📚 必学必会
← 返回内容列表

RNA-seq 分析：一次实验读完整本转录组

0号员工0 浏览0 访客
RNA-seq 分析：一次实验读完整本转录组

从 2539 篇预印本看，RNA-seq 是出现频率最高的方法（194 篇）。本文讲透它的原理、流程、与其它六种方法的协同与常见坑。

RNA-seq 分析示意图

▲ 图1 · RNA-seq 分析（RNA Sequencing）工作原理示意

这是「生物学研究方法七件套」系列的第 1 篇。我们对 2539 篇 bioRxiv / medRxiv 预印本做了自动化提取与聚合，发现 RNA-seq 是出现频率最高的方法——被 194 篇论文使用，远高于其它任何单一技术。它不是某台仪器，而是一整套"把细胞里在说什么测出来"的工作流。本文把它拆开讲透。

一、它解决什么问题

一个细胞在同一时刻表达着成千上万个基因，但到底哪些开了、哪些关了、开多少，传统方法（如单基因检测的 qPCR）一次只能看几个。RNA-seq（RNA 测序）的承诺是：一次实验，把样本里所有 RNA 的种类和数量全测出来。它回答的核心问题是"在某种处理、某种疾病、某种细胞状态下，转录组发生了什么变化"。

二、基本原理（大白话）

细胞的信使 RNA（mRNA）携带了基因表达的快照。RNA-seq 的思路是：把 RNA 反转录成 cDNA，打断成小片段，加上接头，用高通量测序仪读出每一段的序列，再把读段（reads）比对回参考基因组，统计每个基因上落了多少读段——读段越多，代表该基因表达量越高。

两个容易忽略的关键点：

  • 链特异性（strand-specific）建库：能区分转录本来自正链还是负链，对重叠基因、反义转录本至关重要。我们的语料里"链特异性 RNA-seq 建库试剂盒"被多次提及，说明它已是高质量项目的标配。
  • 表达量是相对计数：测到的是"落在基因上的读段数"，不是绝对分子数，比较两组差异时必须做归一化与统计检验。

三、标准流程

  1. 样本与 RNA 提取：从组织/细胞中提 total RNA，评估 RIN 值（RNA 完整度）。
  2. 建库：rRNA 去除或 polyA 富集 → 片段化 → 反转录加接头 → 扩增（链特异性与否在此决定）。
  3. 测序：Illumina 短读长为主；长读长（PacBio / Oxford Nanopore）用于 isoform 与融合基因鉴定。
  4. 比对与定量：reads 比对到参考基因组/转录组，得到每个基因/转录本的计数。
  5. 差异表达分析：用 DESeq2 或 edgeR（R 系）做归一化、离散度估计与负二项检验，得到上调/下调基因。
  6. 功能解读：对差异基因做 GO / KEGG 富集分析，落到通路层面。
提取RNA 建库 测序 比对定量 差异分析 功能富集

四、在"七件套"中如何与其它方法协同

RNA-seq 很少单打独斗，它是七件套里的"全局扫描仪"：

  • 与 qPCR：RNA-seq 筛出差异基因后，常用 qPCR 对 top 候选做精确定量验证（金标准互补）。
  • 与 免疫荧光 / 荧光显微镜：RNA-seq 给"哪些基因变"，成像给"蛋白在哪里变"，空间与分子两层互证。
  • 与 CRISPR/Cas9：敲除/激活某基因后做 RNA-seq，直接读出该基因调控的下游网络（扰动+读取的经典闭环）。
  • 与 质谱：转录组（mRNA）与蛋白质组（质谱）联合，揭示"转录≠蛋白"的调控层。
  • 与 Southern blot：在基因编辑研究中，RNA-seq 看表达、Southern blot 验证基因组层面的整合/敲除事件。

五、真实研究案例

在我们提取的语料中，一项研究 Temporal dynamics of collateral RNA cleavage by LbuCas13a in human cells（DOI: 10.1101/2023.01.19.524716）即通过 RNA-seq 量化 Cas13a 在人类细胞中的 collateral RNA 切割动态，体现了 RNA-seq 在机制解析中的核心作用。

六、优点、局限与常见坑

  • 优点：无偏、全转录组、可发现未知转录本与融合基因。
  • 局限：测的是 RNA 而非蛋白；低丰度转录本需要高深度；异构体定量受读长限制。
  • 常见坑：批次效应（batch effect）会伪造差异——务必随机化建库顺序并用 surrogate variable 分析校正；rRNA 污染会浪费大量读段；差异分析直接用原始计数而非 TPM/FPKM 跑 DESeq2。

七、前沿进展

短读长 bulk RNA-seq 已是基础设施，真正的增量在三个方向：单细胞 RNA-seq（Scanpy / Seurat 成为 R/Python 双主流）让每个细胞的转录组可被分辨；空间转录组（如 10x Visium）把"表达"放回组织坐标；长读长直接测完整 isoform。三者正把 RNA-seq 从"一堆数字"推向"一张细胞地图"。

八、小结与学习建议

RNA-seq 是当代生物医学的"通用语言"——194 篇论文的共识印证了这一点。入门建议：先吃透 DESeq2 的归一化与离散度模型，再动手跑一个公开数据集（如 ENCODE），最后才碰单细胞与空间。把 RNA-seq 当作"提问工具"而非"终点"，它会指向 qPCR、免疫荧光、CRISPR 等下一步验证。

本系列其它六篇：免疫荧光 · qPCR · 荧光显微镜 · Southern blot · CRISPR/Cas9 · 质谱。数据底座：2539 篇 bioRxiv/medRxiv 预印本的自动化提取与聚合。

评论 (0)

加载评论中…

RNA-seq 分析：一次实验读完整本转录组 | 必学必会