Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Analizar datos unicelulares del ARN en tumores premalignos

Thought LeadersDr Martin HembergGroup LeaderWellcome Trust Sanger Institute

Una entrevista con el Dr. Martin Hemberg, instituto de Sanger de la confianza de Wellcome, en abril Cashin-Garbutt conducto, mA (Cantab)

¿Qué el ARN unicelular está ordenando y cómo puede él ayuda definir tipos de la célula?

La secuencia del ARN es básicamente el aislamiento del ARN de las células y del uso del transcriptase reverso de girar el ARN en la DNA. Usted puede entonces utilizar su DNA estándar que ordena tecnologías para cuantificar el cDNA que usted obtuvo de la reacción reversa de la transcripción. El análisis permite que usted cuantifique la cantidad de ARN de una manera global y genoma-ancha.

Esta tecnología se convirtió en hace alrededor diez años populares, pero alrededor dice dos o hace tres años, el costo de las tecnologías, así como las tecnologías ellos mismos, fueron perfeccionados hasta el punto de haya llegado a ser posible para que muchos laboratorios hagan este tipo de análisis en una resolución de células individuales. Esto es muy diferente de qué fue hecha previamente, donde millones de células fueron requeridos para conseguir suficiente ARN.

Antes de que usted tuviera célula, el problema era ése que tenía tejido entero, o una muestra entera, que era casi ciertamente heterogénea, es el equivalente de recoger su muestra y de pasarla a través de una licuadora. Usted entonces tiene una salsa grande, lisa que sale de ella y usted no conoce realmente cuáles eran los componentes originales.

Con la célula, usted puede determinar cada célula individual que entró su muestra. Caracterizando las células individuales, es posible compararlas y encontrar las células que parecen similares y ellas son las que usted definirá como tipos específicos de la célula.

¿Por qué ha sido difícil explotar completo datos unicelulares de la serie del ARN? ¿Cuáles han sido los retos principales?

Pienso que el reto principal es que siempre que usted haga un experimento, usted tendrá cierto ruido técnico que introduzca un cierto grado de variabilidad. Sin embargo, también sabemos que hay mucha variabilidad que es biológica. No hay dos células idénticas.

Algo de esta variabilidad es inherente y biológico y, cuando analizar los datos, el problema es que no tenemos un buen modelo del ruido técnico. Por lo tanto, deconvoluting la variabilidad y el imaginar que la parte es biológica y por lo tanto significativo e interesante, y que son técnicas las piezas, y potencialmente los artefactos, ha sido muy duros.

¿Puede usted contornear por favor la nueva herramienta de análisis se ha desarrollado que?

Desde un punto de vista matemático, determinar un tipo de la célula de una muestra de los transcriptomes unicelulares es un problema de agrupamiento no supervisado. Esos problemas se consideran difíciles, especialmente si usted no tiene ninguna ejemplos del entrenamiento de las cuales usted pueda utilizar para aprender.

Qué hemos hecho es métodos relativamente estándar usados del aprendizaje de máquina para realizar esta tarea, pero hemos podido hacer la evaluación comparativa cuidadosa y la prueba para poder determinar un método robusto que parece realizarse muy bien a través del gran número de diversas muestras y de plataformas experimentales que lo hemos intentado conectado.

¿Cómo esta herramienta supera problemas anteriores?

La parte de ella se implica en el nombre, SC3, que representa el agrupamiento unicelular del consenso. Para lograr una robustez y una exactitud más altas, utilizamos un gran número de métodos en vez de un único método y después los combinamos y encontramos fuera con lo que parecen los métodos estar de acuerdo.

Tenemos un gran número de métodos y cada método consigue un voto, por así decirlo, encima si la célula A y la célula B pertenezcan al mismo atado, por ejemplo. Entonces observamos el consenso a través de todos estos métodos diferentes, que es más robusto y más exacto que si usted confiara en un único método.

¿Cómo exacto su estudio mostró SC3 para ser?

Es duro dar un número exacto porque la exactitud depende de qué conjuntos de datos usted está utilizando para evaluarla.  Para algunos conjuntos de datos de la prueba patrón, conseguimos lo que creemos somos la exactitud 100%. Pienso que la respuesta importante es que parecemos realizarnos por lo menos también, o mejor que, todos los otros métodos que nos evaluamos contra.

¿Cómo convivial es la herramienta?

Pensamos que una de las fuerzas más grandes del método es que es más convivial que cualquier otra cosa ahí fuera. Tiene integración muy bonita con otros empaquetar para el análisis unicelular.

Antes de que usted utilice la herramienta SC3, usted necesita hacer un cierto proceso previo de sus datos para asegurarse de que usted ha quitado las células de la mal calidad. Tenemos integración sin fisuras con el empaquetar del scater que es una de las herramientas más populares para ese propósito, de modo que sea muy útil.

También tenemos una interfaz gráfica de usuario muy bonita, que hace muy fácil conseguir una reseña, no apenas del resultado de agrupamiento, donde usted puede conseguir un contacto visual de cómo es bueno la solución parece ser, pero le ayuda fomenta el análisis rio abajo de estos atados.

Es una cosa para determinar matemáticamente qué aparece ser los mejores atados, pero es generalmente mucho más difícil imaginar cuáles es el significado biológico de estos atados. Nuestro método ayuda con ése determinando los genes, designados los genes del marcador, que son los genes más importantes para cada atado.

¿Qué impacto usted piensa SC3 tiene?

Esperamos que facilite grandemente el análisis de los datos unicelulares de la serie del ARN. Lo diseñamos con experimentalists en mente, de modo que la gente que no tiene experiencia en biología de cómputo, debemos poder transferir y utilizar esta herramienta directamente para analizar sus datos solo.

Esta tarea específica del agrupamiento no supervisado de sus datos unicelulares de la serie del ARN es uno que es muy común; sube en la mayoría estudia que implican los datos unicelulares de la serie del ARN y es una operación que usted quiere hacer. Pensamos que esto bajará importante el umbral permitiendo a la gente de fácil acceso a una herramienta exacta y convivial.

¿Qué usted piensa los asimientos futuros para analizar datos unicelulares del ARN?

Pienso que hay una necesidad muy grande de métodos de cómputo adicionales y, a este punto, el campo ha alcanzado el escenario donde está relativamente fácil y barato hacer el trabajo experimental. La mayoría de los laboratorios pueden realizar los experimentos ellos mismos, pero para que puedan aprovechar completo y maximizar el potencial de los conjuntos de datos, necesitan poder analizarlo correctamente. Actualmente, todas las herramientas que son necesarias para esto no existen.

Pienso que ésta es apenas la manera el campo de los trabajos del transcriptomics y de la genómica: primero, las tecnologías necesitan ser establecidas y entonces tarda algunos años para que la comunidad de cómputo pueda alcanzar y producir el equipo de herramientas requeridas para que la tecnología pueda alcanzar su capacidad máxima.

Hasta ahora, la mayor parte del uso de los datos unicelulares de la serie del ARN ha sido soportar biología básica, pero pienso que hay mucha esperanza que también será posible utilizar esto en la clínica y que habrá usos más de translación.

Pienso que uno los más interesantes está para el cáncer. Tenemos un uso donde debe ser posible caracterizar tumores, no apenas basado en sus perfiles mutacionales, pero también basado en sus perfiles del transcriptome, que esperanzadamente permitirán que los caractericemos mejor y que tengamos en cuenta para que mejores drogas sean desarrolladas.

¿Dónde pueden los programas de lectura encontrar más información?

Sobre el Dr. Martin Hemberg

Martin Hemberg es un líder del grupo en el instituto de Sanger de la confianza de Wellcome, y sus intereses de la investigación se centran alrededor de modelos cuantitativos de la expresión génica y de la regla del gen. Él está determinado interesado en modelos estocásticos y el análisis de datos unicelulares. Su grupo ha desarrollado varios paquetes de programas informáticos, y ha colaborado con experimentalists para ayudar a analizar datos unicelulares. Otra línea de la investigación implica el analizar del papel de las transcripciones y de las series de la no-codificación.

Además del trabajo en el instituto de Sanger de la confianza de Wellcome, Martin es también un miembro del profesorado del socio en el instituto de Wellcome Trust/CRUK Gurdon. Martin entrenó como estudiante en la física de la ingeniería en la Universidad Tecnológica de Chalmers en Gothenburg, Suecia antes de estudios de realización del graduado en matemáticas aplicadas bajo supervisión de Mauricio Barahona en la universidad imperial Londres. Él recibió posteriormente el entrenamiento postdoctoral en biología de cómputo en el laboratorio de Kreiman en el hospital de niños de Boston.

Haber de imagen: Instituto de Sanger: Genome Research Ltd.

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). Analizar datos unicelulares del ARN en tumores premalignos. News-Medical. Retrieved on July 14, 2020 from https://www.news-medical.net/news/20170512/Analyzing-single-cell-RNA-data-in-pre-malignant-tumors.aspx.

  • MLA

    Cashin-Garbutt, April. "Analizar datos unicelulares del ARN en tumores premalignos". News-Medical. 14 July 2020. <https://www.news-medical.net/news/20170512/Analyzing-single-cell-RNA-data-in-pre-malignant-tumors.aspx>.

  • Chicago

    Cashin-Garbutt, April. "Analizar datos unicelulares del ARN en tumores premalignos". News-Medical. https://www.news-medical.net/news/20170512/Analyzing-single-cell-RNA-data-in-pre-malignant-tumors.aspx. (accessed July 14, 2020).

  • Harvard

    Cashin-Garbutt, April. 2018. Analizar datos unicelulares del ARN en tumores premalignos. News-Medical, viewed 14 July 2020, https://www.news-medical.net/news/20170512/Analyzing-single-cell-RNA-data-in-pre-malignant-tumors.aspx.