Summary
在这里,我们提出了一个协议,利用基于液滴的微流体单细胞RNA测序技术,从分离的人类胰腺胰岛生成单个细胞的高质量、大规模转录组数据。
Abstract
胰腺胰岛由具有独特激素表达模式的内分泌细胞组成。内分泌细胞在适应正常和病理状况时表现出功能差异。该协议的目标是利用基于液滴的微流体单细胞RNA测序技术,生成每种内分泌细胞类型的高质量、大规模转录组数据。这些数据可用于在正常或特定条件下建立每种内分泌细胞类型的基因表达特征。该过程需要仔细操作、精确测量和严格的质量控制。在此协议中,我们描述了人类胰腺胰岛分离、测序和数据分析的详细步骤。约20,000个人类单小岛细胞的代表性结果表明,该协议的成功应用。
Introduction
胰腺胰岛释放内分泌激素来调节血糖水平。五种内分泌细胞类型在功能上和形态上各不相同,它们参与于这一基本作用:β细胞产生胰高血糖素、β细胞胰岛素、β细胞生长激素、PP细胞胰腺多肽和β-细胞ghrelin1。基因表达分析是在正常或特定条件下对内分泌细胞进行表征的有用方法。从历史上看,整个小岛基因表达分析是使用微阵列和下一代RNA测序2,3,4,5,6,7生成,8.虽然整个小岛转录组有助于识别器官特异性转录本和疾病候选基因,但它未能揭示每个小岛细胞类型的分子异质性。激光捕获微分型(LCM)技术已应用于直接从胰岛9、10、11、12获得特定细胞类型,但低于目标细胞的纯度人口。为了克服这些限制,荧光活性细胞分类(FACS)被用来选择特定的内分泌细胞群,如β-和β细胞13,14,15,16,17,18.此外,Dorrell等人使用基于抗体的FACS分类方法将β细胞分为四个亚群19。FACS排序的小岛细胞也可以镀出用于单个细胞的RNA测序;然而,基于板的方法在可伸缩性20,21,22方面面临着挑战。
为了生成各内分泌细胞类型的高质量、大规模转录组数据,我们应用微流体技术应用于人类小岛细胞。微流体平台以高通量、高质量和可扩展的方式23、24、25、26、27从大量单个细胞生成转录组数据。除了揭示大量捕获的细胞类型的分子特性外,高度可扩展的微流体平台还能在提供足够的细胞时识别稀有细胞类型。因此,该平台应用于人类胰腺胰岛允许分析ghrelin分泌β细胞,这是一种罕见的内分泌细胞类型,由于其稀缺性28,其功能鲜为人知。近年来,我们和其他一些人发表了几项研究,报告使用该技术29、30、31、32,人类胰岛的大规模转录数据。 33.这些数据是公开的,有用的资源为小岛社区研究内分泌细胞异质性及其在疾病的影响。
在这里,我们描述了一种基于液滴的微流体单细胞RNA测序协议,它被用于生成大约20,000个人类小岛细胞的转录组数据,包括β-、β-、β--、PP、β细胞,以及较小比例的非内分泌细胞32.工作流从孤立的人类胰岛开始,并描述了胰岛细胞分离、单细胞捕获和数据分析的步骤。该协议要求使用新鲜分离的小岛,并可应用于人类和其他物种(如啮齿动物)的小岛。使用此工作流,可以在基线和其他条件下构建无偏和全面的小岛细胞图集。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. 人类小岛分离
- 从15-80岁之间的男女尸体器官捐献者中分离出人类胰岛,没有预先存在的疾病,除非研究目的需要具有特定人口特征的捐赠者胰岛。
- 隔离后,将分离的小岛保存在组织培养设施中2-3天。通常需要超过 1 天的时间才能看到小岛损伤。
- 将小岛放入瓶子中,将其完全浸入胰岛介质中。通宵发货后,就把它运到实验室。
- 从胰岛供应商处获取已发货的小岛的胰岛等效数量 (IEQ)。
- 在小岛到达当天从装运中恢复胰岛。使用发动机罩执行此步骤,以尽量减少污染的可能性。
- 在冰箱中冷却完整的小岛介质(CMRL-1066,10%(v/v)FBS,1x Pen-链球菌,2 mM谷氨酰胺。
- 将胰岛从瓶子转移到 50 mL 锥形管。
- 将 10 mL 预冷却的完整胰岛介质添加到清空的瓶子中,以冲掉剩余的小岛。将介质转移到锥形管。
- 在 200 x g下将管离心 2 分钟以回收胰岛。用颗粒吸气上清液,留下约 1-2 mL 介质。
- 使用预冷却的完整胰岛介质重新挂起小岛。根据供应商提供的 IEQ,每 5000 IEQ 添加 12 mL 介质。
- 将小岛倒入介质中,放在10厘米未经处理的组织培养盘上。在37°C的组织培养箱中孵育过夜,在大气空气中孵化5%CO2。
- 分离小岛,如下所示。在隔夜孵育后执行此步骤。
- 预热前完成岛介质和细胞分离溶液。
- 在室温下制备含有0.04%BSA的1xPBS。
- 使用 P200 移液器计数和手动拾取 200-300 个小岛,并将小岛转移到包含 5 mL 预加热完整胰岛介质的 15 mL 锥形管中。
- 以200 x g离心收集胰岛2分钟。轻轻吸出上清液,而不会干扰底部的颗粒。
- 加入1.0 mL预加热细胞解散溶液,通过轻轻上下移液来破坏颗粒。在37°C下孵育小岛9-11分钟。每3分钟移液器上下缓慢移液10秒,将细胞分离成单个细胞。
- 一旦小岛细胞被很好地分离,溶液变得浑浊,加入9 mL完整的小岛介质,并通过30μm细胞滤网过滤到新的15 mL锥形管中。
- 用 2 mL 完整的胰岛介质清洗管和细胞滤网,以收集剩余的胰岛并添加到同一管中。
- 在400 x g下通过离心收集细胞5分钟。
- 轻轻吸出介质,将细胞颗粒重新悬浮在含有 0.04% BSA (PBS-BSA) 的 5 mL 1x PBS 中。
- 过滤通过新的30μm细胞过滤器到15 mL锥形管和离心机在400 x g5分钟收集细胞。
- 在200-300μL 1x PBS-BSA溶液中吸出上清液并重新悬浮细胞颗粒。
- 测量细胞浓度,并将体积调整到400-500细胞/μL的最终浓度。
2. 单细胞悬架质量控制
- 使用基于荧光的自动细胞计数器34确定细胞浓度。
- 将 10 μL 细胞与 0.5 μL AO/DAPI 混合。移液器彻底混合。将 10.5 μL 加载到幻灯片上,并运行细胞计数测定以确定计数和可行性。
- 根据需要根据细胞计数稀释和/或过滤细胞悬浮液。
3. 使用微流体芯片进行单细胞分治。遵循微流体芯片制造商35的协议。
- 将 3' 凝胶珠和逆转录 (RT) 试剂带入室温(>30 分钟)。如果需要,在 TE 缓冲区中重新组建 RT 引水器。
- 如表1所述,在低结合管中准备RT主混合物。
- 确定要为每个样本输入的单元格数。计算交付所需目标细胞数所需的细胞悬浮量 (X)。每个样品中添加的无核酸酶水的计算量为33.8-X μL。
- 对于要分区的每个样品,将33.8-XμL无核酸酶水加入0.2 mL PCR带管中。然后,将 66.2 μL 主混合物添加到每个条管中。此时不要将细胞添加到带管中。移液器轻轻混合。将准备好的带状管放在冰上。
- 将微流体芯片放入芯片盒中。将芯片外壳定向,确保油井(行标记 3)最接近执行实验的人员。
- 如果运行少于 8 个样本,请使用 50% 甘油按以下顺序填充未使用的通道:
- 为所有未使用的通道在第 1 排的井中加入 90 μL 的 50% 甘油。
- 为所有未使用的渠道在第 2 排的井中加入 40 μL 的 50% 甘油。
- 为所有未使用的渠道在第 3 排的井中加入 270 μL 的 50% 甘油。
- 将凝胶珠卡入涡中。涡旋以全速工作30s。多次敲击台面上的带子以收集珠子。确认不存在气泡。
- 将X μL细胞加入制备的带状管中。移液器混合5次。在不丢弃移液器尖端的情况下,将 90 μL 的电池混合物转移到芯片的第 1 排。
- 等待 30 s,然后将 40 μL 的凝胶珠加载到第 2 行。移液器非常缓慢,为这一步。向第 3 排的井中分配 270 μL 的分区油。
- 将芯片垫片钩到芯片支架的卡舌上。将组装的芯片支架放入单单元分区设备中,然后按下运行按钮。
- 运行完成后,立即拆下组装的芯片支架。
- 从支架上拆下芯片垫片,以 45° 角打开芯片盒,并将芯片中的 100 μL 乳液取出至蓝色塑料 96 孔板中。
4. 单细胞cDNA扩增。遵循微流体芯片制造商35的协议。
- 反向转录。
注:在清洁的PCR罩下执行此步骤,以防止未扩增的cDNA受到微生物和其他污染。- 用铝箔密封在加热板密封器上密封 96 孔蓝色板。
- 在热循环器中运行逆转录反应,如下所示:53 °C,45 分钟 ~ 85 °C,保持 5 分钟 = 4 °C 保持。
注:这是一个安全停止点。样品可在4°C下保存长达72小时。
- RT 后纯化
- 将核酸结合磁珠和核酸大小选择磁珠带到室温和涡流中重新悬浮。此时,在 65°C 下将样品清理缓冲液解冻 10 分钟。将所有其他试剂带到室温和涡流。
- 如表 2和表 3所示,准备缓冲区。
- 化学破坏乳液和纯化。
- 为此,请轻轻地从板上取下铝箔密封。
- 将125 μL的粉红色乳液分解试剂放入每个乳液中。等待 1 分钟,然后将整个体积转移到干净的 0.2 mL 带管。确保带管中有一层清晰和粉红色。
- 从带管底部取下 125 μL 的粉红色层,而不会干扰透明层。粉红色层的小体积(±15 μL)留在管中是正常的。
- 将表2的200 μL清理混合物加入带状管,在室温下孵育10分钟。
- 将带状管转移到磁性支架,使溶液清除。去除上清液并丢弃,然后用80%乙醇洗涤珠子两次。让珠子干燥 1 分钟。
- 从磁铁上取下带管,从表 3向磁珠添加 35.5 μL 的洗脱溶液。移液器以在溶液中重新悬浮珠子。在室温下孵育2分钟。
- 将带状管转移到磁性支架,使溶液清除。从带管中取出纯化的 cDNA 并将其分配以清洁 0.2 mL 条带管。
- 放大cDNA。
- 在下面的表4中准备扩增主混合物。
- 在每个样品中加入65μL的cDNA扩增主混合物。将带状管放入热循环器中并运行以下程序:98 °C 3 分钟 = 15 个循环 [98 °C 15 s ] 67 °C 20 秒 = 72 °C 1 分钟 * 72 °C 5 分钟 = 4 °C 保持
注:这是一个安全停止点。样品可在 4°C 下保存长达 72 小时。 - 用0.6x核酸大小选择磁珠来纯化放大的cDNA。用80%乙醇洗涤两次,用40.5 μL洗净。
- 使用自动凝胶电泳和基于荧光的DNA定量测定36,37运行质量控制cDNA。
注:这是一个安全停止点。样品可在4°C下无限期保存长达72小时或-20°C。
5. 测序库建设
- 标记和清理cDNA38。
- 在总体积的 20 μL 中将 cDNA 标准化为 50 纳克。在此步骤中,精确定量至关重要。
- 使表 5中的标记混合,在冰上对每 20 μL cDNA 样品进行等分 30 μL。将样品放入热循环仪并运行标记协议:55 °C 5 分钟 = 10 °C 保持。
- 使用列38执行标记的 cDNA 的清理。在每个样品中加入180μLDNA结合缓冲液。将 230 μL 传输到旋转列。
- 在 1300 x g下离心 2 分钟,然后丢弃流过。
- 用300μLDNA洗涤缓冲液洗涤两次。在 1300 x g下再离心 2 分钟,以确保去除乙醇。
- 通过在柱中加入31μL洗脱缓冲液,在室温下孵育2分钟,将洗脱标记成cDNA。
- 在1300 x g下离心2分钟,以回收纯化产物。
- 样本索引 PCR。
- 选择在多路复用排序运行期间不重叠的条形码。
- 制作样本索引 PCR 主组合,如表 6所示。
- 将60μL的样品指数PCR主混合物加入30μL的纯化样品。
- 在每个样品中添加 10 μL 的 20 μM、4 寡核样品索引(使用记录索引)。总反应体积现在是100μL。
- 将盖子设置为 105 °C,放入热循环器中。运行以下程序: 98 °C 45 s = 12-14 周期 [98 °C 20 s ] 54 °C 30 秒 = 72 °C 20 s= = 72 °C 1 分钟 = 4 °C 保持。
注:这是一个安全停止点。样品可在4°C下保存长达72小时。
- 用双珠清理净化库。
- 将100 μL的核酸大小选择磁珠添加到样品中,并与移液器彻底混合。在室温下孵育5分钟。
- 转移到磁铁,让它站立,直到溶液清除。拆下并丢弃上清液。
- 用200 μL的80%乙醇洗涤两次。
- 将磁体上的磁珠干燥 2 分钟,从磁铁中取出,并将 50.5 μL EB 缓冲液添加到珠子颗粒中。移液器以在缓冲液中重新挂起珠子。
- 在室温下孵育2分钟,转移到磁铁上,让站立2分钟。将50μL的洗脱样品转移到干净的带管中。
- 将40μL核酸大小选择磁珠加入样品,并在室温下孵育5分钟。清除并丢弃上清液。
- 用125 μL的80%乙醇洗涤两次。
- 将磁体上的磁珠干燥 2 分钟,从磁铁中取出,并将 60.5 μL EB 缓冲液添加到珠子颗粒中。移液器以在缓冲液中重新挂起珠子。
- 在室温下孵育2分钟,转移到磁铁中,让它站立2分钟。将50μL的洗脱样品转移到干净的带管中。这是最后的库。
- 将样品在4°C下无限期保存长达72小时或-20°C。请注意,这是一个安全停止点。
- 使用自动凝胶电泳和基于荧光的DNA定量测定36,37对最终库进行量化和运行质量控制。在运行质量控制之前,稀释样品 1:10。
6. 库序
- 将每个样本标准化,将每个样本测序到 2 纳克/μL,并将每个归一化样品的池 3 μL 归一个。
- 使用基于荧光的DNA定量测定37测量池浓度。
- 将池稀释至 0.25 纳克/μL。
- 使池的性质变性如下:12 μL 的稀释池样品 (0.25 纳克/μL) = 1 μL DNA 控制 (1 nM),2 μL EB 缓冲液 = 5 μL NaOH (0.4N)。让此孵育 5 分钟,然后加入 10 μL 的 200 mM Tris pH 8.0。
- 负载 4.05 μL 到 1345.95 μL HT1。将 1.3 mL 加载到音序器的盒中,并使用 26 周期(读取 1)+ 8 个周期(i7 索引) + 0 个周期(i5 Index) = 55 个周期(读取 2)的排序配方,按照制造商的准则39运行。
7. 读取对齐(补充文件 1)
- 运行单元游侠 (v2.0.0) 以去复用原始基础调用 (BCL) 文件,这些文件通过排序到 FASTQ 文件。将FASTQ文件与人类B37.3基因组组装和UCSC基因模型对齐,以获得表达定量。
- 校准质量控制。
- 生成对齐指标并检查 Q30 基础、有效条形码分数、单元格相关的读取分数、映射读取分数和在每个单元中检测到的读取。
- 检查条形码排名图,确保与单元相关的条形码和背景分离。
8. 数据分析(补充文件2)
- 细胞质量控制和预加工。
- 排除具有 < 500 检测到基因的细胞,< 3000 唯一分子标识符 (UMI) 的总数,> 0.2 活力评分,如前面所述32。根据组织和细胞类型调整截断。
- 拆下双子。
- 使用R评估双模态表达模式的五个内分泌激素基因(胰高血糖素-GCG,胰岛素-INS,生长激素素-SST,胰腺多肽-PPY和ghrelin-GHRL)的双模态表达模式包装mclust40.
- 去除表达多个激素基因的细胞,即在高表达模式下具有两个或两个以上激素基因。
- 使用R包Seurat41将基因表达按总UMI标准化,并在细胞水平上乘以10,000的比例因子。
- 去除在少于3个细胞中检测到的基因。
- 使用所有细胞的平均表达和分散检测可变基因。根据组织和细胞类型调整截断。
- 使用可变基因执行主要成分分析。具有选定数量的主要组件的群集单元。通过将一个细胞簇与其他细胞进行比较来推导出细胞簇富集基因。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
单细胞RNA测序工作流程包括三个步骤:将完整的人类胰岛分离成单个细胞悬浮液,使用基于液滴的技术捕获单个细胞,以及分析RNA-seq数据(图1)。首先,获得人类胰岛在一夜之间孵育。完整的胰岛在显微镜下被检查(图2A)。分离的斜岛细胞的完整性已经使用RNA荧光原位杂交(RNA-FISH)得到验证。如图2B所示,分别使用GCG和INS mRNA探针对分离β-和β-细胞进行了可视化。
在单细胞捕获步骤之前,需要确定细胞计数和活力。生存能力低或碎屑高的电池不适合进一步加工。良好的细胞浓度通常介于400至500个细胞/μL之间。在单细胞分治步骤中,大约6000个细胞被加载到微流体芯片中,乳液中的100μL凝胶珠从芯片中去除。图 3A举例说明了分区步骤后乳液的成功示例。每个移液器尖端的液体均匀的淡浑浊,与凝胶珠分离的分区油最小。相比之下,图 3B显示了凝胶珠子和油之间的透明相分离质量较差的乳液。这可能是由于芯片运行过程中的堵塞。
在单细胞分治后,执行cDNA扩增。图4A显示了cDNA扩增后具有代表性的片段大小分布。优质cDNA样本的典型峰值接近1000-2000bp。 有趣的是,一个接近600bp的峰值是小岛cDNA所特有的。RNA-seq库的片段大小分布在300至500bp之间(图4B)。
测序后,我们采用一组读取对齐指标来评估单细胞RNA-seq数据质量(表7)。前三个指标很好地总结了单细胞测序库的质量。平均而言,92% 的读取来自完整单元格,72% 的读取映射到外源。在滴中捕获的所有外子读数中,90%是由完整的细胞产生的,其余可能是无细胞液滴中的环境RNA。这些对齐指标表明数据质量良好。外向读取与 UMI 之间的比率是评估测序饱和度的经验测量,通常,10:1 比率是一个很好的指标。此外,检测到的基因数(UMI > 0)是描述不同细胞类型的有用特征。对于人类小岛细胞,每个细胞中检测到的基因数量约为1,900个。
我们共对12个非糖尿病捐献者20,811个小岛细胞进行了测序。在大约6%的细胞中检测到一种以上的激素的表达。这些多激素细胞最有可能是双倍的,因为我们以前的研究显示,少于<0.1%的单小岛细胞共同表达超过一个内分泌激素33。我们删除了所有被识别的多激素细胞。根据总UMI、检测到的基因和细胞生存能力排除低质量细胞也很重要。在这些质量控制步骤之后,仍有19 174个待进一步分析。聚类分析揭示了12种细胞类型:β、β、β--、PP、β细胞、电管、导管、静默性硬质、活性硬脂质、内皮、巨噬细胞和乳腺细胞(图5)。正如预期的那样,内分泌细胞占多数(表8)。β细胞(即GCG、TTR、CRYBA2、TM4SF4、TMEM176B)和β细胞(即IAPP、INS、HADH、DLK1、RBP4)中的最高富集基因与其他细胞一致研究13,15,16,17,18,20,21,22,29 ,30,31,33.有趣的是,β和β细胞由几个亚群组成。三个β细胞亚群(Beta子1、2和3)与少量亚种群富集基因相似(β子1为18,β子2为33,贝塔子3为18)。第四亚群有488个富集基因。小β细胞亚群(Alpha sub3)由增殖细胞组成,其特征是MKI67、CDK1和TOP2A的富集表达。
图1:单细胞RNA测序工作流程的原理图。请点击此处查看此图的较大版本。
图2:完整和分离的人类小岛的代表图像。(A) 在一夜孵育后拍摄的胰岛图像。(B) 通过INS(白色)和GCG(红色)的RNA-FISH染色可视化的分离小岛细胞。 请点击此处查看此图的较大版本。
图3:复转前单细胞乳液质量检查。(A) 质量好的单细胞乳液.每个移液器尖端的液体是均匀的云。(B) 质量低劣的单细胞乳液.移液器尖端的液体不均匀,显示油和凝胶珠之间的分离。请点击此处查看此图的较大版本。
图4:单细胞cDNA和库质量的检验。(A) 具有代表性的 cDNA 跟踪.该cDNA质量好,产量好,样品的主要峰值在1000-2000bp附近。约600 bp的微量峰值是小岛cDNA的典型和独特。(B) 具有代表性的最终测序库跟踪。这个库的质量和产量都很好,主峰值在300-500bp之间。请点击这里查看这个数字的较大版本。
图5:在人类胰腺胰岛单细胞RNA测序中识别的细胞类型和亚群。在 t 分布的随机邻域嵌入 (tSNE) 维度空间中,单元格由独特的单元格类型进行聚类。分析还显示,在β细胞中,有3个亚群,在β细胞中,有4个亚群。请点击此处查看此图的较大版本。
试剂名称 | 每次反应使用 (μL) |
RT 试剂混合 | 50 |
RT 引锡 | 3.8 |
添加剂 A | 2.4 |
RT酶混合 | 10 |
总 | 66.2 |
表1:反向笔录组合。
试剂名称 | 每个反应使用体积 (uL) |
无核酸酶水 | 9 |
缓冲区示例清理 1 | 182 |
迪纳贝德 米一西兰 | 4 |
添加剂 A | 5 |
总 | 200 |
表 2:清理组合。
试剂名称 | 每个反应使用体积 (uL) |
缓冲区 EB | 98 |
10% 补间 20 | 1 |
添加剂 A | 1 |
总 | 100 |
表3:洗脱溶液。
试剂名称 | 每个反应使用体积 (uL) |
无核酸酶水 | 8 |
放大主混合 | 50 |
cDNA 添加剂 | 5 |
cDNA 底漆混合 | 2 |
总 | 65 |
表4:cDNA扩增混合物。
试剂名称 | 每个反应使用体积 (μL) |
标记酶 | 5 |
标记缓冲区 | 25 |
总 | 30 |
表 5:标记组合。
试剂名称 | 每个反应使用体积 (μL) |
无核酸酶水 | 8 |
放大主混合 | 50 |
SI-PCR 底漆 | 2 |
总 | 60 |
表 6:样本索引 PCR 主组合。
样本 ID | 使用有效单元格条形码读取的百分比 | 总单元格中捕获单元格中的 Exon 读取百分比 | 总读取量中 Exon 读取百分比 | 每个单元格的平均 Exon 读取 | 每个单元格的 UMI 中位数 | 每个细胞的中位基因 |
示例-1 | 92% | 93% | 76% | 142,015 | 10,310 | 1,747 |
示例-2 | 92% | 91% | 74% | 151,395 | 11,350 | 1,754 |
样品-3 | 94% | 92% | 75% | 120,538 | 19,604 | 2,180 |
样品-4 | 95% | 93% | 67% | 160,657 | 11,870 | 2,111 |
示例-5 | 94% | 92% | 62% | 177,809 | 13,821 | 2,288 |
示例-6 | 95% | 89% | 67% | 138,208 | 8,235 | 1,296 |
样品-7 | 94% | 89% | 72% | 147,484 | 13,606 | 2,272 |
样品-8 | 94% | 91% | 69% | 159,793 | 9,505 | 1,865 |
示例-9 | 95% | 92% | 72% | 168,436 | 12,794 | 2,389 |
示例-10 | 83% | 83% | 74% | 88,067 | 13,323 | 1,805 |
示例-11 | 82% | 68k | 77% | 67,752 | 9,295 | 1,278 |
示例-12 | 91% | 85% | 74% | 194,781 | 14,877 | 1,746 |
表 7:读取对齐指标。
单元格类型 | 单元格数 | 每个供体细胞(标准偏差) |
阿 尔 法 | 6546 | 546 (258) |
试用版 | 7361 | 613 (252) |
三角洲 | 922 | 77 (37) |
Pp | 545 | 45 (25) |
小量 | 11 | 1 (1) |
腺 泡 | 836 | 70 (71) |
导管 | 1313 | 109 (95) |
静物 | 225 | 19 (14) |
激活的硬脂 | 890 | 74 (58) |
内皮 | 408 | 34 (21) |
巨 噬 细胞 | 80 | 7 (6) |
雪 旺 | 37 | 3 (3) |
表 8:单元格类型组合。每个细胞类型的细胞总数和每个细胞类型中每个供体的平均细胞数。
补充文件 1:用于序列对齐的命令。请点击此处下载此文件。
补充文件2:R脚本,用于执行细胞质量控制、细胞聚类和识别细胞型富集基因。请点击此处下载此文件。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
近年来开发的单细胞技术为描述细胞类型和研究人类胰腺胰岛分子异质性提供了新的平台。我们采用了基于液滴的微流体单细胞分离和数据分析方案来研究人类胰岛。我们的协议成功地从超过20,000个单人类小岛细胞中生成了RNA测序数据,在序列质量和批次效应方面变化相对较小。
特别是,在该协议中,两个步骤对于高质量结果至关重要。分离人类胰岛时,需要谨慎。重要的是不要过度消化小岛。单细胞分区是单细胞实验成功的又一关键步骤。我们在图3中演示了优质和劣质乳液的例子。清除乳液通常表示分区步骤中收集的单元格数量不足。
访问孤立的初级人类胰岛是产生大规模人类胰岛单细胞转录的速率限制步骤。从个别尸体捐赠者分离的小岛通常在不同时间处理,因此在数据分析期间应仔细检查潜在的样本依赖性批次效应。综合分析可用于识别单个批次中的常见细胞类型和子群体41。批处理效果也可以通过批量校正表达式量化42进行调整。分析单细胞RNA-seq数据的另一个挑战是识别双子数。在数据预处理中,我们采取措施通过识别表达多种激素基因(GCG、INS、SST、PPY和GHRL)的细胞来去除内分泌双子。 由于内分泌激素的表达极高,识别由两种不同的细胞类型形成的双子细胞是一项相对容易的任务。真正的挑战是识别细胞内型双子,例如,由两个β细胞进行双子。由于较高的UMI和较高的检测到的基因数量暗示潜在的双子数,一个解决方案是在细胞QC步骤中去除具有大量基因和UMI的异常值。此外,检测双精度的工具有43,44,45。
单细胞RNA测序的一个主要限制是低灵敏度。使用尖峰在外部RNA控制联盟(ERCC)RNA,我们估计只有10%的表达基因检测使用当前协议,并且检测到的偏向高丰度基因46。胰腺内分泌细胞表达极高水平的激素基因(即GCG、INS、SST和PPY)。 因此,这些基因的mRNA有成为环境RNA的风险。这种背景噪音不能完全避免。然而,这种分步协议将帮助研究人员尽量减少不需要的实验噪音。当前协议是为新鲜分离的组织设计的。其他技术,如单核RNA测序47,48,可用于新鲜、冷冻或轻度固定组织的RNA-seq。此外,最近开发的细胞散列技术49可被视为一种先进的微流体单细胞协议,允许样品多路复用。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
所有作者都是雷诺制药公司的雇员和股东。
Acknowledgments
没有
Materials
Name | Company | Catalog Number | Comments |
30 µm Pre-Separation Filters | Miltenyi Biotec | 130-041-407 | Cell strainer |
8-chamber slides | Chemometec | 102673-680 | Dell counting assay slides |
Bioanalyzer High Sensitivity DNA Kit | Agilent | 5067-4626 | for QC |
Bovine Serum Albumin | Sigma-Aldrich | A9647 | Single cell media |
Chromium Single Cell 3' Library & Gel Bead Kit v2, 16 rxns | 10X Genomics | 120237 | Single cell reagents |
Chromium Single Cell A Chip Kit v2, 48 rx (6 chips) | 10X Genomics | 120236 | Microfluidic chips |
CMRL-1066 | ThermoFisher | 11530-037 | Complete islet media |
EB Buffer | Qiagen | 19086 | Elution buffer |
Eppendorf twin-tec PCR plate, 96-well, blue, semi-skirted | VWR | 47744-112 | Emulsion plate |
Fetal Bovine Serum | ThermoFisher | 16000-036 | Complete islet media |
Human islets | Prodo Labs | HIR | Isolated human islets |
L-Glutamine (200 mM) | ThermoFisher | 25030-081 | Complete islet media |
Nextera DNA Library Preparation Kit (96 samples) | Illumina | FC-121-1031 | Library preparation reagents |
NextSeq 500/550 High Output Kit v2.5 (75 cycles) | Illumina | FC-404-2005 | Sequencing |
Penicillin-Streptomycin (10,000 U/mL) | ThermoFisher | 15140-122 | Complete islet media |
Qubit High Sensitivity dsDNA Kit | Life Technologies | Q32854 | for QC |
Solution 18 | Chemometec | 103011-420 | Cell counting assay reagent |
SPRISelect Reagent | Fisher Scientific | B23318 | Purification beads |
Tissue Culture Dishes (10 cm) | VWR | 10861-594 | for islet culture |
TrypLE Express | Life Technologies | 12604-013 | Cell dissociation solution |
Zymo DNA Clean & Concentrator-5, 50 reactions | VWR | 77001-152 | Library clean up columns |
References
- Gutierrez, G. D., Gromada, J., Sussel, L. Heterogeneity of the Pancreatic Beta Cell. Frontiers in Genetics. 8 (22), (2017).
- Eizirik, D. L., et al. The human pancreatic islet transcriptome: expression of candidate genes for type 1 diabetes and the impact of pro-inflammatory cytokines. PLoS Genetics. 8 (3), e1002552 (2012).
- Fadista, J., et al. Global genomic and transcriptomic analysis of human pancreatic islets reveals novel genes influencing glucose metabolism. Proceedings of the National Academy of Sciences. 111 (38), 13924-13929 (2014).
- Gunton, J. E., et al. Loss of ARNT/HIF1beta mediates altered gene expression and pancreatic-islet dysfunction in human type 2 diabetes. Cell. 122 (3), 337-349 (2005).
- Kutlu, B., et al. Detailed transcriptome atlas of the pancreatic beta cell. BMC Medical Genomics. 2 (3), (2009).
- Maffei, A., et al. Identification of tissue-restricted transcripts in human islets. Endocrinology. 145 (10), 4513-4521 (2004).
- Moran, I., et al. Human beta cell transcriptome analysis uncovers lncRNAs that are tissue-specific, dynamically regulated, and abnormally expressed in type 2 diabetes. Cell Metabolism. 16 (4), 435-448 (2012).
- van de Bunt, M., et al. Transcript Expression Data from Human Islets Links Regulatory Signals from Genome-Wide Association Studies for Type 2 Diabetes and Glycemic Traits to Their Downstream Effectors. PLoS Genetics. 11 (12), e1005694 (2015).
- Ebrahimi, A., et al. Evidence of stress in beta cells obtained with laser capture microdissection from pancreases of brain dead donors. Islets. 9 (2), 19-29 (2017).
- Marselli, L., Sgroi, D. C., Bonner-Weir, S., Weir, G. C. Laser capture microdissection of human pancreatic beta-cells and RNA preparation for gene expression profiling. Methods in Molecular Biology. 560, 87-98 (2009).
- Marselli, L., et al. Gene expression profiles of Beta-cell enriched tissue obtained by laser capture microdissection from subjects with type 2 diabetes. PLoS One. 5 (7), e11499 (2010).
- Sturm, D., et al. Improved protocol for laser microdissection of human pancreatic islets from surgical specimens. Journal of Visualized Experiments. (71), (2013).
- Ackermann, A. M., Wang, Z., Schug, J., Naji, A., Kaestner, K. H. Integration of ATAC-seq and RNA-seq identifies human alpha cell and beta cell signature genes. Molecular Metabolism. 5 (3), 233-244 (2016).
- Benner, C., et al. The transcriptional landscape of mouse beta cells compared to human beta cells reveals notable species differences in long non-coding RNA and protein-coding gene expression. BMC Genomics. 15 (620), (2014).
- Blodgett, D. M., et al. Novel Observations From Next-Generation RNA Sequencing of Highly Purified Human Adult and Fetal Islet Cell Subsets. Diabetes. 64 (9), 3172-3181 (2015).
- Bramswig, N. C., et al. Epigenomic plasticity enables human pancreatic alpha to beta cell reprogramming. The Journal of Clinical Investigation. 123 (3), 1275-1284 (2013).
- Dorrell, C., et al. Transcriptomes of the major human pancreatic cell types. Diabetologia. 54 (11), 2832-2844 (2011).
- Nica, A. C., et al. Cell-type, allelic, and genetic signatures in the human pancreatic beta cell transcriptome. Genome Research. 23 (9), 1554-1562 (2013).
- Dorrell, C., et al. Human islets contain four distinct subtypes of beta cells. Nature Communications. 7, 11756 (2016).
- Li, J., et al. Single-cell transcriptomes reveal characteristic features of human pancreatic islet cell types. EMBO Reports. 17 (2), 178-187 (2016).
- Muraro, M. J., et al. A Single-Cell Transcriptome Atlas of the Human Pancreas. Cell Systems. 3 (4), 385-394 (2016).
- Segerstolpe, A., et al. Single-Cell Transcriptome Profiling of Human Pancreatic Islets in Health and Type 2 Diabetes. Cell Metabolism. 24 (4), 593-607 (2016).
- Bose, S., et al. Scalable microfluidics for single-cell RNA printing and sequencing. Genome Biology. 16 (120), (2015).
- Fan, H. C., Fu, G. K., Fodor, S. P. Expression profiling. Combinatorial labeling of single cells for gene expression cytometry. Science. 347 (6222), 1258367 (2015).
- Klein, A. M., et al. Droplet barcoding for single-cell transcriptomics applied to embryonic stem cells. Cell. 161 (5), 1187-1201 (2015).
- Macosko, E. Z., et al. Highly Parallel Genome-wide Expression Profiling of Individual Cells Using Nanoliter Droplets. Cell. 161 (5), 1202-1214 (2015).
- Zheng, G. X., et al. Massively parallel digital transcriptional profiling of single cells. Nature Communications. 8 (14049), (2017).
- Dominguez Gutierrez, G., et al. Signature of the Human Pancreatic epsilon Cell. Endocrinology. 159 (12), 4023-4032 (2018).
- Baron, M., et al. A Single-Cell Transcriptomic Map of the Human and Mouse. Pancreas Reveals Inter- and Intra-cell Population Structure. Cell Systems. 3 (4), 346-360 (2016).
- Lawlor, N., et al. Single-cell transcriptomes identify human islet cell signatures and reveal cell-type-specific expression changes in type 2 diabetes. Genome Research. 27 (2), 208-222 (2017).
- Wang, Y. J., et al. Single-Cell Transcriptomics of the Human Endocrine Pancreas. Diabetes. 65 (10), 3028-3038 (2016).
- Xin, Y., et al. Pseudotime Ordering of Single Human beta-Cells Reveals States of Insulin Production and Unfolded Protein Response. Diabetes. 67 (9), 1783-1794 (2018).
- Xin, Y., et al. RNA Sequencing of Single Human Islet Cells Reveals Type 2 Diabetes Genes. Cell Metabolism. 24 (4), 608-615 (2016).
- Chemometec. Nucleocounter NC-250: Cell count and viability assay. , (2015).
- 10X Genomics. 10X Genomics: Chromium Single Cell 3’ Reagents Kits v2: User Guide. , 10X Genomics. (2017).
- Agilent Technologies. Agilent Bioanalyzer: High Sensitivity DNA Kit Guide. , Agilent Technologies. (2013).
- Thermo Fischer Scientific. Qubit: dsDNA High Sensitivity Assay Kit. , Thermo Fischer Scientific. (2015).
- Illumina. Illumina Nextera DNA Library Prep Reference Guide. , Illumina. (2016).
- Illumina. llumina NextSeq 500 System Guide. , Illumina. (2018).
- Scrucca, L., Fop, M., Murphy, T. B., Raftery, A. E. mclust 5: Clustering, Classification and Density Estimation Using Gaussian Finite Mixture Models. R J. 8 (1), 289-317 (2016).
- Butler, A., Hoffman, P., Smibert, P., Papalexi, E., Satija, R. Integrating single-cell transcriptomic data across different conditions, technologies, and species. Nature Biotechnology. 36 (5), 411-420 (2018).
- Stuart, T., et al. Comprehensive integration of single cell data. Preprint at bioRixv. , (2018).
- DePasquale, E. A. K., et al. DoubletDecon: Cell-State Aware Removal of Single-Cell RNA-Seq Doublets. bioRxiv. , (2018).
- McGinnis, C. S., Murrow, L. M., Gartner, Z. J. DoubletFinder: Doublet detection in single-cell RNA sequencing data using artificial nearest neighbors. bioRxiv. , (2018).
- Wolock, S. L., Lopez, R., Klein, A. M. Scrublet: computational identification of cell doublets in single-cell transcriptomic data. bioRxiv. , (2018).
- Dominguez Gutierrez, G., et al. Gene Signature of Proliferating Human Pancreatic alpha Cells. Endocrinology. 159 (9), 3177-3186 (2018).
- Habib, N., et al. Massively parallel single-nucleus RNA-seq with DroNc-seq. Nature Methods. 14 (10), 955-958 (2017).
- Habib, N., et al. Div-Seq: Single-nucleus RNA-Seq reveals dynamics of rare adult newborn neurons. Science. 353 (6302), 925-928 (2016).
- Stoeckius, M., et al. Cell Hashing with barcoded antibodies enables multiplexing and doublet detection for single cell genomics. Genome Biology. 19 (1), 224 (2018).