单细胞转录组测序数据的可变剪接(alternative splicing)分析方法总结

可变剪接(alternative splicing),在真核生物中是一种非常基本的生物学事件。即基因转录后,先产生初始RNA或称作RNA前体,然后再通过可变剪接方式,选择性的把不同的外显子进行重连,从而产生不同的剪接异构体(isoform)。这种方式,使得一个基因可产生多个不同的转录本,这些转录本分别在细胞/个体分化发育的不同阶段,在不同的组织中有各自特异的表达和功能,从而极大地丰富了编码RNA和非编码RNA种类和数量,进而增加了转录组和蛋白质组的复杂性。

可变剪接主要有以下五种常见的形式:

1、外显子跳跃,英文Exon Skipping, 或者叫做cassette exon;

2、内含子保留,英文Intron Retention;

3、互斥外显子,英文Mutually Exclusive Exons;

4、外显子5’端的选择性剪接,Alternative 5’ splice site,A5SS

5、外显子3’端的选择性剪接,Alternative 3’ splice site,A3SS

具体如下图所示:

五种不同类型的可变剪接形式(Dlamini et al. Journal of Molecular Endocrinology, 2017)

因为单细胞转录组测序(single-cell RNA-seq)目前还有一定的技术局限性,所以其数据中通常含有较高的噪音。传统针对多细胞转录组测序数据开发的可变剪接分析软件,因主要考虑了多细胞测序数据的特点,所以可能不完全适用于单细胞转录组测序数据(更多精彩请关注微信公众号:AIPuFuBio)。

目前,已经有一些专门针对单细胞测序数据开发的可变剪接分析软件,主要如下图所示:

目前比较流行的单细胞测序数据可变剪接分析软件(Chen et al. Frontiers in Genetics, 2019)

不同可变剪接分析软件的性能比较(Huang et al. Genome Biology, 2017)。Bulk是指传统的多细胞转录组测序。

笔者建议,大家尽量选用专门针对单细胞转录组测序数据开发的可变剪接分析软件,尽量避免使用针对多细胞转录组测序数据开发的可变剪接分析软件。(更多经典,可见大型免费综合生物信息学资源和工具平台AIPuFu:www.aipufu.com,微信公众号:AIPuFuBio)。

希望今天的内容对大家有用哦,会持续更新的,欢迎留言~~

参考文献:

1. Dlamini et al. Abnormalities in alternative splicing in diabetes: therapeutic targets,Journal of Molecular Endocrinology, 2017

2. Chen et al. Single-Cell RNA-Seq Technologies and Related Computational Data Analysis,Frontiers in Genetics, 2019

3. Huang et al. BRIE: transcriptome-wide splicing quantification in single cells,Genome Biology, 2017

原文地址:https://www.cnblogs.com/aipufu/p/11496863.html

时间: 2024-10-10 12:42:29

单细胞转录组测序数据的可变剪接(alternative splicing)分析方法总结的相关文章

基于基因组测序数据鉴定单碱基变异的方法总结

单核苷酸多态性,英文single nucleotide polymorphism,缩写为SNP,读音为Snip.SNP主要是指在基因组水平上引起的单个碱基的变异,其在群体中的发生频率不小于1%,包括单碱基的转换.颠换以及单碱基的插入和缺失等. 多态性示意图(图片来源:genome news network) 突变(mutation)和多态性(polymorphism)的主要区别在于: 1)突变在群体中的发生频率小于1%,而多态性的发生频率在大于1%: 2)突变通常对生生物体是有害的,而多态性通常

单细胞测序数据的差异表达分析方法总结

无论是传统的多细胞转录组测序(bulk RNA-seq)还是单细胞转录组测序(scRNA-seq),差异表达分析(differential expression analysis)是比较两组不同样本基因表达异同的基本方法,可获得一组样本相对于另一组样本表达显著上调(up-regulated)和下调的基因(down-regulated),从而可进一步研究这些差异表达基因的功能,包括富集的通路(pathway)或生物学过程(biological process). 由于单细胞测序技术的局限性,单细胞

基于单细胞测序数据构建细胞状态转换轨迹(cell trajectory)方法总结

细胞状态转换轨迹构建示意图(Trapnell et al. Nature Biotechnology, 2014) 在各种生物系统中,细胞都会展现出一系列的不同状态(如基因表达的动态变化等),这些状态(state)之间会按照一定的时间顺序转换.最典型的比如细胞的分化过程,从不成熟的细胞逐渐分化为成熟细胞.此外,细胞在受到外界刺激或扰动时,细胞内基因的表达也可能发生一系列的变化,从而呈现出一系列状态的转换. 这些特别提一下,细胞状态(cell state)和细胞亚型(cell subtype)是两

测序数据质量控制

基于边合成边测序(Sequencing By Synthesis,SBS)技术,Illumina HiSeq2500高通量测序平台对cDNA文库进行测序,能够产出大量的高质量Reads,测序平台产出的这些Reads或碱基称为原始数据(Raw Data),其大部分碱基质量打分能达到或超过Q30.Raw Data通常以FASTQ格式提供,每个测序样品的Raw Data包括两个FASTQ文件,分别包含所有cDNA片段两端测定的Reads. FASTQ格式文件示意图如下: FASTQ格式文件示意图 注:

非链特异性转录组测序

非链特异性转录组测序 转录组(transcriptome)在广义上是指细胞内全部转录产物的集合,狭义上是指细胞中所有转录本(mRNA)的集合.转录组测序通常来说是指依托于高通量测序平台对细胞中的mRNAs进行测序.经过信息的整理和分析,可在不同的样本中挖掘具有意义的差异表达基因,研究可变剪切,融合基因事件和在转录水平上进行性状定位等.转录组测序现已广泛的应用到科研基础研究,临床疾病研究和药物研发等领域. 常规转录组测序根据实验样品的不同可分为真核生物转录组测序和原核生物转录组测序:根据建库时的方

De Bruijn Graphs for Alternative Splicing and Repetitive Regions

意外发现的文章,等忙完这阵子,准备全都翻译出来! ============================================== 原作者文章链接:http://www.homolog.us/blogs/blog/2011/08/09/de-bruijn-graphs-for-alternative-splicing-and-repetitive-regions/ De Bruijn Graphs for Alternative Splicing and Repetitive Reg

基于全基因组测序数据鉴定结构变异的四大类算法总结

不同类型的基因组变异示意图(图片来源:labspaces) 上次给大家总结介绍了基因组单核苷酸多态性(single nucleotide polymorphism,SNP)的鉴定方法,今天给大家介绍结构变异(structural variations,SV)的种类及基于基因组测序数据的鉴定方法. 因为结构变异是造成物种表型差异的一个重要原因,且与各类疾病,特别是癌症的发生.发展紧密相关,因此研究结构变异非常重要. 结构变异通常是指长度大于1Kb的基因组序列变异,包括多种不同的类型:插入(inse

grails过滤器和数据查询的几个重要方法

一  简单的查询方法 1.findAllWhere的使用 在grails中find和findAll的区别是find默认取出查询出来的第一条的记录,findAll则是查询出全部记录 def useFindAllWhere() { def city=CityInfo.findAllWhere(code:"HK",id:1) Iterator<CityInfo> it=city.iterator(); def buf=new StringBuffer(); while(it.ha

Redis数据持久化机制AOF原理分析二

Redis数据持久化机制AOF原理分析二 分类: Redis 2014-01-12 15:36  737人阅读  评论(0)  收藏  举报 redis AOF rewrite 目录(?)[+] 本文所引用的源码全部来自Redis2.8.2版本. Redis AOF数据持久化机制的实现相关代码是redis.c, redis.h, aof.c, bio.c, rio.c, config.c 在阅读本文之前请先阅读Redis数据持久化机制AOF原理分析之配置详解文章,了解AOF相关参数的解析,文章链