Einzelzell- und räumliche Biologiedienste: Von scRNA-Seq bis hin zu räumlicher Transkriptomik für präzise Zellanalysen

Die Einzelzell-RNA-Sequenzierung löst die Genexpression auf der Ebene einzelner Zellen; die räumliche Transkriptomik kartiert diese Expressionsmuster auf die native Gewebearchitektur. Gemeinsam beantworten sie, welche Zelltypen existieren, welche Zustände sie einnehmen und wo sie sich befinden. Dieser Leitfaden behandelt die Auswahl von Plattformen, die Abwägungen beim experimentellen Design und wie man biologische Fragen mit der richtigen Technologiekonstellation in Einklang bringt.

Abbildung 1: Landschaft der Technologien für Einzelzell- und räumliche Biologie — Übersicht über scRNA-seq, räumliche und Multi-Omics-Plattformen

Von Bulk-Durchschnittswerten zu Zellauflösung

Die zentrale Einschränkung der Bulk-RNA-Sequenzierung ist nicht die Sensitivität – es ist das Durchschnittsbild. Eine Bulk-RNA-seq-Probe aus einem Tumor enthält Transkripte von malignen Zellen, infiltrierenden T-Zellen, stromalen Fibroblasten, Endothelzellen und Makrophagen, die jeweils ein grundlegend unterschiedliches Genprogramm exprimieren. Die Bulk-Messung reduziert diese Heterogenität auf einen einzigen gewichteten Durchschnitt. Die Analyse der differentiellen Expression zwischen Tumor und angrenzendem Normalgewebe kann Hunderte von statistisch signifikanten Genen identifizieren, kann jedoch nicht sagen, ob die Hochregulation von IL6 von den Krebszellen oder den infiltrierenden Immunzellen stammt.

scRNA-seq löst dies, indem es einzelne Zellen in Nanoliter-großen Tropfen kapselt, die Transkripte jeder Zelle mit einem einzigartigen Barcode kennzeichnet und sie separat sequenziert. Ein einzelner 10x Genomics Chromium-Lauf profiliert 500 bis 20.000 Zellen parallel und erzeugt eine Matrix, in der die Zeilen Gene, die Spalten Zellen und jeder Eintrag die Anzahl der detektierten Transkriptmoleküle darstellt (1). Das Ergebnis ist nicht ein Expressionsprofil pro Probe, sondern Tausende – jedes ein Fenster in den transkriptomischen Zustand einer einzelnen Zelle.

Die praktischen Implikationen sind tiefgreifend. Eine scRNA-seq-Studie zu nicht-kleinzelligem Lungenkrebs, die 50.000 Zellen profiliert hat, identifizierte 12 verschiedene Immun- und Stromapopulationen, deren relative Häufigkeiten die Prognose der Patienten vorhersagten – Informationen, die in dem durchschnittlichen Gesamtwert unsichtbar waren. Studien zur Reaktion auf Checkpoint-Inhibitoren bei Melanom-Patienten verwendeten gepaarte scRNA-seq- und T-Zell-Rezeptor-Sequenzierung, um tumorreaktive T-Zell-Klone von immunologischen Zuschauern zu unterscheiden. Die Technologie hat sich von einem Machbarkeitsnachweis zu einer routinemäßigen Anwendung in Studien im Kohortenmaßstab entwickelt.

Abbildung 2: Entscheidungsbaum zur Probenvorbereitung — Frische Zellen vs. Kerne vs. Fixierte Zellen vs. FFPE-Workflow-Auswahl

scRNA-Seq Kerntechnologie

scRNA-seq-Workflows konvergieren zu einer gemeinsamen Architektur. Eine Einzelzell-Suspension wird auf ein Mikrofluidik-Gerät geladen, wo einzelne Zellen zusammen mit kodierten Gelperlen in Öltropfen co-verkapselt werden. Jede Perle trägt Millionen von Oligonukleotiden, die denselben Zellbarcode teilen, sich jedoch in einem zufälligen einzigartigen molekularen Identifikator (UMI) unterscheiden, was eine Transkriptzählung mit molekularer Präzision ermöglicht. Innerhalb jedes Tropfens werden die Zellen lysiert, mRNA wird durch Poly(dT)-Priming erfasst, und die reversen Transkription integriert den Zellbarcode und UMI in die cDNA. Nach dem Brechen der Tropfen und dem Pooling wird die kodierte cDNA von Tausenden von Zellen amplifiziert, fragmentiert und in einer einzigen Bibliothek sequenziert.

Die dominierende kommerzielle Plattform ist die 10x Genomics Chromium-Serie (1, 5). Die Chemie der aktuellen Generation GEM-X v4 verbessert die Sensitivität der Transkriptaufnahme im Vergleich zu ihrem Vorgänger, insbesondere für Zelltypen mit niedrigem RNA-Gehalt wie ruhende Immunzellen und bestimmte neuronale Populationen. Die Zellfangrate liegt bei etwa 50 bis 65 Prozent, mit Doppelraten unter 0,9 Prozent pro 1.000 wiedergewonnenen Zellen. Ein Standardlauf, der 5.000 bis 10.000 Zellen mit 20.000 bis 50.000 Lese-Paaren pro Zelle anvisiert, bietet eine robuste Clusterbildung und differentiellen Ausdruck für die wichtigsten Zellpopulationen, die in Frequenzen von über etwa einem Prozent vorhanden sind.

Mehrere Alternativen besetzen wichtige Nischen. SMART-seq3, eine plattformbasierte Methode, erzeugt eine vollständige Transkriptabdeckung anstelle von 3'- oder 5'-biased Reads und erfasst Spleißstellen, Isoformvielfalt und Punktmutationen. Sie ist besonders geeignet, wenn die Anzahl der Zellen begrenzt ist – Hunderte statt Tausende – und eine tiefgehende Charakterisierung pro Zelle wichtiger ist als bevölkerungsbezogene Statistiken. Der Split-Pool-Barcoding-Ansatz von Parse Biosciences eliminiert Mikrofluidik vollständig und verwendet aufeinanderfolgende Runden der In-Well-Barcodierung, um bis zu 100.000 Zellen pro Experiment zu kennzeichnen, und das zu geringeren Kosten pro Zelle.

Die aufkommende Langlesefront eröffnet eine weitere Dimension. PacBio HiFi- und Oxford Nanopore-Sequenzierung liefern nun eine vollständige Isoformauflösung auf Einzelzellebene, wodurch alternative Spleißereignisse, Fusionstranskripte und allelspezifische Expression aufgelöst werden. Diese Fähigkeit ist besonders relevant für die Neurowissenschaften, wo alternatives Spleißen eine umfangreiche transkriptomische Vielfalt erzeugt, und für die Onkologie, wo Genfusionen die Tumorentstehung antreiben.

Für Entdeckungsprojekte, bei denen die objektive Identifizierung von Zelltypen das Ziel ist, 10x Genomics-basiertes Tropfen-scRNA-seq Mit 3' oder 5' Genexpressionschemie erfasst man die gesamte transkriptionale Landschaft über Tausende von Zellen in einem einzigen Durchlauf. Wenn die Fragestellung eine bereits gereinigte Population anspricht – ein sortiertes Immun-Subset, eine kultivierte Linie mit einer spezifischen Störung – Bulk-RNA-Seq oft eine tiefere transcriptomische Abdeckung zu niedrigeren Kosten pro Probe und der marginale Wert der Einzelzellauflösung nimmt ab. Am anderen Ende des Auflösungs-Spektrums kombinieren Studien zu alternativer Splicing, Fusions-Transkripten oder allelspezifischer Isoformnutzung zunehmend Einzelzellfang mit Langzeit-Sequenzierung auf PacBio HiFi-Plattformen, die eine vollständige Isoform-Auflösung erreichen, die kurzzeitige, 3'-biased Methoden nicht bieten können.

Für eine detaillierte Anleitung zur Probenvorbereitung und zur Entscheidung zwischen scRNA-seq und snRNA-seq siehe unseren Begleitleitfaden zu Einzelzell- und Einzelkern-RNA-Sequenzierung: Probenvorbereitung, Arbeitsablauf und experimentelles Design für gefrorene und frische Gewebe.

Abbildung 3: 10x Genomics scRNA-seq Workflow — Von der Gewebeauflösung zur Datenanalyse

Räumliche Transkriptomik

Die grundlegende Einschränkung von scRNA-seq ist die räumliche Blindheit. Die Gewebedissociation löscht alle Informationen darüber, wo sich jede Zelle befand – ob ein Fibroblast neben einem Tumorknoten oder im distalen Stroma saß, ob zwei interagierende Immunzellen physischen Kontakt hatten oder ob eine seltene Population in einem bestimmten anatomischen Subbereich gruppiert war. Die räumliche Transkriptomik behebt dies, indem sie mRNA direkt aus Gewebeschnitten erfasst und sequenziert und die zweidimensionalen Koordinaten jedes Transkripts bewahrt.

Die Technologielandschaft erstreckt sich über ein Auflösungs-Kontinuum. Am unteren Ende der Auflösung erfasst 10x Visium Transkripte auf Folien, die mit 55-Mikrometer-Punkten bedruckt sind, wobei jeder Punkt räumlich kodierte Fang-Oligonukleotide enthält. Jeder Punkt enthält Transkripte von etwa 1 bis 10 Zellen. Der Visium Fresh Frozen-Workflow verwendet Poly(A)-Fang und funktioniert mit jeder Spezies — Zebrafischen, Axolotls, Pflanzenarten und landwirtschaftlichen Tieren — was ihn zur bevorzugten Plattform für die Forschung an Nicht-Modellorganismen macht.

Am hochauflösenden Ende reduziert Visium HD die Erfassungsbereiche auf 2-Mikrometer-Behälter durch ein kontinuierliches Oligo-Array und erreicht damit eine annähernde Einzelzellauflösung. Die probebasierte Chemie zielt auf etwa 18.000 menschliche oder 20.000 Mausgene ab, was sie für FFPE-Kohorten geeignet macht, bei denen RNA abgebaut ist und die Poly(A)-Erfassung fehlschlagen würde. Xenium verfolgt einen grundlegend anderen Ansatz, indem es Einzelmolekül-FISH mit zyklischer Bildgebung verwendet, um einzelne Transkripte mit subzellulärer Auflösung — etwa 0,2 Mikrometer pro Transkript — zu detektieren, wobei Panels bis zu 5.000 Gene abdecken. Stereo-seq nimmt eine einzigartige Nische ein: 220-Nanometer-DNA-Nanoball-musterbasierte Arrays mit vollständiger Transkriptomabdeckung über Erfassungsbereiche von bis zu 13 mal 13 Zentimetern, groß genug für sagittale Schnitte von ganzen Mausembryonen.

Die praktische Herausforderung besteht nicht darin, zu verstehen, was jede Plattform tut – sondern darin, zwischen ihnen zu wählen. Die meisten Projekte profitieren von einer gestuften Strategie. Verwenden Sie Visium FF oder Stereo-seq für die Entdeckungsebene der gesamten Transkriptom-Kartierung, und validieren Sie dann mit Visium HD für die Auflösung auf Einzelzellebene oder Xenium für subzelluläre Lokalisierung.

Die gestaffelte Strategie hängt von einem unvoreingenommenen Zugang zu mehreren Instrumenten ab. Forscher, die mit ein Anbieter, der Visium Fresh Frozen, Visium HD, Xenium und Stereo-seq vor Ort betreibt Experimente können um die biologische Fragestellung herum gestaltet werden, anstatt um die verfügbaren Hardware. Dies wird entscheidend für Projekte, die sowohl Entdeckung als auch Validierung umfassen: Eine Whole-Transcriptome-Analyse mit Visium FF identifiziert interessante Regionen, Visium HD liefert eine Einzelzellauflösung innerhalb dieser Regionen, und Xenium bestätigt wichtige Transkripte auf subzellulärer Ebene – alles aus seriellen Schnitten desselben Gewebeblocks.

Für eine eingehende Behandlung der Auswahl von Methoden der räumlichen Transkriptomik und der Kompatibilität mit FFPE, siehe unseren Begleitleitfaden zu 10x Genomics Spatial Transcriptomics für FFPE- und gefrorene Gewebe: Kartierung der Genexpression im Gewebe-Kontext.

Abbildung 4: Vergleich der räumlichen Transkriptomik-Plattformen — Visium vs. Visium HD vs. Xenium vs. Stereo-seq

Einzelzell-Multi-Omik

Die Genexpression auf Einzelzellebene erfasst eine Dimension der zellulären Identität. Der funktionale Zustand einer T-Zelle wird jedoch nicht nur durch die Gene definiert, die sie transkribiert, sondern auch durch den Antigenrezeptor, den sie exprimiert, die Chromatinlandschaft, die bestimmt, welche Gene zugänglich sind, und die Oberflächenproteine, die ihre Linie und Aktivierungsstatus kennzeichnen. Die Einzelzell-Multi-Omik integriert zwei oder mehr dieser Datentypen aus derselben Zelle.

Der 10x Genomics Single-Cell Multiome ATAC plus Gene Expression Assay misst gleichzeitig die Chromatinzugänglichkeit und das Transkriptom aus demselben Zellkern. Isolierte Zellkerne werden mit Tn5-Transposase transponiert, die bevorzugt Sequenzierungsadapter in offenen Chromatinregionen einfügt, während nukleäre mRNA mit einer chemischen Methode zur Verwendung von kodierten Gelperlen erfasst wird. Nach der Sequenzierung liefert jeder Zellbarcode zwei verknüpfte Datentypen – ein Genexpressionsprofil und ein Chromatinzugänglichkeitsprofil. Diese gekoppelte Auswertung ermöglicht die Ableitung von Genregulationsnetzwerken, die mit einer der beiden Modalitäten allein unmöglich wäre.

Die Profilierung des Immunrepertoires fügt eine weitere Ebene hinzu. Der 5'-Genexpressionsassay erfasst die V(D)J-Region der T-Zell-Rezeptor- und B-Zell-Rezeptor-Transkripte zusammen mit dem vollständigen Transkriptom, was eine gekoppelte Analyse von Klonotyp und Zellzustand ermöglicht. Das Transkriptom einer einzelnen T-Zelle zeigt, ob sie aktiviert, erschöpft oder regulatorisch ist; ihre TCR-Sequenz identifiziert, welche Klone als Reaktion auf Antigen expandiert sind.

CITE-seq (Cellular Indexing of Transcriptomen und Epitopen durch Sequenzierung) erweitert die Einzelzellauflösung auf die Proteinebene. Zellen werden vor der Kapselung mit einem Panel von oligonukleotid-konjugierten Antikörpern gefärbt; jeder Antikörper trägt einen einzigartigen Barcode, der zusammen mit der mRNA der Zelle erfasst wird. Ein typisches Immunprofiling-Panel umfasst 30 bis 50 Antikörper, die auf Linienmarkierungen (CD3, CD4, CD8, CD19, CD14), Aktivierungsmarkierungen (CD25, CD69, HLA-DR) und Checkpoint-Moleküle (PD-1, TIM-3, LAG-3) abzielen. Das Design des Panels muss eine Balance zwischen biologischer Abdeckung und Sequenzierungsbudget finden – jeder zusätzliche Antikörper verbraucht Reads. Für ein 50-Antikörper-Panel auf 10.000 Zellen sollten etwa 5.000 bis 10.000 zusätzliche Reads pro Zelle für die antikörperabgeleiteten Tags zusätzlich zum Transkriptom-Read-Budget eingeplant werden. Die Antikörper-Titration ist zwingend erforderlich: Titration jedes Antikörper-Konjugats einzeln, um den Färbeindex zu bestimmen, der positive von negativen Populationen klar trennt.

Der praktische Engpass bei Multi-Omics-Projekten ist selten die Datengenerierung – es ist die Integration. Kopplung der Chromatinzugänglichkeit mit der Genexpression aus demselben Zellkernoder Verknüpfung des Klonotyps einer T-Zelle mit ihrem transkriptionalen Phänotyp, erfordert rechnerische Rahmenwerke, die über standardmäßige scRNA-seq-Analysepipelines hinausgehen. Die gewichtete nächstgelegene Nachbaranalyse in Seurat v5 behandelt zwei Modalitäten, aber das Hinzufügen einer dritten – beispielsweise die Proteinabundanz aus CITE-seq-Antikörper-abgeleiteten Tags – bringt Herausforderungen in Bezug auf Dimensionalität und Batch-Korrektur mit sich, die sorgfältige experimentelle Planung im VorausDie Gestaltung der rechnergestützten Integrationsstrategie parallel zum experimentellen Arbeitsablauf vermeidet das häufige Szenario, in dem multimodale Daten schneller anfallen, als sie sinnvoll analysiert werden können.

Für eine tiefere Behandlung der Immunrepertoire-Profilierung und des experimentellen Designs von CITE-seq siehe unseren Begleitleitfaden zu Einzelzell-V(D)J- und CITE-Seq: Integration der Immunrepertoire-Profilierung und Multi-Omics auf Einzelzellebene.

Abbildung 5: Einzelzell-Multi-Omics-Technologien — scRNA-seq, ATAC-seq, V(D)J und CITE-Seq-Integration

Entscheidungen zum experimentellen Design

Die folgenreichsten Entscheidungen in einem Einzelzellprojekt werden getroffen, bevor die erste Zelle in den Mikrofluidik-Chip gelangt. Zellzahl, Sequenzierungstiefe, biologische Replikate und Plattformwahl sind vier voneinander abhängige Variablen, die die statistische Power, die biologische Auflösung und das Budget bestimmen.

Wie viele Zellen?

Die Antwort wird durch Ihre seltenste Zielpopulation bestimmt. Wenn Ihre Zielpopulation etwa zehn Prozent der Eingabezellen ausmacht, erfasst das Einfangen von insgesamt 3.000 Zellen ungefähr 300 Zielzellen – ausreichend für die differentielle Expression. Wenn Ihre Zielpopulation eine Häufigkeit von einem Prozent hat, benötigen Sie ungefähr 10.000 bis 20.000 Zellen, um 100 bis 200 Zielzellen zu erfassen, das Minimum für einen zuverlässigen statistischen Vergleich. Für Populationen unter 0,1 Prozent ohne Anreicherung benötigen Sie 50.000 bis 100.000 oder mehr erfasste Zellen.

Eine systematische Bewertung von 23 Datensätzen mit insgesamt 3,68 Millionen Zellen hat ergeben, dass etwa 500 Zellen pro Zelltyp und biologischem Replikat das Minimum für eine zuverlässige quantitative Messung der Genexpression darstellen. Unterhalb dieser Schwelle wird der Variationskoeffizient in den Pseudobulk-Expressionsschätzungen unakzeptabel hoch. Wenn Sie mit Ihrem Budget nicht auf 500 Zellen für Ihren interessierenden Zelltyp kommen, ziehen Sie eine Anreicherung über FACS vor der Bibliotheksvorbereitung in Betracht.

Wie viele Reads pro Zelle?

Für die Zelltypklassifikation sind 20.000 bis 25.000 Lese-Paare pro Zelle ausreichend. Die Marker-Gene, die die Linien definieren, werden stark exprimiert, und zusätzliche Sequenzierung zeigt abnehmende Erträge hinsichtlich der Clusterauflösung. Für die differentiellen Expressionen innerhalb eines Zelltyps bieten 50.000 Lese-Paare pro Zelle die benötigte Sensitivität für moderate Faltungsänderungen. Für die Erkennung seltener Transkripte — Transkriptionsfaktoren, Zytokine, nicht-kodierende RNAs — können 50.000 bis 100.000 oder mehr Reads pro Zelle erforderlich sein.

Die kritische Beziehung ist der Kompromiss zwischen Zellanzahl und Sequenzierungstiefe. Innerhalb eines festen Sequenzierungsbudgets – sagen wir 500 Millionen Lese-Paaren – können Sie 20.000 Zellen mit 25.000 Reads pro Zelle sequenzieren oder 5.000 Zellen mit 100.000 Reads pro Zelle. Für Zellatlas-Projekte, bei denen die Entdeckung von Populationen das Ziel ist, sollte das Budget auf die Zellanzahl verteilt werden. Für mechanistische Studien, bei denen Populationen bereits identifiziert sind und eine tiefe transkriptionale Charakterisierung erforderlich ist, sollte das Budget auf die Tiefe pro Zelle verteilt werden. Power-Analyse-Frameworks wie scPower modellieren das Zusammenspiel von Stichprobengröße, Zellen pro Probe und Sequenzierungstiefe, um diese Entscheidungen zu leiten (2).

Abbildung 6: Entscheidungsrahmen für das experimentelle Design — Matrix zum Kompromiss zwischen Zellzahl, Sequierungstiefe und Replikaten

Biologische Replikate — Das Nicht Verhandelbare

Die wichtigste statistische Lektion aus dem ersten Jahrzehnt der scRNA-seq ist, dass einzelne Zellen nicht als unabhängige Replikate betrachtet werden können. Differenzielle Ausdruckstests, die einzelne Zellen zwischen Bedingungen vergleichen, behandeln jede Zelle als unabhängige Beobachtung. Aber Zellen aus derselben biologischen Probe teilen sich genetischen Hintergrund, Umweltgeschichte und technische Verarbeitungscharge. Sie als unabhängig zu behandeln, erhöht die effektive Stichprobengröße und führt zu falsch-positiven Raten von 30 bis 80 Prozent.

Die Lösung ist Pseudobulk. Für jeden Zelltyp innerhalb jedes biologischen Replikats aggregieren Sie die Transkriptzahlen über alle Zellen, um ein einzelnes Pseudobulk-Expressionsprofil zu erstellen. Wenden Sie dann Standard-Tools für die differenzielle Expression im Bulk-Bereich wie DESeq2, edgeR oder limma-voom an. Dieser Ansatz modelliert die Variation auf der richtigen Ebene — zwischen biologischen Replikaten, nicht zwischen einzelnen Zellen — und reduziert die falsch-positiven Raten auf die nominalen 5 Prozent. Fachzeitschriften und Gutachter verlangen zunehmend eine auf Pseudobulk basierende Analyse für Ansprüche zur differentiellen Expression.

Wie viele biologische Replikate? Für einen typischen Fall-Kontroll-Vergleich mit moderater Effektgröße – eine zweifache Änderung in 10 Prozent der Gene innerhalb eines Zelltyps – bieten drei bis fünf biologische Replikate pro Gruppe, jeweils mit 500 oder mehr Zellen des Zielzelltyps, eine angemessene Power. Pilotversuche werden dringend empfohlen: Profilieren Sie zunächst zwei bis drei Proben, um die Zelltypfrequenzen zu bestimmen und den Probenvorbereitungsworkflow zu bestätigen, bevor Sie die gesamte Kohorte festlegen.

Für eine detaillierte Anleitung zur Schätzung der Zellnummer, zur Replikationsplanung und zur Budgetoptimierung siehe unseren Begleitleitfaden zu Experimentelles Design für Einzelzellstudien: Zellzahl, Replikate, Sequierungstiefe und Kostenplanung.

CD Genomics Service Arbeitsablauf

Ein Projekt zur Einzelzell- oder räumlichen Biologie umfasst die Probenvorbereitung, den Bibliotheksaufbau, die Sequenzierung und die Datenanalyse. Der Workflow von CD Genomics erfasst die entscheidenden Punkte, an denen technische Beratung den größten Mehrwert bietet.

Abbildung 7: CD Genomics Einzelzell- & räumliche Biologie Service-Workflow — Probe bis Bericht

Der Prozess beginnt mit einer Projektberatung, die die oben genannten Designfragen behandelt – Zellzahl, Tiefe, Replikate und Plattformauswahl. Die Probenvorbereitung ist die technisch sensibelste Phase. Frisches Gewebe muss innerhalb eines engen Zeitfensters nach der Entnahme in eine lebensfähige Einzelzell-Suspension verarbeitet werden; enzymatische Dissoziationsprotokolle sind gewebespezifisch und müssen den Zellerntrag gegen transkriptionale Stressreaktionen abwägen. Für Proben, bei denen intakte Zellen nicht gewonnen werden können – gefrorenes Gewebe, lipidreiche Gehirnproben, archivierte FFPE-Blöcke – kernbasierte Arbeitsabläufe Umgehen Sie die Zellauflösung vollständig und erfassen Sie nukleare Transkripte aus gefrorenen und archivierten Proben, die mit der gesamten Zell-scRNA-seq inkompatibel wären.

Die Bibliotheksvorbereitung erfolgt gemäß validierten Protokollen mit internen Qualitätskontrollpunkten. Die Sequenzierung wird auf Illumina NovaSeq-Plattformen durchgeführt, wobei die Lese-Konfiguration und -Tiefe an den Assay-Typ und die Projektziele angepasst sind. Die bioinformatische Analyse erfolgt über Cell Ranger, Seurat v5 und ScanPy – einschließlich Demultiplexing, Ausrichtung, Filterung von Zell-Barcodes, Entfernung von Umgebungs-RNA, Normalisierung, Dimensionsreduktion, Clustering und Zelltyp-Annotierung. Zu den nachgelagerten Ergebnissen gehören interaktive HTML-Berichte mit UMAP-Visualisierungen, Tabellen mit Cluster-Marker-Genen und Ergebnissen zur differentiellen Expression.

Für die räumliche Transkriptomik fügt die Analysepipeline räumlich bewusste Clusterbildung, histologiegestützte Spot-Auswahl und die Integration mit passenden scRNA-seq-Daten hinzu. Für Multi-Omics-Projekte integriert die gewichtete nächstgelegene Nachbaranalyse in Seurat v5 Modalitäten innerhalb einer gemeinsamen Dimensionsreduktion. Die rechnerischen Anforderungen sind nicht trivial: Ein Standard-Datensatz mit 50.000 Zellen benötigt allein für die Vorverarbeitung 32 bis 64 GB RAM, und die Speicheranforderungen skalieren nichtlinear mit der Zellanzahl. Dedizierte Bioinformatik-Infrastruktur Mit Cell Ranger, Seurat v5 und vorab konfigurierten ScanPy-Pipelines wird diese Skalierung automatisch gehandhabt, sodass Forscher sich auf die biologische Interpretation anstatt auf die Serverkonfiguration konzentrieren können.

Häufig gestellte Fragen

Wann sollte ich scRNA-seq anstelle von Bulk-RNA-seq wählen?

Wählen Sie scRNA-seq, wenn Sie zelluläre Heterogenität auflösen müssen – zur Identifizierung von Zelltypen, zum Nachweis seltener Subpopulationen oder zur Verfolgung von Entwicklungspfaden. Wählen Sie Bulk-RNA-seq, wenn Sie eine spezifische Zellpopulation gereinigt haben und eine tiefgehende transkriptomische Profilierung zu geringeren Kosten pro Probe benötigen. Für Vergleiche mit vielen Bedingungen sollten Sie "screen then zoom" in Betracht ziehen: Zuerst Bulk-Screening, dann scRNA-seq bei den besten Treffern.

Was ist der Unterschied zwischen scRNA-seq und snRNA-seq?

scRNA-seq verwendet intakte Zellen aus frischem Gewebe und erfasst zytoplasmatische mRNA. snRNA-seq verwendet isolierte Kerne aus frischem, gefrorenem oder schwer zu disassozierendem Gewebe und erfasst nukleäre Transkripte, wodurch die durch enzymatische Dissoziation induzierten transkriptionalen Stressartefakte vermieden werden. snRNA-seq ist die bevorzugte Methode für gefrorenes archiviertes Gewebe und Experimente, die ATAC-seq aus derselben Probe erfordern.

Welche Plattform für räumliche Transkriptomik sollte ich wählen?

Verwenden Sie Visium Fresh Frozen für die Entdeckung des gesamten Transkriptoms in jeder Spezies, einschließlich Nicht-Modellorganismen. Verwenden Sie Visium HD für die räumliche Kartierung mit Einzelzellauflösung von menschlichen oder Maus-FFPE-Proben. Verwenden Sie Xenium für die subzelluläre Transkriptlokalisierung mit Zellmorphologie-Auswertung. Verwenden Sie Stereo-seq für die großflächige Kartierung — ganze Embryonen, gesamte Organquerschnitte. Viele Projekte profitieren von der Kombination zweier Plattformen: eine für die Entdeckung, eine für die Validierung.

Wie viele Zellen muss ich profilieren?

Ziel sind mindestens 500 Zellen pro Zelltyp und biologischem Replikat für die quantitative Analyse. Arbeiten Sie rückwärts von Ihrer seltensten Zielpopulation: Wenn sie 1 Prozent der Eingabezellen ausmacht, erfassen Sie mindestens 50.000 Zellen. Wenn eine Anreicherung über FACS möglich ist, sinkt die erforderliche Anzahl der zu erfassenden Zellen erheblich.

Wie viele Sequenzierungsreads pro Zelle benötige ich?

Für die Zelltypklassifikation sind 20.000 bis 25.000 Lese-Paare pro Zelle erforderlich. Für die differentielle Expression innerhalb eines Zelltyps sind 50.000 Lese-Paare pro Zelle notwendig. Zum Nachweis von Transkripten mit niedriger Häufigkeit sind 50.000 bis 100.000 oder mehr pro Zelle erforderlich. Im Zweifelsfall sequenzieren Sie eine Pilotprobe und überprüfen Sie die Sättigungskurve.

Brauche ich biologische Replikate für Einzelzell-Experimente?

Ja. Einzelne Zellen können keine biologischen Replikate ersetzen. Verwenden Sie mindestens drei biologische Replikate pro Bedingung. Wenden Sie Pseudobulking an – aggregieren Sie die Zählungen innerhalb jedes Zelltyps und Replikats – und verwenden Sie dann DESeq2 oder edgeR für den Test auf differentieller Expression. Eine Analyse auf der Ebene einzelner Zellen ohne Pseudobulking führt zu falsch-positiven Raten von 30 bis 80 Prozent.

Kann CD Genomics nicht-modellorganismen bearbeiten?

Ja. Die Visium Fresh Frozen- und Stereo-seq-Plattformen verwenden Poly(A)-Capture-Chemie, die mit jeder Spezies funktioniert, die ein polyadenyliertes Transkriptom besitzt – es sind keine spezies-spezifischen Sondenpanels erforderlich. Wir haben Proben von Zebrafischen, Axolotls, Reis, Pappel, Schwein, Rind und zahlreichen anderen nicht-standardmäßigen Forschungsarten verarbeitet.

Wie lange dauert es normalerweise, ein typisches Einzelzellprojekt abzuschließen?

Für ein Standardprojekt mit 4 bis 8 Proben rechnen Sie mit 3 bis 4 Wochen von der Probenannahme bis zum Abschluss der Sequenzierung, plus 2 bis 4 Wochen für die vollständige bioinformatische Analyse. Beschleunigte Zeitrahmen sind verfügbar.

Referenzen:

1. Luecken MD, Theis FJ. Aktuelle Best Practices in der Analyse von Einzelzell-RNA-Sequenzierungen: ein Tutorial. Molekulare Systemsbiologie2019;15(6):e8746. doi:10.15252/msb.20188746
2. Schmid KT, Cruceanu C, Boettger A, et al. scPower beschleunigt und optimiert das Design von Multi-Proben Einzelzell-Transkriptomstudien. Naturwissenschaften Kommunikation. 2021;12:6627. doi:10.1038/s41467-021-26779-7
3. Squair JW, Gautier M, Kathe C, et al. Falsche Entdeckungen bei der differentiellen Expression von Einzelzellen konfrontieren. Naturwissenschaftliche Kommunikation. 2021;12:5692. doi:10.1038/s41467-021-25960-2
4. Du J, Yang YC, An ZJ, et al. Fortschritte in der räumlichen Transkriptomik und verwandten Datenanalyse-Strategien. Journal für Translationale Medizin2023;21:330. doi:10.1186/s12967-023-04150-2
5. Zheng GXY, Terry JM, Belgrader P, et al. Massiv parallele digitale Transkriptionsprofilierung einzelner Zellen. Naturwissenschaftliche Kommunikation. 2017;8:14049. doi:10.1038/ncomms14049
6. Argelaguet R, Arnol D, Bredikhin D, et al. MOFA+: ein statistisches Framework für die umfassende Integration von multimodalen Einzelzell-Daten. Genomik Biologie2020;21:111. doi:10.1186/s13059-020-02015-1
7. Fang S, Chen B, Zhang Y, et al. Computergestützte Ansätze und Herausforderungen in der räumlichen Transkriptomik. Genomik, Proteomik & Bioinformatik2023;21(1):13-23. doi:10.1016/j.gpb.2022.09.006
8. Yue L, Liu F, Hu J, et al. Ein Handbuch zu räumlichen Transkriptomtechnologien, Datenressourcen und Analyseansätzen. Computational and Structural Biotechnology Journal2023;21:940-955. doi:10.1016/j.csbj.2023.01.016

Nur für Forschungszwecke, nicht zur klinischen Diagnose, Behandlung oder individuellen Gesundheitsbewertung bestimmt.