发现RNA-seq隐藏信息的新方法

最近，瑞士Friedrich Miescher生物医学研究所（FMI）的一个研究小组，开发出一种新的计算方法，来分析RNA-seq数据。通过比较内含子和外显子RNA读数，这种方法使我们能够识别转录和转录后调控对基因表达的作用。该研究小组在最近的《Nature Biotechnology》发表文章，描述了这种新方法。

　　

生物通报道：最近，瑞士Friedrich Miescher生物医学研究所（FMI）的Michael Stadler及其研究小组，开发出一种新的计算方法，来分析RNA-seq数据。通过比较内含子和外显子RNA读数（intronic and exonic RNA reads），这种方法使我们能够识别转录和转录后调控对基因表达的作用。该研究小组在最近的《Nature Biotechnology》发表文章，描述了这种新方法。

RNA-seq提供了细胞状态的一个重要快照，能告诉科学家们什么基因是活跃的，以及它们有多么的活跃。然后，如果科学家们比较患病和健康细胞、年轻和老细胞、或成熟细胞和干细胞的RNA-seq快照，他们就能推测疾病、衰老或细胞分化相关的基因。延伸阅读：体外转录测序揭示RNA-seq的终极误差。

在细胞的生命周期中，有不同的过程控制着一个细胞中的RNA积累。一些过程直接控制着RNA的产生（转录），其他一些国产则发生在RNA被处理、成熟并最终降解（转录后）的时候。它们都对细胞命运有影响，但RNA-seq通常适用于测量这些过程之间无差别的RNA水平。

现在，Dimos Gaidatzis、Lukas Burger和Michael Stadler，开发了一种计算方法，称为EISA（exon-intron split analysis），可测量在不同条件下mRNA和前体RNA水平的变化。通过这样做，计算生物学家可以区分转录水平上调控的RNA——当它正从基因组转录时，或在转录后水平——当它成熟或正在降解时。

详细了解锐博生物的RNA-Seq技术服务>>

Gaidatzis解释说：“我们观察到，来自外显子读数落后于内含子读数，看起来好像内含子读数是转录一个更直接的衡量。因此，我们想知道，通常这是否是真实的。”科学家们分析了17个已发表的不同类型细胞和生物环境的RNA-seq数据集。他们发现，由RNA分子产生的大多数内含子RNA，仍在细胞核中，只是刚刚被转录。这些读数的变化可准确地解释转录活性的变化。此外，内含子和外显子读数之间的比较，可让我们对转录后调控做出预测。

Stadler说：“EISA可让我们解析转录和转录后过程对基因表达变化所起的作用。这样，从一个单一RNA-seq数据集获得的信息数量就增多了，我们的确发现了RNA-seq中隐藏的信息。”

（生物通：王英）

生物通推荐原文摘要：
Analysis of intronic and exonic reads in RNA-seq data characterizes transcriptional and post-transcriptional regulation
Abstract: RNA-seq experiments generate reads derived not only from mature RNA transcripts but also from pre-mRNA. Here we present a computational approach called exon-intron split analysis (EISA) that measures changes in mature RNA and pre-mRNA reads across different experimental conditions to quantify transcriptional and post-transcriptional regulation of gene expression. We apply EISA to 17 diverse data sets to show that most intronic reads arise from nuclear RNA and changes in intronic read counts accurately predict changes in transcriptional activity. Furthermore, changes in post-transcriptional regulation can be predicted from differences between exonic and intronic changes. EISA reveals both transcriptional and post-transcriptional contributions to expression changes, increasing the amount of information that can be gained from RNA-seq data sets.