레이블이 Transcriptomic인 게시물을 표시합니다. 모든 게시물 표시
레이블이 Transcriptomic인 게시물을 표시합니다. 모든 게시물 표시

일요일, 9월 08, 2024

11가지의 시퀀싱기반 공간전사체 분석 방법, 근데 무슨말인지 모르겠다

요즘 핫한 공간 전사체!!!의 모든걸 파헤쳐드리겠습니다!!! 라고 혜성같이 나타난 논문이 있습니다. Systematic comparison of sequencing-based spatial transcriptomic methods 물론 이거는 당췌 무슨 말인지 잘 몰라서 일단 LLM들에게 물어보았습니다. 여기서 얘기하는 sequencing은 NGS겠죠?

DOI: 10.1038/s41592-024-02325-3


chatGPT

이 문서 "시퀀싱 기반 공간 전사체 분석 방법의 체계적 비교"는 11가지 시퀀싱 기반 공간 전사체 분석(sST) 방법에 대한 종합적인 벤치마킹 연구를 다루고 있습니다. 이 연구는 공간 해상도, 캡처 효율성, 분자 확산 및 클러스터링, 영역 주석 및 세포 간 통신과 같은 다운스트림 애플리케이션에서의 성능을 비교합니다.

문서 개요

이 문서에서는 조직 내 공간 정보를 보존하면서 포괄적인 전사체 프로파일링을 제공하는 공간 전사체학의 필요성을 설명합니다. 연구는 잘 정의된 조직 구조를 가진 참조 조직(생쥐 배아 눈, 해마 영역 및 후각구)을 사용하여 11가지 sST 방법을 벤치마킹합니다.

주요 sST 방법 소개

이 연구는 서로 다른 공간 인덱싱 전략에 따라 분류된 11가지 sST 방법을 체계적으로 평가합니다. 아래는 각 방법에 대한 요약입니다:

Visium (10X Genomics)

유형: 마이크로어레이 기반 (PolyA 기반 및 프로브 기반)

해상도: 100 μm

주요 특징: 널리 사용되는 상업적 플랫폼으로, 전반적으로 성능이 우수하지만 PolyA 기반 버전에서 유전자 캡처 편향이 있음. 프로브 기반 버전은 특정 상황에서 더 나은 캡처 효율을 보임.

DynaSpatial

유형: 마이크로어레이 기반

해상도: 100 μm

주요 특징: 해상도 면에서 Visium과 유사하지만, 생쥐 해마와 같은 일부 조직 유형에서 더 높은 민감도를 보임.

Slide-seq V2 (Curio Bio)

유형: 비드 기반

해상도: 10 μm

주요 특징: 높은 민감도와 확산을 잘 제어하여 세부적인 공간 해상도에 적합함.

Stereo-seq

유형: 폴로니 또는 나노볼 기반

해상도: 10 μm

주요 특징: 특히 큰 조직 영역에서 가장 높은 캡처 효율을 보여주지만, 분자 확산 문제에 직면함.

PIXEL-seq

유형: 폴로니 또는 나노볼 기반

해상도: 10 μm

주요 특징: Stereo-seq에 비해 측면 확산을 더 잘 제어함.

BMKMANU S1000

유형: 비드 기반

해상도: 10 μm

주요 특징: 높은 해상도를 제공하지만, 확산 문제로 인해 일부 세포 유형을 식별하는 데 어려움을 겪음.

HDST

유형: 비드 기반

해상도: 서브마이크론

주요 특징: 고해상도 공간 해상도를 제공하지만, 일부 애플리케이션에서 민감도가 낮음.

Curio Seeker

유형: 비드 기반 (Slide-seq의 상업화 버전)

해상도: Slide-seq V2와 유사

주요 특징: 실험실에서 쉽게 사용할 수 있도록 설계된 상업적 버전.

Salus

유형: 폴로니 또는 나노볼 기반

해상도: 실험에 따라 다름

주요 특징: 맞춤형 해상도를 제공하지만, 높은 확산으로 인해 작은 공간 패턴을 포착하는 데 덜 정밀함.

DBiT-seq

유형: 마이크로플루이딕스

해상도: 20 μm

주요 특징: 적당한 확산 제어와 함께 다중 공간 전사체학을 가능하게 하지만, 설정이 복잡함.

Slide-tag

유형: 비드 기반

해상도: 20 μm

주요 특징: 낮은 확산과 높은 민감도를 결합하여 더 나은 세포 유형 해상도를 제공함.

연구 결과 요약

해상도와 민감도: Slide-seq V2, Stereo-seq, Visium(프로브 기반)과 같은 방법들이 특정 조건에서 더 나은 민감도와 해상도를 제공했으나, 조직 유형과 필요한 공간 해상도에 따라 각 방법의 강점과 약점이 달랐음.

분자 확산: 확산 제어는 실제 해상도에 영향을 미치는 중요한 요소였음. 예를 들어, Slide-seq V2와 PIXEL-seq은 Stereo-seq보다 확산을 더 잘 제어함.

다운스트림 애플리케이션: 희귀 세포 상태, 마커 유전자 발현 및 세포 클러스터링을 감지하는 능력이 방법에 따라 다르며, 일부 방법에서는 마커 유전자 감지에 편향이 나타남(예: Visium PolyA 기반).

이 연구는 연구자들이 특정 생물학적 질문에 가장 적합한 sST 방법을 선택하는 데 도움을 주고, 미래의 공간 전사체 기술 개발을 위한 기준을 마련하기 위한 벤치마크 프레임워크를 제공합니다.



NotebookLM

## 서열 기반 공간 전사체 분석 방법 11가지

본문에서는 총 11가지의 서열 기반 공간 전사체 분석 방법을 소개하고 있습니다. 각 방법은 크게 4가지 범주로 분류될 수 있습니다.

**1. 마이크로어레이 기반 기술:**

* **Visium (probe-based & polyA-based, 10x Genomics)**: 

    *  **가장 널리 사용되는 상용 플랫폼** 중 하나입니다. 

    *  **probe-based 방법**은 특정 유전자를 타겟하는 프로브를 사용하여 RNA를 캡처하고, **polyA-based 방법**은 mRNA의 polyA tail을 이용하여 RNA를 캡처합니다. 

    *  본 연구에서는 **Visium(polyA) 플랫폼에서 특정 유전자를 검출하지 못하는 경향**이 발견되어 추가적인 검증이 필요함을 시사했습니다.

* **DynaSpatial**: 

    *  **mRNA 캡처 효율을 향상**시킨 Decoder-seq 기술을 사용합니다. 

    *  본 연구 결과 Visium(probe), Slide-seq V2와 함께 **정규화된 시퀀싱 깊이에서 높은 캡처 효율**을 보였습니다.

**2. 비드 기반 기술:**

* **HDST**:  패턴화된 배열에 바코딩된 비드를 사용하여 공간 정보를 캡처합니다.

* **BMKMANU S1000**:  

    * HDST와 유사하게 바코딩된 비드를 사용하는 기술로, BMKGENE에서 개발되었습니다. 

    * 본 연구에서 **분자 확산이 두드러지는 단점**이 발견되었지만, **높은 캡처 효율**을 보였습니다.

* **Slide-seq V2**: 

    *  **높은 민감도와 낮은 분자 확산**을 보이는 기술입니다. 

    *  본 연구에서 **정규화된 시퀀싱 깊이에서 높은 캡처 효율**을 보였으며, 다양한 세포 아형을 효과적으로 구분했습니다.

* **Curio Seeker (Curio Bioscience)**: Slide-seq 기술을 상용화한 플랫폼입니다.

* **Slide-tag**: 

    *  **진정한 단일 세포 해상도**를 제공하는 기술입니다. 

    *  본 연구에서 다른 기술들에 비해 분자 확산이 적고 세포 유형 분리가 뛰어났습니다.

**3. 폴로니/나노볼 기반 기술:**

* **Stereo-seq**: 

    *  **높은 민감도**를 가진 기술이지만, **조직 유형에 따라 분자 확산이 문제**가 될 수 있습니다. 

    *  본 연구에서 **가장 높은 캡처 효율**을 보였지만, 특히 뇌 조직에서 분자 확산이 두드러지게 나타났습니다.

* **PIXEL-seq**:  폴로니 젤을 사용하여 DNA 증폭과 공간 전사체 분석을 수행합니다.

* **Salus**: 

    *  **높은 캡처 효율**을 보이는 기술 중 하나입니다. 

    *  다만, 본문에서는 Salus에 대한 자세한 정보는 제공되지 않았습니다.

**4. 미세 유체 기반 기술:**

* **DBiT-seq**: 미세 유체 기술을 사용하여 조직 내 유전자 발현을 높은 공간 해상도로 분석합니다.

이 외에도 다양한 sST 플랫폼들이 개발 중이며, 각 플랫폼은 장단점을 가지고 있습니다. 따라서 연구 목적에 따라 적합한 플랫폼을 선택하는 것이 중요합니다. 본 연구는 각 플랫폼의 성능을 다양한 측면에서 비교 분석하여 연구자들이 정보에 입각한 결정을 내릴 수 있도록 돕는 데 의의가 있습니다.


근데 몇번을 읽어봐도 이거봐서는 무슨말인지 모르겠어요 ㅎㅎ

그냥 sST method를 먼저 공부하고 이 논문의 Table 1을 보면 더 좋지 않을까합니다.


이 논문은 다음에 시퀀싱 방법?들을 먼저 공부하고 난다음에 다시 톺아보도록 해보겠습니다.

근데.. 솔까말 sST 한번도 안만져본 놈이 어느세월에 sST 방법을 찾아볼까 걱정이긴 합니다. :)




출처: @ye._.vely618