JoVE Journal > Biology
Summary
Abstract
Introduction
Protocol
Resultados
Discussion
Declarações
Acknowledgements
Materials
Referências
Tadução automática
Please note that all translations are automatically generated. Click here for the English version.
Biologia

RNA-seq数据中替代剪接和聚腺苷酸化的鉴定

Published: June 24, 2021
doi:
10.3791/62636
, , ,
1Department of Genome Sciences, The John Curtin School of Medical Research,The Australian National University, 2Department of Biology,New York University

Summary

选择性剪接（AS）和替代聚腺苷酸化（APA）扩大了转录本亚型及其产物的多样性。在这里，我们描述了生物信息学协议，以分析批量RNA-seq和3’末端测序测定，以检测和可视化不同实验条件下变化的AS和APA。

Abstract

除了对RNA-Seq进行典型分析以测量实验/生物学条件下的差异基因表达（DGE）外，RNA-seq数据还可用于探索外显子水平的其他复杂调控机制。选择性剪接和聚腺苷酸化通过产生不同的亚型来调节转录后水平的基因表达，在基因的功能多样性中起着至关重要的作用，并且将分析限制在整个基因水平上可能会错过这一重要的调控层。在这里，我们演示了详细的分步分析，以使用Bioconductor和其他封装和功能（包括DEXSeq，Limma封装的diffSplice和rMATS）来识别和可视化不同条件下的差异外显子和聚腺苷酸化位点的使用。

Introduction

多年来，RNA-seq已被广泛用于估计差异基因表达和基因发现1。此外，它还可用于估计由于表达不同亚型的基因而导致的不同外显子水平使用情况，从而有助于更好地了解转录后水平的基因调控。大多数真核基因通过交替剪接（AS）产生不同的亚型，以增加mRNA表达的多样性。AS事件可分为不同的模式：跳过完全外显子（SE），其中（“盒式”）外显子与其侧翼内含子一起从转录本中完全去除;当外显子两端存在两个或多个剪接位点时，备选（供体）5’剪接位点选择（A5SS）和备选方案3’（受体）剪接位点选择（A3SS）;当内含子保留在成熟的mRNA转录本中时保留内含子（RI）和相互排除外显子使用（MXE），其中一次只能保留两个可用外显子中的一个2，3。替代聚腺苷酸化（APA）在使用替代聚（A）位点从单个转录本产生多种mRNA亚型4的基因表达中也起着重要作用。大多数聚腺苷酸化位点（pA）位于3’非翻译区域（3’UTR），产生具有不同3’UTR长度的mRNA亚型。由于 3′ UTR 是识别调控元件的中心枢纽，因此不同的 3′ UTR 长度会影响 mRNA 的定位、稳定性和翻译5。有一类 3′ 末端测序测定经过优化，可检测 APA，这些APA在协议6的细节上有所不同。此处描述的管道是为 PolyA-seq 设计的，但可以适用于所述的其他协议。

在这项研究中，我们提出了一系列差异外显子分析方法7，8 （图1），可分为两大类：基于外显子（DEXSeq9，diffSplice10）和基于事件的（复制转录本剪接的多变量分析（rMATS）11）。基于外显子的方法将单个外显子条件下的倍数变化与整体基因折叠变化的度量进行比较，以调用差异表达的外显子使用情况，并由此计算AS活性的基因水平测量。基于事件的方法使用外显子-内含子跨越结读取来检测和分类特定的剪接事件，例如外显子跳跃或内含子保留，并在输出3中区分这些AS类型。因此，这些方法为AS12，13的完整分析提供了补充观点。我们选择了DEXSeq（基于DESeq214 DGE封装）和diffSplice（基于Limma10 DGE封装）进行研究，因为它们是差分拼接分析中使用最广泛的软件包之一。rMATS被选为基于事件的分析的常用方法。另一种流行的基于事件的方法是MISO（亚型混合物）1。对于APA，我们采用基于外显子的方法。

Figure 1
图1.分析管道。 分析中使用的步骤的流程图。步骤包括：获取数据，执行质量检查和读取对齐，然后使用已知外显子，内含子和pA位点的注释对读取进行计数，过滤以去除低计数和标准化。使用diffSplice/DEXSeq方法分析PolyA-seq数据以寻找替代pA位点，使用diffSplice/DEXseq方法分析外显子水平的替代剪接的体RNA-Seq，并使用rMATS分析AS事件。 请点击此处查看此图的大图。

本调查中使用的RNA-seq数据是从基因表达综合（GEO）（GSE138691）15获得的。我们使用本研究的小鼠RNA-seq数据，分为两个条件组：野生型（WT）和肌盲样1型敲除（Mbnl1 KO），每个重复三个。为了证明差异聚腺苷酸化位点的使用分析，我们获得了小鼠胚胎成纤维细胞（MEFs）PolyA-seq数据（GEO加入GSE60487）16。数据有四个条件组：野生型（WT），肌肉盲样1型/2型双敲除（Mbnl1 / 2 DKO），Mbnl 1 / 2 DKO与Mbnl3敲低（KD）和Mbnl1 / 2 DKO与Mbnl3对照（Ctrl）。每个条件组由两个仿行组成。

加入全球环境展望 SRA 运行编号 示例名称 条件 复制 组织 测 序 读取长度
核糖核酸序列 GSM4116218 SRR10261601 Mbnl1KO_Thymus_1 Mbnl1 淘汰赛 代表 1 胸腺 配对端 100 基点
GSM4116219 SRR10261602 Mbnl1KO_Thymus_2 Mbnl1 淘汰赛 代表 2 胸腺 配对端 100 基点
GSM4116220 SRR10261603 Mbnl1KO_Thymus_3 Mbnl1 淘汰赛 代表 3 胸腺 配对端 100 基点
GSM4116221 SRR10261604 WT_Thymus_1 野生型 代表 1 胸腺 配对端 100 基点
GSM4116222 SRR10261605 WT_Thymus_2 野生型 代表 2 胸腺 配对端 100 基点
GSM4116223 SRR10261606 WT_Thymus_3 野生型 代表 3 胸腺 配对端 100 基点
3P-序列 GSM1480973 SRR1553129 WT_1 野生型（WT） 代表 1 小鼠胚胎成纤维细胞 （MEF） 单端 40 基点
GSM1480974 SRR1553130 WT_2 野生型（WT） 代表 2 小鼠胚胎成纤维细胞 （MEF） 单端 40 基点
GSM1480975 SRR1553131 DKO_1 Mbnl 1/2 双淘汰赛 （DKO） 代表 1 小鼠胚胎成纤维细胞 （MEF） 单端 40 基点
GSM1480976 SRR1553132 DKO_2 Mbnl 1/2 双淘汰赛 （DKO） 代表 2 小鼠胚胎成纤维细胞 （MEF） 单端 40 基点
GSM1480977 SRR1553133 DKOsiRNA_1 Mbnl 1/2 双敲除与 Mbnl 3 siRNA （KD） 代表 1 小鼠胚胎成纤维细胞 （MEF） 单端 40 基点
GSM1480978 SRR1553134 DKOsiRNA_2 Mbnl 1/2 双敲除与 Mbnl 3 siRNA （KD） 代表 2 小鼠胚胎成纤维细胞 （MEF） 单端 36 基点
GSM1480979 SRR1553135 DKONTsiRNA_1 Mbnl 1/2 双敲除与非靶向 siRNA （Ctrl） 代表 1 小鼠胚胎成纤维细胞 （MEF） 单端 40 基点
GSM1480980 SRR1553136 DKONTsiRNA_2 Mbnl 1/2 双敲除与非靶向 siRNA （Ctrl） 代表 2 小鼠胚胎成纤维细胞 （MEF） 单端 40 基点

表 1.用于分析的RNA-Seq和PolyA-seq数据集摘要。

Protocol

1. 安装分析中使用的工具和 R 包 Conda 是一个流行且灵活的包管理器，允许在所有平台上方便地安装包及其依赖项。使用“Anaconda”（conda包管理器）安装“conda”，可用于安装分析所需的工具/包。 根据 https://www.anaconda.com/products/individual#Downloads 的系统要求下载“Anaconda”，并按照图形安装程序中的提示进行安装。通过在 Linux 命令行中键入以下内容，使用 ‘conda…

Representative Results

运行上述分步工作流程后，AS和APA分析输出和代表性结果以表格和数据图的形式生成，生成如下。 如：AS分析的主要输出（差异拼接的补充表1;DEXSeq的表2）是显示不同条件差异用法的外显子列表，以及显示其一个或多个组成外显子的显着整体剪接活性的基因列表，按统计学显着性排名。补充表1，选项卡2显示了显着的外显?…

Discussion

在这项研究中，我们评估了基于外显子和基于事件的方法，以检测批量RNA-Seq和3’末端测序数据中的AS和APA。基于外显子的AS方法既产生差异表达的外显子列表，又产生按总体基因水平差异剪接活性的统计显着性排序的基因水平排名（表1-2，4-5）。对于diffSplice包，差异用法是通过在外显子水平上拟合加权线性模型来确定的，以估计外显子的差异对数倍数变化与同一基因内其他外显子的平…

Declarações

The authors have nothing to disclose.

Acknowledgements

这项研究得到了澳大利亚研究委员会（ARC）未来奖学金（FT16010043）和澳大利亚国立大学期货计划的支持。

Materials

Not relevent for computational study
DOWNLOAD MATERIALS LIST

Referências

  1. Katz, Y., Wang, E. T., Airoldi, E. M., Burge, C. B. Analysis and design of RNA sequencing experiments for identifying isoform regulation. Nature Methods. 7 (12), 1009-1015 (2010).
  2. Wang, Y., et al. Mechanism of alternative splicing and its regulation. Biomedical Reports. 3 (2), 152-158 (2015).
  3. Mehmood, A., et al. Systematic evaluation of differential splicing tools for RNA-seq studies. Briefings in Bioinformatics. 21 (6), 2052-2065 (2020).
  4. Movassat, M., et al. Coupling between alternative polyadenylation and alternative splicing is limited to terminal introns. RNA Biology. 13 (7), 646-655 (2016).
  5. Tian, B., Manley, J. L. Alternative polyadenylation of mRNA precursors. Nature Reviews Molecular Cell Biology. 18 (1), 18-30 (2017).
  6. Herrmann, C. J., et al. PolyASite 2.0: a consolidated atlas of polyadenylation sites from 3′ end sequencing. Nucleic Acids Research. 48 (1), 174-179 (2020).
  7. Liu, R., Loraine, A. E., Dickerson, J. A. Comparisons of computational methods for differential alternative splicing detection using RNA-seq in plant systems. BMC Bioinformatics. 15 (1), 364 (2014).
  8. Conesa, A., et al. A survey of best practices for RNA-seq data analysis. Genome Biology. 17 (1), 13 (2016).
  9. Anders, S., Reyes, A., Huber, W. Detecting differential usage of exons from RNA-seq data. Genome Research. 22 (10), 2008-2017 (2012).
  10. Ritchie, M. E., et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Research. 43 (7), 47 (2014).
  11. Shen, S., et al. rMATS: Robust and flexible detection of differential alternative splicing from replicate RNA-Seq data. Proceedings of the National Academy of Sciences. 111 (51), 5593-5601 (2014).
  12. Mehmood, A., et al. Systematic evaluation of differential splicing tools for RNA-seq studies. Briefings in bioinformatics. 21 (6), 2052-2065 (2020).
  13. Kanitz, A., et al. Comparative assessment of methods for the computational inference of transcript isoform abundance from RNA-seq data. Genome biology. 16 (1), 1-26 (2015).
  14. Love, M. I., Huber, W., Anders, S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biology. 15 (12), 550 (2014).
  15. Sznajder, L. J., et al. Loss of MBNL1 induces RNA misprocessing in the thymus and peripheral blood. Nature Communications. 11, 1-11 (2020).
  16. Batra, R., et al. Loss of MBNL leads to disruption of developmentally regulated alternative polyadenylation in RNA-mediated disease. Molecular Cell. 56 (2), 311-322 (2014).
  17. Leinonen, R., Sugawara, H., Shumway, M., et al. The sequence read archive. Nucleic acids research. 39, 19-21 (2010).
  18. Tange, O. . GNU parallel-the command-line power tool. 36, 42-47 (2011).
  19. Martin, M. Cutadapt removes adapter sequences from high-throughput sequencing reads. EMBnet journal. 17 (1), 10-12 (2011).
  20. Bolger, A. M., Lohse, M., Usadel, B. Trimmomatic: a flexible trimmer for Illumina sequence data. Bioinformatics. 30 (15), 2114-2120 (2014).
  21. Dobin, A., et al. STAR: ultrafast universal RNA-seq aligner. Bioinformatics. 29 (1), 15-21 (2013).
  22. Robinson, M. D., McCarthy, D. J., Smyth, G. K. edgeR: a Bioconductor package for differential expression analysis of digital gene expression data. Bioinformatics. 26 (1), 139-140 (2010).
  23. Robinson, M. D., Oshlack, A. A scaling normalization method for differential expression analysis of RNA-seq data. Genome Biology. 11 (3), 25 (2010).
  24. Veiga, D. F. T. maser: Mapping Alternative Splicing Events to pRoteins. R package version 1.4.0. , (2019).
  25. Langmead, B., Trapnell, C., Pop, M., Salzberg, S. L. Ultrafast and memory-efficient alignment of short DNA sequences to the human genome. Genome Biology. 10 (13), 25 (2009).
  26. Quinlan, A. R., Hall, I. M. BEDTools: a flexible suite of utilities for comparing genomic features. Bioinformatics. 26 (6), 841-842 (2010).
  27. Ramírez, F., Dündar, F., Diehl, S., Grüning, B. A., Manke, T. deepTools: a flexible platform for exploring deep-sequencing data. Nucleic acids research. 42 (1), 187-191 (2014).
  28. Merino, G. A., Conesa, A., Fernández, E. A. A benchmarking of workflows for detecting differential splicing and differential expression at isoform level in human RNA-seq studies. Briefings in bioinformatics. 20 (2), 471-481 (2019).
  29. Chhangawala, S., Rudy, G., Mason, C. E., Rosenfeld, J. A. The impact of read length on quantification of differentially expressed genes and splice junction detection. Genome biology. 16 (1), 1-10 (2015).
  30. Conesa, A., et al. A survey of best practices for RNA-seq data analysis. Genome Biol. 17, 13 (2016).
  31. Trapnell, C., et al. Differential gene and transcript expression analysis of RNA-seq experiments with TopHat and Cufflinks. Nat Protoc. 7 (3), 562-578 (2012).
  32. Li, B., Dewey, C. N. RSEM: accurate transcript quantification from RNA-Seq data with or without a reference genome. BMC Bioinformatics. 12, 323 (2011).
  33. Bray, N. L., Pimentel, H., Melsted, P., Pachter, L. Near-optimal probabilistic RNA-seq quantification. Nat Biotechnol. 34 (5), 525-527 (2016).

Tags

Keywords: Alternative SplicingPolyadenylationRNA-seqDifferential SplicingDifferential Exon ExpressionLimmaEdgeRVoomDiffSplice
check_url/pt/62636?article_type=t

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Citar este artigo
Dixit, G., Zheng, Y., Parker, B., Wen, J. Identification of Alternative Splicing and Polyadenylation in RNA-seq Data. J. Vis. Exp. (172), e62636, doi:10.3791/62636 (2021).
Baixar citação
Reimpressões e Permissões

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image