「シングルセルRNAシーケンシング」の版間の差分

シングルセルRNAシーケンシング(single cell RNA sequencing, 以下scRNA-seq)は、[[次世代シーケンシング]] （next generation sequencing、以下NGS）技術を使用して個々の細胞が発現しているmRNA全体、つまり[[トランスクリプトーム]]を質的、量的に網羅的に調べ、細胞ごとの違いを高解像度で検出、分類することで、細胞の分類を行うことができる分子生物学的、コンピュータ生物学的技術である。また、刺激、発生など細胞の状況に応じて、個々の細胞のトランスクリプトームの情報を得ることで、病態や細胞系譜などの解析も可能である。特に多様な神経細胞が存在する神経系では、この方法により、神経細胞や非神経細胞の分類や状態についての知見が深まり、更に新しい[[バイオマーカー]](biomarker)の発見などが系統的かつ網羅的に行われるようになった。}}

その後、5’末端側も含めた完全長cDNAを増幅するscRNA-seqのプロトコールが考案された。特に、SMART-seq（Switch mechanism at the 5' End of RNA Templates）<ref><pubmed>22820318</pubmed></ref>およびその改良されたプロトコールであるSMART-seq2<ref><pubmed>24056875</pubmed></ref> <ref><pubmed>24385147</pubmed></ref>の使用例が多い（既に、SMART-seq3という改良プロトコールもある[https://doi.org/10.1101/817924] Single-cell RNA counting at allele and isoform resolution using Smart-seq3

）。また、類似法としてSTRT（single-cell tagged reverse transcription）<ref><pubmed>21543516</pubmed></ref>がある。更に、MARS-seq（Massively parallel single-cell RNA-seq）<ref><pubmed>24531970 </pubmed></ref>、CEL-seq（Cell Expression by Linear amplification and Sequencing）<ref><pubmed>22939981</pubmed></ref>、CEL-seq2<ref><pubmed> 27121950 </pubmed></ref>では、[[T7 RNAポリメラーゼ]]による[[in vitro転写]]を用いることにより、PCRで顕著な増幅バイアスを減少させようとしている。

 

これらの方法のうち、SMART-seq、その改良法であるSMART-seq2は、マイクロピペットによる捕獲、セルソーター、[[レーザー捕獲]]などを用いるマルチウェル法、あるいは半導体集積回路製作技術で作った流体集積回路を利用するFluidigm C1の装置[https://jp.fluidigm.com]と組み合わせることで利用される機会が多い<ref><pubmed>30405621</pubmed></ref>[https://doi.org/10.1101/742304]。このSMART-seq2プロトコールの特徴は、全長トランスクリプトームを得ることができることであり、mRNAのスプライシングバリアントなどのアイソフォーム、アリルごとの発現情報が得られるSNPs、変異の検出にも利用できる。また、それぞれ細胞ごとの反応を独立した場所で行うため、別の細胞の反応と混じる可能性がない。これらの点が、次に説明するDropletを使用して3’末端のみを標的にしたscRNA-seqに比べた場合の長所であるが、その高コスト（1細胞あたり数十ドル）と処理可能な細胞数の少なさが短所である。

しかしながら、もっとも重要なscRNA-seqの方法論についての進歩は、2015年、Harvard Medical Schoolの独立した２つのグループが、inDrop<ref><pubmed>26000487</pubmed></ref>そしてDrop-seq<ref><pubmed>26000488 </pubmed></ref>という類似した2つの高スループットな方法を開発したことであろう。これらの方法では、[[マイクロ流体力学]] (Microfluidics) 、 UMI（上述）と細胞ごとのCell Barcodeという2種類のDNAバーコーディング、そしてNGSと情報解析を利用している。そして、多く細胞のサンプル調製の自動化と容易さから、1つの細胞あたりに要するコストを大幅に低下させることに成功した（Drop-seqは発表時で、１細胞あたり約5セント）。つまり、細胞1つずつをマイクロ流体力学によるエマルジョン技術を利用した装置に流入させ、その１細胞を1つのDroplet（油中水滴）に自動的に閉じ込める。そのDroplet中には、DropletごとにCell barcode/UMIとしてユニークなDNAバーコードを持つゲルビーズ(Gel Beads in Emulsion, GEMs)が入っており、それを足場に3’末端のみを標的にしたcDNA合成反応を実施することで、同じ細胞に含まれていたmRNAが同じCell barcodeを持つcDNAとして合成され、そのmRNA/cDNAが由来した細胞を識別できるということを利用している（図１）。なお、DropSeqはコストが低いが、細胞の取得率と検出感度が低い弱点がある。inDropはDropSeqより細胞取得率が高く、パラメータを調整することにより、低レベルで発現される遺伝子の検出にも有利であるとされる<ref><pubmed>30472192</pubmed></ref>。

DropSeqのセットアップはDolomite Bio ([https://www.dolomite-bio.com])、inDropは1 Cellbio社から販売されている[https://1cell-bio.com]。しかし、特に重要なのは10x Genomics社が同様の原理を用いた「Chromium」と命名された機器と試薬のシステムを市販することで、多くの研究者に利用できることになったことである[https://www.10xgenomics.com/jp/]。Svenssonらによる最近のデータベース[https://doi.org/10.1101/742304], [http://www.nxn.se/single-cell-studies/gui]では、scRNA-seqを用いた論文で用いられた方法について調査しているが、この数年、10x Genomics社Chromiumを用いた論文が飛躍的に増加し、scRNA-seqの方法として一般的になりつつあることがわかる（現在、10x Genomics社とBioRad社の間で関連特許をめぐる係争がある。）。このシステムは市販であるので導入が容易であり、DropSeqやinDropに比べ多くの転写産物の高感度検出が可能であるが、ランニングコストは高い<ref><pubmed>30472192</pubmed></ref>。なお、3’エンドリード法だけでなく、N末端側に位置する抗体の可変領域などの検出には5’エンドリード法が利用されることがある。

ここでは主流になっている10x Genomics社のChromiumを用いた方法とSMART-seq2などを用いた方法に共通する方法の実際について俯瞰する。scRNA-seqの利用には、4つのステップがある（図２）<ref><pubmed>30089861</pubmed></ref>。１）個体や組織を採集し、そこから細胞あるいは細胞核を個別にすること。２）ChromiumやSMART-seq2などによる個々の細胞からのライブラリーの作製とNGS。３）前処理（preprocessing、得られた配列の整理）。４）ダウンストリーム解析（生物学的な情報を得るコンピューター生物学）。これらのうち、２）の段階については、上に記述したように市販の機器や試薬を利用する機会が多くなっているので、そのためのマニュアル等が参考になるはずである。

なお、ヒト組織や希少生物などから生細胞を得ることは困難なことが多い。この場合、scRNA-seqの変法として、凍結した組織から、各細胞由来の核を調製し、核内のmRNAを分析するsnRNA-seq (single-nucleus RNA-seq)が利用されている。ただ、snRNA-seqでは、FACSなどによる特定細胞集団の同定が困難であることが多く、細胞質を持つ生細胞を利用した場合と同等な結果が必ずしも得られない<ref><pubmed>24248345</pubmed></ref><ref><pubmed>26890679</pubmed></ref>  <ref><pubmed>27471252</pubmed></ref><ref><pubmed>28846088</pubmed></ref><<ref><pubmed>29220646</pubmed></ref><ref><pubmed>28846088</pubmed></ref><ref><pubmed>30586455</pubmed></ref><ref><pubmed>28729663</pubmed></ref><ref><pubmed>31728515</pubmed></ref><ref><pubmed>32341560</pubmed></ref> [Nature Biotechnology doi: 10.1038/s41587-020-0469-4] 。snRNA-seqでは、組織をそのまま凍結することから開始するので、上述したscRNA-seqの内在的な問題である酵素処理や加温などを避けることができる。こうしたプロトコールの一部は、protocols.ioのHuman Cell Atlasのグループ[https://www.protocols.io/groups/hca]で公開されている。

• 更に、RNAを分析するscRNA-seqではないが、遺伝子発現との関係が想定される[[オープンクロマチン]]領域を[[トランスポゾン]]を用いることで個々の細胞レベルで選択的に検出するsingle cell ATAC-seq (Assay for Transposase-Accessible Chromatin)やsnATAC-seq <ref><pubmed>26083756</pubmed></ref>, <ref><pubmed>29434377</pubmed></ref><ref><pubmed>25953818</pubmed></ref>, single cell THS-seq (transposome hypersensitive-site) <ref><pubmed>29227469</pubmed></ref>、や[[DNAメチル化]]領域を観察するsnmC-seqのような方法も報告されている<ref><pubmed>28798132</pubmed></ref><ref><pubmed>30237449</pubmed></ref>。

10x Genomics社のChromium、Illumina社のNGSを利用した場合、Cell Ranger(Linux上で作動)を用いて、各生物種ごとのレファレンス配列リスト（[https://www.ncbi.nlm.nih.gov/grc]）やEggNOG ([http://eggnogdb.embl.de])などを利用し、細胞とトランスクリプトームの対応マトリックスを作製する。その後のデータの処理についても、10x Genomics社がソフトウェアLoupeを提供している。しかしながら、その後のダウンストリーム解析を考慮して、[[R言語]], [[Python]], MATLABなどのデータ解析のための汎用プログラミング言語やコードで扱えるオブジェクトに変換するのが通常である。ここでは、scRNA-seqデータ解析のために最もよく利用されているR言語を用いたパッケージ「Seurat」<ref><pubmed> 29608179 </pubmed></ref> <ref><pubmed> 31178118 </pubmed></ref>を中心に紹介したい。なお、Pythonを利用したものでは、ドイツ・ミュンヘンInstitute of Computational Biologyの Fabian Theisらが開発しているScanpyが有名である<ref><pubmed> 29409532</pubmed></ref>。

New York UniversityのRahul Satija研究室が開発しているSeuratは、scRNA-seqデータ解析のために広く利用されているRパッケージであり、2020年4月現在、その最新バージョンはSeurat 3.1.4である。論文の正式発表前から、サポート情報提供やコード修正なども頻繁に行っており、Satija研究室のウェッブサイト（ [http://satijalab.org/Seurat]）、Github([https://github.com/satijalab/Seurat])、更にTwitterアカウント（@satijalab）などで最新情報を得ることできる。

最初に行うのは、scRNA-seqデータの品質管理である。ここでは、質の低い細胞のデータ（転写産物の種類が少なく、ミトコンドリア由来の転写産物が多い）を取り除く。また、複数の試料を組み合わせる場合には、バッチごとの違いについて検討する<ref><pubmed>29608177</pubmed></ref>。また、Dropletを使用するscRNA-seqでしばしば問題になるのが、Dropletに２つ以上の細胞が封じ込められ、それらが同一のCell barcodeを持ってしまうアーティファクトである。通常Doubletと呼ばれるこの問題はダウンストリーム解析を混乱させるので、細胞単離の段階から注意する必要があるが、細胞集団に特徴的なマーカー遺伝子が知られていればscRNA-seqデータ取得後にも、データ処理で検討することは可能である。この問題を解決する新たなアプローチも試みられている<ref><pubmed>30954476</pubmed></ref> <ref><pubmed>31836005</pubmed></ref><ref><pubmed>31856883</pubmed></ref> [https://doi.org/10.1101/2019.12.17.879304][https://doi.org/10.1101/699637]。

このようなノーマライゼーションの過程を経て、scRNA-seqのデータ解析において、最初に行うのが、[[次元圧縮]] (dimensionality reduction)である<ref><pubmed>30617341</pubmed></ref><ref><pubmed>31780648</pubmed></ref>。PCA (Principal component analysis, 主成分分析)、UMAP（Uniform Manifold Approximation and Projection, 均一マニフォールド近似と投影）、Diffusion maps,  t-SNE(t-distributed Stochastic Neighbor Embedding , t分布型確率的近傍埋込み)などの手法が用いられる。 特に、t-SNE[http://www.jmlr.org/papers/v9/vandermaaten08a.html]は、高次元データを低次元の点の集合として可視化することで、それぞれの細胞の持つトランスクリプトームの類似度についての直観的な表示が可能でありしばしば用いられる（図３）。次に、[[Louvainアルゴリズム]]などでクラスタリング（コミュニティ分割）を行いグラフ上に表示できる（図３の色分け）。こうして、違ったタイプの細胞の集合が別のクラスターとして表示される。しかし、データによっては、tSNEだけでなく、他の方法でパラメータの調節を行うことで違ったデータ解釈（別の細胞クラスターの同定）ができるケースもあり、違った方法も試してみることが推奨される。

  [[ファイル:ScRNAseqFig3.jpg|サムネイル|250px|'''図３．t-SNE によるデータ可視化'''<br>ニワトリ網膜の視細胞のデータを用いて作製[A]。]]

。クラスタリングにより、異なった細胞集団の存在が認識されると、それぞれのクラスターに特徴的に発現している遺伝子を具体的に探索し、細胞集団の持つバイオマーカーによって、そのクラスターの同定が可能になる。例えば、既に神経細胞とグリア細胞に特異的に発現する典型的マーカーはよく知られており、それぞれのクラスターの識別は容易である。更に、神経細胞のタイプを区別できるマーカーや、外部刺激によって遺伝子発現が変化した神経細胞の状態は、In situ hybridizationや免疫組織化学などにより確認できる。このようなクラスターごとに発現が異なる遺伝子（差次的発現遺伝子）を見つけるためには（Differential expression analysis, DE analysis）、SeuratのFindMarkersコマンド中でも利用可能である専用コード（MAST <ref><pubmed>26653891</pubmed></ref>、DESeq2 <ref><pubmed>25516281</pubmed></ref>など）を用いることができる。scRNA-seqの解析に必要なコードは、scRNA-tools [https://www.scrna-tools.org], Awesome single cell [https://github.com/seandavi/awesome-single-cell], Bioconductor[https://www.bioconductor.org]で紹介されており、ほとんどがダウンロード可能である。また、最新の情報については、bioRxivなどのプレプリントサーバで公開されていることが多く、scRNA-seqのデータ（下記参考）とともに、オープンサイエンス実践の好例となっている。細胞ごとの差次的発現遺伝子の可視化には、ドットプロット（dot plot）、ヴァイオリンプロット（violin plot）、次元圧縮の可視化図に重ねる布置プロット（feature plot）などが頻繁に用いられる（図４）。

• また細胞分化や変動に伴う特徴的な遺伝子発現をscRNA-seqで観察することは、遺伝子制御ネットワーク（例、SCENIC<ref><pubmed>28991892</pubmed></ref>, [https://github.com/aertslab/SCENIC]）や[[代謝経路]]や[[シグナル伝達系]]のための[[パスウェイ解析]](例、Metascape<ref><pubmed>30944313</pubmed></ref>, [http://metascape.org])を理解するシステム生物学的な研究として有用である。更に、scRNA-seqで得られた結果をもとに、細胞間相互作用の理解を深めるのを目的とするCellPhoneDB<ref><pubmed>32103204</pubmed></ref>[https：//github.com/Teichlab/cellphonedb]、NicheNet<ref><pubmed>3181926</pubmed></ref>,　SVCA<ref><pubmed>31577949</pubmed></ref>がある。Perturb-seq<ref><pubmed>27984732</pubmed></ref> やその変法<ref><pubmed> 32231336</pubmed></ref>は、CRISPRライブラリーによるゲノム編集を施した細胞をscRNA-seqで解析することで、ゲノム編集で破壊された遺伝子の機能や遺伝子間の相互作用の理解を可能にしている後述するマルチモーダルなscRNA-seqの１つである。

[[大脳皮質]]には、[[錐体細胞]]や[[非錐体細胞]]などの神経細胞や様々なグリア細胞などが見られ、古くから神経細胞タイプの識別が行われてきた。初期のscRNA-seq技術でも、マウス皮質の小規模な細胞数を分類した研究で、これまで知られていた主要な細胞タイプとは違うタイプが見つかりその有効性が示された<ref><pubmed>25700174</pubmed></ref>。その後のDroplet使用の3’エンドリード法を利用した多数の細胞数の解析で、更に多数の神経細胞のタイプが見つかっている<ref><pubmed>28846088</pubmed></ref><ref><pubmed>30096299</pubmed></ref><ref><pubmed>30096314</pubmed></ref><ref><pubmed>30382198</pubmed></ref><ref><pubmed>29320739</pubmed></ref><ref><pubmed>28846088</pubmed></ref>[https://doi.org/10.1101/2020.03.14.991018]。特に、GABA作動性介在神経細胞タイプの多様性とその発生<ref><pubmed>28942923</pubmed></ref><ref><pubmed>28134272</pubmed></ref><ref><pubmed>29472441</pubmed></ref><ref><pubmed>29513653</pubmed></ref>についての情報は重要であろう。また、初期の発生過程<ref><pubmed>26940868</pubmed></ref><ref><pubmed>30485812</pubmed></ref><pubmed>31073041</pubmed></ref><ref><pubmed>30635555</pubmed></ref><ref><pubmed>30625322</pubmed></ref>、老化<ref><pubmed>31551601</pubmed></ref><の理解が、scRNA-Seq技術を利用することで進んでいる。更に、[[神経活動]]によって変化するトランスクリプトームの変化も細胞ごとに調査され興味深い<ref><pubmed>29230054</pubmed></ref> 。 ヒトを含めた霊長類の大脳についても発達段階を含めてscRNA-seqが適用されてきている<ref><pubmed>26060301</pubmed></ref><ref><pubmed>27339989</pubmed></ref><ref><pubmed>29539641</pubmed></ref><ref><pubmed>29217575</pubmed></ref><ref><pubmed>28846088</pubmed></ref><ref><pubmed>29227469</pubmed></ref><ref><pubmed>31303374</pubmed></ref><ref><pubmed>29867213</pubmed></ref><ref><pubmed>31435019</pubmed></ref><ref><pubmed>32424074</pubmed></ref> [https://doi.org/10.1101/709501[https://doi.org/10.1101/2020.03.31.016972][https://doi.org/10.1101/2020.04.23.056390]。ヒトや霊長類に特徴的とされる[[島]]のvon Economo神経細胞（紡錘細胞）のような希少な神経細胞のscRNA-seqにも成功している<ref><pubmed>32127543</pubmed></ref>。

[https://doi.org/10.1101/628347]<ref><pubmed>28602351</pubmed></ref><ref><pubmed>32341542</pubmed></ref>、統合失調症<ref><pubmed>29785013</pubmed></ref><ref><pubmed>32203495</pubmed></ref>、自閉症やレット症候<ref><pubmed>31097668</pubmed></ref><ref><pubmed>30455458</pubmed></ref>

、シャルコー・マリー・トゥース病<ref><pubmed>29888333</pubmed></ref>、ダウン症[https://www.biorxiv.org/content/10.1101/2020.01.01.892398v1]、パーキンソン病<ref><pubmed>30503143</pubmed></ref>[https://doi.org/10.1101/2020.04.29.067587]、がん<ref><pubmed>31327527</pubmed></ref><ref><pubmed>28360267</pubmed></ref>などに適用されている。

、更に10x Genomics社が市販するVisiumなどがある。現状では、大きな組織の空間トランスクリプトミクスは、空間解像度が細胞レベルにいたっておらず、技術普及の観点からも課題が多い。しかし、そのデータを解析するためのアルゴリズム<ref><pubmed>29553578</pubmed></ref><ref><pubmed>29553579</pubmed></ref><ref><pubmed>32350282</pubmed></ref> [https://doi.org/10.1101/757096][ https://doi.org/10.1101/701680] [https://doi.org/10.1101/431957]や、更にMerFish  <ref><pubmed>25858977</pubmed></ref>、corrFISH　　<ref><pubmed>27271198</pubmed></ref>のように、subcellularレベルで多数のmRNAを検出する方法が開発されてきており<ref><pubmed>25549890</pubmed></ref>、scRNA-seqと組み合わせることで、その弱点を補う空間トランスクリプトミクスにも利用され始め<ref><pubmed>30385464</pubmed></ref>、今後の発展が期待される。