Summary
大体积基因表达测量在异构细胞种群中云个体细胞差异。在这里, 我们描述了一个关于如何通过花期活化细胞分类 (immunophenotypically) 的单细胞基因表达分析和指数排序的协议, 以描绘异质性和分子不同细胞种群的特征。
Abstract
免疫表型表征和分子分析长期以来被用来描绘异质性和定义不同的细胞种群。流式细胞法本质上是单细胞检测, 但在分子分析之前, 靶细胞通常是预先分离的, 从而失去单细胞分辨率。单细胞基因表达分析提供了一种方法来了解异质细胞种群中单个细胞之间的分子差异。在大容量细胞分析中, 不同细胞类型的过多会导致稀有细胞的信号偏倚和闭塞, 具有生物学重要性。利用流化指数分选与单细胞基因表达分析相结合, 可以在不损失单细胞分辨率的情况下研究种群, 同时捕获具有中间细胞表面标记表达的细胞, 从而使评估连续曲面标记表达式的相关性。在这里, 我们描述了一种方法, 结合单细胞逆转录定量 PCR (rt-pcr) 和流化酶指数排序, 同时表征细胞种群内的分子和免疫表型异质性。
与单细胞 RNA 测序方法不同的是, 使用具有特定靶向扩增的 qPCR, 可以对低丰度的转录物进行稳健的测量, 减少辍学量, 同时不混淆读深度。此外, 通过直接将单细胞分选成裂解缓冲液, 这种方法可以在一步内进行 cDNA 合成和特定靶向扩增, 以及随后的分子特征与细胞表面的相关性标记表达式。所描述的方法是研究造血单细胞, 但也被成功地用于其他细胞类型。
总之, 本文所述的方法允许对预先选择的基因组进行 mRNA 表达的敏感测量, 并有可能开发用于随后的分子不同亚群的未来分离的协议。
Introduction
每个单独的血细胞被认为驻留在细胞的层次结构中, 其中干细胞形成了一系列日益承诺的中间祖细胞顶部的顶点, 最终分化成具有特定的最终效应细胞生物功能1。许多关于干细胞系统是如何组织的知识是在造血系统中产生的, 这主要是因为能够前瞻性地隔离高浓度的干细胞或各种祖细胞的不同造血种群2的排序。这允许许多这些人口被分析功能或分子, 主要通过基因表达分析3,4。然而, 当分析大体积种群的基因表达时, 细胞间的个体差异平均为5, 损失较大。因此, 如果细胞的小子集占该种群6的推断生物学功能, 那么无法检测异质细胞分数内的细胞对细胞的变化可能会混淆我们对关键生物过程的理解, 7。相反, 在单细胞分辨率的基因表达特征的研究提供了一种可能性, 描绘异质性和规避遮蔽影响从8个以上的单元格子集。
迄今已开发出许多单细胞基因表达分析的协议;每种方法都有自己的注意事项。最早的方法是 rna 荧光原位杂交 (rna-鱼), 它一次测量有限数量的转录, 但它是唯一的, 它允许调查 RNA 本地化9,11。早期的方法使用 PCR 和 qPCR 检测单个或很少的转录, 也开发了12。然而, 这些最近被取代了基于微流体的方法, 可以同时分析数以百计的每细胞在数以百计的细胞通过 qPCR 的表达, 从而允许高维异质性分析使用预先确定的基因面板10,13。最近, 基于 RNA 测序技术已广泛用于单细胞分析, 因为这些理论可以测量细胞的整个转录组, 从而为异质性分析10添加探索维度, 14. 复用的 qPCR 分析和单细胞 RNA 测序具有不同的特征, 因此使用这两种方法的基本原理取决于所问的问题以及目标种群中的细胞数量。当未知细胞或大种群被调查时, 每个细胞的高通量和低成本以及无偏的、探索性的单细胞 RNA 测序特性是可取的。然而, 单细胞 RNA 测序也偏向于更频繁地测序高丰富的转录, 而低丰度的成绩单容易辍学。这可能导致相当复杂的数据, 使高要求的生物信息学分析, 以揭示重要的分子信号, 往往微妙或隐藏在技术噪声15。因此, 对于特征良好的组织, 使用预先确定的底漆面板选择用于功能重要基因或分子标记的单细胞 qPCR 分析可以作为一种敏感、直接的方法来确定人口。然而, 应该指出的是, 与单细胞 RNA 序列相比, 单细胞的 qPCR 方法的每个细胞的成本通常更高。在这里, 我们描述了一种结合单细胞 rt-pcr 的方法 (从 Teles J. 16), 将指数排序17和生物信息学分析18 , 以同时表征种群内的分子和免疫表型异质性。
在这种方法中, 细胞种群的兴趣被染色, 单细胞通过直接在96孔 PCR 板的裂解缓冲液中进行排序。同时, 在流式排序过程中, 为每个单个单元记录一组附加的单元表面标记的表达式级别, 该方法称为索引排序。随后用微流控平台对裂解细胞材料进行扩增, 并用 rt-pcr 分析了选定基因组的基因表达。该策略可对已排序的单细胞进行分子分析, 同时表征每个细胞的细胞表面标记表达。通过直接将分子不同的细胞子集映射到索引排序标记的表达式, 可以将亚群链接到可用于潜在隔离的特定免疫表型。图 1中逐步概述了该方法。预先确定的基因面板进一步有助于更高分辨率的靶向基因表达, 因为它绕过不相关的丰富的基因的测量, 否则可能咬合微妙的基因表达信号。此外, 具体的靶向放大、一步反转转录和扩增允许对低表达转录物 (如转录因子或非聚仍然 rna) 进行稳健测量。重要的是, qPCR 方法允许测量融合蛋白的 mRNA, 这在调查某些恶性疾病时非常重要19。最后, 被调查的基因的重点数量, 低辍学率, 和有限的技术差异的细胞使这种方法容易分析相比, 更高的维度方法, 如单细胞 RNA-通过遵循该协议, 可以在三天内完成整个实验, 从分拣细胞到分析结果, 使之成为敏感、高通量单细胞基因表达分析的一种简单而快速的方法。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. 裂解板的制备
- 使用 RNA/DNA 自由工作台, 准备足够的裂解缓冲液为96孔, 10% 额外, 通过混合390µL 核酸酶游离水, 17 µL 10% NP-40, 2.8 µL 10 毫米 dNTP, 10 µL 0.1 M DTT 和5.3 µL 核糖核酸酶抑制剂 (见材料表)。涡旋向下。
- 将4µL 裂解缓冲液分布到96孔 PCR 板的每个井中, 并用胶膜密封板。在盘子底部旋下管子以收集液体。保持板在冰上直到细胞分类 (最大24小时)。
2. 细胞分选用细胞的制备
- 解冻适当数量的细胞 (这里, CD34 丰富的造血干细胞和祖细胞) 为实验。1 x 106细胞适用于对大约三96孔板的单单元与控制进行排序。
- 将解冻的细胞转移到一个15毫升锥形管和添加1毫升 FBS 每年三十年代, 直到总体积8毫升达到。离心机中的旋转细胞在 350 x g , 10 分钟, 在4摄氏度和去除上清液。
- 在8毫升染色缓冲液中重悬细胞 (PBS 与 2% FBS) 和离心在 350 x g 10 分钟在4摄氏度和删除上清。
- 在200µL 染色缓冲液中重悬细胞, 去除细胞以控制污渍。
- 通过染色50µL 染色缓冲液中的一小部分细胞, 使荧光减去每个荧光基团的一个控制 (FMOs)。在本例中, 使用2万细胞的6微量离心管作为 FMOSs。请注意, 应根据调查的人口调整单元格的数量。添加所有抗体在相同浓度与样品染色除一到每个管。
- 为每个荧光染料染色一小部分细胞在50µL 缓冲液中使用的每一个荧光。在本例中, 使用了6微量离心管和2万细胞。请注意, 每个抗体的目标需要由用于控制的单元格表示。添加每个抗体在相同浓度, 如在单个管的样品染色。另外, 在50µL 中保持2万未染色细胞作为未染色控制。
- 对细胞样本, 添加抗体在其适当的浓度。在这里使用的是 CD34-FITC 在1/100 浓度, CD38-APC 1/50, CD90-PE 1/10, CD45RA-bv421 1/50, CD49F-PECy7 1/50 和血统混合: CD3-PECy5 1/50, CD2-PECy5 1/50, CD19-PECy5 1/50, CD56-PECy5 1/50, CD123-PECy5 1/50, CD14-PECy5 1/50, CD16-PECy5 1/50, 和CD235a-PECy5 1/1000。
- 在黑暗中在冰上孵育30分钟的抗体细胞。
- 用3毫升染色缓冲液洗涤细胞。离心细胞在 350 x g 10 分钟在4摄氏度和删除上清。
- 重悬细胞并重复步骤2.9。
- 在500µL 和 FMOs 的100µL 染色缓冲液中重悬样品, 1/100 7AAD, 通过50µm 过滤器过滤细胞以获得单细胞悬浮液。
3. 细胞分类
- 请确保在最近根据制造商的说明执行的丢弃延迟和细胞仪设置和跟踪 (CST) 正确设置了流式处理机, 以确保适当的单元格被排序。对于造血细胞, 建议使用85微米喷嘴和最大速度 4, 而最佳事件率介于800和2000事件/秒之间。
- 通过执行荧光补偿和根据 FMO 控制或内部负控制设置栅极来校正频谱重叠。
- 通过将至少100个靶细胞分为100µL 染色缓冲液的新微量离心管, 对目标种群进行重新分析。通过记录已排序的样本并确保它们最终出现在排序门中, 流对排序的单元格进行分析。
- 在96孔板中, 通过将井 A1 中的滴放在一起来设置单细胞板排序。当它居中, 排序 50–100 6 µm 颗粒到所有井周围的空96孔板的边缘, 以确保所有水井将得到一个细胞在每个井的中心。
- 如果可能的话, 可以通过对单细胞进行体外生长的分类来增加对存活细胞进行排序的额外控制。造血细胞可以生长在 U 底96孔板100µl 随机有限元1% 青霉素链霉素, 100 ng/毫升 FLT3L, TPO 和 SCF。使用显微镜对细胞菌落进行3天的培养, 分析每一个井。
- 从板上取下胶膜。将单个感兴趣的单元格 (这里的 Lin-CD34+CD38 单元) 排序为96个井中的 92, 在流式存储分类软件中激活索引排序, 以保存每个单个单元格的免疫表型配置文件 (这里 CD45RA、CD49f 和 CD90)。
- 在 PCR 扩增中, 分别对两个10和20单元的井进行线性控制。井 H1 和 H2 通常使用。
- 保持两个井没有任何细胞作为无模板控制, 通常井 H3 和 H4。
- 用透明的胶膜封住盘子, 在 300 x g处旋转板1分钟, 然后在干冰上结冰。
- 将冷冻板储存在-80 摄氏度。
注意: 安全停止点。经过分类和裂解的细胞可以保持在-80 摄氏度的长期贮存。
4. 反转转录和特定目标放大
- 为所有96基因目标准备底漆组合, 添加2µL 每个引物对, 包括家政基因引体和引钉在控制 rna, 在一个1.5 毫升核糖核酸酶自由管在 RNA/DNA 自由工作台。如果使用少于96引物, 添加一个相同体积的核酸酶游离水为缺失的引物。引物单独订购, 以匹配所需的基因面板。
- 通过添加632.5 µL 2x 反应组合、101.2 µL Taq/SuperscriptIII、151.8 µL 引物组合和0.7 µL 在控制 RNA 中的刺入, 进行反转转录和特定靶放大混合。在无 DNA 的长凳上进行此步骤。混合通过涡旋和旋转向下收集液体在管的底部。继续冰, 直到样品添加。
- 通过混合27.5 µL 的2x 反应混合物、1.76 µL Taq 酶、6.6 µL 的引物混合物和2.64 µL 的游离酶, 对四孔进行无反转转录控制组合。控制 RNA 的峰值。在 DNA 自由工作台上执行此步骤。漩涡和旋转向下收集液体在管的底部, 并保持在冰, 直到添加到样品。
- 解冻冰上的裂解板。将先前准备好的反转转录和特定目标扩增组合的8.75 µL 添加到92个孔中, 包括线性和无模板控制。将8.75 µL 的无反转转录控制组合添加到剩余的四个井中。密封板用透明的胶膜和旋转向下收集液体在盘子的底部。
- 根据前置放大器程序在 PCR 机上运行板坯反转转录和特定靶放大;步骤 1:50 °c 60 分钟, 步骤 2:95 °c 2 分钟, 步骤 3:95 °c 十五年代, 步骤 4:60 °c 4 分钟, 重复步骤 3–4 24 次, 最后步骤 5: 8 °c 永远。
- PCR 完成后, 将板材保持在8摄氏度, 用于短期储存和-20 摄氏度的长期贮存。
注意: 安全停止点。放大后的材料可以保持在8摄氏度的短期存储和-20 °c 长期存储。
5. 制备多孔微流控基因表达分析样品和试验板
- 在96孔板的每个井中, 通过移液3µL 测定加载试剂制备测定加载板。将每个底漆的3µL 添加到测定加载板中的单个井中。
- 密封板与胶膜和旋转向下收集液体在盘子的底部。
- 将8µL 核酸酶游离水移入96孔板的所有井中, 制备稀释板。将2µL 的放大样品加入稀释板, 最终稀释1:5。
- 密封板与胶膜, 混合涡旋板十年代, 最后旋转下来收集液体在盘子的底部。
- 通过仔细混合352µL 的主混合物和35.2 µL 样品加载试剂, 准备样品装载混合物。在96孔板的每孔中将3.3 µL, 准备样品加载板。
- 将稀释样品中的2.7 µL 添加到样品加载板的每个井中。
- 密封板与胶膜和旋转向下收集液体在盘子的底部。
6. 微流控芯片的加载
- 取出一个新的 96 x 96 微流控芯片。用带帽的注射器戳它们来准备进水口, 以确保它们可以移动。
- 从注射器中取出气泡。在每个阀门上加满容积的注射器, 同时将芯片倾斜45度并按下阀门。主芯片与 IFC 控制器。
- 在测定加载板的每个孔中加载每个检测入口, 每µL 4.25 个。避免气泡。如果气泡出现在井中, 请用移液头将其移除。
- 继续加载每个样品进口与4.25 µL 从每个井在样品加载板, 避免气泡, 如果气泡出现, 删除它们与移液头。
- 使用 IFC 控制器加载芯片。
- 检查芯片是否看起来均匀, 所有腔室是否已装入。用胶带接触, 去除芯片表面的灰尘。在多重微流控基因表达平台上运行芯片。
7. 在多路微流控基因表达平台上运行芯片
- 将芯片装入多重微流控基因表达平台后, 命名样品。
- 将火箭设置为无源染料。将单个探针和 MGB 设置为荧光。使用 96 x 96 标准 v2 作为协议。开始运行。
- 运行完成后删除芯片。
8. 芯片运行的初步分析
- 将数据加载到实时 PCR 分析软件中。
- 通过从制表符分隔的文件中粘贴单元格和基因布局来加载基因名称和细胞名称。
- 打开图像视图并选择 ROX 作为染料。检查所有油井是否有火箭被动染料。
- 调查所有放大图是否看起来正常, 与平滑放大曲线没有尖峰 (类似于图 3E)。
- 确保所有单细胞都有刺入控制 RNA 的表达式, 以确保所有的电池都已正确加载。
- 确保所有细胞都有家务基因表达, 因此已正确排序。
- 确保10和20单元线性度控制有大约 1 CT 差, 以验证线性放大。
- 检查 noRT 控件示例中是否存在表达式。如果在 noRT 中检测到表达式, 请考虑将探针更改为未检测到后续运行的基因组 DNA 的探针。
- 导出 csv 文件中的数据以供进一步分析。
9. 使用 SCExV 进行单细胞分析
注: 介绍本工具的介绍性薄膜为20 。本文介绍了如何使用协议中引入的控件进行分析的简短建议。
- 连接到 SCexV 网站20。
- 上载导出的 CSV 文件。
- 选择了刺入控制 RNA 作为阳性对照。移除任何有控制 RNA CT 25 以上的细胞。将数据规范化为控制 RNA 的中值表达式。
- 点击 "这里完成-> 分析"。在 "排除单元格" 选项中删除 noRT、notemplate、10和20单元格控件。
- 群集单元格的聚类方法选择具有预期的簇数。导出分析值。
10. 索引排序分析
- 打开流分析软件并加载索引样本。
- 打开脚本编辑器并运行由奎恩 J 提供的脚本. 21
- 现在, 数据流分析软件应该为每个单个单元格设置一个门, 打开布局编辑器, 并根据从 SCexV 的分组 (在名为 "Sample_complete_Data. xls" 的文件中可用) 对单元格进行着色。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
所描述的协议是快速、易于执行和高度可靠的。图 1给出了实验设置的概述。整个协议, 从单细胞的排序, 到特定的目标放大, 基因表达测量和初步分析可以在三天内进行。以热图的形式分析结果的一个例子, 它表示从单细胞基因表达分析中使用96引物和96个细胞从慢性髓性白血病 (CML) 患者或96细胞从老年匹配健康的初步分析数据控件如图 2所示。利用分层聚类方法, 分析的细胞可以根据其基因表达特征分为四组。热图可视化是获取数据概述以及控制应排除在分析中的井 (例如,控制井) 的简便方法。图 2B是一个主成分分析 (PCA), 用于可视化每个组的单元格与使用尺寸缩减的相似程度。在这里, 异常值很容易与其他细胞区分开来。为了分析各个基因在集群中的分布以及它们之间的差异, 小提琴图解是有用的。在图 2C中, 显示了四个代表性基因的表达: 融合基因 BCR-ABL1, 它标志着所有白血病细胞;细胞周期标记 mKI67, 表达在一个积极的分裂组;髓样分化标记 MPO, 仅限于循环子群;最后, 房子保持基因 RPS18, 这是表达在所有细胞。最后, 在图 2D中, 分子签名与 immunophenotyped 相关联, 因为每个簇中每个像元的标识都用于对从索引排序生成的流化图中的单个单元格进行着色。显示的是造血干细胞标记 CD90 和 CD45RA 的细胞表面标记表达, 在这种情况下可用于区分某些簇, 并前瞻性地将它们分离以进行功能分析。
用于执行单细胞 qPCR 的微流体是非常敏感的引入空气或粒子进入系统。因此, 对数据进行后运行质量检查是至关重要的。图 3显示了有代表性的数据, 以及由于样本加载不佳而导致成功运行失败的对比。图 3A显示了成功运行后的火箭水平如何均匀地分布在所有油井上, 从而保证加载成功。相比之下,图 3B说明了样品和检测加载如何失败, 如在芯片的大部件中缺乏 ROX 所表明的那样。一旦评估了火箭的质量, 就可以评估原始基因表达信号的质量。在图 3C中, 显示了成功运行的热图, 其中表达式均匀分布在具有7-25 克拉左右的强信号的样品上: 相比之下,图 3D显示了失败运行的热图, 其中许多样本没有信号或表达的基因非常有限的数量。图 3D中的结果很可能是由于在单细胞基因表达分析之前的流式传输中出现错误, 因为许多细胞都有清晰的表达信号, 而另一些则完全缺乏表达。最后,图 3E显示了尖刺控制 RNA 的预期扩增曲线, 所有井都有10克拉左右的清晰表达, 几乎没有变化。这种积极的控制措施的效率, 所有步骤在单细胞的 qPCR 分析。为了确保放大在动态范围内, 不同的像元数字被包括在线性控制中;这里, 使用10和20单元控制。线性控制之间的 CT 差异应反映出细胞数的差异。最后, 没有反向转录 (noRT) 和无模板阴性对照, 确保没有从基因组 DNA 或污染物中检测出假阳性信号。
图 1: 协议的原理图视图.细胞被染色, 排序与索引排序应用程序激活, 以记录表面标记表达, 并裂解释放 mRNA。mRNA 随后反转转录到 cDNA, 并使用特定的靶放大放大。接下来, 将样品与单个引物一起加载到微流控芯片中, 并使用 rt-pcr 分析每个细胞的基因表达谱。数据收集后, 对数据进行预处理以去除低质量的细胞, 并进行聚类以定义分子不同的细胞种群。最后, 分子定义的亚群与 immunophenotypically 指数排序数据中的地表标记表达相关, 从而表征种群的非均质性。请点击这里查看这个数字的更大版本.
图 2: 三个成功的单细胞基因表达分析正常和白血病造血干细胞的代表性结果.(A) 显示一个慢性髓性白血病患者270个单细胞的单细胞基因表达测量的热图, 以及使用 SCExV 18分析的年龄匹配的健康控制方法专为此类数据而设计。红色表示高表达式、蓝色低表达式和灰色无表达式。根据基因表达特征, 将细胞分为四个不同的簇。从数据中可以清楚地看出, 这个病人的白血病干细胞的数量可分为一个静止的种群 (3 组), 只有少数分化标记的表达, 并且一个积极分化的人口已经开始表达与髓细胞分化相关的基因 (4 组)。这里使用的数据是由 Warfvinge等在以前发表的工作中所选的病人所提供的。22 (B) 显示在 A 中的数据的主成分分析 (PCA), 其中可以显示四个分离的组。(C) 四个基因具有聚类特异表达、BCR-ABL1、mKI67、RPS18 和 MPO 的小提琴图解。每个小提琴图都表示每个群集中的表达式, 跨虚线表示所有单元格的平均表达式值。(D) 在热图中表示的一个患者样本的指数排序分析, 其中每个细胞都用其分子亚群的颜色标记。请点击这里查看这个数字的更大版本.
图 3: 实时 PCR 软件中多重 qPCR 的质量控制.(A) 火箭加载成功样品和测定载荷的图像。(B) 火箭加载不成功样品和试验载荷的图像, 其中样品的失败载荷显示在水平线上缺乏火箭。检测失败的加载将以垂直线显示。(C) 在热图视图中成功运行的示例, 其中单细胞代表行和基因表示列。高基因表达以黄色表示, 低表达在蓝色, 没有检测到黑色的表达。(D) 热图视图中运行失败的示例, 其中单细胞表示行和基因表示列。高基因表达以黄色表示, 低表达以蓝色表示, 没有检测到的表达为黑色。(E) 一个尖刺 RNA 控制的规范化强度 (左) 和放大图 (右)。Ct 值约10和曲线的有限的变化表明成功和强大的反转转录, 预扩增, 和在所有井中的 qPCR 分析。(F) 失效基因的规范化强度 (左) 和放大图 (右)。归一化强度不形成曲线, 放大图显示荧光的大峰值。请点击这里查看这个数字的更大版本.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
近年来, 单细胞基因表达分析已成为定义不同细胞种群23的异质性的重要补充。RNA 测序技术的出现在理论上提供了测量细胞的整个转录组的可能性, 然而这些方法由于细胞到细胞测序深度和辍学的变化而变得复杂。单细胞的 qPCR 提供了对数以百计的关键基因的表达的灵敏和稳健的分析, 其中所有细胞的处理类似, 减少技术噪音。有限数量的成绩单的集中分析还允许简化分析, 而不会受到高表达基因的干扰。
由于该方法只调查在细胞中表达的基因的子集, 在设计基因面板时选择正确的基因组是非常重要的。基因的选择可以通过多种方式进行;通过文献, 以前的研究发现通过大量的分析, 以及生物信息学分析的公开可用数据。这并不微不足道;然而, 用正确的基因组方法可以是非常强大的。在设计基因面板时, 验证引物在多路复用过程中不会干扰是很重要的。在这里, 我们建议分析, 如果引物是线性的预成型稀释系列与充足的材料;本研究中使用的稀释系列底漆在 Warfvinge等的补充图2D 中显示。22
本协议的两个主要局限性是所研究的细胞和基因数量有限。然而, 即使在每次运行中只调查96个细胞, 这一相对简单的协议可以在一天内完成, 因此数以百计的细胞可以在一周内进行分析。此外, 如果在目标特定的预放大步骤中包含更多的引物, 则研究的基因数量可能会增加。在这种情况下, 需要几个芯片来调查每组96引物。
如果分析高度表达的基因或高 RNA 含量的细胞, 则应修改对低整体基因表达23的造血干细胞进行优化的周期数。在调查大批人口时, 改变扩增周期也是很重要的。对于造血干细胞 (100 细胞) 的批量分析, 我们建议将预扩增周期从25减少到18。
运行失败的最常见原因是由于不成功地将单细胞分排到裂解板井中, 对不可行的细胞进行排序, 不理想的预扩增, 或芯片加载失败。每个反应室中的 Rox 水平是样品或试验的加载指示器, 如果这些样本低, 建议在新芯片上重新运行样品, 因为在装载过程中引入气泡可能导致低的 rox 水平。缺乏刺入控制 RNA 表达是一个指标, 预放大器已失败, 可能是由于问题与预扩增或反转转录试剂。在这种情况下, 建议使用新排序的细胞和新的反应物来运行新型芯片。控制 RNA 的检测, 但没有迹象表明其他基因表达信号是在基因表达分析之前不成功的单细胞流式细胞排序的指示。为避免在流式分析过程中出现错误, 必须确保将单单元格分类到每个井的中心。这可以通过将珠子整理成一个空盘子, 并目视检查水滴降落的地方来完成。确保测试-排序到所有井在板的边缘, 以确保设置不仅是正确的前几个井。在适用的情况下, 单细胞可以并行排序,在体外生长和分析之前, 在 qPCR 分析, 以控制成功的分拣协议。索引排序信息不仅允许调查分子不同亚群的 immunophenotyped, 还可以在故障排除时提供有用的见解, 如果您正在对未定义的种群进行排序, 并且许多低质量的单元格是目前在单细胞基因表达分析。索引排序信息可用于优化门控策略, 避免将来对低质量单元进行排序。
单细胞基因表达分析正在改变异质细胞种群的调查方式, 为进一步了解细胞分化铺平道路。在造血中, 采用单细胞基因表达分析方法对造血干细胞7的亚群分类策略进行细化, 以解决多能祖种群的异质性6、24、25, 并确定治疗不敏感的白血病干细胞种群22,26。在调查不同种群的免疫表型和异质性时, 指数排序与单细胞基因表达和功能分析的结合已经证明是可靠和有效的27, 28,29。在这里, 我们介绍了一种研究细胞种群分子和免疫表型异质性的方法, 它将单细胞的 qPCR 与指数排序相结合, 可以在短时间内实现快速而可重现的结果, 而无需复杂的分析时间。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
作者没有什么可透露的。
Acknowledgments
这项工作得到了瑞典癌症协会、瑞典研究委员会、瑞典医学研究协会、瑞典儿童癌症基金会、拉格纳 Söderberg 基金会以及克努特和爱丽丝基金会的资助。
Materials
| Name | Company | Catalog Number | Comments |
| CD14 PECY5 | eBioscience | 15-0149-42 | Clone: 61D3 |
| CD16 PECY5 | Biolegend | 302010 | Clone: 3G8 |
| CD56 PECY5 | Biolegend | 304608 | Clone: MEM-188 |
| CD19 PECY5 | Biolegend | 302210 | Clone: HIB19 |
| CD2 PECY5 | Biolegend | 300210 | Clone: RPA-2.10 |
| CD3 PECY5 | Biolegend | 300310 | Clone: HIT3a |
| CD123 PECY5 | Biolegend | 306008 | Clone: 6H6 |
| CD235A PECY5 | BD Pharma | 559944 | Clone GAR2 |
| CD34 FITC | Biolegend | 343604 | Clone: 561 |
| CD38 APC | Biolegend | 303510 | Clone: Hit2 |
| CD90 PE | Biolegend | 328110 | Clone: 5E10 |
| CD45RA BV421 | BD bioscience | 560362 | Clone: HI100 |
| CD49f Pecy7 | eBioscience | 25-0495-82 | Clone: eBioGOH3 |
| FBS | HyClone | SV30160.3 | |
| PBS | HyClone | SH30028.02 | |
| 96-well u-bottom Plate | VWR | 10861-564 | |
| SFEM | Stem cell technologies | 9650 | |
| Penicillin streptomycin | HyClone | SV30010 | |
| TPO | Peprotech | 300-18 | |
| SCF | Peprotech | 300-07 | |
| FLT3L | Peprotech | 300-19 | |
| Falcon Tube 15 mL | Sarstedt | 62.554.502 | |
| Eppendorph tube | Sarstedt | 72.690.001 | |
| CST beads | BD | 642412 | |
| Accudrop Beads | BD | 345249 | 6 µm particles |
| Adhesive film Clear | Thermo scientific | AB-1170 | |
| Adhesive film Foil | Thermo scientific | AB-0626 | |
| 96 well PCR plate | Axygen | PCR-96M2-HS-C | |
| PCR 1.5 mL tube | Axygen | MCT-150-L-C | |
| T100 PCR cycler | BioRad | 186-1096 | |
| 10% NP40 | Thermo scientific | 85124 | |
| 10 mM dNTP | Takara | 4030 | |
| 0.1 M DTT | Invitrogen | P2325 | |
| RNAsout | Invitrogen | 10777-019 | RNAse inhibitor |
| CellsDirect One-Step qRT-PCR Kit | Invitrogen | 11753-100 | |
| Neuclease free water | Invitrogen | 11753-100 | from CellsDirect kit |
| 2x Reaction Mix | Invitrogen | 11753-100 | from CellsDirect kit |
| SuperScript III RT/Platinum Taq Mix | Invitrogen | 11753-100 | from CellsDirect kit |
| Platinum Taq DNA Polymerase | Invitrogen | 10966026 | |
| TaqMan Cells-to-CT Control Kit | Invitrogen | 4386995 | |
| Xeno RNA Control | Invitrogen | 4386995 | From TaqMan Cells-to-CT Control Kit |
| 20x Xeno RNA Control Taqman Gene Expression Assay | Invitrogen | 4386995 | From TaqMan Cells-to-CT Control Kit |
| 96.96 Sample/Loading Kit—10 IFCs | Fluidigm | BMK-M10-96.96 | |
| 2x Assay Loading Reagent | Fluidigm | From 96.96 Sample/Loading Kit | |
| 20x GE Sample Loading Reagent | Fluidigm | From 96.96 Sample/Loading Kit | |
| Control line fluid | Fluidigm | From 96.96 Sample/Loading Kit | |
| TaqMan Gene Expression Master Mix | Applied Biosystems | 4369016 | |
| BioMark HD | Fluidigm | BMKHD-BMKHD | |
| 96.96 Dynamic Array IFC | Fluidigm | BMK-M10-96.96GT | |
| Excel | Microsoft | Microsoft | |
| FlowJo V10 | TreeStar | TreeStar | |
| Fluidigm real time PCR analysis | Fluidigm | Fluidigm | |
| CD179a.VPREB1 | Thermofisher scientific | Hs00356766_g1 | |
| ACE | Thermofisher scientific | Hs00174179_m1 | |
| AHR | Thermofisher scientific | Hs00169233_m1 | |
| BCR_ABL.52 | Thermofisher scientific | Hs03043652_ft | |
| BCR_ABL41 | Thermofisher scientific | Hs03024541_ft | |
| BMI1 | Thermofisher scientific | Hs00995536_m1 | |
| CCNA2 | Thermofisher scientific | Hs00996788_m1 | |
| CCNB1 | Thermofisher scientific | Hs01030099_m1 | |
| CCNB2 | Thermofisher scientific | Hs01084593_g1 | |
| CCNC | Thermofisher scientific | Hs01029304_m1 | |
| CCNE1 | Thermofisher scientific | Hs01026535_g1 | |
| CCNF | Thermofisher scientific | Hs00171049_m1 | |
| CCR9 | Thermofisher scientific | Hs01890924_s1 | |
| CD10.MME | Thermofisher scientific | Hs00153510_m1 | |
| CD11a | Thermofisher scientific | Hs00158218_m1 | |
| CD11c.ITAX | Thermofisher scientific | Hs00174217_m1 | |
| CD123.IL3RA | Thermofisher scientific | Hs00608141_m1 | |
| CD133.PROM1 | Thermofisher scientific | Hs01009250_m1 | |
| CD151 | Thermofisher scientific | Hs00911635_g1 | |
| CD220.INSR | Thermofisher scientific | Hs00961554_m1 | |
| CD24.HSA | Thermofisher scientific | Hs03044178_g1 | |
| NCOR1 | Thermofisher scientific | Hs01094540_m1 | |
| CD26.DPP4 | Thermofisher scientific | Hs00175210_m1 | |
| CD274 | Thermofisher scientific | Hs01125301_m1 | |
| CD276 | Thermofisher scientific | Hs00987207_m1 | |
| CD32.FCGR2B | Thermofisher scientific | Hs01634996_s1 | |
| CD33 | Thermofisher scientific | Hs01076281_m1 | |
| CD34 | Thermofisher scientific | Hs00990732_m1 | |
| CD344.FZD4 | Thermofisher scientific | Hs00201853_m1 | |
| CD352.SLAMF6 | Thermofisher scientific | Hs01559920_m1 | |
| CD38 | Thermofisher scientific | Hs01120071_m1 | |
| CD4 | Thermofisher scientific | Hs01058407_m1 | |
| CD41.ITGA2B | Thermofisher scientific | Hs01116228_m1 | |
| CD49f.ITGA6 | Thermofisher scientific | Hs01041011_m1 | |
| CD56.NCAM1 | Thermofisher scientific | Hs00941830_m1 | |
| CD9 | Thermofisher scientific | Hs00233521_m1 | |
| CD97 | Thermofisher scientific | Hs00173542_m1 | |
| CD99 | Thermofisher scientific | Hs00908458_m1 | |
| CDK6 | Thermofisher scientific | Hs01026371_m1 | |
| CDKN1A | Thermofisher scientific | Hs00355782_m1 | |
| CDKN1B | Thermofisher scientific | Hs01597588_m1 | |
| CDKN1C | Thermofisher scientific | Hs00175938_m1 | |
| CEBPa | Thermofisher scientific | Hs00269972_s1 | |
| CSF1r | Thermofisher scientific | Hs00911250_m1 | |
| CSF2RA | Thermofisher scientific | Hs00531296_g1 | |
| CSF3RA | Thermofisher scientific | Hs01114427_m1 | |
| E2A.TCF3 | Thermofisher scientific | Hs00413032_m1 | |
| EBF1 | Thermofisher scientific | Hs01092694_m1 | |
| ENG | Thermofisher scientific | Hs00923996_m1 | |
| EPOR | Thermofisher scientific | Hs00959427_m1 | |
| ERG | Thermofisher scientific | Hs01554629_m1 | |
| FLI1 | Thermofisher scientific | Hs00956711_m1 | |
| FLT3 | Thermofisher scientific | Hs00174690_m1 | |
| FOXO1 | Thermofisher scientific | Hs01054576_m1 | |
| GAPDH | Thermofisher scientific | Hs02758991_g1 | |
| GATA1 | Thermofisher scientific | Hs00231112_m1 | |
| GATA2 | Thermofisher scientific | Hs00231119_m1 | |
| GATA3 | Thermofisher scientific | Hs00231122_m1 | |
| GFI1 | Thermofisher scientific | Hs00382207_m1 | |
| HES1 | Thermofisher scientific | Hs01118947_g1 | |
| HLF | Thermofisher scientific | Hs00171406_m1 | |
| HMGA2 | Thermofisher scientific | Hs00171569_m1 | |
| HOXA5 | Thermofisher scientific | Hs00430330_m1 | |
| HOXB4 | Thermofisher scientific | Hs00256884_m1 | |
| ID2 | Thermofisher scientific | Hs04187239_m1 | |
| IGF2BP1 | Thermofisher scientific | Hs00198023_m1 | |
| IGF2BP2 | Thermofisher scientific | Hs01118009_m1 | |
| IKZF1 | Thermofisher scientific | Hs00172991_m1 | |
| IL1RAP | Thermofisher scientific | Hs00895050_m1 | |
| IL2RG | Thermofisher scientific | Hs00953624_m1 | |
| IRF8 | Thermofisher scientific | Hs00175238_m1 | |
| ITGB7 | Thermofisher scientific | Hs01565750_m1 | |
| KIT | Thermofisher scientific | Hs00174029_m1 | |
| Lin28B | Thermofisher scientific | Hs01013729_m1 | |
| LMO2 | Thermofisher scientific | Hs00153473_m1 | |
| LYL1 | Thermofisher scientific | Hs01089802_g1 | |
| Meis1 | Thermofisher scientific | Hs01017441_m1 | |
| mKi67 | Thermofisher scientific | Hs01032443_m1 | |
| MPL | Thermofisher scientific | Hs00180489_m1 | |
| MPO | Thermofisher scientific | Hs00924296_m1 | |
| NFIB | Thermofisher scientific | Hs01029175_m1 | |
| Notch1 | Thermofisher scientific | Hs01062011_m1 | |
| Pten | Thermofisher scientific | Hs02621230_s1 | |
| RAG2 | Thermofisher scientific | Hs01851142_s1 | |
| RPS18 | Thermofisher scientific | Hs01375212_g1 | |
| RUNX1 | Thermofisher scientific | Hs00231079_m1 | |
| Shisa2 | Thermofisher scientific | Hs01590823_m1 | |
| Spi1 | Thermofisher scientific | Hs02786711_m1 | |
| Sterile.IgH | Thermofisher scientific | Hs00378435_m1 | |
| TAL1 | Thermofisher scientific | Hs01097987_m1 | |
| THY1 | Thermofisher scientific | Hs00264235_s1 | |
| Tim.3.HAVCR2 | Thermofisher scientific | Hs00958618_m1 | |
| VWF | Thermofisher scientific | Hs00169795_m1 |
References
- Seita, J., Weissman, I. L. Hematopoietic stem cell: Self-renewal versus differentiation. Wiley Interdiscip Rev Syst Biol Med. 2 (6), 640-653 (2010).
- Orkin, S. H., Zon, L. I. Hematopoiesis: An evolving paradigm for stem cell biology. Cell. 132 (4), 631-644 (2008).
- Ye, F., Huang, W., Guo, G. Studying hematopoiesis using single-cell technologies. Journal of Hematology & Oncology. 10, 27 (2017).
- Hoppe, P. S., Coutu, D. L., Schroeder, T. Single-cell technologies sharpen up mammalian stem cell research. Nature Cell Biology. 16 (10), 919-927 (2014).
- Wills, Q. F., et al. Single-cell gene expression analysis reveals genetic associations masked in whole-tissue experiments. Nature Biotechnol. 31 (8), 748-752 (2013).
- Velten, L., et al. Human haematopoietic stem cell lineage commitment is a continuous process. Nat Cell Biol. 19 (4), 271-281 (2017).
- Wilson, N. K., Nicola, K., et al. Combined single-cell functional and gene expression analysis resolves heterogeneity within stem cell populations. Cell Stem Cell. 16 (6), 712-724 (2015).
- Saliba, A. E., Westermann, A. J., Gorski, S. A., Vogel, J. Single-cell RNA-seq: Advances and future challenges. Nucleic Acids Research. 42 (14), 8845-8860 (2014).
- Femino, A. M., Fay, F. S., Fogarty, K., Singer, R. H. Visualization of Single RNA Transcripts in Situ. Science. 280 (5363), 585-590 (1998).
- Kalisky, T., et al. A brief review of single-cell transcriptomic technologies. Briefings in Functional Genomics. , elx019 (2017).
- Crosetto, N., Bienko, M., van Oudenaarden, A. Spatially resolved transcriptomics and beyond. Nature Reviews Genetics. 16, 57 (2014).
- Bengtsson, M., Ståhlberg, A., Rorsman, P., Kubista, M. Gene expression profiling in single cells from the pancreatic islets of Langerhans reveals lognormal distribution of mRNA levels. Genome Research. 15 (10), 1388-1392 (2005).
- Bengtsson, M., Hemberg, M., Rorsman, P., Ståhlberg, A. Quantification of mRNA in single cells and modelling of RT-qPCR induced noise. BMC Molecular Biology. 9 (1), 63 (2008).
- Picelli, S., et al. Smart-seq2 for sensitive full-length transcriptome profiling in single cells. Nature Methods. 10, 1096 (2013).
- Tung, P. -Y., et al. Batch effects and the effective design of single-cell gene expression studies. Scientific Reports. 7, 39921 (2017).
- Teles, J., Enver, T., Pina, C. Single-cell PCR profiling of gene expression in hematopoiesis. Methods in Molecular Biology. , 21-42 (2014).
- Hayashi, T., et al. Single-cell gene profiling of planarian stem cells using fluorescent activated cell sorting and its "index sorting" function for stem cell research. Development, Growth, & Differentiation. 52 (1), 131-144 (2010).
- Lang, S., et al. SCExV: A webtool for the analysis and visualisation of single cell qRT-PCR data. BMC Bioinformatics. 16 (1), 320 (2015).
- de Klein, A., et al. A cellular oncogene is translocated to the Philadelphia chromosome in chronic myelocytic leukaemia. Nature. 300 (5894), 765-767 (1982).
- Lang, S., et al. SCExV. , Available from: http://stemsysbio.bmc.lu.se/SCexV/ (2015).
- Quinn, J. indexed-sorting. , Available from: https://github.com/FlowJo-LLC/indexed-sorting (2016).
- Warfvinge, R., et al. Single-cell molecular analysis defines therapy response and immunophenotype of stem cell subpopulations in CML. Blood. 129 (17), 2384-2394 (2017).
- Nestorowa, S., et al. A single-cell resolution map of mouse hematopoietic stem and progenitor cell differentiation. Blood. 128 (8), e20-e31 (2016).
- Breton, G., et al. Human dendritic cells (DCs) are derived from distinct circulating precursors that are precommitted to become CD1c+ or CD141+ DCs. The Journal of Experimental Medicine. 213 (13), 2861-2870 (2016).
- Alberti-Servera, L., et al. Single-cell RNA sequencing reveals developmental heterogeneity among early lymphoid progenitors. The EMBO Journal. 36 (24), 3619-3633 (2017).
- Giustacchini, A., et al. Single-cell transcriptomics uncovers distinct molecular signatures of stem cells in chronic myeloid leukemia. Nature Medicine. 23, 692 (2017).
- Hansmann, L., Han, A., Penter, L., Liedtke, M., Davis, M. M. Clonal expansion and interrelatedness of distinct B-lineage compartments in multiple myeloma bone marrow. Cancer Immunology Research. 5 (9), 744-754 (2017).
- Psaila, B., et al. Single-cell profiling of human megakaryocyte-erythroid progenitors identifies distinct megakaryocyte and erythroid differentiation pathways. Genome Biology. 17 (1), 83 (2016).
- Schulte, R., et al. Index sorting resolves heterogeneous murine hematopoietic stem cell populations. Experimental Hematology. 43 (9), 803-811 (2015).
