Enkelcellesekvensering

Enkelcellesekvensering er metoder som lar forskere undersøke arvestoff og genetisk uttrykk i individuelle celler i stedet for i gjennomsnittet av en cellepopulasjon. Hensikten er å kartlegge celle-til-celle-heterogenitet, oppdage sjeldne celletyper og avdekke uttrykksmønstre som ikke framkommer i bulk-analyser.

Grunntanken er å få hver celle tildelt en unik barkode under bibliotekspreparatet, slik at sekvensert RNA kan tilordnes opprinnelig celle. Typiske protokoller bruker mikrodropletbaserte systemer (for eksempel 10x Genomics Chromium eller Drop-seq) eller platebaserte metoder (som Smart-seq2/Smart-seq3). Prosesser inkluderer celleisolasjon, omforming av RNA til cDNA, innlegging av celle- og UMIs (Unique Molecular Identifiers), og bygging av biblioteker som sekvenseres. Dataene må deles per celle og gir uttrykksmønster på tvers av tusenvis til titusenvis av celler. Samtidig er dropouts vanlige, slik at ikke alle uttrykte gener opptrer i hvert celledatasett.

Analysen starter med demultiplexing og kvalitetsfiltrering, der celler eller sekvenser som oppfyller kvalitetskrav beholdes. Deretter følger normalisering, reduksjon av dimensjonalitet (PCA, t-SNE eller UMAP) og klyngeanalyse for å identifisere celletyper eller tilstander. Filtrerte egenskaper brukes til å annotere celletyper, ofte ved hjelp av kjente markører. Flere metoder for multi-omics og integrasjon eksisterer, for eksempel CITE-seq som kombinerer RNA og overflateproteiner, eller scATAC-seq for kromatin-tilgang. Integrasjon av flere prøver eller plattformer er vanlig for å kartlegge utviklingsforløp og cellelinjeforløp.

Anvendelser spenner fra utviklingsbiologi og vevspesialisering til kreftforskning og immunologi. Enkelcellesekvensering gjør det mulig å observere tumorheterogenitet, identifisere sjeldne celleundergrupper i immunsystemet og kartlegge cellekommunikasjon i vevsmiljøer. I nevrovitenskap har det bidratt til å kartlegge ulike nevronale undergrupper og utviklingsstadier.

Begrensninger inkluderer kostnader per celle, teknisk støy og dropout-effekter, utfordringer med dataanalyse og behov for omfattende bioinformatiske ressurser. Forhold som cellefrigivelse og capture-effektivitet kan også introdusere bias i resultatene.

Fremtidig utvikling fokuserer på å kombinere single-cell data med spatial informasjon og multi-omics, forbedre følsomhet og skale opp til millioner av celler, og standardisere analyseprosedyrer for å lette sammenstilling av data på tvers av studier.