生物信息学改进单细胞RNA测序数据的检索

在个性化医疗时代，科学家正在使用新的遗传和基因组见解来帮助他们为特定患者确定最佳治疗计划。就癌症而言，这些治疗的第一步是研究肿瘤细胞的行为，以找到攻击它们的最佳药物。

然后，研究人员使用DNA和RNA测序来观察细胞群体，并检查哪些基因在癌症组织样本中表达。然而，传统的测序方法可能会掩盖这样一个事实，即并非所有的肿瘤细胞都必须以相同的方式表现。不承认这一点意味着，如果你用一种特定类型的药物靶向肿瘤，一些细胞可能只是足够不同，以生存和繁殖。

在基因组学的一项重大发展中，现在有可能通过一种称为单细胞RNA测序(scRNA-seq)的技术来观察单个细胞在任何给定时间的行为。方法观察细胞内信使RNA(mRNA)的含量，并与其他细胞进行比较，寻找基因表达的差异。

然而，您找到的信息取决于您的实验如何运行以及如何分析数据。Lana Garmire博士是密歇根医学院计算医学和生物信息学系的副教授。她的团队正在研究消除一些可能使scRNA-seq数据难以解释的偏差的方法。

“这种测序中的许多噪音来自于这样一个事实，即你必须测量极少量和不同批次的样品，”她解释说。例如，研究人员正在分析的组织样本可能无法放在平板(一种用于容纳细胞样本的设备)上，因此必须将其分成两个平板。这种拆分造成的差异叫做批量效应。基因组学研究人员必须纠正这些批量效应，但这个过程可能会产生一个难题：你如何知道这种差异是批量效应还是细胞之间的真正差异？

数据的新用途

生物信息学是一个使用计算机程序收集和分析复杂生物数据的术语。这是一个相对较新的领域，它源于收集大量生物数据的能力，如DNA和蛋白质序列。

研究人员依靠生物信息学技术来确定哪些基因在单个细胞中表达。但是他们必须解决不同研究方案和批量效应引入的噪声。Garmire最近从夏威夷大学加入密歇根大学，是密歇根大学医学院生物信息学核心的新教授。他发现了一种更有效的方法，通过使用测序实验中生成的同一组数据来识别细胞之间的差异。她发现所谓的单核苷酸变体(SNV)可以消除这种不确定性，而不是依赖于基因表达。“对SNV来说，你是在和二进制、0和1的数字打交道。不管有没有突变。”

回想一下，基因是由字母A、T、G、C代表的核苷酸组成的，它们构成了翻译成蛋白质的密码。Garmire的方法寻找单个核苷酸的差异，因为已知A只能被T替换为c，而《自然通讯》中描述的这项新工作开发了一套新的程序来处理scRNA-seq数据并检索这种变异信息。此外，使用名为SSrGE的计算机程序，他们可以将这种变异信息与更传统的基因表达信息联系起来。

“这为我们提供了肿瘤细胞不同亚群的信息，它有点像指纹，可以标记以识别细胞之间的差异，”Garmire说。

这一切意味着什么？

最终，制药商和临床医生利用这些目标来指导药物治疗。“当你想解决这个问题时，你可以通过解决它的基本特征：突变来解决。临床医生可能会利用这些信息来指导他们未来的治疗。”Garmire期待将生物信息学带出实验室，帮助积累了大量数据的研究人员使用这些数据，并开发下游临床应用。“我们将我们的身体分开，进行专业化，但在一天结束时，你需要看着整体并问，我在做什么，这有什么帮助？我们正在开发计算工具，将生物信息学研究人员和工作台科学家以及临床医生聚集在一起，以连接各个点，并最终做出改变。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！