Секвенирование единичных клеток: применение и перспективы

DOI: https://doi.org/10.29296/24999490-2024-02-02

А.Д. Неряхин(1), А.А. Тухбатуллин(1), Г.Р. Ханнанова(1), Г.А. Рафикова(1, 2), К.И. Еникеева(1, 2)
1-ФГБОУ «Башкирский государственный медицинский университет» Минздрава России,
Российская Федерация, 450008, Уфа, ул. Ленина, д. 3;
2-Лаборатория иммунологии Института урологии
и клинической онкологии ФГБОУ ВО БГМУ Минздрава России,
Российская Федерация, 450083, Уфа, ул. Шафиева, д. 2, к. 5

Введение. Секвенирование одиночных клеток позволяет охарактеризовать клеточный и молекулярный состав тканей, состояние ДНК, РНК и экспрессируемые белки. Метод single-cell при секвенировании набирает все большую популярность в современной биологии и медицине. Цель исследования. Анализ и характеристика методик технологии single-cell секвенирования и их прикладное значение. Материал и методы. Поиск литературы проводился в открытых электронных базах данных научной литературы PubMed, Elibrary, bioRxiv и Scopus. Глубина поиска составила 27 лет. Для анализа было отобрано 46 статей. Результаты. Одноклеточное секвенирование РНК – scRNA-seq – транскриптомика отдельных клеток с профилированием экспрессии генов. Оно позволяет кластеризовать клетки по состоянию или типу; регистрировать редкие гены, которые при секвенировании общего транскриптома отбрасываются; выявлять точечные мутации. Пространственная транскриптомика – smFISH и MERFISH – методы для составления схемы экспрессии генов на уровне генома в неподвижных образцах тканей, разработанных в дополнение к технологиям секвенирования РНК. При этих способах получают изображение при помощи флуоресцентных меток. Пространственное секвенирование – Slide-seq позволяет охарактеризовать весь транскриптом определенного участка выделенной ткани на предметном стекле с разрешением близким к одной клетке. Выводы. Использование методов секвенирования единичных клеток, а также исследование эпигенома и транскриптома поможет дифференцировать клетки на различные субпопуляции, а также найти новые предиктивные и прогностические мишени для терапии.
Ключевые слова: 
single-cell, секвенирование, РНК, ДНК
Для цитирования: 
Неряхин А.Д., Тухбатуллин А.А., Ханнанова Г.Р., Рафикова Г.А., Еникеева К.И. Секвенирование единичных клеток: применение и перспективы. Молекулярная медицина, 2024; (2): 9-15https://doi.org/10.29296/24999490-2024-02-02
Список литературы: 
  1. Moses L., Pachter L. Museum of spatial transcriptomics. Nat Methods. 2022; 19: 534–46. https://doi.org/10.1038/s41592-022-01409-2.
  2. Lanz T.V., Pröbstel A.K., Mildenberger I., Platten M., Schirmer L. Single-Cell High-Throughput Technologies in Cerebrospinal Fluid Research and Diagnostics. Front Immunol. 2019; 10: 1302. https://doi.org/10.1038/s41592-022-01409-22.
  3. Habibi I., Cheong R., Lipniacki T., Levchenko A., Emamian E.S., Abdi A. Computation and measurement of cell decision making errors using single cell data. PLoS Comput Biol. 2017; 13: 4. https://doi.org/10.1038/s41592-022-01409-2.
  4. Круглова Н.А., Филатов А.В. Метод секвенирования РНК (RNA-seq) в иммунологических исследованиях. Иммунология. 2017. 2: 112-117. [Kruglova N.A. Filatov A.V. The method of RNA sequencing (RNA-seq) in immunological studies. Immunologija. 2017; 2: 112–7 (in Russian)]
  5. Водясова, Е.А., Челебиева Э.С., Кулешова О.Н. Новейшие технологии высокопроизводительного секвенирования транскриптома отдельных клеток. Вавиловский журнал генетики и селекции. 2019; 5: 508–18. https://doi.org/10.1038/s41592-022-01409-2. [Vodjasova, E.A., Chelebieva Je.S., Kuleshova O.N. The latest technologies for high-performance sequencing of the transcriptome of individual cells, Vavilovskij zhurnal genetiki i selekcii. 2019; 5: 508–18. https://doi.org/10.1038/s41592-022-01409-2. (in Russian)]
  6. Azizi E., Carr A.J., Plitas G., Cornish A.E., Konopacki C., Prabhakaran S., Nainys J., Wu K., Kiseliovas V., Setty M., Choi K., Fromme R.M., Dao P., McKenney P.T., Wasti R.C., Kadaveru K., Mazutis L., Rudensky A.Y., Pe’er D. Single-cell map of diverse immune phenotypes in the breast tumor microenvironment. Cell. 2018; 5: 1293–308. https://doi.org/10.1038/s41592-022-01409-2.
  7. Bernard V., Semaan A., Huang J., San Lucas F.A., Mulu F.C., Stephens B.M., Guerrero P.A., Huang Y., Zhao J., Kamyabi N., Sen S., Scheet P.A., Taniguchi C.M., Kim M.P., Tzeng C.W., Katz M.H., Singhi A.D., Maitra A., Alvarez H.A. Single-cell transcriptomics of pancreatic cancer precursors demonstrates epithelial and microenvironmental heterogeneity as an early event in neoplastic progression. Clin Cancer Res. 2019; 7: 2194–205. https://doi.org/10.1038/s41592-022-01409-2.
  8. Guo X., Zhang Y., Zheng L., Zheng C., Song J., Zhang Q., Kang B., Liu Z., Jin L., Xing R., Gao R., Zhang L., Dong M., Hu X., Ren X., Kirchhoff D., Roider H.G., Yan T., Zhang Z. Global characterization of T cells in non-small-cell lung cancer by single-cell sequencing. Nat Med. 2018; 7: 978–85. https://doi.org/10.1038/s41592-022-01409-2.
  9. Avila Cobos F., Alquicira-Hernandez J., Powell J.E., Mestdagh P., De Preter K. Benchmarking of cell type deconvolution pipelines for tran scriptomics data. Nat Commun. 2020; 7: 5650. https://doi.org/10.1038/s41592-022-01409-2.
  10. Chen G., Ning B., Shi T. Single-cell RNA-Seq Technologies and Related Computational Data Analysis. Front Genet. 2019; 10: 317. https://doi.org/10.1038/s41592-022-01409-2.
  11. Mok S., Al Habyan S., Ledoux C., Lee W., MacDonald K.N., McCaffrey L., Moraes C. Mapping cellular-scale internal mechanics in 3D tissues with thermally responsive hydrogel probes. Nat Commun. 2020; 11 (1): 4757. https://doi.org/10.1038/s41592-022-01409-2.
  12. Williams C.G., Lee H.J., Asatsuma T., Vento-Tormo R., Haque A. An introduction to spatial transcriptomics for biomedical research. Genome Med. 2021; 14: 68. https://doi.org/10.1038/s41592-022-01409-2.
  13. Maynard K.R, Collado-Torres L., Weber L.M., Uytingco C., Barry B.K., Williams S.R., Catallini J.L. 2nd, Tran M.N., Besich Z., Tippani M., Chew J., Yin Y., Kleinman J.E., Hyde T.M., Rao N., Hicks S.C., Martinowich K., Jaffe A.E. Transcriptome-scale spatial gene expression in the human dorsolateral prefrontal cortex. Nat Neurosci. 2021; 3: 425–36. https://doi.org/10.1038/s41592-022-01409-2.
  14. Rodriques S.G., Stickels R.R., Goeva A., Martin C.A., Murray E., Vanderburg C.R., Welch J., Chen L.M., Chen F., Macosko E.Z. Slide-seq: A scalable technology for measuring genome-wide expression at high spatial resolution. Science. 2019; 363: 1463–7. https://doi.org/10.1038/s41592-022-01409-2.
  15. Stickels R.R., Murray E., Kumar P., Li J., Marshall J.L., Di Bella D.J., Arlotta P., Macosko E.Z., Chen F. Highly sensitive spatial transcriptomics at near-cellular resolution with Slide-seqV2. Nat Biotechnol. 2021; 3: 313–9. https://doi.org/10.1038/s41592-022-01409-2.
  16. Ståhl P.L., Salmén F., Vickovic S., Lundmark A., Navarro J.F., Magnusson J., Giacomello S., Asp M., Westholm J.O., Huss M., Mollbrink A., Linnarsson S., Codeluppi S., Borg Å., Pontén F., Costea P.I., Sahlén P., Mulder J., Bergmann O., Lundeberg J., Frisén J. Visualization and analysis of gene expression in tissue sections by spatial transcriptomics. Science. 2016; 78–82. https://doi.org/10.1038/s41592-022-01409-2.
  17. Davis-Marcisak E.F., Deshpande A., Stein-O’Brien G.L., Ho W.J., Laheru D., Jaffee E.M., Fertig E.J., Kagohara L.T. From bench to bedside: single-cell analysis for cancer immunotherapy. Cancer Cell. 2021; 8: 1062–80. https://doi.org/10.1038/s41592-022-01409-2.
  18. Jordan B. Slide-seq: L’analyse d’expression à haute résolution spatiale // Med Sci (Paris). 2019; 35 (6–7): 589–91. https://doi.org/10.1051/medsci/2019099.
  19. Davey H.M., Kell D.B. Flow cytometry and cell sorting of heterogeneous microbial populations: the importance of single-cell analyses. Microbiol Rev. 1996; 4: 641–96. https://doi.org/10.1051/medsci/2019099.
  20. Chen A., Liao S., Cheng M., Ma K., Wu L., Lai Y., Qiu X., Yang J., Xu J., Hao S., Wang X., Lu H., Chen X., Liu X., Huang X., Li Z., Hong Y., Jiang Y., Peng J., Liu S., Shen M., Liu C., Li Q., Yuan Y., Wei X., Zheng H., Feng W., Wang Z., Liu Y., Wang Z., Yang Y., Xiang H., Han L., Qin B., Guo P., Lai G., Muñoz-Cánoves P., Maxwell P.H., Thiery J.P., Wu Q.F., Zhao F., Chen B., Li M., Dai X., Wang S., Kuang H., Hui J., Wang L., Fei J.F., Wang O., Wei X., Lu H., Wang B., Liu S., Gu Y., Ni M., Zhang W., Mu F., Yin Y., Yang H., Lisby M., Cornall R.J., Mulder J., Uhlén M., Esteban M.A., Li Y., Liu L., Xu X., Wang J. Spatiotemporal transcriptomic atlas of mouse organogenesis using DNA nanoball-patterned arrays. Cell. 2022; 10: 1777–92. https://doi.org/10.1051/medsci/2019099.
  21. Fang R., Xia C., Close J.L., Zhang M., He J., Huang Z., Halpern A.R., Long B., Miller J.A., Lein E.S., Zhuang X. Conservation and divergence of cortical cell organization in human and mouse revealed by MERFISH. Science. 2022; 6601: 56–62. https://doi.org/10.1051/medsci/2019099.
  22. Eisenstein M. How to make spatial maps of gene activity – down to the cellular level. Nature. 2022; 7916: 1036–8. https://doi.org/10.1051/medsci/2019099.
  23. Chen A. Sun Y., Lei Y., Li C., Sha L., Liang Z., Lin F., Yuan N., Li M., Wang K., Yang M., Zhang S., Zhuang Z., Meng J., Song Q., Zhang Y., Xu Y., Cui L., Han L., Yang H., Sun X., Fei T., Chen B., Li W., Huangfu B., Ma K., Li Z., Lin Y., Liu Z., Wang H., Zhong Y., Zhang H., Yu Q., Wang Y., Zhu Z., Liu X., Peng J., Liu C., Chen W., An Y., Xia S., Lu Y., Wang M., Song X., Liu S., Wang Z., Gong C., Huang X., Yuan Y., Zhao Y., Luo Z., Tan X., Liu J., Zheng M., Li S., Huang Y., Hong Y., Huang Z., Li M., Zhang R., Jin M., Li Y., Zhang Hu., Sun S., Bai Y., Cheng M., Hu G., Liu Sh., Wang B., Xiang B., Li Sh., Li H., Chen M., Wang S., Zhang Q., Liu W., Liu Xi., Zhao Q., Lisby M., Wang J., Fang J., Lu Z., Lin Yu., Xie Q., He J., Xu H., Huang W., Wei W., Yang H., Sun Ya., Poo M., Wang Ji., Li Yu., Shen Z., Liu L., Liu Zh., Xu X., Li Ch. Global Spatial Transcriptome of Macaque Brain at single-cell Resolution. bioRxiv. 2022. https://doi.org/10.1051/medsci/2019099.
  24. Liu C., Li R., Li Y., Lin X., Zhao K., Liu Q., Wang S., Yang X., Shi X., Ma Y., Pei C., Wang H., Bao W., Hui J., Yang T., Xu Z., Lai T., Berberoglu M.A., Sahu S.K., Esteban M.A., Ma K., Fan G., Li Y., Liu S., Chen A., Xu X., Dong Z., Liu L. Spatiotemporal mapping of gene expression landscapes and developmental trajectories during zebrafish embryogenesis. Dev Cell. 2022; 10: 1284–98. https://doi.org/10.1051/medsci/2019099.
  25. Cable D.M., Murray E., Zou L.S., Goeva A., Macosko E.Z., Chen F., Irizarry R.A. Robust decomposition of cell type mixtures in spatial transcriptomics. Nat Biotechnol. 2022; 40: 517–26. https://doi.org/10.1051/medsci/2019099.
  26. Bergenstråhle L., He B., Bergenstråhle J., Abalo X., Mirzazadeh R., Thrane K., Ji A.L., Andersson A., Larsson L., Stakenborg N., Boeckxstaens G., Khavari P., Zou J., Lundeberg J., Maaskola J. Super-resolved spatial transcriptomics by deep data fusion. Nat Biotechnol. 2022; 40: 476–9. https://doi.org/10.1051/medsci/2019099.
  27. Lopez R., Li B., Keren-Shaul H., Boyeau P., Kedmi M., Pilzer D., Jelinski A., Yofe I., David E., Wagner A., Ergen C., Addadi Y., Golani O., Ronchese F., Jordan M.I., Amit I., Yosef N. DestVI identifies continuums of cell types in spatial transcriptomics data. Nat Biotechnol. 2022; 40: 1360–9. https://doi.org/10.1051/medsci/2019099.
  28. Velmeshev D., Schirmer L., Jung D., Haeussler M., Perez Y., Mayer S., Bhaduri A., Goyal N., Rowitch D.H., Kriegstein A.R. Single-cell genomics identifies cell type-specific molecular changes in autism. Science. 2019; 6441: 685–9. https://doi.org/10.1051/medsci/2019099.
  29. Mathys H., Davila-Velderrain J., Peng Z., Gao F., Mohammadi S., Young J.Z., Menon M., He L., Abdurrob F., Jiang X., Martorell A.J., Ransohoff R.M., Hafler B.P., Bennett D.A., Kellis M., Tsai L.H. Single-cell transcriptomic analysis of Alzheimer’s disease. Nature. 2019; 7761: 332–7. https://doi.org/10.1051/medsci/2019099.
  30. Maynard K.R., Tippani M., Takahashi Y., Phan B.N., Hyde T.M., Jaffe A.E., Martinowich K. Dotdotdot: an automated approach to quantify multiplex single molecule fluorescent hybridization (smFISH) images in complex tissues. Nucleic Acids Res. 2020; 11. https://doi.org/10.1051/medsci/2019099.
  31. Jaffe A.E., Hoeppner D.J., Saito T., Blanpain L., Ukaigwe J., Burke E.E., Collado-Torres L., Tao R., Tajinda K., Maynard K.R., Tran M.N., Martinowich K., Deep-Soboslay A., Shin J.H., Kleinman J.E., Weinberger D.R., Matsumoto M., Hyde T.M. Profiling gene expression in the human dentate gyrus granule cell layer reveals insights into schizophrenia and its genetic risk. Nat Neurosci. 2020; 4: 510–9. https://doi.org/10.1051/medsci/2019099.
  32. Dong X., Shi M., Lee M., Toro R., Gravina S., Han W., Yasuda S., Wang T., Zhang Z., Vijg J., Suh Y., Spivack S.D. Global, integrated analysis of methylomes and transcriptomes from laser capture microdissected bronchial and alveolar cells in human lung. Epigenetics. 2018; 3: 264–74. https://doi.org/10.1051/medsci/2019099.
  33. Asp M., Giacomello S., Furth D., Reimegard J., Wardell E., Custodio J., Salmen F., Sundstrom E., Akesson E., Bienko M., Mansson Broberg A., Stahl L P., Sylven C., Lundeberg J. An organ-wide gene expression atlas of the developing human heart. Cell. 2019; 179: 1647–60. https://doi.org/10.1051/medsci/2019099.
  34. Moncada R., Barkley D., Wagner F., Chiodin M., Devlin J.C., Baron M., Hajdu C.H., Simeone D.M., Yanai I. Integrating microarray-based spatial transcriptomics and single-cell RNA-seq reveals tissue architecture in pancreatic ductal adenocarcinomas. Nat Biotechnol. 2020; 3: 333–42. https://doi.org/10.1051/medsci/2019099.
  35. Satterstrom F.K., Kosmicki J.A., Wang J., Breen M.S., De Rubeis S., An J.Y., Peng M., Collins R., Grove J., Klei L., Stevens C., Reichert J., Mulhern M.S., Artomov M., Gerges S., Sheppard B., Xu X., Bhaduri A., Norman U., Brand H., Schwartz G., Nguyen R., Guerrero E.E., Dias C., Betancur C., Cook E.H., Gallagher L., Gill M., Sutcliffe J.S., Thurm A., Zwick M.E., Børglum A.D., State M.W., Cicek A.E., Talkowski M.E., Cutler D.J., Devlin B., Sanders S.J., Roeder K., Daly M.J., Buxbaum J.D. Large-Scale Exome Sequencing Study Implicates Both Developmental and Functional Changes in the Neurobiology of Autism. Cell. 2020; 3: 568–84. https://doi.org/10.1051/medsci/2019099.
  36. Amezquita R.A., Lun A.T.L., Becht E., Carey V.J., Carpp L.N., Geistlinger L., Marini F., Rue-Albrecht K., Risso D., Soneson C., Waldron L., Pagès H., Smith M.L., Huber W., Morgan M., Gottardo R., Hicks S.C. Orchestrating single-cell analysis with Bioconductor. Nat Methods. 2020; 17: 137–45. https://doi.org/10.1051/medsci/2019099.
  37. Halpern K.B., Shenhav R., Matcovitch-Natan O., Toth B., Lemze D., Golan M., Massasa E.E., Baydatch S., Landen S., Moor A.E., Brandis A., Giladi A., Avihail A.S., David E., Amit I., Itzkovitz S. Single-cell spatial reconstruction reveals global division of labour in the mammalian liver. Nature. 2017; 542: 352–6. https://doi.org/10.1051/medsci/2019099.
  38. Xia C., Fan J., Emanuel G., Hao J., Zhuang X. Spatial transcriptome profiling by MERFISH reveals subcellular RNA compartmentalization and cell cycle-dependent gene expression. Proc. Natl. Acad. Sci. USA. 2019; 116: 19490–9. https://doi.org/10.1051/medsci/2019099.
  39. Liao M., Liu Y., Yuan J., Wen Y., Xu G., Zhao J., Cheng L., Li J., Wang X., Wang F., Liu L., Amit I., Zhang S., Zhang Z. Single-cell landscape of bronchoalveolar immune cells in patients with COVID-19. Nat. Med. 2020; 26: 842–4. https://doi.org/10.1051/medsci/2019099.
  40. Armand E.J., Li J., Xie F., Luo C., Mukamel E.A. Single-Cell Sequencing of Brain Cell Transcriptomes and Epigenomes. Neuron. 2021; 109: 11–26. https://doi.org/10.1051/medsci/2019099.
  41. Marques S., Zeisel A., Codeluppi S., van Bruggen D., Mendanha Falcão A., Xiao L., Li H., Häring M., Hochgerner H., Romanov R.A., Gyllborg D., Muñoz Manchado A., La Manno G., Lönnerberg P., Floriddia E.M., Rezayee F., Ernfors P., Arenas E., Hjerling-Leffler J., Harkany T., Richardson W.D., Linnarsson S., Castelo-Branco G. Oligodendrocyte heterogeneity in the mouse juvenile and adult central nervous system. Science. 2016; 352: 1326–9. https://doi.org/10.1051/medsci/2019099.
  42. Yao Z., van Velthoven C.T.J., Nguyen T.N., Goldy J., Sedeno-Cortes A.E., Baftizadeh F., Bertagnolli D., Casper T., Chiang M., Crichton K., Ding S.L., Fong O., Garren E., Glandon A., Gouwens N.W., Gray J., Graybuck L.T., Hawrylycz M.J., Hirschstein D., Kroll M., Lathia K., Lee C., Levi B., McMillen D., Mok S., Pham T., Ren Q., Rimorin C., Shapovalova N., Sulc J., Sunkin S.M., Tieu M., Torkelson A., Tung H., Ward K., Dee N., Smith K.A, Tasic B., Zeng H. A taxonomy of transcriptomic cell types across the isocortex and hippocampal formation. Cell. 2021; 184: 3222–41. https://doi.org/10.1051/medsci/2019099.
  43. Masuda T., Sankowski R., Staszewski O., Böttcher C., Amann L., Sagar, Scheiwe C., Nessler S., Kunz P., van Loo G., Coenen V.A., Reinacher P.C., Michel A., Sure U., Gold R., Grün D., Priller J., Stadelmann C., Prinz M. Spatial and temporal heterogeneity of mouse and human microglia at single-cell resolution. Nature. 2019; 566: 388–92. https://doi.org/10.1051/medsci/2019099.
  44. Paisley B. M., Liu Y. GeneMarkeR: A Database and User Interface for scRNA-seq Marker Genes. Front. Genet. 2021; 12. https://doi.org/10.1051/medsci/2019099.
  45. Paik D.T., Cho S., Tian L., Chang H.Y., Wu J.C. Single-cell RNA sequencing in cardiovascular development, disease and medicine. Nat. Rev. Cardiol. 2020; 17: 457–73. https://doi.org/10.1051/medsci/2019099.
  46. Lohr J.G., Kim S., Gould J., Knoechel B., Drier Y., Cotton M.J., Gray D., Birrer N., Wong B., Ha G., Zhang C.Z., Guo G., Meyerson M., Yee A.J., Boehm J.S., Raje N., Golub T.R. Genetic interrogation of circulating multiple myeloma cells at single-cell resolution. Sci. Transl. Med. 2016; 363: 147. https://doi.org/10.1051/medsci/2019099.