Ist scRNA-seq ausreichend? Ein biologisch motivierter Leitfaden für das Single-Cell Multiome

Meta-Absicht: Helfen Sie PIs und leitenden Forschern, die bereits Einzelzell-RNA-Sequenzierung verwenden, basierend auf ihrer spezifischen biologischen Hypothese zu bestimmen, ob ein Upgrade auf Einzelzell-Multiome (RNA + ATAC, RNA + Protein oder höherwertige Kombinationen) wissenschaftlich gerechtfertigt ist - ohne der Annahme zu verfallen, dass mehr Modalitäten immer besser sind.

Die Einzelzell-RNA-Sequenzierung (scRNA-seq) hat die Art und Weise, wie wir Zelltypen entdecken, Entwicklungsverläufe kartieren und die Heterogenität von Krankheiten charakterisieren, revolutioniert. Doch während Projekte reifen und biologische Fragen komplexer werden, stehen viele Forscher vor der gleichen Frage: Soll ich die scRNA-seq weiter ausbauen, oder ist es Zeit, eine weitere Modalität hinzuzufügen?

Die Antwort ist nicht "Multiomics ist fortschrittlicher." Die Antwort hängt ganz davon ab, was Sie sehen möchten. Jede Modalitätsschicht - Chromatinzugänglichkeit, Proteinmenge, DNA-Methylierung - offenbart eine distincte Facette der Zellbiologie, die scRNA-seq allein nicht erfassen kann. Die Entscheidung, sie hinzuzufügen, sollte von Ihrer Hypothese geleitet werden, nicht von technologischem Schwung.

Dieser Leitfaden bietet einen praktischen Rahmen für diese Entscheidung. Wir behandeln, was scRNA-seq Ihnen sagen kann und was nicht, welche biologischen Informationen jede Multiome-Modaliät hinzufügt, vier gängige Entscheidungsszenarien, die Kompromisse im experimentellen Design beim Upgrade und Einschränkungen, die Sie berücksichtigen sollten, bevor Sie Komplexität hinzufügen.

Was scRNA-seq gut macht - und wo es an seine Grenzen stößt

scRNA-seq misst die polyadenylierte Transkriptom auf Einzelzellauflösung. Wenn Ihre biologische Fragestellung sich auf die Genexpression konzentriert - welche Gene aktiviert sind, in welchen Zellen und wie sich diese Muster unter verschiedenen Bedingungen ändern - ist scRNA-seq eine ausgereifte, gut unterstützte und kosteneffektive Lösung.

Fragen zu scRNA-seq beantworten direkt:

• Welche Zelltypen sind in meiner Gewebeprobe vorhanden und wie lauten ihre transkriptionalen Signaturen?
• Welche Gene sind zwischen den Bedingungen unterschiedlich exprimiert und in welchen Zelltypen?
• Welche Entwicklungs- oder Übergangstrajektorien folgen Zellen?
• Wie hängt die Heterogenität der Genexpression mit dem Krankheitszustand oder der Reaktion auf die Behandlung zusammen?

Dies sind transkriptionale Fragen, und für diese liefert scRNA-seq hochwertige Antworten. Die Technologie profitiert von jahrelanger Protokolloptimierung (10x Genomics Chromium, Drop-seq, Smart-seq2), ausgereiften Rechenpipelines (Seurat, Scanpy, Monocle) und umfangreichem Gemeinschaftswissen über Normalisierung, Batch-Korrektur und Clusterbildung.

Was ist scRNA-seq? kann nicht Sehen Sie, ist jedoch ebenso wichtig. Das Transkriptom ist nicht die gesamte Zelle. Mehrere kritische biologische Dimensionen bleiben allein durch RNA-Messungen undurchsichtig:

• Chromatin-Zugänglichkeit. Die Genexpression wird durch den Chromatinzustand reguliert, aber scRNA-seq erfasst nur das endgültige RNA-Produkt. Die regulatorischen Ereignisse, die der Transkription vorausgehen - die Bindung von Transkriptionsfaktoren, die Aktivierung von Enhancern, die Positionierung von Nukleosomen - sind unsichtbar.
• Proteinmenge. Die Korrelation zwischen mRNA- und Proteinspiegeln ist moderat (r ≈ 0,3-0,5), bedingt durch posttranskriptionale Regulation, unterschiedliche Übersetzungsraten und den Proteinumsatz. Eine Veränderung in RNA garantiert keine Veränderung im Protein und umgekehrt.
• Räumlicher Kontext. Die Standard-scRNA-seq erfordert die Gewebedissociation, die die räumlichen Beziehungen zerstört. Nachbarabhängige Signalübertragung, Gewebearchitektur und Wechselwirkungen mit der Mikroumgebung gehen verloren.
• Klonale Architektur. Transkriptionale Ähnlichkeit impliziert keine genetische Verwandtschaft. Ohne genomische Informationen kann scRNA-seq klonale Populationen innerhalb transkriptionell ähnlicher Zellgruppen nicht unterscheiden.

Das Erkennen dieser Grenzen ist keine Schwäche von scRNA-seq – es ist einfach die Definition dessen, was das Transkriptom ist. Die Frage ist, ob Ihre Hypothese diese Grenzen überschreitet. Wenn die Antwort lautet, dass Ihre Frage fest transkriptional bleibt, ist eine gut durchgeführte RNA-Seq Experimente mit angemessenen Zellzahlen und Wiederholungen bleiben der effizienteste Weg zu einem klaren Ergebnis.

Abbildung 1: Die Informationsgrenze von scRNA-seq

Was das Single-Cell Multiome tatsächlich hinzufügt - Drei biologische Informationsschichten

Die Einzelzell-Multiome umfasst mehrere unterschiedliche Modalitätenpaarungen. Jede Paarung fügt eine spezifische Art biologischer Informationen hinzu, die RNA allein nicht bereitstellen kann. Das Verständnis dieser Unterschiede ist entscheidend für die Wahl des richtigen Upgrade-Pfades.

Schicht 1 -RNA + ATAC (Chromatinzugänglichkeit)

Die am weitesten verbreitete Multiome-Paarung profiliert gleichzeitig die Genexpression und die Chromatinzugänglichkeit aus demselben Zellkern. Zu den Technologien gehören die 10x Genomics Chromium Single Cell Multiome ATAC + Gene Expression-Plattform und aufkommende kostengünstigere Alternativen wie Parallel-seq.Cell Reports Methoden, 2025).

Diese Kombination fügt drei biologisch unterschiedliche Fähigkeiten hinzu:

• Funktionsverknüpfung. Durch die Messung von ATAC-seq-Spitzen und der Genexpression aus demselben Zellkern können Multiome-Daten offene Chromatinregionen mit ihren Zielgenen innerhalb einzelner Zellen verknüpfen. Dies offenbart Enhancer-Promotor-Paare, potenzielle cis-regulatorische Elemente und die Chromatinlandschaft, die die zellspezifische Expression formt.
• Chromatin-Potenzial. Die Chromatinzugänglichkeit an regulatorischen Elementen ändert sich oft vor der Genexpression. Dieses "Chromatinpotential" kann Zellschicksalsentscheidungen früher vorhersagen als die Verschiebungen im Transkriptom - besonders wertvoll für die Analyse von Entwicklungspfaden.
• Fußabdruckanalyse von Transkriptionsfaktor-Motiven. Offene Chromatinregionen enthalten Sequenzmotive für Transkriptionsfaktoren. Durch die Analyse, welche Motive in welchen Zellen zugänglich sind, können Forscher die Aktivität von Transkriptionsfaktoren auf Einzelzellebene ableiten und mechanistische Einblicke in die Regulatoren gewinnen, die die beobachteten Ausdrucksprogramme antreiben. Für Projekte, bei denen die Chromatinzugänglichkeit allein die Hauptfrage ist, ist eine eigenständige ATAC-Seq bleibt eine bewährte Option; das Multiome-Upgrade bietet insbesondere dann einen Mehrwert, wenn diese regulatorischen Ereignisse mit der Genexpressionsausgabe innerhalb derselben Zelle verknüpft werden.

Abbildung 2: RNA + ATAC Multiome Informationsschichten

Schicht 2 -RNA + Protein (CITE-seq / Antikörper-Oligo-Methoden)

CITE-seq (Zellindizierung von Transkriptomen und Epitopen durch Sequenzierung) und verwandte Methoden (REAP-seq, ASAP-seq) verwenden antikörperkonjugierte Oligonukleotide, um gleichzeitig die Häufigkeit von Zelloberflächenproteinen neben dem Transkriptom zu messen.

Diese Kombination adressiert die gut dokumentierte Lücke zwischen RNA- und Proteinspiegeln. Für viele funktionale Marker - insbesondere Immun-Checkpoint-Proteine, Zytokinrezeptoren und Signalmoleküle - ist die Transkriptmenge ein schlechter Indikator für die Oberflächenproteinausdrücke. CITE-seq ermöglicht eine direkte Proteinmessung, ohne dass ein separates Durchflusszytometrie-Experiment erforderlich ist.

CITE-seq ist besonders wertvoll für:

• Annotation des Zustands von Immunzellen. Zelloberflächen-Proteinmarker definieren Immunzelluntergruppen mit höherer Auflösung als nur Transkriptomdaten. Die Unterscheidung zwischen naiven und Gedächtnis-T-Zellen, die Identifizierung von regulatorischen T-Zellen oder die Charakterisierung von myeloiden Subpopulationen ist erheblich genauer, wenn 100-200 Oberflächen-Proteinmarker zusammen mit dem Transkriptom gemessen werden.
• Antikörperzugängliche Biomarkerentdeckung. Wenn das Ziel darin besteht, Marker zu identifizieren, die in translationale Anwendungen überführt werden können, überbrückt die direkte Messung von Oberflächenproteinen die Lücke zwischen Entdeckung und Anwendung.
• Beispiel-Multiplexing. Antikörper-Oligo-Konjugate können auch für das Hashing von Proben verwendet werden, wodurch mehrere Proben in einem einzigen scRNA-seq-Lauf zusammengefasst werden können, was Batch-Effekte und die Kosten pro Probe reduziert.

Abbildung 3: RNA + Protein Multiome (CITE-seq) Arbeitsablauf

Schicht 3 - Trimodale und aufkommende höherordentliche Multiome

Neue Methoden kombinieren drei oder mehr Modalitäten in derselben Zelle. TEA-seq profiliert gleichzeitig RNA, ATAC und Protein aus derselben Zelle. scNMT-seq fügt der Transkriptom-DNA-Methylierung hinzu.

Für die meisten Forschungsfragen bieten zwei Modalitäten (RNA + ATAC oder RNA + Protein) das beste Gleichgewicht zwischen Informationsgewinn und experimenteller Durchführbarkeit. Trimodale Ansätze sollten derzeit am besten für Projekte reserviert werden, bei denen mechanistische Fragen speziell erfordern, dass drei molekulare Schichten gleichzeitig verknüpft werden.

Wann scRNA-seq immer noch die richtige Antwort ist

Bevor man ein Upgrade in Betracht zieht, ist es sinnvoll, die Szenarien zu identifizieren, in denen scRNA-seq allein die optimale Wahl bleibt.

• Ihre Frage ist rein transkriptional. Wenn die zentrale Hypothese unterschiedliche Genexpression, Zelltypentdeckung oder die Kartierung transkriptionaler Trajektorien umfasst - und kein regulatorischer Mechanismus oder eine Validierung auf Proteinebene erforderlich ist - ist scRNA-seq die bewährte, kosteneffektive Lösung.
• Sie priorisieren die Zellendurchsatz. Für dasselbe Budget liefert scRNA-seq mehr Zellen als jede Multiome-Ansatz. Wenn Ihr Experiment eine tiefgehende Probenahme seltener Populationen oder eine umfassende Entdeckung von Zelltypen über viele Proben hinweg erfordert, maximiert scRNA-seq die statistische Power pro Dollar.
• Ihre Proben sind frisch oder hochwertig gefrorenes Gewebe. Multiome-Protokolle erfordern häufig die Isolierung von Kernen anstelle von ganzen Zellen, was zusätzliche Vorbereitungsschritte und potenzielle Qualitätsrisiken mit sich bringt. Wenn die RNA-Qualität grenzwertig ist, erhöht die Hinzufügung einer zweiten Modalität die Wahrscheinlichkeit von teilweisem oder vollständigem Datenverlust.
• Ihr Bioinformatik-Workflow ist nicht bereit für die multimodale Analyse. Multiome-Daten erfordern spezialisierte Analysepipelines, die Modalitäten integrieren. Wenn Ihre aktuelle Analyseumgebung für scRNA-seq optimiert ist und das Team keine Erfahrung mit multimodaler Integration hat, könnte die Lernkurve die Vorteile überwiegen.

Kosten-Nutzen-Vergleich: scRNA-seq vs Multiome

Abbildung 4: Kosten-Nutzen-Vergleichstabelle

Wann man ATAC (Chromatin-Zugänglichkeit) hinzufügen sollte

Die Hinzufügung der Chromatinzugänglichkeit zu Ihrem Einzelzell-Workflow ist wissenschaftlich gerechtfertigt, wenn Ihre Hypothese über "welche Gene exprimiert werden" hinausgeht zu "warum und wie sie reguliert werden."

• Ihre Hypothese betrifft die Genregulation. Wenn die zentrale Frage Ihrer Studie darin besteht, herauszufinden, welche Transkriptionsfaktoren ein Genexpressionsprogramm steuern oder welche Enhancer die zellspezifische Expression kontrollieren, bietet Multiome-Daten den direkten Beweis. Die Verknüpfung von Merkmalen aus gemeinsamen RNA+ATAC-Messungen kann offene Chromatinregionen mit ihren Zielgenen verbinden.
• Sie müssen Enhancer-Promotor-Paare identifizieren. Die Multiome-Feature-Linkage-Analyse korreliert die Zugänglichkeit von ATAC-Peaks mit der nahegelegenen Genexpression über Zellen hinweg. Dies ermöglicht die genomweite Identifizierung von Kandidaten-Paaren von Enhancern und Promotoren, die in spezifischen Zelltypen wirken - Informationen, die entscheidend für die Interpretation nicht-kodierender genetischer Varianten sind.
• Sie untersuchen Entwicklungstrajektorien. Die Chromatinzugänglichkeit an regulatorischen Elementen ändert sich oft vor der Transkription. Diese Asynchronität bedeutet, dass das Chromatinpotential die Zellschicksale früher vorhersagen kann als Veränderungen im Transkriptom.
• Ihre Krankheit beinhaltet epigenetische Dysregulation. Bei Krebs wird die Enhancer-Landschaft häufig durch Mutationen in nicht-kodierenden Regionen, Veränderungen der Kopienzahl, die regulatorische Elemente betreffen, und Änderungen im Ausdruck von Chromatinmodifikatoren umgestaltet. Die Multiome-Analyse erfasst sowohl die regulatorische Umgestaltung als auch ihre transkriptionalen Konsequenzen in derselben Zelle.
• Sie benötigen eine bessere Untertypauflösung. Einige Zellpopulationen, die transcriptionell homogen erscheinen, weisen unterschiedliche Chromatinlandschaften auf. Die ATAC-Modality löst oft Subtypen auf, die RNA allein zusammenfasst. Für Studien, die zusätzlich einen genetischen Kontext erfordern - wie das Verknüpfen von nicht-kodierenden regulatorischen Varianten mit Chromatinveränderungen - ist die Kombination von Multiome mit Whole Exome Sequencing kann regulatorische Ergebnisse an spezifische kodierende Mutationen anknüpfen.

Abbildung 5: Wann ATAC hinzufügen - Entscheidungsflussdiagramm

Wann RNA + Protein (CITE-seq) durchgeführt werden sollte

Die Hinzufügung von Proteinmessungen ist am wertvollsten, wenn die Transkriptmenge kein zuverlässiger Indikator für die Proteinfunktion ist.

• Die Korrelation zwischen Transkript und Protein ist schwach für Ihre Marker. Die Korrelation zwischen mRNA und Protein ist gene-spezifisch. Zytokinrezeptoren, Chemokinrezeptoren und Immun-Checkpoint-Moleküle zeigen häufig eine geringe Übereinstimmung zwischen RNA und Protein. Wenn Ihre Studie sich auf solche Marker konzentriert, bietet CITE-seq eine direkte Proteinquantifizierung.
• Zelloberflächenproteine definieren Ihre Zelltypen. In der Immunologie sind Zelloberflächenmarker der Goldstandard zur Definition von Zelluntergruppen. CD4 und CD8 definieren T-Zell-Linien, CD45RA und CCR7 unterscheiden naive von Gedächtniszuständen, und CD25 und FOXP3 identifizieren regulatorische T-Zellen.
• Sie benötigen eine hochgradige Zellannotation. Die Hinzufügung von 100-200 Proteinmarkern zu einem scRNA-seq-Experiment verbessert die Genauigkeit der Zelltypannotation erheblich. Für Studien, bei denen die Qualität der Annotation von entscheidender Bedeutung ist, bietet die zusätzliche Proteindimension ein Vertrauen, das allein auf RNA-basierter Annotation nicht erreicht werden kann.
• Sie multiplexen Proben. Antikörper-Oligo-Hashing (Cell Hashing, MULTI-seq) verwendet lipidmarkierte oder antikörperkonjugierte Oligonukleotide, um Zellen aus verschiedenen Proben vor dem Zusammenführen zu kennzeichnen, wodurch Batch-Effekte und Kosten pro Probe reduziert werden, während zusätzlich eine Proteinmessung als Bonus hinzugefügt wird.

Abbildung 6: RNA + Protein Multiome Entscheidungsleitfaden

Wann man eine höherordentliche Multiome in Betracht ziehen sollte

Trimodale Assays (RNA + ATAC + Protein) und kombinierte Epigenom-Transkriptom-Ansätze (scNMT-seq) dienen spezialisierten Anwendungsfällen:

• Wenn Ihre Hypothese erfordert, alle drei Ebenen zu verknüpfen - zum Beispiel zu fragen, ob eine Chromatinveränderung zu einer veränderten Transkription führt, die wiederum die Proteinexpression verändert - und alle drei in derselben Zelle zu bestätigen.
• Beim Erstellen eines Referenzdatensatzes, der Chromatin, RNA und Protein aus denselben Zellen als Gemeinschaftsressource erfasst.
• Wenn Sie über ausreichende Ressourcen und technisches Fachwissen für die erheblich höhere Komplexität und Kosten verfügen.

Für die meisten Labore sollte ein trimodaler Ansatz nur in Betracht gezogen werden, nachdem bestätigt wurde, dass die biologische Fragestellung nicht allein mit RNA + ATAC oder RNA + Protein beantwortet werden kann.

Ein praktischer Entscheidungsrahmen - 4 Fragen

Das folgende vier Fragen umfassende Rahmenwerk übersetzt die oben genannten Szenarien in eine umsetzbare Entscheidung.

• Q1: Testet meine zentrale Hypothese ausschließlich transkriptionale Unterschiede (Zelltypen, differentielle Expression, Trajektorie)? Wenn ja: scRNA-seq ist wahrscheinlich ausreichend. Eine Erhöhung der Zellzahl oder biologischer Replikate wird oft mehr Wert bieten als die Hinzufügung einer Modalität.
• Q2: Muss ich wissen, warum sich die Expression ändert - welcher Transkriptionsfaktor, welches Enhancer, welches regulatorische Element? Wenn ja: füge ATAC (Chromatinzugänglichkeit) hinzu. Multiome RNA + ATAC liefert die erforderlichen Merkmalsverknüpfungen und TF-Fußabdruckdaten für die mechanistische Analyse der Genregulation.
• Q3: Ist die Bestätigung auf Proteinebene oder eine verbesserte Zellannotation entscheidend für meine Schlussfolgerungen? Wenn ja: Fügen Sie Protein hinzu (CITE-seq). Dies ist besonders relevant für immunologische Studien, translationalen Biomarker-Arbeiten und jedes Projekt, bei dem der Oberflächenphänotyp Zellzustände definiert.
• Q4: Erfordert mein Projekt die gleichzeitige Erfassung von regulatorischen, transkriptionalen und proteinhaltigen Daten in derselben Zelle? Wenn ja: Ziehen Sie trimodale Ansätze in Betracht und stellen Sie sicher, dass die zusätzliche Komplexität durch eine spezifische mechanistische Fragestellung gerechtfertigt ist. A Multi-Omics-Dienstleistung die experimentelles Design unterstützt und mit modalitätsangepasster Bioinformatik integriert, kann helfen zu bestimmen, ob die zusätzliche Dimension die Kosten und die Komplexität für Ihr spezifisches Projekt rechtfertigt.

Abbildung 7: 4-Fragen Entscheidungsbaum

Überlegungen zum experimentellen Design beim Upgrade auf Multiome

Der Übergang von scRNA-seq zu Multiome erfordert Anpassungen im gesamten experimentellen Workflow.

• Die Anforderungen an die Proben unterscheiden sich. RNA + ATAC-Multiome erfordert Kerne, keine ganzen Zellen. Das Protokoll zur Isolierung der Kerne muss sowohl zugängliche Chromatin (für ATAC) als auch nukleäre RNA (für die Genexpression) erhalten. RNA + Protein (CITE-seq) verwendet ganze Zellen und ähnelt mehr der standardmäßigen scRNA-seq-Probenvorbereitung.
• Der Durchsatz ist typischerweise niedriger. Die 10x Chromium Multiome-Plattform erfasst 5.000-10.000 Zellkerne pro Kanal - etwa die Hälfte des Durchsatzes von standardisiertem scRNA-seq bei vergleichbaren Kosten. Neu auftauchende Technologien wie Parallel-seq behaupten einen höheren Durchsatz (über 200.000 Zellen), sind jedoch noch nicht weit verbreitet.
• Die Anforderungen an die Sequenzierungstiefe variieren je nach Bibliothek. Multiome-Experimente erfordern die Sequenzierung sowohl der ATAC-Bibliothek als auch der Genexpressionsbibliothek aus jeder Partition. Typische Empfehlungen liegen bei 25.000-50.000 Lese-Paaren pro Zellkern für ATAC und 20.000-50.000 Reads pro Zelle für die RNA-Bibliothek.
• Bioinformatik-Pipelines sind modalitätsspezifisch. Cell Ranger ARC ist die Standardverarbeitungs-Pipeline für 10x Multiome-Daten. Zu den nachgelagerten Integrationswerkzeugen gehören Seurats multimodales Framework, MOFA+, MultiVI, multiDGD und scMODAL.
• Die Power-Analyse sollte beide Modalitäten berücksichtigen. Das scPower R-Paket bietet einen Rahmen zur Optimierung von Parametern über Modalitäten hinweg. Pilotversuche mit 2.000-5.000 Kernen pro Bedingung helfen, Effektgrößen vor der Hochskalierung zu schätzen. Forscher, die Histonmodifikationen oder die Bindung von Transkriptionsfaktoren mit höherer Auflösung untersuchen, sollten ebenfalls in Betracht ziehen CUT&Tag-Sequenzierungsdienst als ergänzender epigenomischer Test, der weniger Zellen als herkömmliches ChIP-seq benötigt, was ihn praktisch für Multiome-Experimente mit begrenztem Probenmaterial macht.

Abbildung 8: Vergleich der wichtigsten experimentellen Entwurfsparameter

Einschränkungen und Fallstricke von Multiome-Ansätzen

Multiome-Methoden sind leistungsstark, bringen jedoch Einschränkungen mit sich, die ehrlich abgewogen werden sollten.

• Nukleäre RNA-Bias. RNA + ATAC-Multiome erfasst nur nukleäre RNA, die einen Teil des gesamten Transkriptoms darstellt. Zytoplasmatische Transkripte – insbesondere solche, die sekretierte Proteine, synaptische Moleküle in Neuronen und langlebige mRNAs kodieren – sind systematisch unterrepräsentiert. Computertools wie GENESIS (Riva et al., 2025) schließen diese Lücke, aber die Einschränkung ist methodisch bedingt.
• Kombinierte Datenknappheit. Jede Modalität hat ihr eigenes Abbruchmuster: ATAC erkennt nur etwa 10-20 % der zugänglichen Peaks pro Zelle, und die Proteindaten haben eine begrenzte Merkmalsanzahl. Die Vereinigung der Sparsamkeitsmuster schafft Analyseherausforderungen.
• Batch-Effekte breiten sich über Modalitäten aus. Ein Batch-Effekt in einer Modalität kann die Integration über Modalitäten hinweg verfälschen. Ein ausgewogenes Stichprobendesign, Brückensamples und batch-bewusste Analysen sind entscheidend.
• Höhere Kosten pro Zelle bedeuten weniger Zellen. Bei einem festen Budget erfasst Multiome weniger Zellen als scRNA-seq, was die Möglichkeit zur Entdeckung seltener Populationen verringert.
• Werkzeugreife-Lücke. Multiome-Analysetools entwickeln sich aktiv weiter, sind jedoch weniger ausgereift als die entsprechenden scRNA-seq-Tools. Die besten Praktiken sind noch nicht so stabil. Für Forscher, die eine epigenomische Validierung von multiome-vorhergesagten TF-Bindungen oder Histonmodifikationsmustern benötigen, ChIP-Seq bietet eine orthogonale, gut etablierte Methode zur Bestätigung von regulatorischen Vorhersagen, die aus Einzelzell-Chromatin-Zugänglichkeit-Daten generiert wurden.

Abbildung 9: Zusammenfassung der Einschränkungen des Multiome

Wie man bewertet, ob Ihr Labor ein Upgrade durchführen sollte

• Überprüfen Sie Ihre aktuellen scRNA-seq-Projekte. Welche Fragen sind aufgetaucht, die Sie mit den Expressionsdaten allein nicht beantworten konnten? Wenn das Muster konstant "wir wünschten, wir hätten Chromatindaten" oder "eine Bestätigung auf Proteinebene hätte unsere Schlussfolgerungen verändert" ist, ist das ein klares Signal für ein Upgrade.
• Führen Sie einen Pilotvergleich durch. Ein kleines Pilotexperiment, das scRNA-seq und Multiome aus derselben Probe vergleicht - selbst 1.000-5.000 Zellen pro Modalität - wird den Informationsgewinn, technische Herausforderungen und Analyseanforderungen aufzeigen, die spezifisch für Ihr Gewebe und Ihre Fragestellung sind.
• Betrachten Sie die Publikationslandschaft. Für mechanistische Studien in hochrangigen Fachzeitschriften erwarten Gutachter zunehmend Beweise auf mehreren omischen Ebenen. Die Demonstration von Chromatinumbau am relevanten Enhancer zusammen mit transkriptionalen Veränderungen kann ein Manuskript erheblich stärken.
• Bewerten Sie den Support des Dienstanbieters. Bietet der Anbieter eine integrierte bioinformatische Analyse an, die beide Modalitäten berücksichtigt? Die Komplexität der Integration multimodaler Daten macht die Unterstützung durch einen End-to-End-Service zu einem bedeutenden Faktor für den Projekterfolg.

Abbildung 10: Evaluierungsrahmen für Laboraufrüstungen

Häufig gestellte Fragen

Q: Kann ich vorhandene scRNA-seq-Daten mit neuen Multiome-Daten integrieren?
A: Ja, durch rechnergestützte Integrationsmethoden. Werkzeuge wie Seurats Bridge-Integration und scSHEFT können multimodale Referenzdaten an bestehende scRNA-seq-Datensätze anheften. Allerdings bietet übereinstimmende Multiome-Daten aus derselben Probe immer eine höhere Aussagekraft.

Q: Muss ich mein Probenentnahmeprotokoll für Multiome ändern?
A: Für RNA + ATAC Multiome, ja - Sie benötigen Zellkerne, keine ganzen Zellen. Flash-gefrorenes Gewebe funktioniert, aber das Protokoll zur Isolierung der Zellkerne muss für Ihren Gewebetyp optimiert werden. Für CITE-seq ist die Standardprobenvorbereitung für scRNA-seq kompatibel.

F: Wie viele Zellen benötige ich für ein nützliches Multiome-Experiment?
A: Mindestens 2.000-5.000 Kerne pro Bedingung für RNA + ATAC Multiome. Für seltene Zellpopulationen könnten mehr benötigt werden. Die ATAC-Modaliät ist spärlicher als RNA, daher verbessern höhere Zellzahlen die Auflösung.

Q: Sind Multiome-Daten mit standardmäßigen scRNA-seq-Analysetools kompatibel?
A: Teilweise. Standardnormalisierungs- und Clusterwerkzeuge gelten für die RNA-Komponente. Allerdings erfordern die multimodale Integration, Peak-Calling, Merkmalsverknüpfung und TF-Footprinting spezialisierte Werkzeuge (Cell Ranger ARC, Signac, MOFA+, MultiVI).

Q: Kann ich ATAC zu archivierten gefrorenen Proben hinzufügen?
A: Ja, mit Vorbehalten. Gefrorene Proben können zur Isolierung von Zellkernen verwendet werden, wenn sie richtig aufbewahrt werden. Gefrier-Tau-Zyklen beeinträchtigen sowohl die Integrität der Chromatin als auch die RNA-Qualität.

Q: Wie lange dauert die Analyse von Multiome-Daten im Vergleich zu scRNA-seq?
A: Erwarten Sie eine insgesamt 2-3× längere Analysezeit. Die ATAC-Komponente fügt Peak-Calling, Qualitätsfilterung, Merkmalsverknüpfungsanalyse und Integrationsschritte hinzu.

Q: Was ist der Hauptgrund, warum Multiome-Experimente scheitern?
A: Eine schlechte Qualität der Zellkerne ist der häufigste Fehlerpunkt. Wenn die Isolierung der Zellkerne die Kernmembran schädigt, tritt RNA aus und das ATAC-Signal geht verloren. Die Optimierung des Isolierungsprotokolls für jeden Gewebetyp ist der wichtigste Schritt.

Referenzen:

1. Wu X, Yang X, Dai Y, et al. Einzelzell-Sequenzierung zu Multi-Omics: Technologien und Anwendungen. Biomarker-Forschung2024;12:110. DOI: 10.1186/s40364-024-00643-4
2. Treppner M, et al. Die Leistung von tiefen generativen Modellen zum Lernen gemeinsamer Einbettungen von Multi-Omics-Daten aus Einzelzellen. Grenzen in der Molekularbiowissenschaften. 2022;9:962644. DOI: 10.3389/fmolb.2022.962644
3. Schuster V, et al. multiDGD: Ein vielseitiges tiefes generatives Modell für Multi-Omics-Daten. Naturwissenschaftliche Kommunikation2024;15:10031. DOI: 10.1038/s41467-024-53340-z
4. Wang G, Zhao J, Lin Y, et al. scMODAL: ein allgemeines Deep-Learning-Framework zur umfassenden Ausrichtung von Einzelzell-Multi-Omics-Daten mit Merkmalsverknüpfungen. Naturkommunikation2025;16:4994. DOI: 10.1038/s41467-025-60333-z
5. Wan C, Ji Z. Integration mehrerer Einzelzell-Multi-Omics-Proben mit Smmit. bioRxiv. 2025. DOI: 10.1101/2023.04.06.535857
6. Riva SG, et al. GENESIS: Generierung von scRNA-Seq-Daten aus Multiome-Genexpressionsdaten. bioRxiv. 2025. DOI: 10.1101/2025.05.06.652399
7. Zhang S, Xiao Y, Mo X, et al. Gleichzeitige Profilierung von RNA-Isoformen und Chromatinzugänglichkeit einzelner Zellen menschlicher retinaler Organoide. Naturkommunikation2024;15:8022. DOI: 10.1038/s41467-024-52335-0

Verwandte Dienstleistungen

Dieses Dokument ist nur für Forschungszwecke. Nicht für die Verwendung in diagnostischen Verfahren.