模拟数据基准测试
评估BRIE2在量化剪接比例和检测差异剪接事件方面的性能。
使用130个小鼠胚胎细胞和2248个剪接事件作为种子数据，模拟了不同效应大小下的差异剪接事件，并使用Spanki模拟reads，然后运行BRIE2、rMATS和MAJIQ进行检测。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
BRIE2：从单细胞转录组实验中计算识别剪接表型
BRIE2: computational identification of splicing phenotypes from single-cell transcriptomic experiments
实验完整度
中包含模拟数据基准测试、多发性硬化小鼠数据应用和RNA速度分析；但主要是计算模拟和公开数据重分析，缺乏湿实验验证。
主要模型
小鼠胚胎细胞 多发性硬化小鼠细胞 小鼠齿状回神经发生数据 scNT-seq兴奋性神经元数据
重点核对
模拟数据中130个细胞被分为两组，每组65个，效应大小η取2、3或5，共2248个事件中随机选择400个作为真实差异剪接事件 多发性硬化数据中2208个小鼠细胞，其中EAE和对照组各半，分析3780个外显子跳跃事件，1876个细胞，每个事件至少30个细胞有唯一reads RNA速度分析中，齿状回数据使用2930个细胞和13913个基因，选择前3000个高变基因；scNT-seq数据使用3066个细胞和44021个基因 BRIE2运行使用默认参数，包括R=3个样本用于蒙特卡洛估计，学习率优化使用Adam算法 差异检测使用ELBO_gain作为贝叶斯因子近似，多发性硬化分析以EAE状态作为细胞特征，RNA速度分析以细胞类型或刺激时间作为细胞特征
摘要
RNA剪接通过表达不同转录本以及作为转录动力学的决定因素，是单细胞异质性的重要驱动因素。然而，scRNA-seq技术固有的覆盖限制使得将特定剪接事件与细胞水平表型关联起来具有挑战性。BRIE2是一种可扩展的计算方法，通过将单细胞转录组数据与细胞水平特征进行回归来解决这些问题。我们表明，BRIE2能有效识别与疾病相关的差异选择性剪接事件，并允许对捕获转录动力学异质性的基因进行原理性选择，改进RNA速度分析，从而能够识别与生物学变化相关的剪接表型。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何在单细胞转录组数据中有效量化剪接比例并识别与细胞水平特征相关的剪接表型？
- 核心机制
- BRIE2通过将剪接比例（PSI）回归到细胞水平特征上，利用变分贝叶斯推断，将剪接表型与细胞类型或状态关联起来；通过这些关联识别差异剪接事件和差异动量基因，从而改进RNA速度分析。
- 主要证据
- 在模拟数据上，BRIE2在检测差异剪接事件方面的性能优于rMATS和MAJIQ；在真实数据上，BRIE2识别出352个与多发性硬化相关的差异剪接事件，并检测出297个差异动量基因，改善了神经发生和刺激时间序列中细胞状态转换的推断。
- 研究意义
- BRIE2为单细胞RNA-seq分析提供了一种有效工具，可关联剪接中间表型与细胞水平特征，并改进RNA速度分析中的特征选择，有助于理解剪接变化在细胞状态中的作用。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
多发性硬化差异剪接分析
识别与疾病状态相关的外显子跳跃事件。
对2208个小鼠细胞（EAE和对照）的scRNA-seq数据，使用BRIE2的Mode 2-diff模式，以疾病状态作为细胞特征，检测差异剪接事件。
RNA速度分析应用
评估使用BRIE2检测的差异动量基因对RNA速度分析中细胞状态转换推断的影响。
对小鼠齿状回神经发生数据和scNT-seq刺激时间序列数据，使用BRIE2检测差异动量基因，然后使用scVelo进行RNA速度分析，比较不同基因集的结果。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据比对 | HISAT v2.2.0 | -- | -- |
| 剪接事件计数 | brie-count | BRIE | -- |
| 剪接定量与差异检测 | BRIE2 | -- | -- |
| 差异剪接检测 | rMATS (v4.1.1) | -- | -- |
| MAJIQ (v2.2) | -- | -- | |
| RNA速度分析 | scVelo (v0.2.1) | -- | -- |
| Dynamo (v0.95.2.dev142+9c30240) | -- | -- | |
| reads模拟 | Spanki | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 模拟数据生成 | 模拟数据使用130个细胞和2248个事件，效应大小η取2、3或5，随机选择400个事件作为真实差异剪接，并使用Spanki模拟reads。 阅读提示：Methods中Simulations部分 |
| 多发性硬化数据分析 | 使用2208个细胞（EAE和对照各半），分析3780个外显子跳跃事件，至少30个细胞有唯一reads，细胞总reads>3000；BRIE2以EAE状态为协变量，ELBO_gain>4为阈值。 阅读提示：Results中Multiple sclerosis部分及Methods中Data processing and gene filtering部分 |
| RNA速度分析（齿状回） | 齿状回数据使用2930个细胞和13913个基因，选择前3000个高变基因，BRIE2以细胞类型为协变量，ELBO_gain>5为阈值，检测297个差异动量基因。 阅读提示：Results中Differential momentum genes部分及Methods中Data processing and gene filtering部分 |
| RNA速度分析（scNT-seq） | scNT-seq数据使用3066个细胞和44021个基因，以刺激时间为协变量，ELBO_gain>5为阈值，检测421个差异动量基因，与scVelo top2000高变基因取交集后用于scVelo推断。 阅读提示：Results中Differential momentum genes部分及Methods中Data processing and gene filtering部分 |