https://www.sohu.com/a/122201336_390793

  • 相关阅读:
    LeetCode 252. Meeting Rooms
    LeetCode 161. One Edit Distance
    LeetCode 156. Binary Tree Upside Down
    LeetCode 173. Binary Search Tree Iterator
    LeetCode 285. Inorder Successor in BST
    LeetCode 305. Number of Islands II
    LeetCode 272. Closest Binary Search Tree Value II
    LeetCode 270. Closest Binary Search Tree Value
    LeetCode 329. Longest Increasing Path in a Matrix
    LintCode Subtree
  • 原文地址:https://www.cnblogs.com/emanlee/p/14939898.html
Copyright © 2011-2022 走看看