Summary

Sequenziamento dell'RNA a singola cellula e analisi delle isole pancreatiche umane

Published: July 18, 2019
doi:

Summary

Qui, presentiamo un protocollo per generare dati trascrittomi su larga scala di alta qualità e su larga scala di singole cellule da isole pancreatiche umane isolate utilizzando una tecnologia di sequenziamento di RNA microfluidico a celle a goccia.

Abstract

Le isole pancreatiche comprendono cellule endocrine con modelli distintivi di espressione ormonale. Le cellule endocrine mostrano differenze funzionali in risposta a condizioni normali e patologiche. L’obiettivo di questo protocollo è quello di generare dati transcriptome di alta qualità e su larga scala di ogni tipo di cellula endocrina con l’uso di una tecnologia di sequenziamento di RNA microfluidico a celle singola basata su goccia. Tali dati possono essere utilizzati per costruire il profilo di espressione genica di ogni tipo di cellula endocrina in condizioni normali o specifiche. Il processo richiede un’attenta maneggevolezza, una misurazione accurata e un rigoroso controllo di qualità. In questo protocollo vengono descritti i passaggi dettagliati per la dissociazione, il sequenziamento e l’analisi dei dati delle isole pancreatiche umane. I risultati rappresentativi di circa 20.000 cellule di isolotto umano dimostrano il successo dell’applicazione del protocollo.

Introduction

Le isole pancreatiche rilasciano ormoni endocrini per regolare i livelli di glucosio nel sangue. Cinque tipi di cellule endocrine, che differiscono dal punto di vista funzionale e morfologico, sono coinvolte in questo ruolo essenziale: le cellule z-cellule producono glucagone, insulina a cellule z, somatostatina -cellule del PP, polipeptide pancreatica delle cellule PP e ghrelina di cellule sè1. La profilazione dell’espressione genica è un approccio utile per caratterizzare le cellule endocrine in condizioni normali o specifiche. Storicamente, la profilazione dell’espressione genica dell’intero islet è stata generata utilizzando il sequenziamento dell’RNA di microarray e di nuova generazione2,3,4,5,6,7 , 8. Sebbene l’intero trascrittoma dell’isolotto sia informativo per identificare le trascrizioni specifiche dell’organo e i geni candidati alla malattia, non riesce a scoprire l’eterogeneità molecolare di ogni tipo di cellula issolata. La tecnica della microdissection laser di cattura (LCM) èstata applicata per ottenere direttamente tipi di cellule specifici dalle isole 9,10,11,12 ma non è al di sotto della purezza della cellula mirata popolazione. Per superare queste limitazioni, lo smistamento delle cellule attivato dalla fluorescenza (FACS) è stato utilizzato per selezionare specifiche popolazioni di cellule endocrine, come le cellule di z e z13,14,15,16 , 17 mi lato , 18.Inoltre, Dorrell et al. ha utilizzato un approccio di selezione FACS basato su anticorpi per classificare le cellule z in quattro sottopopolazioni19. Le cellule di isolotto in ordine FACS possono anche essere placcate per il sequenziamento dell’RNA di singole cellule; tuttavia, i metodi a piastre devono affrontare sfide di scalabilità20,21,22.

Per generare dati trascrittoma di alta qualità e su larga scala di ogni tipo di cellula endocrina, abbiamo applicato la tecnologia microfluidica alle cellule delle istome umane. La piattaforma microfluidica genera dati trascrittomi da un gran numero di singole cellule in modo ad alta velocità effettiva, alta qualità e scalabile23,24,25,26,27. Oltre a rivelare le caratteristiche molecolari di un tipo di cellula catturate in una grande quantità, la piattaforma microfluidica altamente scalabile consente l’identificazione di tipi di cellule rare quando vengono fornite abbastanza cellule. Quindi, l’applicazione della piattaforma alle isole pancreatiche umane ha permesso la profilazione di cellule sseriforanti, un raro tipo di cellula endocrina con funzione poco conosciuta a causa della sua scarsità28. Negli ultimi anni, diversi studi sono stati pubblicati da noi e altri riportano dati trascrittomi su larga scala di isole umane utilizzando la tecnologia29,30,31,32, 33. I dati sono disponibili al pubblico e risorse utili per la comunità delle isolotto per studiare l’eterogeneità delle cellule endocrine e le sue implicazioni nelle malattie.

In questo caso, descriviamo un protocollo di sequenziamento dell’RNA microfluidico a celle microfluidico basato sulle goccioline, che è stato utilizzato per produrre dati trascrittomi di circa 20.000 cellule di isole umane, tra cui 32. Il flusso di lavoro inizia con isolotti umani isolati e illustra i passaggi di dissociazione delle isolotti, acquisizione di una singola cella e analisi dei dati. Il protocollo richiede l’uso di isolotti appena isolati e può essere applicato alle isole provenienti da esseri umani e altre specie, come i roditori. Utilizzando questo flusso di lavoro, è possibile costruire atlas imparziale e completo delle celle isolotto e completo in condizioni di base e altre condizioni.

Protocol

1. Dissociazione dell’isolotto umano Ottenere isolotti umani isolati da donatori di organi di cadaveri di entrambi i sessi, età compresa tra 15-80 anni, senza malattie preesistenti, a meno che non siano richieste isole di donatori con dati demografici specifici per lo scopo di studio. Dopo l’isolamento, tenere le isole isolate nella struttura di coltura dei tessuti per 2-3 giorni presso il fornitore. Spesso ci vuole più di 1 giorno perché i danni all’isolotto diventino visibili. Mettere gl…

Representative Results

Il flusso di lavoro di sequenziamento dell’RNA a cella singola è costituito da tre passaggi: dissociare le isole umane intatte in sospensione a singola cellula, acquisire singole cellule utilizzando una tecnologia basata su goccia e analizzare i dati RNA-seq (Figura 1). In primo luogo, le isole umane acquisite sono state incubate durante la notte. Gli isolotti intatti sono stati esaminati al microscopio (Figura 2A). L’integrità…

Discussion

Le tecnologie a cella singola sviluppate negli ultimi anni forniscono una nuova piattaforma per caratterizzare i tipi di cellule e studiare l’eterogeneità molecolare nelle isole pancreatiche umane. Abbiamo adottato un protocollo di isolamento microfluidico a singola cellula basato sulle goccioline e analisi dei dati per studiare le isole umane. Il nostro protocollo ha prodotto con successo dati di sequenziamento dell’RNA da oltre 20.000 singole cellule di istolette umane con variazioni relativamente piccole nella qualit…

Disclosures

The authors have nothing to disclose.

Acknowledgements

nessuno

Materials

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

  1. Gutierrez, G. D., Gromada, J., Sussel, L. Heterogeneity of the Pancreatic Beta Cell. Frontiers in Genetics. 8 (22), (2017).
  2. 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).
  3. 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).
  4. 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).
  5. Kutlu, B., et al. Detailed transcriptome atlas of the pancreatic beta cell. BMC Medical Genomics. 2 (3), (2009).
  6. Maffei, A., et al. Identification of tissue-restricted transcripts in human islets. Endocrinology. 145 (10), 4513-4521 (2004).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. Sturm, D., et al. Improved protocol for laser microdissection of human pancreatic islets from surgical specimens. Journal of Visualized Experiments. (71), (2013).
  13. 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).
  14. 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).
  15. 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).
  16. 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).
  17. Dorrell, C., et al. Transcriptomes of the major human pancreatic cell types. Diabetologia. 54 (11), 2832-2844 (2011).
  18. 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).
  19. Dorrell, C., et al. Human islets contain four distinct subtypes of beta cells. Nature Communications. 7, 11756 (2016).
  20. Li, J., et al. Single-cell transcriptomes reveal characteristic features of human pancreatic islet cell types. EMBO Reports. 17 (2), 178-187 (2016).
  21. Muraro, M. J., et al. A Single-Cell Transcriptome Atlas of the Human Pancreas. Cell Systems. 3 (4), 385-394 (2016).
  22. 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).
  23. Bose, S., et al. Scalable microfluidics for single-cell RNA printing and sequencing. Genome Biology. 16 (120), (2015).
  24. 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).
  25. Klein, A. M., et al. Droplet barcoding for single-cell transcriptomics applied to embryonic stem cells. Cell. 161 (5), 1187-1201 (2015).
  26. Macosko, E. Z., et al. Highly Parallel Genome-wide Expression Profiling of Individual Cells Using Nanoliter Droplets. Cell. 161 (5), 1202-1214 (2015).
  27. Zheng, G. X., et al. Massively parallel digital transcriptional profiling of single cells. Nature Communications. 8 (14049), (2017).
  28. Dominguez Gutierrez, G., et al. Signature of the Human Pancreatic epsilon Cell. Endocrinology. 159 (12), 4023-4032 (2018).
  29. 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).
  30. 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).
  31. Wang, Y. J., et al. Single-Cell Transcriptomics of the Human Endocrine Pancreas. Diabetes. 65 (10), 3028-3038 (2016).
  32. 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).
  33. Xin, Y., et al. RNA Sequencing of Single Human Islet Cells Reveals Type 2 Diabetes Genes. Cell Metabolism. 24 (4), 608-615 (2016).
  34. Chemometec. . Nucleocounter NC-250: Cell count and viability assay. , (2015).
  35. 10X Genomics. . 10X Genomics: Chromium Single Cell 3’ Reagents Kits v2: User Guide. , (2017).
  36. Agilent Technologies. . Agilent Bioanalyzer: High Sensitivity DNA Kit Guide. , (2013).
  37. Thermo Fischer Scientific. . Qubit: dsDNA High Sensitivity Assay Kit. , (2015).
  38. Illumina. . Illumina Nextera DNA Library Prep Reference Guide. , (2016).
  39. Illumina. . llumina NextSeq 500 System Guide. , (2018).
  40. 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).
  41. 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).
  42. Stuart, T., et al. Comprehensive integration of single cell data. Preprint at bioRixv. , (2018).
  43. DePasquale, E. A. K., et al. DoubletDecon: Cell-State Aware Removal of Single-Cell RNA-Seq Doublets. bioRxiv. , (2018).
  44. McGinnis, C. S., Murrow, L. M., Gartner, Z. J. DoubletFinder: Doublet detection in single-cell RNA sequencing data using artificial nearest neighbors. bioRxiv. , (2018).
  45. Wolock, S. L., Lopez, R., Klein, A. M. Scrublet: computational identification of cell doublets in single-cell transcriptomic data. bioRxiv. , (2018).
  46. Dominguez Gutierrez, G., et al. Gene Signature of Proliferating Human Pancreatic alpha Cells. Endocrinology. 159 (9), 3177-3186 (2018).
  47. Habib, N., et al. Massively parallel single-nucleus RNA-seq with DroNc-seq. Nature Methods. 14 (10), 955-958 (2017).
  48. Habib, N., et al. Div-Seq: Single-nucleus RNA-Seq reveals dynamics of rare adult newborn neurons. Science. 353 (6302), 925-928 (2016).
  49. Stoeckius, M., et al. Cell Hashing with barcoded antibodies enables multiplexing and doublet detection for single cell genomics. Genome Biology. 19 (1), 224 (2018).

Play Video

Cite This Article
Xin, Y., Adler, C., Kim, J., Ding, Y., Ni, M., Wei, Y., Macdonald, L., Okamoto, H. Single-cell RNA Sequencing and Analysis of Human Pancreatic Islets. J. Vis. Exp. (149), e59866, doi:10.3791/59866 (2019).

View Video