Noticias

Mar 16, 2023

La fijación de metanol es el método de elección para el análisis de gotas.

Volumen de biología de las comunicaciones

Biología de las comunicaciones volumen 6, Número de artículo: 522 (2023) Citar este artículo

1185 Accesos

24 Altmetric

Detalles de métricas

El principal paso crítico en la transcriptómica unicelular es la preparación de muestras. Se han desarrollado varios métodos para preservar las células después de la disociación para desacoplar el manejo de la muestra de la preparación de la biblioteca. Sin embargo, la idoneidad de estos métodos depende de los tipos de células a procesar. En este proyecto, realizamos una comparación sistemática de los métodos de conservación para secuencias de ARN unicelulares basadas en gotitas en células neurales y gliales derivadas de células madre pluripotentes inducidas. Nuestros resultados muestran que, si bien el DMSO proporciona la calidad celular más alta en términos de moléculas de ARN y genes detectados por célula, afecta fuertemente la composición celular e induce la expresión de genes de estrés y apoptosis. Por el contrario, las muestras fijadas con metanol muestran una composición celular similar a las muestras frescas y proporcionan una buena calidad celular y pocos sesgos de expresión. Tomados en conjunto, nuestros resultados muestran que la fijación de metanol es el método de elección para realizar experimentos de transcriptómica unicelular basados ​​en gotitas en poblaciones de células neurales.

Los métodos de transcriptómica unicelular (scRNA-seq) han revolucionado la forma en que estudiamos de manera de alto rendimiento la expresión de genes en individuos, tejidos e incluso en enfermedades1,2,3. Anteriormente, los estudios se limitaban a identificar cambios en los niveles de expresión de genes a granel, es decir, en la población de células que componían una determinada muestra. Por lo tanto, estos enfoques mezclaron dos efectos diferentes: cambios en la composición celular de la muestra de interés y cambios en la expresión de genes dentro de las células individuales. Ahora, scRNA-seq permite evaluar estos dos efectos de forma independiente y puede detectar tanto cambios en la composición celular4,5 como la expresión de genes en tipos celulares específicos6,7.

A pesar de la popularidad de los métodos scRNA-seq, aún quedan varios desafíos técnicos sin resolver. Por ejemplo, la disociación de las células de un tejido y la obtención de una buena suspensión celular, necesaria para scRNA-seq, es altamente específica de tejido y puede requerir el uso de diferentes estrategias que incluyen digestión enzimática, disgregación mecánica, células activadas por fluorescencia. clasificación y otras tecnologías8,9,10,11,12. Como resultado, la preparación de muestras para scRNA-seq puede llevar varias horas, lo que hace que sea más conveniente procesarlas en momentos posteriores. Además de las dificultades técnicas, la conservación de células también es importante si necesitamos desvincular la disociación y el procesamiento de muestras por otros motivos, como el envío de muestras a una instalación externa, o si queremos recolectar varias muestras y procesarlas juntas en un momento posterior. para ahorrar tiempo o dinero. En todos estos casos, a los investigadores les gustaría conservar estas muestras de forma que se minimicen las diferencias en la composición celular y la expresión génica de las células individuales en comparación con la muestra original. Es decir, el mejor método de conservación será el que tenga el menor impacto en la composición celular de la muestra y el perfil transcriptómico de las células individuales.

Ya se han desarrollado varios métodos de conservación de células para superar este problema y desvincular el manejo de muestras de la preparación de bibliotecas. Entre ellos, encontramos soluciones tanto caseras como comerciales que incluyen fijación de metanol13,14, propionato de ditio-bis succinimidilo15, criopreservación de dimetilsulfóxido (DMSO)16,17, metanol acético (ACME)10, paraformaldehído18, CellCover17 y vivoPHIX19. Estos métodos tienen como objetivo mantener la composición de la muestra y la calidad del ARN de las células. Sin embargo, teniendo en cuenta que la preparación de la muestra es específica del tejido, esperamos que diferentes métodos de conservación puedan ser óptimos para diferentes muestras. Muchos de estos protocolos se han probado solo en líneas celulares o células fáciles de obtener, como las células de sangre periférica y, por lo tanto, no está claro cómo es su rendimiento en células que son difíciles de disociar o que se dañan potencialmente durante la disociación. En particular, ninguno de los métodos anteriores se ha probado en neuronas maduras o en neuronas derivadas de células madre pluripotentes inducidas por humanos (hiPSC), que son la principal fuente de células neurales para estudiar los mecanismos moleculares que impulsan las enfermedades neurológicas20.

En este trabajo, hemos comparado el rendimiento de cinco métodos populares de fijación o conservación en células neurales y gliales derivadas de hiPSC. Los resultados de nuestro trabajo muestran que los diferentes métodos de conservación/fijación afectan a las muestras de diferentes maneras, incluidos los sesgos en el perfil transcriptómico, la composición celular y la complejidad de la biblioteca. La crioconservación con DMSO proporciona la más alta calidad celular en términos de complejidad de la biblioteca. Sin embargo, los conjuntos de datos obtenidos están fuertemente agotados de neuronas y muestran una firma de estrés más fuerte. Por el contrario, ACME y vivoPHIX no afectan significativamente la composición celular de las suspensiones de una sola célula, pero dañan el ARN, lo que reduce la complejidad de la biblioteca y, por lo tanto, la cantidad de genes y moléculas de ARN detectadas en células individuales. En conjunto, nuestros resultados muestran que la fijación de metanol es el método de elección para realizar experimentos transcriptómicos de células individuales basados ​​en gotitas en poblaciones de células neurales, ya que proporciona una biblioteca de alta complejidad sin afectar la composición celular ni la expresión génica en comparación con muestras frescas.

Las líneas celulares hiPSC individuales o agrupadas se diferenciaron en neuronas corticales utilizando un protocolo21 descrito previamente con modificaciones menores. Brevemente, las colonias de hiPSC se sembraron en placas de 12 pocillos recubiertas con matrigel y, después de alcanzar la confluencia, se indujo la diferenciación neuronal usando una combinación de inhibidores de BMP (noggin, dorsomorfina y SB431542) (Fig. 1a). Después de 29 a 50 días de diferenciación, las células se disociaron con una solución de papaína-accutasa para obtener una suspensión de una sola célula (Datos complementarios 1). En este punto, algunas de las muestras se encapsularon directamente con la configuración automática Drop-seq de Dolomite Bio NADIA (fresco), se crioconservaron con DMSO17 o se conservaron con metanol14,22, ACME10 o componentes químicos que estabilizan las moléculas de ARN como vivoPHIX19 y CellCover17. que se han utilizado previamente en la transcriptómica unicelular (Fig. 1b).

una representación esquemática del protocolo de diferenciación de hiPSCs a células progenitoras neurales. b Comparación sistemática de métodos de conservación. Después de la diferenciación de las hiPSC, todas las células se disociaron usando papaína-accutasa y se encapsularon directamente o se conservaron usando uno de los diferentes reactivos probados. Después de conservarse, las células se descongelaron o rehidrataron y encapsularon utilizando una configuración Drop-seq comercial utilizando los mismos protocolos.

Antes de realizar el análisis de transcriptómica unicelular, investigamos si la conservación de las suspensiones unicelulares afecta a la calidad del ARN obtenido. Para ese propósito, extrajimos el ARN total de células precursoras neurales (NPC) frescas y conservadas almacenadas a -80 °C o 4 °C durante un máximo de 15 días. Para cada una de las muestras, cuantificamos la cantidad total de ARN y evaluamos su calidad utilizando el sistema Agilent TapeStation. Nuestros resultados mostraron que la calidad del ARN extraído dependía del método de conservación utilizado. Las muestras de DMSO, metanol y ACME tenían valores de número de integridad de ARN (RIN) muy altos (~9), similares a los de las muestras frescas. Por el contrario, la muestra vivoPHIX tuvo cierta degradación del ARN (RIN ~7) y las muestras procesadas con CellCover tuvieron niveles de degradación más fuertes, con valores RIN ~2 a 4 °C y ~6 a -80 °C (Figura complementaria 1). Estos resultados demuestran que CellCover no es adecuado para el almacenamiento a largo plazo de células para la transcriptómica unicelular. Teniendo esto en cuenta, decidimos descartar CellCover para la comparación sistemática de los métodos de conservación.

Para comparar el impacto de los diferentes métodos de conservación, los hiPSC se diferenciaron de los NPC y se conservaron utilizando uno de los diferentes métodos de conservación/fijación o se encapsularon directamente con el equipo NADIA, una configuración Drop-seq comercial (Fig. 1b). La encapsulación celular y la preparación de la biblioteca se realizaron siguiendo el mismo protocolo para todas las muestras. Luego, los conjuntos de datos obtenidos se evaluaron utilizando diferentes métricas para evaluar su calidad.

La inspección de los perfiles de cDNA mostró que las muestras ACME y vivoPHIX tenían menos cDNA y fragmentos más pequeños que el resto de las bibliotecas (Fig. 2a), lo que es consistente con la degradación del RNA. Esto era de esperar en las muestras vivoPHIX, que ya mostraban una calidad de ARN inferior después de conservarse durante 2 semanas, pero no en las muestras ACME, que tenían valores de RIN similares a los de las muestras frescas (Fig. 1 complementaria). A continuación, evaluamos el impacto de los métodos de preservación en la complejidad de la biblioteca. Usamos samtools23 para reducir la muestra de cada uno de los archivos BAM no alineados para producir archivos que contienen el 10 %, 20 %, 30 %, etc. del conjunto de datos original. Luego, cada una de estas submuestras se procesó utilizando la misma canalización computacional para generar matrices de expresión génica digital (DGE) reducidas. Nuestros resultados muestran que a la misma profundidad de secuenciación, las células crioconservadas con DMSO y las células fijadas con metanol producen un número comparable o mayor de genes e identificadores moleculares únicos (UMI) por célula que las células frescas. En comparación, con 7500 lecturas por celda, las muestras ACME y vivoPHIX tienen alrededor del 40 % de los genes y UMI obtenidos en células frescas (Fig. 2b) (Datos complementarios 2). El mayor número de genes y UMI en las muestras de DMSO D1 y D2 y las muestras fijadas con metanol M3 y M4 se debe a las diferencias en la eficiencia de captura de las perlas utilizadas para la encapsulación y no a una mayor eficiencia de captura intrínseca en estas condiciones experimentales. (Fig. 2 complementaria y Datos complementarios 1).

a Traza de las bibliotecas obtenidas después de la encapsulación, incluidas las frescas (F1 y F2), metanol (M1, M2, M3 y M4), DMSO (D1, D2 y D3), ACME (A1 y A2) y vivoPHIX (V1 y V2) muestras. Las bibliotecas de las muestras fijadas con vivoPHIX y ACME tienen tamaños de fragmentos más pequeños y menos ARN, lo que es coherente con la degradación del ARN. b Gráficos de reducción de muestreo que muestran el número de genes y UMI en función de la profundidad de secuenciación (media de lecturas por celda). En ambos casos, las bibliotecas de DMSO (azul) y metanol (verde) tienen una profundidad equivalente o superior a la de las muestras frescas (rojo). c Gráficos de violín que muestran el número de genes, UMI, el porcentaje de contenido mitocondrial (% MT) y contenido ribosómico (% Ribo) de las células para cada muestra después de descartar dobletes y células de baja calidad. Los diagramas de caja incluidos dentro de los diagramas de violín resumen la distribución de datos. Los lados superior e inferior de la caja representan los cuartiles 1 y 3. La línea del medio corresponde a la mediana. Las líneas no se extienden más allá de 1,5 del rango intercuartílico. d Diagramas de barras que muestran el porcentaje de UMI intrónicos y exónicos asignados a celdas para cada una de las bibliotecas. El número de lecturas intrónicas oscila entre ~10 % en la muestra D1 de DMSO y ~30 % en la muestra M4 de metanol. Las fracciones UMI intrónicas altas son indicativas de fuga de ARN celular o enriquecimiento de ARN nuclear.

La menor complejidad de las bibliotecas vivoPHIX y ACME también se refleja en la proporción de células de baja calidad en las muestras, que tienen pocos UMI y genes detectados por célula (Fig. 2c y Tabla 1), y pueden corresponder a gotitas vacías o gotitas que contienen células rotas24. Si bien el número de células de baja calidad descartadas es de alrededor del 10 % de las células en células frescas, DMSO y fijadas con metanol, este número aumenta hasta el 29 % y el 49 % en muestras ACME y vivoPHIX, respectivamente (Tabla 1 y Datos complementarios 3 ).

Después de descartar las células de baja calidad, las células vivoPHIX y ACME restantes aún muestran claras diferencias en calidad (Fig. 2c y Tabla 1). Curiosamente, el porcentaje de UMI asignados a genes mitocondriales fue similarmente bajo en todas las muestras, lo que sugiere que la menor cantidad de ARN capturados en estas muestras puede no deberse a una fuga de ARN o daño celular24, sino más bien a estar relacionado con la eficiencia de captura de ARN o la degradación de ARN. Además, las muestras de ACME mostraron una fracción mucho más alta de UMI asignados a proteínas ribosómicas que cualquiera de las otras muestras (Fig. 2c), que también se asoció previamente con células de baja calidad o artefactos técnicos25.

Una de las razones por las que las células fijadas vivoPHIX y ACME tienen menos ARN por célula podría ser que el método de fijación facilita la rotura celular. En este caso, esperaríamos una menor complejidad de la biblioteca y una mayor fracción de lecturas provenientes de regiones intrónicas, que provienen principalmente de pre-ARNm y están enriquecidas en núcleos26,27. En nuestras muestras, la fracción de lecturas intrónicas provenientes de cada muestra fue variable entre los métodos de conservación, desde el 10 % en muestras de DMSO hasta ~30 % en muestras de metanol y vivoPHIX (Fig. 2d). La fracción más alta de lecturas intrónicas in vivoPHIX y muestras de metanol es indicativa de enriquecimiento de ARN nuclear26,27. Sin embargo, considerando que la cantidad de genes y UMI detectados en metanol es, en promedio, alrededor de tres veces mayor que las muestras PHIX in vivo (Datos complementarios 2), es probable que la fuga de ARN no sea la causa de este sesgo. Juntos, estos resultados demuestran que los métodos de conservación vivoPHIX y ACME afectan significativamente la calidad de los transcriptomas unicelulares obtenidos de poblaciones de NPC humanos, aunque esto no puede explicarse por una mayor pérdida de ARN o rotura celular.

Después de evaluar las métricas de calidad general de las muestras, investigamos si los métodos de conservación afectan la composición celular de las muestras. Para ello, agrupamos todas las muestras y las analizamos juntas. El análisis inicial mostró un fuerte efecto de lote impulsado principalmente por el método de conservación utilizado. Como se puede ver en la Fig. 3 complementaria, antes de la integración, las celdas de diferentes experimentos ocupan diferentes regiones de la gráfica de aproximación y proyección de variedad uniforme (UMAP) (Fig. 3 complementaria). Por lo tanto, usamos Harmony28 para integrar los conjuntos de datos e identificar las poblaciones celulares obtenidas de la diferenciación hiPSC (Fig. 3). Después de la corrección por lotes, identificamos 12 poblaciones de células correspondientes a progenitores en proliferación, NPC, precursores astrogliales, progenitores intermedios y diferentes tipos de neuronas caracterizadas por la expresión de genes marcadores específicos (Fig. 3, Figs. 4 y 5 complementarias y Datos complementarios 4 y 5). Todos los conglomerados identificados estaban presentes en todas las muestras individuales. Sin embargo, la abundancia relativa de cada una de las poblaciones celulares cambió según el método de conservación utilizado (Fig. 4a y Fig. 6 complementaria). Para investigar si estos cambios se debieron a sesgos experimentales o sesgos sistemáticos debido al método de fijación, realizamos un análisis de composición de las muestras con scCODA, una herramienta desarrollada recientemente que puede identificar de manera confiable cambios en conjuntos de datos de una sola celda, incluso con un nivel bajo. número de réplicas5. A diferencia de otros métodos, scCODA modela el sesgo de composición de la muestra como un todo y no para cada grupo de forma independiente. Esto evita la identificación errónea de cambios en la proporción de células debido al agotamiento de una población de una sola célula, lo que daría lugar artificialmente al aumento de todas las demás poblaciones de células en la muestra. Para identificar cambios composicionales, elegimos como grupo de referencia muestras frescas, por lo que los resultados indicarán si encontramos cambios composicionales en relación con este grupo. Los resultados de este análisis destacan un agotamiento significativo de las neuronas excitatorias en las muestras crioconservadas con DMSO en comparación con las muestras frescas, mientras que no encontramos sesgos de composición significativos en las muestras conservadas con cualquiera de los otros métodos (Fig. 4b).

un gráfico UMAP que muestra las poblaciones de células identificadas en las muestras de NPC, que incluyen diferentes tipos de poblaciones de NPC, precursores astrogliales, progenitores intermedios y neuronas inmaduras tanto excitatorias como inhibidoras. b Representación gráfica de genes marcadores conocidos que se han utilizado para identificar las poblaciones celulares en (a), incluidos marcadores NPC (SOX2), marcadores de proliferación (TOP2A y PCNA), marcadores de destino cortical (FOXG1), marcadores de destino dorsal (PAX3), marcadores de techo marcadores de placa (PTN), marcadores astrogliales (ADGRV1 y GJA1), marcadores neuronales inmaduros (DCX), marcadores progenitores intermedios (HES6), marcadores neuronales inhibitorios (GAD2) y excitatorios (SLC17A6).

a Gráficos UMAP que muestran la distribución de células en grupos para cada uno de los métodos de fijación. Los grupos están coloreados como en la Fig. 3a. Las muestras conservadas en DMSO muestran un fuerte agotamiento de las células en los grupos neuronales en comparación con todas las demás muestras. b Diagrama de barras que muestra la proporción promedio de celdas asignadas a cada grupo para cada método. La altura de las barras representa el promedio de todas las muestras conservadas con el mismo método. Los puntos negros representan la proporción de células en muestras individuales. * Indica muestras con una diferencia significativa en la proporción de células en una muestra particular en relación con las muestras frescas según lo predicho por scCODA, lo que significa que el puntaje promedio de la muestra está por debajo de cero según el modelo scCODA considerando una tasa de falso descubrimiento <0.05.

Finalmente, investigamos si los métodos de conservación inducían cambios en la expresión génica que pudieran afectar la comparación entre muestras. Una comparación de la expresión génica entre muestras muestra una alta correlación entre todas las muestras (coeficiente de correlación de Pearson R > = 0,8), aunque las muestras ACME y vivoPHIX tienen correlaciones ligeramente más bajas con todas las demás muestras (Fig. 7 complementaria). Esta menor correlación puede explicarse por cambios globales o específicos del tipo de célula en la expresión génica, pero también por sesgos de composición. Para investigar esto más a fondo, generamos recuentos de pseudobulto para cada uno de los grupos para cada muestra por separado y realizamos un análisis de correlación a nivel de grupo. Nuestros análisis muestran que el método de fijación induce sesgos en la agrupación de poblaciones celulares entre muestras (Fig. 8 complementaria). Sin embargo, la gran similitud entre diferentes grupos, es decir, poblaciones de NPC, hace que los grupos de células conservados con un método particular se agrupen juntos. Para abordar este problema, evaluamos la agrupación de muestras para cada grupo de células de forma independiente utilizando sigclust229, un método estadístico diseñado para probar la importancia estadística de la agrupación jerárquica. Como puede verse en la Fig. 5, en todos los casos las muestras de metanol se agruparon con muestras frescas. Por el contrario, en 8 de las 12 poblaciones celulares identificadas, varias muestras de vivoPHIX y ACME se agrupan por separado de las muestras frescas. Por lo tanto, este análisis confirma que el perfil de expresión general de las células fijadas con metanol en cada grupo es más similar al de las células frescas que al de las células conservadas usando otros métodos.

Dendograma que muestra la similitud de los perfiles de expresión génica de las células de las diferentes muestras pertenecientes a un mismo grupo celular. Las muestras se etiquetan de la siguiente manera: fresco (F1 y F2, color rojo), metanol (M1, M2, M3 y M4, color verde), DMSO (D1, D2 y D3, color azul), ACME (A1 y A2 , color púrpura) y vivoPHIX (V1 y V2, color magenta). La importancia en el agrupamiento jerárquico se evalúa mediante la prueba shc implementada en sigclust2. Las ramas significativas en el dendrograma están resaltadas en rosa. *, ** y *** marcan las ramas con un valor P inferior a 0,05, 0,01 o 0,001, respectivamente. Las ramas no significativas se destacan en amarillo y las ramas no analizadas en azul y verde.

Estudios previos han demostrado que los métodos de disociación y conservación pueden inducir estrés celular que se refleja a nivel transcriptómico9,30. En consecuencia, verificamos la expresión de genes tempranos inmediatos (IEG) y marcadores de apoptosis en nuestros conjuntos de datos. La firma del gen de la apoptosis fue más alta en las muestras ACME, vivoPHIX y DMSO en comparación con las muestras frescas, y más alta en DMSO que en las muestras fijadas con metanol, aunque estas diferencias fueron mínimas (Fig. 6a). Todas las muestras fijadas tenían una expresión más alta de IEG que las muestras frescas, aunque las células crioconservadas con DMSO mostraron una expresión más alta de IEG que todas las demás muestras (Fig. 6b). Este resultado indica que la congelación y descongelación estresa a las células de una manera que se refleja globalmente en el perfil transcriptómico de las células. Para investigar si la conservación celular indujo sesgos de expresión adicionales a nivel de grupo individual, utilizamos muscat31 para identificar genes expresados ​​diferencialmente (DEG) específicos del tipo de célula en muestras fijas en comparación con muestras frescas (Datos complementarios 6). Nuestro análisis muestra que el número de genes expresados ​​diferencialmente (DEG) es muy diferente entre los métodos de fijación. Mientras que las muestras vivoPHIX presentan muchos DEG en todos los grupos, la cantidad de DEG significativos es cercana a cero en las muestras de DMSO (Fig. 6c y Datos complementarios 6). Utilizamos análisis de enriquecimiento de términos de ontología génica para investigar si diferentes métodos de fijación introducirían sesgos en la expresión génica relacionada con funciones particulares. Nuestros resultados no encontraron términos significativos sobrerrepresentados en genes constantemente regulados hacia arriba o hacia abajo en múltiples grupos de células, lo que sugiere que el efecto que los métodos de fijación tienen en la expresión génica en todos los grupos no está relacionado con funciones o ubicaciones celulares particulares.

a, b Gráficos de violín que muestran la distribución de las puntuaciones de enriquecimiento de las firmas de apoptosis (a) y estrés (b) en los métodos de preparación de muestras. Los diagramas de caja incluidos dentro de los diagramas de violín resumen la distribución de datos. Los lados superior e inferior de la caja representan los cuartiles 1 y 3. La línea del medio corresponde a la mediana. Las líneas no se extienden más allá de 1,5 del rango intercuartílico. a La puntuación de enriquecimiento de la apoptosis es más alta en las muestras de DMSO, ACME y vivoPHIX en comparación con las muestras frescas (asteriscos negros), y más alta en DMSO en comparación con el metanol (asteriscos azules). b La firma de estrés es más alta para todos los métodos de fijación/conservación en comparación con las muestras frescas (asteriscos negros), y también más alta en DMSO en comparación con todos los demás métodos de fijación (asteriscos azules). En todos los casos, la significación estadística se probó utilizando una prueba de suma de rangos de Wilcoxon de una cola. Las comparaciones con el fresco están marcadas con negro * y las comparaciones de DMSO con otros métodos de fijación están en azul. ** indica un valor de P <0,01; *** indica un valor de P <0,001. c Diagrama de barras que muestra el número de genes significativamente regulados al alza y a la baja para cada método de fijación en cada grupo de células con un log2fc > = |0,58| y un valor de p de prueba de Wald ajustado <0,05. Las muestras vivoPHIX y metanol tienen más DEG en los grupos, mientras que el número de DEG en DMSO es cercano a cero.

Los métodos transcriptómicos unicelulares se están convirtiendo en el nuevo estándar para estudiar los cambios transcriptómicos entre muestras y condiciones. Estas tecnologías son relativamente nuevas en comparación con los métodos de transcriptómica masiva como RNA-seq o 3' seq. Así, en muchos casos aún no existen protocolos de preparación estándar para las diferentes muestras utilizadas. En este proyecto, hemos comparado cómo los métodos de conservación y fijación comúnmente utilizados afectan la composición celular y la expresión de poblaciones de células neurales y gliales derivadas de hiPSC. Este trabajo amplía así estudios previos que han comparado los efectos de un solo método de conservación sobre la calidad de los transcriptomas de una sola célula o que se han centrado en sus efectos sobre diferentes tipos de células y, por lo tanto, pueden no ser aplicables a las células neurales13,14,15,16 ,17,18,19. Nuestros resultados muestran que los diferentes métodos de conservación/fijación afectan la calidad de los conjuntos de datos transcriptómicos de una sola célula de diferentes maneras, incluida la disminución de la complejidad de la biblioteca, los cambios en la composición celular y las alteraciones en el perfil de expresión de las células individuales (Tabla 2).

En términos de complejidad de la biblioteca, las muestras ACME y vivoPHIX muestran una fuerte disminución en la cantidad de cDNA obtenido después de la encapsulación de una sola célula (Fig. 2a), lo que también se refleja en una menor detección de genes y UMI (Fig. 2b). En el caso de las muestras vivoPHIX, esto podría estar relacionado con una calidad inicial más baja de la muestra de ARN, que tenía valores RIN más bajos (Fig. 1 complementaria). En el caso de las muestras ACME, que tenían una calidad de ARN equivalente a la de las muestras frescas, esta disminución es consistente con informes anteriores que muestran que la integridad del ARN cae en muestras fijadas con ACME a lo largo del tiempo10. La menor complejidad de la biblioteca de estas muestras debido a una mayor tasa de abandono es probablemente la causa de los sesgos en el análisis de agrupamiento de la población celular (Fig. 5) y podría contribuir a la cantidad de DEG identificados en cada grupo (Fig. 6c y Complementario). Datos 6).

Al observar la composición celular, nuestros resultados destacan claramente un fuerte agotamiento de las células neuronales en las muestras crioconservadas con DMSO (Fig. 4). Se han utilizado diferentes líneas celulares y experimentos para este proyecto, lo que podría ser un efecto de confusión que afecta la composición del tipo celular. Sin embargo, la comparación de muestras de DMSO y metanol que provienen exactamente de la misma diferenciación (M3, M4, D1 y D2) (Datos complementarios 1) destaca una clara diferencia en la abundancia relativa de poblaciones de neuronas excitatorias entre las muestras de metanol y DMSO, lo que proporciona evidencia adicional de que los sesgos de composición se deben al procedimiento de fijación / preservación (Fig. 6 complementaria). Si bien el DMSO se ha informado previamente como un excelente método de conservación celular para la transcriptómica unicelular16,17, ninguno de estos estudios analizó el efecto del DMSO en las células neuronales maduras. La reducción en el número de neuronas recuperadas podría deberse a la toxicidad del DMSO32,33 o a la gliosis reactiva inducida por el DMSO, que se ha informado anteriormente y puede afectar a las células tras una exposición muy breve32, o simplemente a la mayor fragilidad de las neuronas que no sobrevivir a los ciclos de descongelación/congelación. Esto último podría explicar la mayor expresión de genes de estrés en las muestras de DMSO en comparación con las muestras frescas y todas las demás fijadas. Sin embargo, las neuronas obtenidas no muestran fuertes sesgos de expresión, ya que a menudo se agrupan con muestras frescas y fijadas con metanol y apenas tienen DEG significativos (Fig. 6 y Datos complementarios 6). Si bien nuestros resultados demuestran que DMSO no es una buena opción para realizar análisis de composición de células derivadas de hiPSC, podría usarse para perfilar muestras neuronales puras cuando la disponibilidad de células no es un problema.

Nuestros análisis también demuestran que los diferentes métodos de fijación/preservación alteran la expresión génica de diferentes maneras. Los sesgos de expresión inducidos por la fijación pueden afectar el perfil de expresión general de los grupos de células, como es el caso de las muestras vivoPHIX y ACME (Fig. 5 y las Figs. 7 y 8 complementarias), o impulsar cambios específicos del tipo de célula en la expresión génica (Fig. 6c y Datos Complementarios 6). Además, hemos encontrado una mayor expresión de IEG en todas las muestras en comparación con las frescas, y una mayor expresión de marcadores de apoptosis en células PHIX, ACME y DMSO vivo en comparación con las frescas (Fig. 6a, b). Estos resultados confirman observaciones previas que asociaban una mayor expresión de IEG con sesgos de disociación y crioconservación9,30, y resaltan la necesidad de controles precisos y experimentos de validación para confirmar los cambios de expresión génica observados en datos unicelulares.

Finalmente, se debe considerar que los métodos de fijación podrían afectar la detección de genes expresados ​​diferencialmente ya que afectan la complejidad de la biblioteca y el número de genes y UMI. Dado que la capacidad para detectar genes expresados ​​diferencialmente está directamente relacionada con el número de lecturas o UMI asignados a un gen, es posible que se pasen por alto cambios sutiles en la expresión diferencial debido a condiciones biológicas o experimentales. Esperamos que estos efectos sean mayores en las muestras ACME y vivoPHIX, que muestran genes y UMI más bajos detectados por célula (Fig. 2c), aunque esto puede compensarse si se secuencian más células. Las células fijadas con metanol se han utilizado con éxito anteriormente para descubrir cambios en la expresión génica en datos de una sola célula en diferentes condiciones biológicas34,35, lo que indica que este método de fijación es adecuado no solo para identificar la expresión génica homeostática sino también para identificar diferencias biológicas más sutiles.

Teniendo en cuenta los pros y los contras de los diferentes métodos (Tabla 2) y las limitaciones de este estudio, nuestro análisis comparativo indica que la fijación de metanol es el mejor método de conservación para realizar análisis transcriptómicos unicelulares en células neurales. Las bibliotecas de células fijadas con metanol tienen una complejidad similar a la de las células frescas (Fig. 2) y no presentan fuertes sesgos en la expresión génica que afecten el perfil transcriptómico general de las células (Figs. 5 y 6 y Datos complementarios 4 y 5) o composición celular (Fig. 4 y Fig. 6 complementaria), proporcionando así a la muestra el perfil más similar al de las células frescas.

En este trabajo, hemos probado el impacto de los métodos de fijación y conservación en células gliales y neuronales derivadas de hiPSC utilizando unas pocas réplicas (2–4) por condición. Esta cantidad de réplicas es aceptable teniendo en cuenta el costo de los experimentos individuales de una sola célula y los estándares experimentales actuales. Sin embargo, limita nuestra capacidad para evaluar completamente el impacto de todas las variables posibles en la calidad de la muestra. Nuestros resultados muestran que no solo el método de conservación afecta la composición de la muestra y la expresión génica. Otros parámetros, como los días de conservación, la línea celular utilizada, el experimento de diferenciación y el lote de perlas, tienen un impacto en los transcriptomas finales de una sola célula. Sin embargo, este trabajo no proporciona una comparación extensa de todos ellos, lo que está fuera del alcance de este proyecto. Por lo tanto, los resultados proporcionados en este trabajo pueden ser diferentes cuando se trabaja con diferentes tipos de células, muestras y tecnología unicelular o cuando se utilizan condiciones experimentales diferentes a las utilizadas aquí. Los investigadores deben considerar todos estos factores y optimizar los experimentos individuales dado que nuestros resultados demuestran que el procesamiento de muestras puede afectar significativamente los resultados de los experimentos transcriptómicos de una sola célula.

Las hiPSC se mantuvieron en placas recubiertas con matrigel 1:40 (Corning, n.º 354277) en medio mTeSR-1 suplementado (StemCell Technologies, n.º 85850) con 500 U ml-1 de penicilina y 500 mg ml-1 de estreptomicina (Gibco, n.º 15140122). Para la diferenciación de neuronas corticales se siguió el protocolo descrito previamente21 con ligeras modificaciones. Brevemente, las colonias de hiPSC se sembraron en placas de 12 pocillos recubiertas con matrigel 1:40 a una densidad celular suficiente para garantizar una confluencia del 100 % un día después de la siembra. En el día 1, el medio se cambió a medio de inducción neural (medio de mantenimiento neural (relación 1:1 de DMEM/F-12 GlutaMAX (Gibco, n.º 10565018) y medio Neurobasal (Gibco, n.º 21103049) con 1 × N-2 ( Gibco, n.° 17502048), 1× B-27 (Gibco, n.° 17504044), 5 μg ml−1 de insulina (Sigma, n.° I9278), l-glutamina 1 mM (Gibco, n.° 35050061), 100 μM de aminoácidos no esenciales (Lonza, #BE13-114E), 100 μM de 2-mercaptoetanol (Gibco, #31350010), 50 U ml−1 de penicilina y 50 mg ml−1 de estreptomicina) complementado con 500 ng ml−1 de noggin (R&D Systems, # 3344- NG-050), dorsomorfina 1 μM (tecnologías StemCell, n.° 72102) y SB431542 10 μM (Calbiochem, n.° 616461)). El medio de inducción neural se reemplazó todos los días durante 9 a 12 días hasta que se formó la lámina neuroepitelial. En este punto, las células neuroepiteliales se recolectaron en agregados usando dispasa (StemCell Technologies, #07923) y se sembraron en una placa de seis pocillos recubierta con 20 μg ml-1 de laminina (Sigma, #L2020) que contenía 2 ml de medio de mantenimiento neuronal. Las células se incubaron en un medio de mantenimiento neural con reemplazo cada dos días hasta que las estructuras de roseta neural fueron reconocibles (días 12 a 15 después de la inducción neural). Luego, se agregaron 20 ng ml-1 de bFGF (Peprotech, #100-18B) al medio durante 2 a 4 días para promover la expansión de las células madre neurológicas. El día 18 después de la inducción neural, las células se dividieron con dispasa para la amplificación de los precursores. El día 24, cuando las neuronas comienzan a acumularse en el exterior de las rosetas, las células se pasaron 1:3 usando Accutase (Merck Millipore, #SCR005) en una suspensión de una sola célula y se sembraron a 50 000 células cm-2 en 20 μg ml- 1 placa de seis pocillos recubierta con laminina. Después de una semana, las células se dividieron nuevamente (proporción 1: 4) y se sembraron en placas de seis pocillos recubiertas con laminina de 20 μg ml−1 y continuaron el cultivo hasta 50 días (entre 29 y 50) después de la inducción neural con cambios de medio. todos los segundos días. Se utilizaron varias líneas celulares de hiPSC y experimentos de diferenciación para la obtención de NPC (Datos complementarios 1). Puede encontrar información adicional sobre los medios y los reactivos utilizados en el cultivo celular en Datos complementarios 7. Todas las líneas celulares hiPSC utilizadas en este trabajo se generaron con el consentimiento informado de donantes humanos. El uso de hiPSCs en este trabajo fue aprobado por la Comisión Nacional de Garantías en Materia de Donación y Utilización de Células y Tejidos Humanos del Instituto Nacional de Salud Carlos III de España.

Las células se disociaron en una suspensión unicelular siguiendo un protocolo previamente descrito optimizado para técnicas scRNA-seq36. En resumen, las células se disociaron enzimáticamente durante 35 min a 37 °C usando tampón de disociación de papaína-accutasa (1:1) (PDS Kit, Papain, Worthington Biochemical Corporation, #LK003176) y se extinguieron con DMEM/F-12 GlutaMAX complementado con 10 µM de inhibidor de ROCK (Y-27632, StemCell Technologies, #72304) y 0,033 mg ml−1 de DNasa (DNasa (D2), Worthington Biochemical Corporation, #LK003170). Se puede encontrar información adicional sobre los medios y reactivos utilizados en el cultivo celular en Datos complementarios 7. La suspensión celular se filtró a través de un filtro de 40 µm (Pluriselect Life Science, #43-10040-60) y luego se centrifugó a 150 g durante 3 min a RT. Después de tres lavados con 0,4 mg ml−1 de BSA en DPBS, se contaron las células y se registró la viabilidad por el método del azul tripán. Solo se incluyeron en el estudio muestras con viabilidad celular superior al 75%.

Alrededor de 2,5 × 106 células después de la disociación se crioconservaron en crioviales en 1 ml de medio de congelación, medio de mantenimiento neuronal suplementado con 10 % v/v de DMSO (Sigma-Aldrich, #D2438) y 20 ng ml−1 bFGF. Los crioviales se colocaron en un recipiente de congelación Mr. Frosty (Nalgene, #5100-001) previamente llenado con alcohol isopropílico y se almacenaron a -80 °C durante la noche (ON) y luego se transfirieron para un almacenamiento prolongado a un congelador de nitrógeno en fase de vapor. Las muestras crioconservadas en DMSO se descongelaron en un baño de agua a 37 °C en agitación continua, luego se agregó 1 ml de medio de mantenimiento al vial y se transfirió a un tubo falcon con 10 ml de medio de mantenimiento. Las células se centrifugaron a 160 g durante 5 min a temperatura ambiente. El sobrenadante se eliminó con cuidado y el sedimento celular se lavó con 1 ml de DPBS y BSA al 0,01 % y luego se transfirió a un tubo DNA LoBind de 1,5 ml (Eppendorf, n.º 022431021). Las células se sedimentaron de nuevo y se resuspendieron en DPBS y BSA al 0,01 %. Finalmente, las células se filtraron a través de un filtro de 40 µm y se contaron en una cámara de Neubauer usando el método estándar de azul tripán.

Siguiendo el protocolo de fijación de metanol para RNA-seq de una sola célula en 10X Genomics (CG000136), se agregaron 200 µl de DPBS helado para resuspender un sedimento de 2,5 × 106 células. Se añadieron gota a gota 800 µl de metanol al 100 % previamente enfriado hasta que la concentración final de metanol alcanzó el 80 %. Las muestras en tubos DNA LoBind se colocaron en hielo durante 30 min, luego se prendieron a -20 °C y finalmente se transfirieron a -80 °C para un almacenamiento prolongado. Las células fijadas con metanol se descongelaron en hielo y se centrifugaron para eliminar el sobrenadante. El sedimento celular se lavó y rehidrató en 1 ml de DPBS con BSA al 0,01 % y 0,2 U µl−1 de inhibidor de ARNasa (Takara Bio, #2313 A) y DTT 1 mM (Sigma-Aldrich, #D0632)) para evitar la degradación del ARN. . Las células se filtraron nuevamente con un filtro de 40 µm y se contaron en una cámara de Neubauer.

Un sedimento de 1 × 106 a 5 × 106 células se resuspendió suavemente con 100 µl de tampón de lavado (DPBS con BSA al 0,01 % y 0,2 U µl−1 de inhibidor de RNasa y DTT 1 mM). Luego, se añadió gota a gota solución ACME (tampón de lavado: metanol: ácido acético: glicerol; en una proporción final de 13:3:2:2) mientras se mezclaba el tubo hasta un volumen final de 1 ml y se incubó durante 30 min a temperatura ambiente. Después de centrifugar a 1000 g a 4 °C durante 5 min y descartar el sobrenadante, el sedimento celular fijado se lavó dos veces en 1 ml de tampón de lavado y se resuspendió en 1 ml de tampón de lavado suplementado con DMSO al 10 % v/v para su almacenamiento a − 80 °C. Las muestras fijadas con ACME se descongelaron y rehidrataron siguiendo el mismo protocolo que las muestras fijadas con metanol.

Un sedimento celular que contenía de 1 × 106 a 5 × 106 células se resuspendió suavemente con 25 µl de DPBS con BSA al 0,01 %. Para la fijación de la muestra, se añadieron 75 µl de reactivo vivoPHIX (Rapid Labs, #RD-VIVO-5) (proporción 3:1) y se mezcló invirtiendo el tubo 10 veces durante los primeros 5 min de fijación. A continuación, el tubo se colocó en un dispositivo de rueda a temperatura ambiente y se incubó durante 30 minutos más. Las muestras se almacenaron a 4 °C ON y luego se transfirieron a -80 °C para un almacenamiento prolongado.

Las muestras fijadas con vivoPHIX se rehidrataron mediante la adición de un volumen (100 µl) de etanol al 100 % y se mezcló el tubo varias veces por inversión. Luego, las células se sedimentaron a 1000 g durante 5 min a temperatura ambiente y se descartó el sobrenadante. Se añadieron 0,5 ml de vivoPHIX-SCAA (1 volumen de vivoPHIX con tres volúmenes de ácido acético glacial) muy lentamente al sedimento celular sin alterarlo y se incubó durante exactamente 3 min a temperatura ambiente. El vivoPHIX-SCAA del sedimento se eliminó y las células se sedimentaron nuevamente a 100 g durante 5 min a temperatura ambiente para eliminar cualquier líquido restante utilizando una punta de pipeta P20. El sedimento celular se lavó tres veces con DPBS con BSA al 0,01% y 0,2 U µl−1 de inhibidor de RNasa y DTT 1 mM, y se descartó el sobrenadante. Las células se filtraron con un filtro de 40 µm y se contaron en una cámara de Neubauer.

Un sedimento celular que contenía de 1 × 106 a 5 × 106 células se resuspendió suavemente agitando el tubo con el tampón de lavado restante (25 µl) después de la disociación enzimática con solución de papaína-accutasa. Luego, se agregaron 10 volúmenes de CellCover (250 µl) (Anacyte Laboratories) y la suspensión celular se almacenó a 4° o -80 °C hasta su uso. El protocolo recomendado proporcionado por la empresa no sugiere congelar las muestras o almacenarlas por un período más largo de 2 a 7 días. Sin embargo, queríamos probar la eficiencia de este reactivo en nuestro flujo de trabajo ya que el protocolo es bastante simple. Las muestras fijadas con CellCover se recuperaron siguiendo el mismo procedimiento que para las muestras fijadas con metanol.

Para una encapsulación de una sola célula en un instrumento NADIA (Dolomite Bio, #3200590), seguimos el protocolo proporcionado por la empresa. Cargamos 75.000 células en un volumen de 250 µl (300.000 células ml−1) y 150.000 perlas oligodT de Macosko (ChemGenes Corporation, #Macosko-2011-10 (V+)) en 250 µl (600 perlas µl−1) previamente lavadas y resuspendido en tampón de lisis (Ficoll PM-400 al 6 % p/v, Sarkosyl al 0,2 % v/v, EDTA 0,02 M, Tris 0,2 M pH 7,5 y DTT 0,05 M en agua libre de nucleasas). Las células y las perlas fluyeron conjuntamente en el chip de microfluidos del dispositivo con una eficiencia de captura del 5 al 7 %.

Inmediatamente después de la ruptura de la emulsión de gotas, los ARN capturados por el oligodT se transcriben inversamente (maxima H RT Master Mix, Thermo, #EP0751) (Datos complementarios 8). Luego, el exceso de cebadores de perlas que no capturaron una molécula de ARN se eliminó mediante la incubación de las perlas con exonucleasa I (New England Biolabs, #174M0293L) durante 45 min a 37 °C. Los transcriptomas unicelulares recolectados unidos a micropartículas (STAMPS) se contaron y resuspendieron en agua libre de nucleasas a 400 microesferas µl−1 y se dividieron en grupos de 4000 microesferas por tubo de PCR y se amplificaron durante 9 u 11 ciclos de PCR según el lote de microesferas utilizado. para el encapsulado (9 ciclos para el lote 01, 11 para los demás). Después de la purificación del ADNc con 0,6:1 AMPure XP Beads (Agencourt, n.° A63881) para la muestra, se realizó la cuantificación con el ensayo Qubit dsDNA HS (Thermo, n.° Q32851) y se verificó el tamaño de los fragmentos con un sistema TapeStation 4200 (Agilent, n.° G2991BA). . Se usó el kit de preparación de bibliotecas de ADN Nextera XT (Illumina, n.º FC-131-1096) para el etiquetado de 600 pg de cDNA, el etiquetado del adaptador Illumina y la amplificación (Datos complementarios 8). El tamaño de las bibliotecas de Nextera después de ser purificadas con 0,6:1 AMPure XP Beads para muestrear se determinó mediante un sistema TapeStation 4200 y se cuantificó con el ensayo Qubit dsDNA HS. Se secuenciaron 1,8 pM de bibliotecas agrupadas en el secuenciador Illumina NextSeq 550 utilizando Nextseq 550 High Output v2 kit (75 ciclos) (Illumina, n.º 20024906) en modo emparejado; 20 pb para Lectura 1 con el cebador personalizado Read1CustSeqB37 (código de barras de celda y UMI) y 64 pb para Lectura 2 y 8 pb para índice i7.

Las bibliotecas de scRNA-seq se procesaron utilizando Drop-seq_tools 2.3 pipeline38 para generar matrices de expresión génica digital (DGE). En primer lugar, se utilizaron herramientas Drop-seq para generar el índice y los archivos de anotación para la versión de ensamblaje hg38 del genoma humano utilizando la anotación39 de la versión 100 de Ensembl como referencia. A continuación, los archivos fastq que contenían lecturas emparejadas se fusionaron en un solo archivo BAM sin alinear utilizando las herramientas picard v2.18.1440. Usando el kit de herramientas Drop-seq con parámetros predeterminados, las lecturas se etiquetaron con la celda y los códigos de barras moleculares, se recortaron en el extremo 5 'para eliminar las secuencias del adaptador y en el extremo 3' para eliminar las colas de poliA. A continuación, las lecturas se asignaron al genoma humano (versión hg38) con la versión 2.7.0.a41 de STAR. Los archivos bam resultantes se etiquetaron con los archivos de metadatos de anotación para identificar las lecturas de genes superpuestos. Finalmente, la corrección del código de barras de las celdas se realizó utilizando los programas DetectBeadSubstitutionError y DetectBeadSynthesisErrors también con parámetros predeterminados. Para estimar la cantidad de celdas obtenidas durante la encapsulación de una sola celda, usamos un diagrama de rodilla utilizando como entrada la cantidad de lecturas asignadas de forma única asignadas a los N códigos de barras superiores, donde N es al menos cinco veces la cantidad de celdas esperadas. El número estimado de células obtenidas con este procedimiento se usó luego para generar un DGE. Se generaron dos matrices DGE para cada conjunto de datos, una que contenía todos los genes superpuestos de UMI utilizando los parámetros LOCUS_FUNCTION_LIST = INTRONIC LOCUS_FUNCTION_LIST = INTERGENIC y otra que contenía todos los intrones superpuestos de UMI utilizando los parámetros LOCUS_FUNCTION_LIST = null LOCUS_FUNCTION_LIST = INTRONIC.

Las matrices de expresión de DGE se analizaron utilizando Seurat v 4.2.142. Primero, generamos objetos Seurat para cada conjunto de datos y fusionamos estos objetos antes de realizar el filtrado de celdas de baja calidad. Después de la inspección manual, se descartaron todas las células con un recuento de UMI inferior a 200 o superior a 17000, un número de genes inferior a 200 o superior a 5500, un porcentaje de transcritos mitocondriales superior al 7,5% y un contenido ribosómico superior al 40%. La cantidad de celdas descartadas en cada paso se proporciona en Datos complementarios 3. Luego, usamos DoubletFinder43 en cada objeto de muestra por separado para eliminar los dobletes. Los parámetros y dobletes identificados en cada conjunto de datos se detallan en Datos complementarios 9. Después de la eliminación de dobletes, fusionamos objetos individuales para realizar un análisis conjunto. Inicialmente, se eliminaron todos los genes expresados ​​en menos de tres células. Además, ajustamos un modelo lineal para describir la relación entre el número de registro de UMI y el número de registro de genes detectados por celda. Se descartaron todas las células con un residuo menor de -0,5 (3 células). El objeto final de Seurat obtenido contenía 16.870 células y 24.468 genes.

Utilizamos la función de Seurat para realizar una regresión del porcentaje de transcripciones mitocondriales, el número de genes, el número de UMI y el método de conservación. Para normalizar los datos, usamos el método LogNormalize y los multiplicamos por un factor de escala de 10,000. Luego seleccionamos los 2000 genes más variables para calcular 100 componentes principales (PC). Usamos la función ElbowPlot para inspeccionar manualmente la cantidad de variabilidad explicada por cada PC y seleccionamos las primeras 20 PC que se usaron para construir el gráfico kNN y calcular el gráfico UMAP usando 500 épocas de entrenamiento (iteraciones). Para eliminar los efectos por lotes que afectan la identificación de poblaciones de células compartidas en conjuntos de datos, utilizamos el paquete Harmony28. Se aplicó la función RunHarmony sobre el objeto filtrado y procesado, proporcionando las muestras como la variable a integrar. Al inspeccionar el gráfico Elbow actualizado, seleccionamos las primeras 19 PC corregidas para realizar el agrupamiento. Usamos el paquete clustree44 para inspeccionar los resultados de la agrupación en diferentes resoluciones de 0,1 a 1 y elegimos una resolución final de resolución 0,7 donde obtuvimos poblaciones de 12 células. Para calcular los marcadores principales para cada grupo, usamos la función FindAllMarkers de Seurat con solo marcadores positivos y el resto de parámetros predeterminados. Se seleccionaron marcadores estadísticamente significativos con un valor P ajustado de la prueba de suma de rangos de Wilcoxon inferior a 0,05.

Utilizamos la función AddModuleScore con parámetros predeterminados del paquete Seurat42 para evaluar si los diferentes métodos de fijación inducían estrés o favorecían la apoptosis entre las células. Esta función compara la expresión de un conjunto de genes dados con conjuntos aleatorios de genes con una expresión similar en el conjunto de datos para calcular un enriquecimiento. Para la firma de apoptosis, construimos una firma de genes que incluye los genes BCL2, TNF, TP53, CASP3, BAX, CASP8, FAS45. Para la firma de estrés, usamos los siguientes genes tempranos inmediatos FOS, JUN, EGR1, UBC, HSPA1B, BTG2, IER2, ID330. Las diferencias estadísticamente significativas en la puntuación de la firma entre los diferentes métodos de fijación y las muestras frescas se calcularon utilizando una prueba de suma de rangos de Wilcoxon de una cola.

Para evaluar los cambios en la composición celular utilizamos scCODA5. Para ejecutar scCODA definimos muestras frescas como condición de referencia. Para establecer la comparación, se tuvo que elegir como referencia un conglomerado con baja variabilidad entre muestras. En este caso, usamos como referencia el grupo NPC, que tenía un buen número de celdas y una muy baja cantidad de dispersión (expresada como diferencias entre grupos). Para garantizar que los resultados fueran consistentes y reproducibles, ejecutamos scCODA5 diez veces utilizando el método de muestreo hamiltoniano Monte Carlo con parámetros predeterminados y promediamos los resultados. Los tipos de células con puntajes promedio por debajo (o por encima) de cero tienen una disminución (o aumento) significativa en la abundancia según el modelo scCODA (tasa de descubrimiento falso <0.05).

Usamos la función addedData del paquete R Muscat31 para obtener valores de expresión pseudobulk para cada grupo en cada una de las muestras. Luego, usamos la función pbDS para realizar un análisis de expresión génica diferencial usando DESeq246 para cada grupo e identificamos DEG para cada método en comparación con muestras frescas. Los DEG con un valor P de prueba de Wald ajustado <0.05 y un cambio absoluto de log2 Fold> 0.58 están disponibles en los Datos complementarios 6 y en la Fig. 6c. Para evaluar si los diferentes métodos de fijación/preservación introdujeron sesgos en la expresión de determinados conjuntos de genes, investigamos los procesos biológicos asociados a genes regulados al alza y a la baja utilizando la función de enriquecimiento del paquete GSEApy47. Para este análisis, utilizamos todos los genes que estaban constantemente regulados hacia arriba o hacia abajo en al menos cuatro tipos de células para cada método de fijación/preservación. Solo se analizaron conjuntos de genes con al menos diez genes. Como conjunto de antecedentes para el análisis de enriquecimiento, proporcionamos todos los genes expresados ​​en el conjunto de datos que tenían al menos 445 UMI, que es la expresión mínima entre los DEG identificados. En todas las comparaciones, no identificamos ningún término de ontología genética significativamente sobrerrepresentado (valor de P ajustado por prueba hipergeométrica <0,001).

Para evaluar la correlación entre conjuntos de datos, comparamos los perfiles de expresión de todas las celdas de cada conjunto de datos globalmente y a nivel de grupo. Para ese propósito, calculamos los valores de expresión pseudobulk para todos los genes dentro de un grupo/conjunto de datos específico. Luego, log transformamos los conteos c usando un pseudoconteo para que la expresión normalizada n fuera n = log (c + 1). Usamos estos valores de expresión normalizados para calcular el coeficiente de correlación de Pearson por tipo de celda/muestra usando la función cor en R. Usamos la función pheatmap48 para realizar un agrupamiento jerárquico usando un método de agrupamiento completo y usando los coeficientes de correlación para calcular las distancias euclidianas entre los agrupamientos. Dado que muchos grupos de celdas son muy similares, repetimos el mismo procedimiento para cada tipo de celda por separado y determinamos la significancia estadística de los grupos de muestras usando la función shc del paquete sigclust2 R29 en la tabla de correlación correspondiente. El método shc utiliza un procedimiento de prueba de importancia basado en simulación de Monte Carlo para evaluar la importancia de los resultados de agrupación jerárquica del conjunto de datos. La significancia estadística se evalúa en cada nodo a lo largo del árbol jerárquico (dendrograma) comenzando desde la raíz mediante una prueba de hipótesis nula gaussiana, y se calcula un valor P correspondiente mediante el índice de conglomerado de 2 medias, una estadística sensible a las hipótesis nula y alternativa. Se aplica una tasa de error familiar que controla el procedimiento para corregir pruebas múltiples. Generamos gráficos de dendogramas para cada tipo de célula para ilustrar la similitud entre grupos para diferentes muestras y resaltar las diferencias estadísticamente significativas.

Diferentes lotes de perlas pueden tener diferente eficiencia de captura de ARNm. Para evaluar el impacto del uso de diferentes lotes en encapsulaciones de scRNA-seq, medimos la eficiencia de captura de los lotes de perlas 01 y 02. Encapsulamos la misma muestra dos veces usando los dos lotes de perlas utilizados en el artículo. Después de RT-PCR, amplificamos 4000 STAMPS por PCR usando 9, 10, 11 o 12 ciclos de forma independiente. Después de la purificación de AMPure XP Beads, el ADNc de cada PCR se cuantificó mediante el ensayo Qubit dsDNA HS. Nuestros resultados demuestran que para obtener una concentración de ADNc similar con los dos lotes de perlas, necesitábamos aumentar en 2 la cantidad de ciclos de PCR cuando usamos el lote 02 (Fig. 2 complementaria).

Todos los experimentos de transcriptómica de una sola célula se han realizado utilizando al menos dos líneas celulares diferentes y dos experimentos de diferenciación independientes. Las muestras D1, D2, M3 y M4 provienen de los mismos experimentos de diferenciación, pero se fijaron con diferentes protocolos y en diferentes días (criopreservación con DMSO para D1 y D2, fijación con metanol para M3 y M4). Las muestras F1, F2, M1, M2, D3, A1, A2, V1 y V2 provienen de experimentos de diferenciación independientes. Todos los detalles sobre los días de diferenciación, las líneas celulares utilizadas y otros detalles de la conservación de la muestra se pueden encontrar en Datos complementarios 1. El número inicial de células de cada una de las muestras y el número final después del filtrado de calidad se proporciona en la Tabla 1. Estos Las celdas son las que se utilizan en todos los análisis proporcionados en el artículo.

La mayoría de los análisis computacionales se realizaron con R49 y paquetes específicos implementados en R 4.2.1, como Seurat50, Harmony28, clustree44, muscat31, sigclust229 y DoubletFinder43. También hemos utilizado el programa scCODA5 implementado en Python para evaluar los cambios en la abundancia de tipos de células y el programa GSEApy47 para realizar un análisis de enriquecimiento de términos GO. Todos los detalles se proporcionan en la sección Métodos.

Más información sobre el diseño de la investigación está disponible en el Resumen de informes de Nature Portfolio vinculado a este artículo.

Todos los datos scRNA-seq sin procesar y procesados ​​generados para este estudio se pueden encontrar en la base de datos GEO con el número de acceso GSE209947. Los datos fuente subyacentes a las Figs. 2c, d, 4b y 6 están disponibles en los archivos de datos complementarios 10–14.

Karlsson, M. et al. Un mapa de transcriptómica de tipo de célula única de tejidos humanos. ciencia Adv. 7, eabh2169 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Jones, RC y col. La Tabula Sapiens: un atlas transcriptómico de humanos de múltiples órganos y una sola célula. Ciencia 376, eabl4896 (2022).

Artículo CAS PubMed Google Académico

Nomura, S. Genómica unicelular para comprender la patogénesis de la enfermedad. JHum. Gineta. 66, 75–84 (2021).

Zhao, J. et al. Detección de subpoblaciones de células diferencialmente abundantes en datos de scrna-seq. proc. Academia Nacional. ciencia EE. UU. 118, e2100293118 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Büttner, M., Ostner, J., Müller, CL, Theis, FJ y Schubert, B. scCODA es un modelo bayesiano para el análisis de datos de composición unicelular. Nat. común 12, 6876 (2021).

Artículo PubMed PubMed Central Google Académico

Wang, T., Li, B., Nelson, CE y Nabavi, S. Análisis comparativo de herramientas de análisis de expresión génica diferencial para datos de secuenciación de ARN unicelular. BMC Bioinforma. 20, 40 (2019).

Artículo Google Académico

Zhang, M. et al. IDEAS: análisis de expresión diferencial a nivel individual para datos de RNA-seq de una sola célula. Genoma Biol. 23, 33 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Bresciani, E., Broadbridge, E. & Liu, PP Un protocolo de disociación eficiente para la generación de suspensión de células individuales a partir de embriones y larvas de pez cebra. MethodsX 5, 1287–1290 (2018).

Artículo PubMed PubMed Central Google Académico

Denisenko, E. et al. Evaluación sistemática de los sesgos de almacenamiento y disociación de tejidos en flujos de trabajo de RNA-seq de una sola célula y un solo núcleo. Genoma Biol. 21, 130 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

García Castro, H. et al. Disociación ACME: un método versátil de fijación-disociación celular para la transcriptómica unicelular. Genoma Biol. 22, 89 (2021).

Artículo PubMed PubMed Central Google Académico

Liu, L. et al. Disociación de tejido cerebral de ratón microdiseccionado para secuenciación de ARN unicelular sin artefactos. Protocolo ESTRELLA 2, 100590 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Burja, B. et al. Un protocolo optimizado de disociación de tejidos para el análisis de secuenciación de ARN unicelular de biopsias de piel humana frescas y cultivadas. Frente. Desarrollo celular Biol. 10, 950 (2022).

Artículo Google Académico

Alles, J. et al. Fijación y conservación de células para transcriptómica unicelular basada en gotitas. BMC Biol. 15, 44 (2017).

Artículo PubMed PubMed Central Google Académico

Chen, J. et al. Fijación y procesamiento de PBMC para secuenciación de ARN unicelular de cromo. J. traducción Medicina. 16, 198 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Attar, M. et al. Una solución práctica para conservar células individuales para la secuenciación de ARN. ciencia Rep. 8, 2151 (2018).

Artículo PubMed PubMed Central Google Académico

Guillaumet-Adkins, A. et al. Conservación de transcriptomas unicelulares en células y tejidos crioconservados. Genoma Biol. 18, 45 (2017).

Artículo PubMed PubMed Central Google Académico

Wohnhaas, CT et al. La crioconservación con DMSO es el método de elección para conservar las células para la secuenciación de ARN unicelular basada en gotitas. ciencia Rep. 9, 1–14 (2019).

Artículo CAS Google Académico

Phan, H. Van et al. Secuenciación de ARN de alto rendimiento de células individuales fijadas con paraformaldehído. Nat. común 12, 1–11 (2021).

Artículo Google Académico

Raddi, G. et al. Inmunidad celular de mosquitos con resolución unicelular. Ciencia 369, 1128–1132 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Li, L., Chao, J. & Shi, Y. Modelado de enfermedades neurológicas utilizando células neuronales derivadas de iPSC: modelado iPSC de enfermedades neurológicas. Res. de tejido celular. 371, 143–151 (2018).

Shi, Y., Kirwan, P. & Livesey, FJ Diferenciación dirigida de células madre pluripotentes humanas a neuronas de la corteza cerebral y redes neuronales. Nat. Protocolo 7, 1836–1846 (2012).

Artículo CAS PubMed Google Académico

Karaiskos, N. et al. El embrión de Drosophila en la resolución del transcriptoma unicelular. Ciencia 358, 194–199 (2017).

Artículo CAS PubMed Google Académico

Danecek, P. et al. Doce años de SAMtools y BCFtools. Gigaciencia 10, giab008 (2021).

Artículo PubMed PubMed Central Google Académico

Ilicic, T. et al. Clasificación de células de baja calidad a partir de datos de RNA-seq de una sola célula. Genoma Biol. 17, 29 (2016).

Artículo PubMed PubMed Central Google Académico

Nowakowski, TJ et al. Las trayectorias de expresión de genes espaciotemporales revelan jerarquías de desarrollo de la corteza humana. Ciencia 358, 1318–1323 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Habib, N. et al. RNA-seq de núcleo único masivamente paralelo con DroNc-seq. Nat. Métodos 14, 955–958 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Bakken, TE et al. Transcriptomas de un solo núcleo y de una sola célula comparados en tipos de células corticales coincidentes. PLoS ONE 13, e0209648 (2018).

Artículo PubMed PubMed Central Google Académico

Korsunsky, I. et al. Integración rápida, sensible y precisa de datos unicelulares con armonía. Nat. Métodos 16, 1289–1296 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Kimes, PK, Liu, Y., Neil Hayes, D. & Marron, JS Importancia estadística para el agrupamiento jerárquico. Biometría 73, 811–821 (2017).

Artículo PubMed PubMed Central Google Académico

van den Brink, SC et al. La secuenciación de una sola célula revela la expresión génica inducida por disociación en subpoblaciones de tejidos. Nat. Métodos 14, 935–936 (2017).

Crowell, HL et al. Muscat detecta transiciones de estado específicas de subpoblaciones a partir de datos transcriptómicos de células individuales de múltiples muestras y múltiples condiciones. Nat. común 2020 11:1 11, 1–12 (2020).

Google Académico

Zhang, C. et al. Efectos del sulfóxido de dimetilo sobre la morfología y la viabilidad de las neuronas y astrocitos de cultivo primario. Res. cerebral. Toro. 128, 34–39 (2017).

Artículo CAS PubMed Google Académico

Verrillo, L. et al. Una estrategia confiable para el análisis de secuenciación de ARN de una sola célula utilizando células corticales primarias crioconservadas. J. Neurosci. Métodos 347, 108960 (2021).

Artículo CAS PubMed Google Académico

Niehaus, JK et al. Los macrófagos espinales resuelven la hipersensibilidad nociceptiva después de una lesión periférica. Neurona 109, 1274–1282.e6 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Inak, G. et al. La programación metabólica defectuosa afecta la morfogénesis neuronal temprana en cultivos neuronales y un modelo organoide del síndrome de Leigh. Nat. común 12, 1–22 (2021).

Artículo Google Académico

Jerber, J. et al. Perfil de RNA-seq de una sola célula a escala de población a través de la diferenciación de neuronas dopaminérgicas. Nat. Gineta. 53, 304–312 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Macosko, EZ et al. Perfiles de expresión de todo el genoma altamente paralelos de células individuales utilizando gotas de nanolitros. Celda 161, 1202–1214 (2015).

Artículo CAS PubMed PubMed Central Google Scholar

GitHub—broadinstitute/Drop-seq: herramientas de Java para analizar datos de Drop-seq. https://github.com/broadinstitute/Drop-seq (2019).

Howe, KL et al. Ensembl Genomes 2020, que permite la investigación genómica de no vertebrados. Ácidos Nucleicos Res. 48, D689–D695 (2020).

Artículo CAS PubMed Google Académico

Picard Toolkit 2019. Broad Institute, repositorio de Github. https://broadinstitute.github.io/picard/ (2019).

Dobin, A. et al. STAR: alineador RNA-seq universal ultrarrápido. Bioinformática 29, 15–21 (2013).

Artículo CAS PubMed Google Académico

Hao, Y. et al. Análisis integrado de datos unicelulares multimodales. Celda 184, 3573–3587 (2021).

McGinnis, CS, Murrow, LM & Gartner, ZJ DoubletFinder: detección de dobletes en datos de secuenciación de ARN de una sola célula utilizando vecinos artificiales más cercanos. Sistema celular 8, 329–337.e4 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Zappia, L. & Oshlack, A. Agrupación de árboles: una visualización para evaluar agrupaciones en múltiples resoluciones. Gigaciencia 7, giy083 (2018).

Artículo PubMed PubMed Central Google Académico

Kiraz, Y., Adan, A., Kartal Yandim, M. & Baran, Y. Principales mecanismos apoptóticos y genes implicados en la apoptosis. Tumor Biol. Rev. 37, 8471–8486 (2016).

Love, MI, Huber, W. & Anders, S. Estimación moderada de cambio de pliegue y dispersión para datos de RNA-seq con DESeq2. Genoma Biol. 15, 550 (2014).

Artículo PubMed PubMed Central Google Académico

Fang, Z., Liu, X. & Peltz, G. GSEApy: un paquete integral para realizar análisis de enriquecimiento de conjuntos de genes en Python. Bioinformática 39, btac757 (2023).

Artículo PubMed Google Académico

Kolde, R. pheatmap: Bonitos mapas de calor. Preimpresión en https://cran.r-project.org/web/packages/pheatmap/index.html (2019).

Equipo central R. R: un lenguaje y entorno para la computación estadística https://www.R-project.org/ (2021).

Hao, Y. et al. Análisis integrado de datos unicelulares multimodales. Celda 184, 3573–3587 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Descargar referencias

Agradecemos a todos los miembros de Plass Lab por sus útiles comentarios y debates críticos. También agradecemos a Yvonne Richaud-Patin del Programa de Medicina Regenerativa del IDIBELL y al Dr. Zomeño de la plataforma de Cultivo Avanzado de Células y Tejidos del IDIBELL por su ayuda con el cultivo de células iPSC. Agradecemos al Dr. Iglesias por la revisión crítica del manuscrito. También agradecemos al Dr. Iglesias, al Dr. Kim y al Dr. Sebé-Pedrós su apoyo en la configuración de los protocolos ACME y vivoPHIX para la conservación celular. Esta investigación ha sido financiada por un proyecto de investigación del Programa Estatal de I+D Retos de Investigación del Ministerio de Ciencia, Innovación y Universidades de España (Número de ayuda: PID2019-108580RA-I00/AEI/10.13039/501100011033). El trabajo de MP está respaldado por un contrato Ramón y Cajal del Ministerio de Ciencia e Innovación de España (RYC2018-024564-I). Agradecemos al Programa CERCA/Generalitat de Catalunya el apoyo institucional del IDIBELL.

Estos autores contribuyeron por igual: Ana Gutiérrez-Franco, Franz Ake.

Regulación Génica de la Identidad Celular, Programa de Medicina Regenerativa, Instituto de Investigaciones Biomédicas de Bellvitge (IDIBELL), L'Hospitalet del Llobregat, Barcelona, ​​España

Ana Gutiérrez-Franco, Franz Ake, Mohamed N. Hassan, Natalie Chaves Cayuela & Mireya Plass

Programa para el Avance de la Traducción Clínica de la Medicina Regenerativa de Cataluña, P-CMR[C], L'Hospitalet del Llobregat, Barcelona, ​​España

Ana Gutiérrez-Franco, Franz Ake, Mohamed N. Hassan, Natalie Chaves Cayuela, Loris Mularoni & Mireya Plass

Regenerative Medicine Program, Bellvitge Institute for Biomedical Research (IDIBELL), Hospitalet del Llobregat, Barcelona, ​​Spain

Loris Mularoni

Centro de Investigación Biomédica en Red en Bioingeniería, Biomateriales y Nanomedicina (CIBER-BBN), Madrid, España

Lugar Mireya

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

AGF y MP diseñaron el proyecto y planearon experimentos. AGF y NC realizaron trabajos experimentales. FA, MH y MP realizaron análisis de datos computacionales. LM realizó el análisis de composición de las muestras. MP adquirió financiamiento, supervisó y coordinó el trabajo. AGF, FA y MP interpretaron los resultados. MP escribió el manuscrito con aportes de todos los autores.

Correspondencia a Mireya Plass.

MP es miembro del consejo editorial de Communications Biology, pero no participó en la revisión editorial ni en la decisión de publicar este artículo. Los autores restantes declaran no tener intereses contrapuestos.

Communications Biology agradece a Timothy (J) Petros ya los otros revisores anónimos por su contribución a la revisión por pares de este trabajo. Editor principal de manejo: George Inglis. Los informes de los revisores están disponibles.

Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Gutiérrez-Franco, A., Ake, F., Hassan, MN et al. La fijación de metanol es el método de elección para la transcriptómica unicelular basada en gotitas de células neurales. Commun Biol 6, 522 (2023). https://doi.org/10.1038/s42003-023-04834-x

Descargar cita

Recibido: 05 Agosto 2022

Aceptado: 12 abril 2023

Publicado: 15 mayo 2023

DOI: https://doi.org/10.1038/s42003-023-04834-x

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.