Summary
Los ARN circulares (arnar) son ARN no codificantes que pueden tener funciones en la regulación transcripcional y en las interacciones mediantantes entre proteínas. Tras la evaluación de los diferentes parámetros para la construcción de bibliotecas de secuenciación de circRNA, se compiló un protocolo utilizando la preparación total de la biblioteca de ARN varada con el pretratamiento RNase R y se presenta aquí.
Abstract
Los ARN circulares (circARN) son una clase de ARN no codificantes que participan en funciones que incluyen la regulación del microARN (miRNA), la mediación de interacciones proteínas y proteínas y la regulación de la transcripción genética parental. En la secuenciación clásica de ARN de próxima generación (RNA-seq), los círculos se pasan por alto típicamente como resultado de la selección de poli-A durante la construcción de bibliotecas de ARNm, o se encuentran en muy baja abundancia, y por lo tanto son difíciles de aislar y detectar. Aquí, se optimizó un protocolo de construcción de la biblioteca de circRNA comparando kits de preparación de bibliotecas, opciones de pretratamiento y varias cantidades totales de entrada de ARN. Se probaron dos kits de preparación de bibliotecas de transcriptomes completos disponibles en el uso comercial, con y sin pretratamiento de RNase R, y utilizando cantidades variables de entrada total de ARN (1 a 4 g). Por último, múltiples tipos de tejido; incluyendo hígado, pulmón, ganglio linfático y páncreas; así como múltiples regiones cerebrales; incluyendo el cerebelo, el lóbulo parietal inferior, el giso temporal medio, la corteza occipital y el giso frontal superior; se compararon para evaluar la abundancia de circARN a través de tipos de tejidos. El análisis de los datos de ARN-seq generados utilizando seis herramientas diferentes de detección de ARN (find_circ, CIRI, Mapsplice, KNIFE, DCC y CIRCexplorer) reveló que un kit de preparación de la biblioteca de ARN total varado con pretratamiento RNase R y entrada de ARN de 4 g es el óptimo método para identificar el mayor número relativo de circRNAs. De acuerdo con los hallazgos anteriores, se observó el mayor enriquecimiento de los circRNAs en los tejidos cerebrales en comparación con otros tipos de tejidos.
Introduction
Los ARN circulares (ArnNA) son ARN endógenos y no codificantes que han ganado atención dada su expresión generalizada en el transcriptoma eucariota1,2,3. Se forman cuando los exons se empalman entre sí y por lo tanto se consideraron inicialmente como artefactos de empalme4,5. Sin embargo, estudios recientes han demostrado que los circRNAs exhiben tipo de célula, tejido y etapa específica del desarrollo expresión específica3,6 y se conservan evolutivamente2,3. Además, participan en la mediación de interacciones proteína-proteína7,la unión de microARN (miRNA)3,8,9,10, y la regulación de la transcripción genética parental11.
En la secuenciación clásica de ARN (RNA-seq), los círculos pueden perderse por completo durante la construcción de la biblioteca como resultado de la selección de poli-A para ARNm o pueden ser difíciles de aislar dada su baja abundancia. Sin embargo, estudios recientes de caracterización de circRNA han incorporado un paso de pretratamiento utilizando RNase R con el fin de enriquecer para circRNAs2,12,13. RNase R es una exoribonucleasa que digiere los ARN lineales, dejando atrás estructuras circulares de ARN. Los protocolos de enriquecimiento de CircRNA se optimizaron generando y comparando datos de dos kits de construcción de bibliotecas de transcriptomes completos disponibles comercialmente, con y sin un paso de pretratamiento RNase R, y utilizando cantidades variables de entrada total de ARN (1 a 4 g). El protocolo optimizado se utilizó a continuación para evaluar la abundancia de circRNAs en cinco regiones cerebrales diferentes (cerebelo [BC], lóbulo parietal inferior [IP], giso temporal medio [MG], corteza occipital [OC] y gros frontal superior [SF]) y otros cuatro tipos de tejido (hígado [LV], pulmón [LU], ganglio linfático [LN] y páncreas [PA]). Las bibliotecas RNA-seq se emparejaron secuenciadas finales y los datos se analizaron utilizando seis algoritmos de predicción de circRNA diferentes: find_circ3, CIRI14,Mapsplice15,KNIFE16, DCC17y CIRCexplorer18. Según nuestro análisis, se detectó el mayor número de circRNAs únicos cuando se utilizó un kit de preparación de la biblioteca de ARN total varado con pretratamiento RNase R y ARN de entrada total de 4 g. El protocolo optimizado se describe aquí. Como se informó anteriormente19,20, el mayor enriquecimiento de los círculos en el cerebro en comparación con otros tipos de tejido.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Esta investigación se ha llevado a cabo de acuerdo con todas las directrices institucionales, nacionales e internacionales para el bienestar humano. Los tejidos cerebrales se obtuvieron del Programa de Donación cerebral y corporal del Instituto de Investigación de la Salud del Sol Banner en Sun City, AZ. Las operaciones del Programa de Donación cerebral y corporal son aprobadas por la Junta de Revisión Institucional de Occidente (protocolo #20120821). Todos los sujetos o sus representantes legales firmaron el consentimiento informado. Los bioespecímenes comerciales (no cerebrales) fueron comprados a Proteogenex.
1. Tratamiento RNase R
NOTA: En los pasos siguientes, el volumen de reacción se ajusta a un volumen total de 50 sL. Este es el volumen de muestra mínimo que se utilizará en el kit de limpieza y concentrador de ARN (ver Tabla de Materiales). Además, el protocolo optimizado descrito aquí es para una cantidad de entrada de 4 g de ARN total. Se recomienda un tiempo de incubación más largo para el tratamiento con RNase R para una cantidad de entrada >4 g.
- Diluir el ARN total a 4 g en agua libre de RNase de 39 ml en un tubo de microcentrífuga y mezclar bien mediante pipeteo.
- En un tubo separado, diluir la RNase R a una concentración de trabajo de 2 U/L con 1 búfer de reacción RNase R. Haga sólo lo suficiente para su uso inmediato.
- Pipetear 39 l de ARN total y 5 l de búfer de reacción RNase 10x renase en un tubo de reacción de 1,5 ml y mezclar bien mediante pipeteo (50 l será el volumen de reacción total). A continuación, añadir 6 l de RNase R (2 U / L).
- Ajuste la pipeta al volumen de reacción completo (50 l) y mezcle bien pipeteando hacia arriba y hacia abajo 10 veces.
- Colocar el tubo en un baño de agua de 37 oC durante 10 minutos. Asegúrese de que el volumen de reacción completo esté sumergido en el baño de agua.
- Coloque el tubo sobre hielo y proceda inmediatamente con la limpieza y concentración del ARN (sección 2).
2. Purificación de ARN utilizando un kit de limpieza y concentrador de ARN
NOTA: Cuando se utiliza ARN de alta calidad (RIN>8, DV200>80%), el tratamiento con RNase R puede resultar en una pérdida de aproximadamente el 60% de ARN. Usando una entrada de 4 g, se estima que 2–2,5 g de ARN tratado se deja después de la sección 1.
- Antes de empezar, prepare el búfer de lavado de ARN añadiendo 48 ml de etanol al 100% al concentrado tampón y mezcle bien pipeteando. Coloque las columnas de purificación en los tubos de recogida (ver Tabla de materiales)y colóquelas en un estante de tubo.
NOTA: Utilice los siguientes ajustes de centrifugación para todos los pasos siguientes: 10.000–16.000 x g. Si ya se ha realizado el tratamiento con DNase I, omita el tratamiento con DNase I en esta etapa. - Añadir 2 volúmenes de búfer de enlace de ARN a la muestra tratada RNase R, y mezclar bien mediante pipeteo (volumen total: 150 l).
- Añadir 1 volumen de 100% de etanol a la mezcla de muestras tratadas con ARN Binding Buffer y RNase R, y mezclar bien pipeteando (volumen total: 300 l).
- Transfiera todo el volumen a la columna y centrifugar la columna durante 30 s. Deseche el flujo a través.
- Agregue 400 l de búfer de preparación de ARN directamente a la columna, centrifugar la columna durante 30 s y deseche el flujo a través.
- Agregue 700 s de ARN Wash Buffer directamente a la columna, centrifugar la columna durante 30 s y deseche el flujo.
- Añadir 400 l de búfer de lavado de ARN directamente a la columna, centrifugar la columna durante 2 minutos y transferir la columna a un tubo fresco sin RNase de 1,5 ml.
- Agregue 11 l de agua libre de RNase directamente a la columna sosteniendo la punta de la pipeta justo encima del filtro de columna y asegurándose de que el agua aterrice solo en el filtro de columna.
- Incubar la columna durante 1 min a temperatura ambiente y centrifugar durante 1 min.
- Antes de desechar la columna, compruebe si hay flujo en el tubo libre de RNase. Si la elución se realizó correctamente, almacene la muestra a -80 oC o proceda inmediatamente con la preparación de la biblioteca. El volumen de elución total final de aproximadamente 10 l se utiliza para la construcción de la biblioteca.
NOTA: Punto de parada: Deje el ARN a -80 oC durante un máximo de 7 días antes de continuar con la preparación de la biblioteca.
3. Preparación de la biblioteca de circRNA
NOTA: Consulte Tabla de materiales para el kit, que contiene la mayoría de los reactivos utilizados en esta sección.
- rRNA agotamiento y fragmentación
- Transfiera 10 ml de ARN purificado del paso 2.10 a un pozo limpio en una nueva placa PCR de 96 pocillos de 0,3 ml. Para el pozo, agregue 5 l de tampón de enlace de arnm seguido de una mezcla de eliminación de arRNA de 5 l. Pipetear suavemente 10 veces para mezclar.
- Sellar la placa e incubar durante 5 min a 68oC sobre un bloque termociclador preprogramado y precalentado. Después de la finalización de la incubación de 5 minutos, coloque la placa en el banco e incubar a temperatura ambiente durante 1 min.
- Retire el sello de la placa. Añadir 35 l de perlas de eliminación de ARN raxaaa a temperatura ambiente vórtice a la muestra. Ajuste la pipeta a 45 s y la pipeta hacia arriba y hacia abajo de 10 a 20 veces para mezclar bien. Placa de incubación durante 1 min a temperatura ambiente.
- Transfiera la placa a un soporte magnético e incubar en el soporte durante 1 min o hasta que la solución se despeje. Transfiera todo el sobrenadante (45 l) a un pozo nuevo en la misma placa, o placa nueva (dependiendo de cuántas muestras esté trabajando).
- Vortex las perlas de limpieza de ARN (ver Tabla de Materiales) hasta que estén bien dispersas, y añadir 99 l de perlas a cada muestra. Pipetear hacia arriba y hacia abajo 10x para mezclar. Incubar la placa a temperatura ambiente durante 10 min.
- Transfiera la placa al soporte magnético e incubar 5 minutos adicionales o hasta que la solución se despeje. Retire y deseche todo el sobrenadante del pozo.
- Con la placa todavía en el soporte magnético, añadir 200 s de EtOH recién preparado 80% al pozo sin interrumpir las cuentas. Incubar durante 30 s, luego retirar y desechar el etanol. Repita el proceso para un total de 2 lavados.
- Agregue 11 ml de búfer de elución a cada pocto y pipetee hacia arriba y hacia abajo 10 veces para mezclar. Incubar a temperatura ambiente durante 2 min, y luego transferir al soporte magnético hasta que la solución se despeje (1-5 min).
- Transfiera 8,5 l del sobrenadante del pozo a un pozo nuevo en la misma placa o a una placa nueva. Añadir 8,5 l de la mezcla Elute, Primer, Fragmento alto a cada pozo que contenga la muestra. Pipetear hacia arriba y hacia abajo 10 veces para mezclar a fondo.
- Sellar la placa e incubar durante 8 min a 94oC sobre un bloque termociclador preprogramado y precalentado. Retirar del termociclador cuando alcance los 4oC y centrifugar brevemente.
NOTA: Proceda inmediatamente al protocolo CDNA Synthesize First Strand.
- Sintetizar cDNA
- Para cada muestra que se esté preparando, mezcle la mezcla de síntesis de primera hebra de 9 l con 1 l de transcriptasa inversa (ver Tabla de materiales). Añadir 8 l de la mezcla a la muestra. Pipetear hacia arriba y hacia abajo 6 veces para mezclar.
- Sellar la placa e incubar en un bloque termociclador preprogramado y precalentado utilizando los siguientes parámetros: 25oC durante 10 min, 42oC durante 15 min, 70oC para 15 min, 4oC de retención. Proceda inmediatamente a la síntesis de la segunda hebra.
- Añadir 5 l de tampón de resuspensión a cada muestra seguido de 20 l de mezcla maestra de marcado de segunda hebra. Pipetear todo el volumen hacia arriba y hacia abajo 6 veces.
- Sellar la placa e incubar en un bloque termociclador preprogramado y precalentado ajustado a 16oC durante 1 h. Después de la incubación, retire la placa del termociclador y déjela a la temperatura ambiente.
- Cuentas de purificación de PCR vórtes (ver Tabla de Materiales)y añadir perlas de 90 l a cada pozo de muestra. Pipetear hacia arriba y hacia abajo 10 veces para mezclar a fondo. Incubar a temperatura ambiente durante 10 min.
- Transfiera la mezcla de perlas/muestras al soporte magnético e incubar durante 5 min o hasta que el líquido se despeje. Retire y deseche el sobrenadante.
- Añadir 200 l de 80% EtOH a cada muestra. Incubar muestras en el soporte magnético a temperatura ambiente durante 30 s. Deseche el sobrenadante. Repita 1x.
- Deje que las perlas se sequen a temperatura ambiente durante 6 minutos y, a continuación, retírelas del soporte magnético.
- Resuspenda las perlas en 19,5 ml del tampón de resuspensión. Pipetear hacia arriba y hacia abajo 10 veces para mezclar a fondo. Incubar a temperatura ambiente durante 2 minutos, luego transferir al soporte magnético e incubar durante 1 min adicional o hasta que el líquido se despeje.
- Transfiera 17,5 l de sobrenadante a un pozo nuevo/placa nueva.
NOTA: Si no procede inmediatamente, las muestras pueden almacenarse a -20 oC durante un máximo de 7 días.
- Para cada muestra que se esté preparando, mezcle la mezcla de síntesis de primera hebra de 9 l con 1 l de transcriptasa inversa (ver Tabla de materiales). Añadir 8 l de la mezcla a la muestra. Pipetear hacia arriba y hacia abajo 6 veces para mezclar.
- Preparación de la biblioteca
- Añadir 12,5 l de mezcla A-Tailing a cada pocal que contenga sobrenadante. Pipetear todo el volumen hacia arriba y hacia abajo 10 veces para mezclar.
- Incubar la reacción en un bloque termociclador preprogramado y precalentado ajustado a 37 oC utilizando los siguientes parámetros: 37 oC durante 30 min, 70 oC para 5 min, 4 oC de retención. Cuando las muestras alcancen los 4 oC, proceda inmediatamente a la ligadura del adaptador.
- A cada muestra añadir 2,5 ml de tampón de resuspensión, 2,5 ml de un adaptador de ARN único y 2,5 ml de mezcla de ligaduración. Pipetear hacia arriba y hacia abajo 10x para mezclar.
- Incubar muestras en un bloque termociclador preprogramado y precalentado a 30 oC durante 10 min.
- Agregue 5 ml de búfer Stop Ligation a cada muestra y pipetea hacia arriba y hacia abajo para mezclar.
- Añadir 42 s l de perlas de purificación de PCR mixtas a cada muestra y mezclar bien. Siga los pasos 3.2.6 a 3.2.10, pero cambie el volumen de resuspensión a 52 s y el volumen de elución final a 50 s.
- Repita el protocolo de perlas de purificación de PCR de nuevo con la elución de 50 l de la etapa 3.3.6, pero cambie el volumen de resuspensión a 22 l y el volumen de elución final a 20 l.
NOTA: Si no procede inmediatamente, las muestras pueden almacenarse a -20 oC durante un máximo de 7 días. - Añadir 5 s de PCR Primer Cocktail y 25 l de PCR Master Mix a cada muestra. Mezclar pipeteando 10 veces. Incubar la reacción en un bloque termociclador preprogramado y precalentado utilizando los siguientes parámetros: 98 oC durante 30 s; a continuación, 8 ciclos de 98 oC para 10 s, 60 oC para 30 s y 72 oC para 30 s; luego 72 oC durante 5 min, luego 4 oC de retención.
NOTA: La optimización del número total de ciclos de PCR puede ser necesaria para generar cantidades suficientes de biblioteca para la secuenciación. - Siga el protocolo para la purificación de perlas de PCR (pasos 3.2.4 a 3.2.9), excepto añadir 50 l de perlas de purificación de PCR bien mezcladas y cambiar el volumen de resuspensión a 32,5 l con un volumen de elución final de 30 l.
NOTA: Las muestras deben almacenarse a -20 oC.
- Cuantificación y Control de Calidad utilizando un analizador de ácido nucleico
- Permita que las cintas y los reactivos se equilibren a temperatura ambiente durante 30 min.
- Mezclar 2 l de biblioteca con 2 l de tampón HS D1000 y añadir a una placa de pozo compatible.
- Selle firmemente con sello de lámina compatible y vórtice durante 1 min a 2.000 rpm.
- Gire hacia abajo y cargue la placa en el analizador siguiendo las indicaciones de software.
NOTA: Las bibliotecas deben tener aproximadamente 260 bp de tamaño.
4. Flujo de trabajo de análisis de datos
- Secuenciar bibliotecas de ARN-seq (consulte Tabla de materiales) para generar lecturas de extremo emparejado de 82 bp. Convierta los datos de secuenciación sin procesar en forma de archivos basecall (.bcl) en FASTQ utilizando la herramienta bcl2fastq (v0.2.19).
- Detectar circARN.
NOTA: Basándonos en la evidencia previamente reportada de que un enfoque de detección de círculos de conjunto funciona mejor en comparación con el uso de una sola herramienta de detección21,22, sugerimos el uso de múltiples herramientas para la detección de circRNA. Aquí, los circRNA se identificaron utilizando seis algoritmos de predicción de circRNA existentes: find_circ, CIRI, CIRCexplorer, Mapsplice, KNIFE y DCC, aplicando la configuración de parámetros recomendada para cada algoritmo.- Descargue e instale cada algoritmo de detección de círculos en un clúster informático de alto rendimiento de Linux utilizando las instrucciones proporcionadas por los desarrolladores.
- Alinee los TAq DE ARN-seq con el genoma de referencia (GRCh37), utilizando el alineador recomendado para cada herramienta.
- Después de la alineación, ejecute algoritmos de detección de círculos aplicando sus respectivos parámetros recomendados.
- Cada herramienta generará un archivo de resultados de varias columnas con la lista de círculos detectados, extraerá las coordenadas de circRNA y el número de lecturas de apoyo de esto con el fin de cuantificar el número de candidatos detectados en cada condición de muestra/prueba.
- Convierta la salida de coordenadas de circRNA por CIRI, Mapsplice y DCC en coordenadas basadas en 0 para que sean coherentes con los otros tres algoritmos.
- Seleccione los círculos circulares con dos o más lecturas de soporte o análisis y comparaciones posteriores. La Tabla 1 resume todos los parámetros evaluados en nuestro estudio junto con el número total de lecturas de secuenciación generadas para cada muestra.
- Para cada condición de muestra/prueba, cuente el número de circRNAs detectados normalizados en el número de lecturas asignadas generadas para esa biblioteca, por millón. Resuma los resultados en las distintas herramientas/muestras en las gráficas de cuadro, como se detalla en los Resultados representativos.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Los datos generados utilizando un ARN de control universal (UC) disponible comercialmente y utilizando dos kits de preparación de bibliotecas, que incluyen un paso de agotamiento de riboentos en sus protocolos, se evaluaron por primera vez. Utilizando un flujo de trabajo analítico (flujo de trabajo de análisis de datos, sección 4), en general, se detectó un mayor número de círculos en los conjuntos de datos TruSeq en comparación con los de Kapa (Figura 1). Aunque los porcentajes de ARN ribosomal (ARNR) estaban por debajo del 5% en conjuntos de datos de ambos kits para cantidades de entrada más bajas (1, 2 ug), los conjuntos de datos Kapa tenían un mayor contenido de ARN para 4, 5 y 10 entradas ug(Tabla 2). Por lo tanto, sobre la base del número de circRNAs detectados y la eficiencia de agotamiento de rRNA, se realizaron más experimentos utilizando el kit TruSeq.
A continuación, se probó la importancia del pretratamiento de RNase R comparando los datos generados por las bibliotecas pretratadas y no tratadas previamente de RNase R. Con este fin, se extrajo el ARN total de la MG de personas mayores sanas y se compararon los datos de secuenciación generados a partir de bibliotecas con (N .3) y sin (N x 3) el pretratamiento utilizando RNase R23. Se identificó constantemente un mayor número de circARN en las bibliotecas pretratadas en comparación con las no tratadas previamente(Figura 2). Esto se espera ya que el pretratamiento elimina los ARN lineales, enriqueciendo así para las especies de circRNA.
En tercer lugar, se probó la cantidad de ARN de entrada que sería óptima para detectar una mayor diversidad de circRNAs. Las bibliotecas se prepararon utilizando 1, 2 y 4 g de ARN de entrada total que se extrajo de las regiones cerebrales MG, OC y SF, así como del ARN UC. Comparando la abundancia de circRNAs detectados en cada biblioteca, se observó la mayor diversidad de especies de circARN cuando se utilizaba 4 g de ARN de entrada en comparación con 2 y 1 g(Figura 3),como se refleja en el número de círculos únicos identificados. Una advertencia a tener en cuenta es que aunque no se probaron varios tiempos de incubación durante el tratamiento de RNase R, se observó un número creciente de circARN a través de entradas totales de ARN de 1 a 4 g al controlar todos los demás parámetros.
Este protocolo optimizado se aplicó a continuación a través de múltiples tipos de tejido para comparar las abundancias de circRNA. Se probaron cinco regiones cerebrales, entre ellas BC, MG, OC, IP y SF, de cuatro personas de edad avanzada sanas, junto con otros cuatro tipos de tejidos, incluidos LV, LU, LN y PA, de seis donantes sanos. En general, se observó una mayor abundancia de circRNAs en el cerebro en comparación con otros tipos de tejido(Figura 4),como se ha informado previamente19,20.
Figura 1: Detección de CircRNA utilizando kits de ARN total TruSeq frente a Kapa. Los datos de secuenciación se generaron para el ARN UC utilizando dos kits de preparación de bibliotecas de ARN totales separados, cada uno con pretratamiento de 1, 2, 4, 5 y 10 g de ARN de entrada y ribonucleasa R (RNase R). El número de circRNAs detectados por las herramientas de cada muestra se normalizó al número de lecturas asignadas, por millón (eje Y). Haga clic aquí para ver una versión más grande de esta figura.
Figura 2: Detección de CircRNA con y sin pretratamiento RNase R. Los datos de secuenciación generados con el kit TruSeq se utilizaron para comparar el impacto del pretratamiento de RNase R. El ARN se extrajo del génro temporal medio (MG) de los controles de ancianos sanos para este análisis. El número normalizado de circRNAs detectados (eje Y) se calculó de forma similar a la Figura 1. RNase R+ - Pre-tratado con RNase R, RNase R- - no pre-tratado con RNase R. Por favor, haga clic aquí para ver una versión más grande de esta figura.
Figura 3: Detección de CircRNA utilizando una cantidad variable de ARN de entrada. Utilizando EL ARN extraído de MG, corteza occipital (OC) y giso frontal superior (SF), así como ARN UC, se comparó el número de circRNÚnicos únicos detectados cuando se utilizan 1, 2 y 4 g de ARN de entrada, cada uno cuya biblioteca fue construida utilizando el kit TruSeq y el pretratamiento RNase R. El número normalizado de circRNAs detectados (eje Y) se calculó de forma similar a la Figura 1. Haga clic aquí para ver una versión más grande de esta figura.
Figura 4: Detección de CircRNA en el cerebro frente a otros tipos de tejido. Se generaron conjuntos de datos enriquecidos con ARN enriquecidos con ARN extraído de varias regiones cerebrales, incluyendo cerebelo (BC), lóbulo parietal inferior (IP), MG, OC y SF, así como otros cuatro tipos de tejidos, incluyendo hígado (LV), pulmón (LU), ganglio linfático (LN) y páncreas (PA). El enriquecimiento de CircRNA se llevó a cabo utilizando el kit Illumina TruSeq con pretratamiento RNase R y 4 g de ARN de entrada total. Las gráficas de caja representan el número de círculos detectados por al menos tres de las seis herramientas a través de las muestras de cada región del cerebro/tipo de tejido. Haga clic aquí para ver una versión más grande de esta figura.
| Prueba # | Parámetro evaluado | Condiciones de prueba | Fuente de muestra | Importes/condiciones/muestras de entrada analizadas | Número total de lecturas de secuenciación |
| 1 | Kit de preparación de la biblioteca | Illumina TruSeq Arn total trenzado frente a los kits de ARN total Roche Kapa | Uc | TruSeq: 1 g | 8,91,46,128 |
| TruSeq: 2 g | 7,93,90,202 | ||||
| TruSeq: 4 g | 6,66,12,238 | ||||
| TruSeq: 5 g | 7,88,56,902 | ||||
| TruSeq: 10 g | 6,61,06,874 | ||||
| Kapa: 1 g | 8,83,95,496 | ||||
| Kapa: 2 g | 10,66,59,272 | ||||
| Kapa: 4 g | 10,62,34,954 | ||||
| Kapa: 5 g | 7,47,75,914 | ||||
| Kapa: 10 g | 11,00,68,504 | ||||
| 2 | Pretratamiento | RNase R pre-tratado vs. | Mg | Par1: MG_1 (RNase R+) | 10,76,09,934 |
| Par1: MG_5 (RNase R-) | 9,62,15,516 | ||||
| Par2: MG_2 (RNase R+) | 9,68,40,790 | ||||
| Par2: MG_6 (RNase R-) | 10,16,09,754 | ||||
| Pair3: MG_3 (RNase R+) | 11,15,76,344 | ||||
| Par3: MG_7 (RNase R-) | 11,13,14,114 | ||||
| 3 | Entrada total de ARN | 1 g contra 2 g frente a 4 g | MG, OC, SF, UC | MG: 1 g | 12,00,94,758 |
| MG: 2 g | 11,64,75,728 | ||||
| MG: 4 g | 12,13,15,232 | ||||
| OC: 1 g | 11,11,18,120 | ||||
| OC: 2 g | 11,53,25,492 | ||||
| OC: 4 g | 11,49,13,266 | ||||
| SF: 1 g | 12,27,24,142 | ||||
| SF: 2 g | 9,39,33,288 | ||||
| SF: 4 g | 12,33,31,474 | ||||
| UC: 1 g | 9,24,48,120 | ||||
| UC: 2 g | 12,58,15,354 | ||||
| UC: 4 g | 12,56,92,534 | ||||
| 4 | Tipos de tejidos | Regiones cerebrales frente a otros tipos de tejidos | BC, MG, OC, SF, IP, LU, LV, LN, PA | BC_1 | 10,72,08,904 |
| BC_2 | 11,18,33,362 | ||||
| BC_3 | 9,61,25,856 | ||||
| BC_4 | 9,62,77,094 | ||||
| IP_1 | 9,86,56,506 | ||||
| IP_2 | 11,35,95,746 | ||||
| IP_3 | 12,87,81,536 | ||||
| IP_4 | 9,59,81,446 | ||||
| MG_1 | 10,76,09,934 | ||||
| MG_2 | 9,68,40,790 | ||||
| MG_3 | 11,15,76,344 | ||||
| MG_4 | 10,05,39,028 | ||||
| OC_1 | 8,85,47,042 | ||||
| OC_2 | 12,09,83,142 | ||||
| OC_3 | 10,26,55,452 | ||||
| OC_4 | 10,84,49,330 | ||||
| SF_1 | 8,76,21,824 | ||||
| SF_2 | 14,50,57,894 | ||||
| SF_3 | 11,01,52,030 | ||||
| SF_4 | 9,67,24,472 | ||||
| LN_1 | 15,02,94,816 | ||||
| LN_2 | 8,33,30,187 | ||||
| LN_3 | 11,30,96,032 | ||||
| LN_4 | 10,78,38,278 | ||||
| LU_1 | 16,05,27,595 | ||||
| LU_2 | 8,94,30,799 | ||||
| LU_3 | 9,14,51,858 | ||||
| LV_1 | 9,72,18,369 | ||||
| LV_2 | 10,54,16,880 | ||||
| LV_3 | 8,86,53,148 | ||||
| LV_4 | 8,61,02,943 | ||||
| LV_5 | 12,87,88,483 | ||||
| LV_6 | 11,87,76,622 | ||||
| PA_1 | 8,79,20,160 | ||||
| PA_2 | 7,82,36,741 | ||||
| PA_3 | 10,21,24,209 | ||||
| PA_4 | 11,53,22,926 |
Tabla 1: Resumen de las condiciones de la muestra y de la prueba. Resumen de todos los parámetros y condiciones de prueba evaluados en este estudio, junto con el número total de lecturas de secuenciación generadas para cada muestra. UC - control universal, MG - giso temporal medio, OC - corteza occipital, BC - cerebelo, IP - lóbulo parietal inferior, SF - giso frontal superior, LU - pulmón, LV - hígado, LN - ganglio linfático, PA - páncreas, RNase R - ribonucleara R, RNase R + - pre-tratado con RNase R, RNase R-
| Fuente de muestra | Cantidades de entrada/muestras probadas | Porcentaje de rRNA |
| Uc | TruSeq: 1 g | 5.53% |
| TruSeq: 2 g | 4.11% | |
| TruSeq: 4 g | 4.38% | |
| TruSeq: 5 g | 3.21% | |
| TruSeq: 10 g | 3.74% | |
| Kapa: 1 g | 5.57% | |
| Kapa: 2 g | 4.56% | |
| Kapa: 4 g | 9.67% | |
| Kapa: 5 g | 12.69% | |
| Kapa: 10 g | 15.59% |
Cuadro 2: porcentajes de ARP en las bibliotecas TruSeq frente a Kapa.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
En este estudio, se probaron dos kits de preparación de bibliotecas disponibles comercialmente, opciones de pretratamiento y cantidades de ARN de entrada con el fin de optimizar un protocolo de enriquecimiento de circRNA para la construcción de bibliotecas de secuenciación de circRNA. Sobre la base de las evaluaciones de este estudio, una serie de aspectos clave y pasos críticos en la creación de bibliotecas de secuenciación de circRNA son evidentes. Nuestra evaluación confirma la utilidad del pretratamiento RNase R, como lo refleja el mayor número de circRNAs detectados. En general, se observó una mayor diversidad de circRNAs cuando se utiliza el kit de biblioteca Delumina TruSeq con pretratamiento RNase R y 4 g de ARN de entrada. Estos resultados se alinean con los hallazgos anteriores de que el paso de enriquecimiento de RNase R es beneficioso para la detección de circRNAs2.
Otros aspectos clave de la construcción de la biblioteca de circRNA incluyen la cantidad de ARN total que está disponible para la secuenciación, así como el tipo de tejido del que se extrajo el ARN. Aunque se encontró que una entrada de ARN total de 4 g produce el mayor número de circRNAs detectados, la mayoría de los estudios de ARNA utilizan <-1 g de ARN total, de tal forma que la obtención de cantidades más altas puede ser difícil, particularmente para el análisis de especímenes humanos. La identificación de los circARN sigue siendo factible para cantidades de insumos más bajas, pero es pertinente reconocer que la especificidad del análisis puede verse afectada. Este estudio destaca además el mayor número de circRNAs que se detectan en el cerebro humano en comparación con otros tejidos, como se informó anteriormente19,20. Por lo tanto, es fundamental reconocer la expresión diferencial de los circARN en diferentes tipos de tejidos. Además, la investigación adicional en el contexto de la enfermedad será importante para arrojar luz sobre cómo los circRNAs pueden estar involucrados en procesos patógenos.
El rendimiento de los dos kits de preparación de bibliotecas de ARN evaluados también destaca que aunque diferentes kits disponibles comercialmente pueden demostrar similitudes significativas, todavía se observan diferencias al analizar los circRNAs. Dos hallazgos importantes de esta comparación incluyen disminución del agotamiento del ARNR y un menor número de circRNAs identificados mediante un enfoque. Si bien una posibilidad es que una mayor abundancia de ARN rRNA en una muestra pueda interferir con la creación de moléculas de biblioteca de circRNA secuenciables, este hallazgo hace hincapié en la necesidad de evaluar kits aparentemente similares, particularmente cuando los reactivos son propietarios.
Aunque los datos presentados aquí proporcionan información sobre la existencia y abundancia de circRNAs en varios tipos de tejidos, este estudio tiene algunas limitaciones técnicas. En primer lugar, mientras que el tratamiento RNase R reduce la población de ARN lineales en una muestra, no se entiende bien si este paso de agotamiento introduce sesgos en la detección de arns circulares y si puede agotar los círculos. Estudios anteriores han informado de que en algunos casos, los circRNAs son sensibles a RNase R2,24,25. En segundo lugar, no está claro si el aumento de la entrada total de ARN por encima de 4 g dará lugar a un aumento lineal en el número de circRNA identificados. Como se mencionó anteriormente, el ARN total disponible a menudo está limitado en los estudios de investigación, por lo que aquí se consideraron cantidades de insumos más bajas. Cabe destacar que los circRNA todavía se pueden detectar cuando se utilizan entradas más bajas, pero es importante reconocer que las entradas más bajas están asociadas con la detección de un número menor de circRNAs. En tercer lugar, el protocolo optimizado presentado aquí utiliza ARN extraídos de un conjunto específico de tejidos. Dada la distribución variable de la expresión de arná ciar entre diferentes tipos de tejidos, la asociación entre las cantidades totales de entrada de ARN y el número de circRNAs identificados puede diferir entre los tejidos.
Con los crecientes intereses en la comprensión del papel biológico de los circARN, también se están desarrollando nuevas estrategias para permitir mejor la caracterización y la identificación de los circRNAs. Un nuevo enfoque bioinformático permite la identificación de los circARN que pueden expresarse humildemente a través de la reconstrucción de los círculos de longitud completa, y también permite cuantificar la expresión de isoformas específicas del circRNA26. Este enfoque aprovecha las características descritas como lecturas de superposición inversa (RO) que pueden ocurrir en los extremos de 3' o 5' de las moléculas de la biblioteca de circRNA. El desarrollo de nuevas estrategias para identificar los circRNAs, que abarcan tanto los enfoques de laboratorio como las herramientas bioinformáticas, contribuirá a la comprensión del campo de la función y el impacto de los circRNAs.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Los autores no tienen nada que revelar.
Acknowledgments
Estamos agradecidos al Programa de Donación de Cerebros y Cuerpos del Instituto de Investigación de la Salud del Sol Banner (BBDP, por sus siglas en la) cuenta con el suministro de tejidos cerebrales humanos. El BBDP ha sido apoyado por el Instituto Nacional de Trastornos Neurológicos y Accidentes Cerebrovasculares (U24 NS072026 National Brain and Tissue Resource for Parkinson's Disease and Related Disorders), el National Institute on Aging (P30AG19610 Arizona Alzheimer's Disease Core Center), el Departamento de Servicios de Salud de Arizona (contrato 211002, Arizona Alzheimer's Research Center), la Comisión de Investigación Biomédica de Arizona (contratos 4001, 0011, 05-901 y 1001 al Consorcio de Enfermedad de Parkinson de Arizona) y el Consorcio de Enfermedadde Parkinson de Arizona) y el Consorcio Michael J. Fundación Fox para la Investigación de Parkinson27. Este estudio también fue apoyado por el DHS y el Estado de Arizona (aun vez ala DeDHS 14-052688). También agradecemos a Andrea Schmitt (Banner Research) y Cynthia Lechuga (TGen) por su apoyo administrativo.
Materials
| Name | Company | Catalog Number | Comments |
| 1,000 µL pipette tips | Rainin | GP-L1000F | |
| 20 µL pipette tips | Rainin | SR L 10F | |
| 200 µL pipette tips | Rainin | SR L 200F | |
| 2200 TapeStation Accessories (foil covers) | Agilent Technologies | 5067-5154 | |
| 2200 TapeStation Accessories (tips) | Agilent Technologies | 5067-5153 | |
| Adhesive Film for Microplates | VWR | 60941-064 | |
| AMPure XP Beads 450 mL | Beckman Coulter | A63882 | PCR purification |
| Eppendorf twin.tec 96-Well PCR Plates | VWR | 951020401 | |
| High Sensitivity D1000 reagents | Agilent Technologies | 5067-5585 | |
| High Sensitivity D1000 ScreenTape | Agilent Technologies | 5067-5584 | |
| HiSeq 2500 Sequencing System | Illumina | SY-401-2501 | |
| HiSeq 3000/4000 PE Cluster Kit | Illumina | PE-410-1001 | |
| HiSeq 3000/4000 SBS Kit (150 cycles) | Illumina | FC-410-1002 | |
| HiSeq 4000 Sequencing System | Illumina | SY-401-4001 | |
| HiSeq PE PE Rapid Cluster Kit v2 | Illumina | PE-402-4002 | |
| HiSeq Rapid SBS Kit v2 (50 cycle) | Illumina | FC-402-4022 | |
| Kapa Total RNA Kit | Roche | KK8400 | |
| Molecular biology grade ethanol | Fisher Scientific | BP28184 | |
| Qubit Assay Tubes | Supply Center by Thermo Fischer | Q32856 | |
| Qubit dsDNA High Sense Assay Kit | Supply Center by Thermo Fischer | Q32854 | |
| RNA cleanup and concentrator - 5 | Zymo | RCC-100 | Contains purification columns, collection tubes |
| RNAClean XP beads | Beckman Coulter Genomics | RNA Cleanup beads | |
| Rnase R | Lucigen | RNR07250 | |
| SuperScript II Reverse Transcriptase 10,000 units | ThermoFisher (LifeTech) | 18064014 | |
| TapeStation 2200 | Agilent Technologies | Nucleic Acid analyzer | |
| TElowE | VWR | 10128-588 | |
| TruSeq Stranded Total RNA Library Prep Kit | Illumina | 20020596 | Kit used in section 3 |
| Two-Compartment Divided Tray | VWR | 3054-1004 | |
| UltraPure Water | Supply Center by Thermo Fischer | 10977-015 | |
| Universal control RNA | Agilent | 740000 |
References
- Salzman, J., Gawad, C., Wang, P. L., Lacayo, N., Brown, P. O. Circular RNAs are the predominant transcript isoform from hundreds of human genes in diverse cell types. PloS One. 7 (2), e30733 (2012).
- Jeck, W. R., et al. Circular RNAs are abundant, conserved, and associated with ALU repeats. RNA. 19 (2), 141-157 (2013).
- Memczak, S., et al. Circular RNAs are a large class of animal RNAs with regulatory potency. Nature. 495 (7441), 333-338 (2013).
- Sanger, H. L., Klotz, G., Riesner, D., Gross, H. J., Kleinschmidt, A. K. Viroids are single-stranded covalently closed circular RNA molecules existing as highly base-paired rod-like structures. Proceedings of the National Academy of Sciences of the United States of America. 73 (11), 3852-3856 (1976).
- Nigro, J. M., et al.
- Salzman, J., Chen, R. E., Olsen, M. N., Wang, P. L., Brown, P. O. Cell-type specific features of circular RNA expression. PLoS Genetics. 9 (9), e1003777 (2013).
- Du, W. W., et al. Foxo3 circular RNA promotes cardiac senescence by modulating multiple factors associated with stress and senescence responses. European Heart Journal. 38 (18), 1402-1412 (2016).
- Capel, B., et al. Circular transcripts of the testis-determining gene Sry in adult mouse testis. Cell. 73 (5), 1019-1030 (1993).
- Hansen, T. B., et al. miRNA-dependent gene silencing involving Ago2-mediated cleavage of a circular antisense RNA. The EMBO Journal. 30 (21), 4414-4422 (2011).
- Hansen, T. B., et al. Natural RNA circles function as efficient microRNA sponges. Nature. 495 (7441), 384-388 (2013).
- Li, Z., et al. Exon-intron circular RNAs regulate transcription in the nucleus. Nature Structural & Molecular Biology. 22 (3), 256-264 (2015).
- Tan, W. L., et al. A landscape of circular RNA expression in the human heart. Cardiovascular Research. 113 (3), 298-309 (2016).
- Zhong, Z., Lv, M., Chen, J. Screening differential circular RNA expression profiles reveals the regulatory role of circTCF25-miR-103a-3p/miR-107-CDK6 pathway in bladder carcinoma. Scientific Reports. 6, 30919 (2016).
- Gao, Y., Wang, J., Zhao, F. CIRI: an efficient and unbiased algorithm for de novo circular RNA identification. Genome Biology. 16, 4-014-0571-0573 (2015).
- Wang, K., et al. MapSplice: accurate mapping of RNA-seq reads for splice junction discovery. Nucleic Acids Research. 38 (18), e178 (2010).
- Szabo, L., et al. Statistically based splicing detection reveals neural enrichment and tissue-specific induction of circular RNA during human fetal development. Genome Biology. 16, 126-015-0690-0695 (2015).
- Cheng, J., Metge, F., Dieterich, C. Specific identification and quantification of circular RNAs from sequencing data. Bioinformatics. 32 (7), 1094-1096 (2016).
- Zhang, X. O., et al.
- Rybak-Wolf, A., et al. Circular RNAs in the mammalian brain are highly abundant, conserved, and dynamically expressed. Molecular Cell. 58 (5), 870-885 (2015).
- Ji, P., et al. Expanded Expression Landscape and Prioritization of Circular RNAs in Mammals. Cell Reports. 26 (12), 3444-3460 (2019).
- Hansen, T. B., Venø, M. T., Damgaard, C. K., Kjems, J. Comparison of circular RNA prediction tools. Nucleic Acids Research. 44 (6), e58 (2016).
- Zeng, X., Lin, W., Guo, M., Zou, Q. A comprehensive overview and evaluation of circular RNA detection tools. PLoS Comput Biol. 13 (6), e1005420 (2017).
- Sekar, S., et al. ACValidator: a novel assembly-based approach for in silico validation of circular RNAs. bioRxiv. , (2019).
- Westholm, J. O., et al. Genome-wide analysis of drosophila circular RNAs reveals their structural and sequence properties and age-dependent neural accumulation. Cell Reports. 9 (5), 1966-1980 (2014).
- Szabo, L., Salzman, J. Detecting circular RNAs: bioinformatic and experimental challenges. Nature Reviews Genetics. 17 (11), 679-692 (2016).
- Zheng, Y., Ji, P., Chen, S., Hou, L., Zhao, F. Reconstruction of full-length circular RNAs enables isoform-level quantification. Genome Medicine. 11 (1), 2 (2019).
- Beach, T. G., et al. Arizona study of aging and neurodegenerative disorders and brain and body donation program. Neuropathology. 35 (4), 354-389 (2015).
