DOI: https://doi.org/10.1016/j.crmeth.2026.101346
PMID: https://pubmed.ncbi.nlm.nih.gov/40894744
تاريخ النشر: 2026-03-26
المؤلف: Adriana Ivich وآخرون
الموضوع الرئيسي: علم النسخ الجيني أحادي الخلية والمكاني
نظرة عامة
يتناول هذا القسم من ورقة البحث تكامل تسلسل RNA أحادي الخلية (scRNA-seq) وتسلسل RNA أحادي النواة (snRNA-seq) من أجل فك تشفير RNA الكتلي. يبرز المؤلفون أنه بينما تُستخدم مراجع scRNA-seq بشكل شائع، فإن بعض أنواع الخلايا لا يمكن اكتشافها إلا عبر snRNA-seq، الذي يلتقط النسخ النووية ولكن ليس السيتوبلازمية. يمكن أن تعيق هذه القيود دقة فك التشفير إذا تم استخدام snRNA-seq مباشرة كمرجع.
يقوم الدراسة بتقييم منهجيات مختلفة بشكل منهجي لتوحيد snRNA-seq مع مراجع scRNA-seq، مع التركيز على التحولات وطرق تصفية الجينات. من خلال تقييم هذه الأساليب عبر أربعة أنسجة متنوعة، يجد المؤلفون أن تصفية الجينات المعبر عنها بشكل مختلف عبر الأنماط تعطي أكبر تحسينات في الأداء، وغالبًا ما تتطابق أو تتجاوز دقة مراجع scRNA فقط. كما تُظهر المحولات التلقائية الشرطية (scVI) فعالية مماثلة، خاصة في السيناريوهات التي تكون فيها أنواع الخلايا المتطابقة غير متاحة. في التطبيقات العملية التي تتضمن عينات دهنية حقيقية، توفر كل من تقليم DEG وscVI الشرطية تقديرات قوية لنسب الخلايا. تشير النتائج إلى أولوية استخدام scRNA-seq كمرجع أساسي، مع دمج snRNA-seq فقط بعد التصفية المناسبة، بينما تقدم أيضًا scVI الشرطية كبديل قابل للتطبيق للأنظمة الأقل وصفًا.
مقدمة
تناقش مقدمة ورقة البحث المنهجيات والتحديات المرتبطة بتحليل التعبير الجيني، مع التركيز بشكل خاص على تسلسل RNA الكتلي (bulk-RNA-seq) وتسلسل RNA أحادي الخلية (scRNA-seq). يتم تسليط الضوء على bulk-RNA-seq من حيث فعاليته من حيث التكلفة وقدرته على تحليل أنسجة متنوعة، مما يجعله مناسبًا للتطبيقات في أبحاث السرطان، وعلم الأحياء التطوري، وتوقع استجابة الأدوية. ومع ذلك، فإنه يوفر رؤى غير مباشرة حول التركيب الخلوي، مما يحد من فهم المساهمات الخاصة بنوع الخلية في النسخ الجيني. بالمقابل، يوفر scRNA-seq بيانات تفصيلية عن التعبير الجيني على مستوى الخلية الواحدة ولكنه قد يعاني من مشكلات مثل فقدان نوع الخلية أثناء التفكك، مما يعقد استخدام scRNA-seq كمرجع لفك التشفير الكتلي.
تؤكد الورقة على أهمية تقدير نسب أنواع الخلايا بدقة في العينات الكتلية لتعزيز الرؤى حول البيئة الدقيقة للورم واستجابات العلاج. تناقش القيود المفروضة على طرق فك التشفير الحالية التي تعتمد على مراجع scRNA-seq، خاصة عندما تكون أنواع الخلايا مفقودة أو عندما تكون هناك تناقضات بين RNA السيتوبلازمي والنووي. تهدف الدراسة إلى استكشاف ما إذا كانت المراجع المختلطة الأنماط، وخاصة الجمع بين scRNA-seq وتسلسل RNA أحادي النواة (snRNA-seq)، يمكن أن تحسن أداء فك التشفير. من خلال تطبيق تحولات مختلفة على المراجع وتقييم فعاليتها عبر مجموعات بيانات متعددة، تسعى الأبحاث إلى معالجة تحديات دقة فك التشفير وتعزيز موثوقية تقديرات نسب أنواع الخلايا في الأنسجة غير المتجانسة.
طرق
يحدد قسم الطرق الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. يتضمن وصفًا لاختيار العينات، وتقنيات جمع البيانات، والتحليلات الإحصائية المستخدمة لتفسير النتائج. يتم تفصيل منهجيات محددة، مثل التجارب المنضبطة أو الدراسات الملاحظة، لضمان إمكانية إعادة الإنتاج والشفافية.
بالإضافة إلى ذلك، قد يتوسع القسم في النماذج الرياضية أو الخوارزميات المطبقة لمعالجة البيانات، بما في ذلك أي معادلات ذات صلة أو أطر حسابية. يتم التأكيد على صرامة الطرق للتحقق من النتائج ودعم الاستنتاجات المستخلصة من البحث. بشكل عام، يعمل هذا القسم كأساس حاسم لفهم تصميم الدراسة وموثوقية نتائجها.
نتائج
في هذا القسم، يقدم المؤلفون نتائج تحليل فك التشفير الخاص بهم باستخدام منهجية BayesPrism المطبقة من خلال InstaPrism. قاموا بإجراء 5000 تكرار لفك التشفير لعينات كتلية ومزيفة متنوعة، باستخدام بيانات كل من تسلسل RNA أحادي الخلية (scRNA-seq) وتسلسل RNA أحادي النواة (snRNA-seq). كانت المخرجات تتكون من تقديرات لنسب أنواع الخلايا، والتي تم مقارنتها مع النسب المعروفة من تجارب المحاكاة باستخدام ارتباط بيرسون وجذر متوسط مربع الخطأ (RMSE) كمقاييس للأداء.
تم إجراء التقييم تحت ثلاثة سيناريوهات: (1) استخدام جميع أنواع الخلايا الموجودة في الكتلة المحاكية، (2) استبعاد نوع خلية محجوز لتقييم الأداء عندما تحتوي المرجعية على أنواع الخلايا المتبقية، و(3) تقييم سيناريو حيث تمت إزالة نوع خلية واحد عمدًا من مرجع scRNA-seq. بالنسبة للتجارب غير المحاكية التي تتضمن كتل حقيقية، ركز المؤلفون على تقييمات القوة بسبب غياب النسب الحقيقية. بالإضافة إلى ذلك، قاموا بإجراء اختبارات t المستقلة لعينة مزدوجة لمقارنة مقاييس الأداء بين مراجع scRNA-seq وsnRNA-seq، مع تحديد الدلالة الإحصائية عند مستوى 0.005.
مناقشة
في هذه الدراسة، أنشأنا إطارًا لمقارنة تسلسل RNA أحادي الخلية (scRNA-seq) وتسلسل RNA أحادي النواة (snRNA-seq) لفك تشفير نسب أنواع الخلايا في عينات RNA الكتلية. من خلال إنشاء كتل مزيفة من بيانات scRNA-seq واستخدام كل من مراجع scRNA-seq وsnRNA-seq من عينات مختلفة، وجدنا أن scRNA-seq تفوقت باستمرار على snRNA-seq من حيث ارتباط بيرسون وجذر متوسط مربع الخطأ (RMSE) عبر مجموعات بيانات متعددة، بما في ذلك أنسجة الإنسان والفأر. من الجدير بالذكر أن مرجع scRNA-seq حقق دقة أعلى بشكل ملحوظ في فك التشفير، خاصة في الأنسجة الدهنية، مما يبرز أهمية استخدام ملفات التعبير الكاملة لتقدير موثوق لنوع الخلية.
كما استكشفنا استراتيجيات تحويل مختلفة لتعزيز تكامل بيانات snRNA-seq مع مراجع scRNA-seq. حسنت التحولات مثل scVI الشرطية والتعديلات المعتمدة على PCA توافق ملفات snRNA-seq مع توقيعات scRNA-seq، مع إزالة الجينات المعبر عنها بشكل مختلف (DEGs) مما زاد من دقة فك التشفير. تشير نتائجنا إلى أن التقليم الانتقائي لـ DEGs، وخاصة تلك التي تم تحديدها عبر مجموعات بيانات متعددة، يحسن بشكل كبير أداء فك التشفير. تؤكد الدراسة أنه بينما تكون مراجع snRNA-seq وحدها غير كافية، فإن دمجها مع بيانات scRNA-seq وتطبيق التحولات المناسبة يمكن أن يستعيد بل ويتجاوز أداء مراجع scRNA-seq فقط، مما يوفر نهجًا قويًا لتقدير نسب أنواع الخلايا في تحليلات RNA-seq الكتلية.
القيود
تقدم الدراسة عدة قيود تبرز مجالات البحث المستقبلية. أولاً، يمكن تحسين نهج إزالة الجينات المعبر عنها بشكل مختلف (DEGs) بين تسلسل RNA أحادي الخلية (scRNA-seq) وتسلسل RNA أحادي النواة (snRNA-seq) من خلال دمج مجموعة أوسع من مجموعات البيانات وأنواع الخلايا، بالإضافة إلى تحسين العتبات المستخدمة. قد يؤدي غياب الحماية لجينات علامات نوع الخلية أيضًا إلى الحد من دقة التحليل. ثانيًا، بينما استخدمت الدراسة أنواع تحويل scVI (scVILS وscVIcond) مع معلمات فرط محددة مسبقًا لمهام المحاذاة، فإن مزيدًا من الضبط المحدد لكل نوع نسيج يمكن أن يعزز الدقة.
علاوة على ذلك، لا يزال استكشاف طرق التحويل البديلة، مثل الشبكات غير الخطية لتكييف النطاقات والتضمينات التباينية، غير مستكشف إلى حد كبير، مما يشير إلى أن الأساليب المصممة خصيصًا قد تحقق نتائج أفضل. تؤكد النتائج على الطبيعة المتميزة لهذه الأنماط في فك التشفير وتشجع على المقارنات المستقبلية في تطبيقات أخرى تتجاوز فك التشفير، مثل توضيح نوع الخلية وتطبيع الدفعات. كما أن تركيز الدراسة على أربعة أنواع من الأنسجة فقط يحد من تعميم النتائج، حيث قد تظهر عدم تطابقات إضافية في الأنماط في أنسجة أخرى. أخيرًا، تقتصر الأبحاث على طريقة واحدة لفك التشفير، وعلى الرغم من أن المؤلفين يتوقعون تباينًا ضئيلًا مع طرق قياسية أخرى، يجب أن تأخذ التحقيقات المستقبلية في الاعتبار دمج البيانات عبر منهجيات فك التشفير المتنوعة. يوفر المؤلفون موارد في مستودع GitHub الخاص بهم لتسهيل المزيد من التحليلات من قبل مجتمع البحث.
DOI: https://doi.org/10.1016/j.crmeth.2026.101346
PMID: https://pubmed.ncbi.nlm.nih.gov/40894744
Publication Date: 2026-03-26
Author(s): Adriana Ivich et al.
Primary Topic: Single-cell and spatial transcriptomics
Overview
This research paper section discusses the integration of single-cell RNA sequencing (scRNA-seq) and single-nucleus RNA sequencing (snRNA-seq) for bulk RNA-seq deconvolution. The authors highlight that while scRNA-seq references are commonly used, certain cell types are only detectable via snRNA-seq, which captures nuclear transcripts but not cytoplasmic ones. This limitation can hinder deconvolution accuracy if snRNA-seq is used directly as a reference.
The study systematically benchmarks various strategies to harmonize snRNA-seq with scRNA-seq references, focusing on transformations and gene-filtering methods. Evaluating these approaches across four diverse tissues, the authors find that filtering consistent cross-modality differentially expressed genes (DEGs) yields the most significant improvements in performance, often matching or exceeding the accuracy of scRNA-only references. Conditional variational autoencoders (scVI) also demonstrate comparable effectiveness, particularly in scenarios where matched cell types are unavailable. In practical applications involving real adipose bulk samples, both DEG pruning and conditional scVI provide robust cell-fraction estimates. The findings suggest prioritizing scRNA-seq as the primary reference, with snRNA-seq incorporated only after appropriate filtering, while also presenting conditional scVI as a viable alternative for less-characterized systems.
Introduction
The introduction of the research paper discusses the methodologies and challenges associated with gene expression analysis, particularly focusing on bulk RNA sequencing (bulk-RNA-seq) and single-cell RNA sequencing (scRNA-seq). Bulk-RNA-seq is highlighted for its cost-effectiveness and ability to analyze various tissues, making it suitable for applications in cancer research, developmental biology, and drug response prediction. However, it provides indirect insights into cellular composition, which limits understanding of cell-type-specific contributions to the transcriptome. In contrast, scRNA-seq offers detailed gene expression data at the single-cell level but can suffer from issues such as cell type loss during dissociation, which complicates the use of scRNA-seq as a reference for bulk deconvolution.
The paper emphasizes the importance of accurately estimating cell-type proportions in bulk samples to enhance insights into the tumor microenvironment and treatment responses. It discusses the limitations of existing deconvolution methods that rely on scRNA-seq references, particularly when cell types are missing or when there are discrepancies between cytoplasmic and nuclear RNA. The study aims to explore whether mixed-modality references, specifically combining scRNA-seq and single-nucleus RNA sequencing (snRNA-seq), can improve deconvolution performance. By applying various transformations to the references and benchmarking their effectiveness across multiple datasets, the research seeks to address the challenges of deconvolution accuracy and enhance the reliability of cell-type proportion estimates in heterogeneous tissues.
Methods
The Methods section outlines the experimental and analytical procedures employed in the study. It includes a description of the sample selection, data collection techniques, and the statistical analyses utilized to interpret the results. Specific methodologies, such as controlled experiments or observational studies, are detailed to ensure reproducibility and transparency.
Additionally, the section may elaborate on the mathematical models or algorithms applied to process the data, including any relevant equations or computational frameworks. The rigor of the methods is emphasized to validate the findings and support the conclusions drawn from the research. Overall, this section serves as a critical foundation for understanding the study’s design and the reliability of its outcomes.
Results
In this section, the authors present the results of their deconvolution analysis using the BayesPrism methodology implemented through InstaPrism. They conducted 5000 iterations of deconvolution for various bulk and pseudobulk samples, utilizing both single-cell RNA sequencing (scRNA-seq) and single-nucleus RNA sequencing (snRNA-seq) data. The output consisted of estimated cell type proportions, which were compared against known ground-truth proportions from simulation experiments using Pearson correlation and root mean square error (RMSE) as performance metrics.
The evaluation was performed under three scenarios: (1) using all cell types present in the simulated bulk, (2) excluding a held-out cell type to assess performance when the reference contains the remaining cell types, and (3) evaluating a scenario where one cell type was intentionally removed from the scRNA-seq reference. For non-simulation experiments involving real bulks, the authors focused on robustness assessments due to the absence of ground-truth proportions. Additionally, they performed independent two-sample Student’s t-tests to compare the performance metrics between scRNA-seq and snRNA-seq references, with statistical significance set at the 0.005 level.
Discussion
In this study, we established a framework to compare single-cell RNA sequencing (scRNA-seq) and single-nucleus RNA sequencing (snRNA-seq) for deconvolving cell type proportions in bulk RNA samples. By creating pseudobulks from scRNA-seq data and using both scRNA-seq and snRNA-seq references from different samples, we found that scRNA-seq consistently outperformed snRNA-seq in terms of Pearson correlation and root mean squared error (RMSE) across multiple datasets, including human and mouse tissues. Notably, the scRNA-seq reference yielded significantly higher accuracy in deconvolution, particularly in adipose tissue, highlighting the importance of using complete expression profiles for reliable cell type estimation.
We also explored various transformation strategies to enhance the integration of snRNA-seq data with scRNA-seq references. Transformations such as scVI conditional and PCA-based adjustments improved the alignment of snRNA-seq profiles with scRNA-seq signatures, with the removal of differentially expressed genes (DEGs) further enhancing deconvolution accuracy. Our findings indicate that selective pruning of DEGs, especially those identified across multiple datasets, significantly improves deconvolution performance. The study emphasizes that while snRNA-seq references alone are inadequate, combining them with scRNA-seq data and applying appropriate transformations can restore and even surpass the performance of scRNA-seq-only references, providing a robust approach for cell type proportion estimation in bulk RNA-seq analyses.
Limitations
The study presents several limitations that highlight areas for future research. Firstly, the approach of removing differentially expressed genes (DEGs) between single-cell RNA sequencing (scRNA-seq) and single-nucleus RNA sequencing (snRNA-seq) could be improved by incorporating a broader range of datasets and cell types, as well as optimizing the thresholds used. The absence of protection for cell type marker genes may also limit the granularity of the analysis. Secondly, while the study utilized scVI transformation types (scVILS and scVIcond) with previously established hyperparameters for alignment tasks, further tuning specific to each tissue type could enhance accuracy.
Moreover, the exploration of alternative transformation methods, such as non-linear domain-adaptation networks and contrastive embeddings, remains largely uncharted, suggesting that purpose-built approaches may yield superior results. The findings emphasize the distinct nature of these modalities in deconvolution and encourage future comparisons in other applications beyond deconvolution, such as cell type annotation and batch normalization. The study’s focus on only four tissue types also limits the generalizability of the results, as additional modality mismatches may arise in other tissues. Lastly, the research is confined to a single deconvolution method, and while the authors anticipate minimal variation with other standard methods, future investigations should consider data integration across diverse deconvolution methodologies. The authors provide resources in their GitHub repository to facilitate further analyses by the research community.