新技术提高单细胞RNA测序的效率和准确性

个体化医疗时代，科学家们正在利用基因和基因组观点寻找最适合患者的治疗方案。对于癌症，治疗前的首个步骤是研究肿瘤细胞行为，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，检查癌组织样本中表达哪些基因。然而，传统的测序方法会隐藏一个事实，并非所有肿瘤都按照一个模子工作，误差会导致如果你使用一种特定类型药物靶向肿瘤，一些漏网之鱼就足以扩大繁衍。

基因组学领域的一个重要进展名为单细胞RNA测序（scRNA-seq），该技术依赖信使RNA丰度，可以观察单个细胞在何时何地正在做什么，并与其他细胞进行比较以寻找基因表达差异。

然而，您发现什么信息，取决于您如何运行实验以及如何分析数据。密歇根大学医学院计算医学和生物信息学系副教授Lana Garmire团队致力于消除解释scRNA-seq数据时遇到的困难和偏差。

“测序有许多噪音，这是事实，因为不同批次的样品量极低，”她解释道、“例如，研究人员正在分析的样品可能不适合在一个细胞板内进行分析，那么它就会被拆分成2个平板。那么，由分离产生的差异就被称为批次效应。基因组学研究学者必须纠正批次效应，这个过程就存在一个难题：您怎么知道差异是批次效应还是细胞之间的真正差异？”

生物信息学是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，建立在收集大量生物数据（例如DNA和蛋白质序列）的能力之上。

研究人员依靠生物信息学技术来确定单细胞中表达了哪些基因，但是不得不解决通过不同操作和批次效应引入的噪音。Garmire是密歇根大学医学院生物信息学中心的新教务主任，她发现SNVs（单核苷酸变异）可以消除这些不确定性，而不依赖于基因表达。

“使用SNVs，您处理的是二进制，0或1，即要么突变要么不存在，”她说。

回想一下，基因组由ATCG核苷酸组成，Garmire的方法是寻找单个核苷酸的差异，已知A只能被T代替，G只能被C代替，以此他们开发了一套新程序来处理scRNA-seq数据并检索这些变异信息。此外，他们开发的SSrGE计算程序可以把这种变异信息与更传统的基因表达信息联系起来。

“它可以给我们提供肿瘤细胞不同亚群的信息，有点像指纹分选不同细胞，”Garmire说。

这意味着什么

药企和临床医生今后可以使用这些数据指导治疗。“期待生物信息学走出实验室，研究人员用他们积累的大量数据帮助下游临床应用发展，”Garmire说。“我们将身体拆分开来专门化地研究每个部分，但是，终有一日您需要整体地看待并解决问题。我们在做的工作就是开发计算工具，把生物信息研究学者、科学家和临床医生拉在一起，连接这些问题，以便更好地做出改变。”

欢迎索取电子版或纸质版的Illumina《单细胞测序回顾》技术手册

原文检索：Using single nucleotide variations in single-cell RNA-seq to identify subpopulations and genotype-phenotype linkage

（生物通：伍松）