Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Analizzare i dati unicellulari del RNA in tumori premaligni

Thought LeadersDr Martin HembergGroup LeaderWellcome Trust Sanger Institute

Un'intervista con Dott. Martin Hemberg, istituto di Sanger di fiducia di Wellcome, da ora ad aprile Cashin-Garbutt condotto, mA (Cantab)

Che cosa il RNA unicellulare sta ordinando e come può guida definire i tipi delle cellule?

L'ordinamento del RNA è basicamente l'isolamento di RNA dalle celle e dall'uso del transcriptase inverso trasformare il RNA in DNA. Potete poi usare il vostro DNA standard che ordina le tecnologie per quantificare il cDNA che avete ottenuto dalla reazione inversa della trascrizione. L'analisi permette che quantifichiate la quantità di RNA in un modo globale e genoma di ampiezza.

Questa tecnologia si è trasformata in negli intorno dieci anni popolari fa, ma intorno dice due o tre anni fa, il costo delle tecnologie come pure le tecnologie stesse, sono stati migliorati nella misura in cui è diventato fattibile affinchè molti laboratori facesse questo tipo di analisi ad una risoluzione di diverse celle. Ciò è abbastanza differente da che cosa è stato fatto precedentemente, dove milioni di celle sono stati tenuti ad ottenere abbastanza RNA.

Prima che abbiate unicellulare, il problema era quello che ha intero tessuto, o un intero campione, che era quasi certamente eterogeneo, è l'equivalente di prelievo del vostro campione e di farlo passare tramite un miscelatore. Poi avete una grande, salsa liscia che lo esce e realmente non conoscete che cosa le componenti originali erano.

Con l'unicellulare, potete identificare ogni cella determinata che è entrato in vostro campione. Caratterizzando le diverse celle, è possibile confrontarle e trovare le celle che sembrano simili ed essi sono quelle che definiate come tipi specifici delle cellule.

Perché è stato difficile completamente da sfruttare i dati unicellulari di sequenza del RNA? Che cosa sono stati le sfide principali?

Penso che la sfida principale sia che ogni volta che fate un esperimento, avrete certo disturbo tecnico che introduce un certo grado di variabilità. Tuttavia, egualmente sappiamo che c'è molta variabilità che è biologica. Non ci sono due celle identiche.

Alcuna di questa variabilità è inerente e biologico e quando analizzare i dati, il problema è che non abbiamo un buon modello del disturbo tecnico. Di conseguenza, deconvoluting la variabilità e capire che la parte è biologica e quindi significativo ed interessante e che le parti sono tecniche e potenzialmente i artefatti, è stato molto duro.

Potete descrivere prego il nuovo strumento di analisi che è stato sviluppato?

Da un punto di vista matematico, identificare un tipo delle cellule da un campione dei transcriptomes unicellulari è un problema di raggruppamento non supervisionato. Quei problemi sono considerati difficili, particolarmente se non avete alcuni esempi di addestramento da cui possiate usare per imparare.

Che cosa abbiamo fatto è metodi relativamente standard usati di apprendimento automatico per l'assolvimento del questo compito, ma abbiamo potuti fare il benchmarking attento e la prova per potere identificare un metodo robusto che sembra eseguire molto bene attraverso il grande numero di campioni differenti e di piattaforme sperimentali che lo avessimo provato sopra.

Come questo strumento supera i problemi precedenti?

La parte di è implicata nel nome, SC3, che corrisponde al raggruppamento unicellulare di consenso. Per raggiungere il più alte robustezza ed accuratezza, usiamo tantissimi metodi invece di singolo metodo e poi li combiniamo e troviamo fuori su che cosa i metodi sembrano acconsentiree.

Abbiamo tantissimi metodi ed ogni metodo ottiene un voto, per così dire, più se la cella A e la cella B appartengono allo stesso cluster, per esempio. Poi esaminiamo il consenso attraverso tutti questi metodi differenti, che è più robusto e più accurato di se doveste contare su un singolo metodo.

Quanto accurato il vostro studio ha mostrato SC3 per essere?

È duro dare un numero preciso perché l'accuratezza dipende da quali insiemi di dati state usando per valutarlo.  Per alcuni insiemi di dati del benchmark, otteniamo che cosa crediamo siamo accuratezza 100%. Penso che la risposta importante sia che sembriamo eseguire almeno pure, o migliore di, tutti altri metodi che ci siamo valutati contro.

Quanto facile da usare è lo strumento?

Pensiamo che una di più grandi resistenze del metodo sia che è più facile da usare di niente altro là fuori. Ha integrazione molto piacevole con altri pacchetti per l'analisi unicellulare.

Prima che utilizziate lo strumento SC3, dovete fare una certa lavorazione dei vostri dati per assicurarti che abbiate eliminato le celle di qualità scadente. Abbiamo integrazione senza cuciture con il pacchetto dello scater che è uno degli strumenti più popolari per quello scopo, di modo che è molto utile.

Egualmente abbiamo un'interfaccia grafica molto piacevole, che rende molto facile da ottenere una generalità, non appena di risultato di raggruppamento, dove potete ottenere una rappresentazione di quanto buon la soluzione sembra essere, ma vi aiuta avanza l'analisi a valle di questi cluster.

È una cosa per identificare matematicamente che cosa sembra essere i migliori cluster, ma è solitamente molto più difficile da capire che cosa il significato biologico di questi cluster è. Il nostro metodo aiuta con quello identificando i geni, citati come geni dell'indicatore, che sono i geni più importanti per ogni cluster.

Che impatto pensate SC3 avete?

Speriamo che notevolmente faciliti l'analisi dei dati unicellulari di sequenza del RNA. Lo abbiamo progettato con i experimentalists in mente, di modo che la gente che non ha competenza nella biologia di calcolo, dovremmo potere scaricare ed utilizzare questo strumento per analizzare i loro dati da soli.

Questo compito specifico di raggruppamento non supervisionato dei vostri dati unicellulari di sequenza del RNA è uno che è molto comune; viene su nella maggior parte dei studi che comprendono i dati unicellulari di sequenza del RNA ed è un'operazione che volete fare. Pensiamo che questo abbassi significativamente la soglia concedendo alla gente l'accesso facile ad uno strumento accurato e facile da usare.

Che cosa pensate le tenute future per analizzare i dati unicellulari del RNA?

Penso che ci sia un'esigenza molto grande dei metodi di calcolo supplementari e, a questo punto, il campo ha raggiunto la fase in cui è relativamente facile ed economico da fare il lavoro sperimentale. La maggior parte dei laboratori possono effettuare gli esperimenti stessi, ma in modo che loro da potere catturare il massimo vantaggio e massimizzare il potenziale degli insiemi di dati, devono potere analizzarlo correttamente. Corrente, tutti gli strumenti che sono necessari per questo non esistono.

Penso che questo sia appena il modo il campo degli impianti di genomica e di transcriptomics: in primo luogo, le tecnologie devono essere stabilite e poi richiede alcuni anni affinchè la comunità di calcolo possa da prendere e produrre l'insieme degli strumenti richiesti affinchè la tecnologia possa da raggiungere la sua piena capacità.

Finora, la maggior parte dell'uso dei dati unicellulari di sequenza del RNA è stato di supportare la biologia di base, ma penso che ci sia molta speranza che egualmente sarà possibile utilizzare questo nella clinica e che ci saranno le applicazioni più di traduzione.

Penso che uno più interessanti di quei sia per cancro. Abbiamo un'applicazione dove dovrebbe essere possibile caratterizzare i tumori, basata non appena sui loro profili mutational, ma anche basata sui loro profili del transcriptome, che eventualmente permetteranno che noi li caratterizziamo meglio e teniamo conto le migliori droghe essere sviluppati.

Dove possono i lettori trovare più informazioni?

Circa Dott. Martin Hemberg

Martin Hemberg è una guida del gruppo all'istituto di Sanger della fiducia di Wellcome ed i suoi interessi della ricerca sono concentrati intorno ai modelli quantitativi di espressione genica e del regolamento del gene. È particolarmente interessato nei modelli stocastici e nell'analisi dei dati unicellulari. Il suo gruppo ha sviluppato parecchi pacchetti di programmi ed ha collaborato con i experimentalists per contribuire ad analizzare i dati unicellulari. Un'altra riga di ricerca comprende analizzare il ruolo delle trascrizioni e delle sequenze di non codifica.

Oltre al lavoro all'istituto di Sanger della fiducia di Wellcome, Martin è egualmente un docente del socio all'istituto di Wellcome Trust/CRUK Gurdon. Martin si è preparato come studente non laureato nella fisica di assistenza tecnica all'università tecnologica di Chalmers a Gothenburg, Svezia prima degli studi d'avanzamento del laureato nella matematica applicata sotto la supervisione di Mauricio Barahona all'istituto universitario imperiale Londra. Successivamente ha ricevuto l'addestramento post-dottorato nella biologia di calcolo nel laboratorio di Kreiman all'ospedale pediatrico di Boston.

Credito di immagine: Istituto di Sanger: Ricerca srl del genoma.

April Cashin-Garbutt

Written by

April Cashin-Garbutt

April graduated with a first-class honours degree in Natural Sciences from Pembroke College, University of Cambridge. During her time as Editor-in-Chief, News-Medical (2012-2017), she kickstarted the content production process and helped to grow the website readership to over 60 million visitors per year. Through interviewing global thought leaders in medicine and life sciences, including Nobel laureates, April developed a passion for neuroscience and now works at the Sainsbury Wellcome Centre for Neural Circuits and Behaviour, located within UCL.

Read in:

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Cashin-Garbutt, April. (2018, August 23). Analizzare i dati unicellulari del RNA in tumori premaligni. News-Medical. Retrieved on July 13, 2020 from https://www.news-medical.net/news/20170512/Analyzing-single-cell-RNA-data-in-pre-malignant-tumors.aspx.

  • MLA

    Cashin-Garbutt, April. "Analizzare i dati unicellulari del RNA in tumori premaligni". News-Medical. 13 July 2020. <https://www.news-medical.net/news/20170512/Analyzing-single-cell-RNA-data-in-pre-malignant-tumors.aspx>.

  • Chicago

    Cashin-Garbutt, April. "Analizzare i dati unicellulari del RNA in tumori premaligni". News-Medical. https://www.news-medical.net/news/20170512/Analyzing-single-cell-RNA-data-in-pre-malignant-tumors.aspx. (accessed July 13, 2020).

  • Harvard

    Cashin-Garbutt, April. 2018. Analizzare i dati unicellulari del RNA in tumori premaligni. News-Medical, viewed 13 July 2020, https://www.news-medical.net/news/20170512/Analyzing-single-cell-RNA-data-in-pre-malignant-tumors.aspx.