Deze methode beschrijft de stappen om de kwaliteit en kwantiteit van sequentiegegevens te verbeteren die kunnen worden verkregen uit formeel vaste paraffine-embedded (FFPE) RNA-monsters. We beschrijven de methodologie om de kwaliteit van FFPE-RNA-monsters nauwkeuriger te beoordelen, sequencingbibliotheken voor te bereiden en de gegevens van FFPE-RNA-monsters te analyseren.
Genexpressieanalyse door RNA-sequencing (RNA-seq) maakt unieke inzichten mogelijk in klinische monsters die mogelijk kunnen leiden tot mechanistisch begrip van de basis van verschillende ziekten, resistentie en/of gevoeligheidsmechanismen. FFPE-weefsels, die de meest voorkomende methode vormen voor het behoud van weefselmorfologie in klinische specimens, zijn echter niet de beste bronnen voor genexpressieprofileringsanalyse. Het RNA verkregen uit dergelijke monsters wordt vaak afgebroken, gefragmenteerd en chemisch gewijzigd, wat leidt tot suboptimale sequencing bibliotheken. Deze genereren op hun beurt gegevens van slechte kwaliteit sequentie die mogelijk niet betrouwbaar zijn voor genexpressieanalyse en mutatiedetectie. Om optimaal gebruik te maken van FFPE-monsters en de best mogelijke gegevens te verkrijgen uit monsters van lage kwaliteit, is het belangrijk om bepaalde voorzorgsmaatregelen te nemen tijdens het plannen van experimenteel ontwerp, het voorbereiden van sequencing bibliotheken en tijdens data-analyse. Dit omvat het gebruik van geschikte statistieken voor nauwkeurige steekproefkwaliteitscontrole (QC), het identificeren van de beste methoden voor verschillende stappen tijdens het genereren van sequencing-bibliotheek en zorgvuldige bibliotheek QC. Daarnaast is het toepassen van de juiste softwaretools en parameters voor sequentiegegevensanalyse van cruciaal belang om artefacten in RNA-seq-gegevens te identificeren, besmetting en lage kwaliteit te lezen, uniformiteit van gendekking te beoordelen en de reproduceerbaarheid van genexpressieprofielen onder biologische replicaties te meten. Deze stappen kunnen zorgen voor een hoge nauwkeurigheid en reproduceerbaarheid voor profilering van zeer heterogene RNA-monsters. Hier beschrijven we de verschillende stappen voor voorbeeld QC, bibliotheekvoorbereiding en QC, sequencing en gegevensanalyse die kunnen helpen om de hoeveelheid nuttige gegevens verkregen uit RNA van lage kwaliteit te verhogen, zoals die verkregen uit FFPE-RNA-weefsels.
Het gebruik van de volgende generatie sequencing benaderingen heeft ons in staat gesteld om een schat aan informatie uit verschillende soorten monsters te verzamelen. Oude en slecht bewaarde monsters blijven echter onwerkbaar voor de veelgebruikte methoden voor het genereren van sequentiegegevens en vereisen vaak wijzigingen in gevestigde protocollen. FFPE-weefsels vertegenwoordigen een dergelijk monstertype dat op grote schaal is gebruikt voor klinische specimens1,2,3. Terwijl FFPE behoud onderhoudt weefselmorfologie, de nucleïnezuren in FFPE weefsels vertonen meestal een breed scala van schade en afbraak, waardoor het moeilijk is om de genomische informatie die kan leiden tot belangrijke inzichten over moleculaire mechanismen die ten grondslag liggen aan verschillende aandoeningen op te halen.
Genexpressiegegevens gegenereerd door RNA-sequencing zijn vaak instrumenteel bij het bestuderen van ziekte- en resistentiemechanismen en vormen een aanvulling op de dna-mutatieanalyse. RNA is echter gevoeliger voor afbraak, waardoor het moeilijker wordt om nauwkeurige genexpressiegegevens uit FFPE-weefsels te genereren. Bovendien, omdat de brede beschikbaarheid en betaalbaarheid van sequencing relatief recent is, werden oudere exemplaren vaak niet opgeslagen in omstandigheden die nodig zijn om de RNA-integriteit te behouden. Enkele van de problemen voor FFPE monsters omvatten afbraak van RNA als gevolg van inbedding in paraffine, chemische modificatie van RNA leidt tot fragmentatie of refractoriness tot enzymatische processen die nodig zijn voor sequencing, en verlies van de poly-A staarten, het beperken van de toepasbaarheid van oligo-dT als een inleiding voor reverse transcripte4. Een andere uitdaging is de behandeling/opslag van FFPE-monsters onder suboptimale omstandigheden, wat kan leiden tot verdere afbraak van labiele moleculen zoals RNA in de weefsels5. Dit is vooral relevant voor oudere monsters die kunnen zijn verzameld op een moment dat genexpressie analyse door RNA sequencing niet werd verwacht voor de monsters. Al deze leiden tot verminderde kwaliteit en kwantiteit van het geëxtraheerde RNA beschikbaar voor het genereren van nuttige sequentiegegevens. De lage kans op succes, gecombineerd met de hoge kosten van sequencing, heeft veel onderzoekers ervan weerhouden om genexpressiegegevens te genereren en te analyseren uit potentieel nuttige FFPE-monsters. Sommige studies in de afgelopen jaren hebben aangetoond dat de bruikbaarheid van FFPE weefsels voor genexpressie analyse2,6,7,8,9, zij het voor minder en / of meer recente monsters.
Als haalbaarheidsstudie gebruikten we RNA uit FFPE-tumorweefselmonsters uit drie Residual Tissue Repositories van Surveillance, Epidemiologie en End Results (SEER) kankerregisters voor RNA-sequencing en genexpressieanalyse10. De FFPE-weefsels van hoogwaardige eierstokkanker werden van 7-32 jaar onder wisselende omstandigheden opgeslagen voor RNA-extractie. Omdat in de meeste gevallen deze blokken jarenlang op verschillende locaties waren opgeslagen zonder de verwachting van een gevoelige genetische analyse in de toekomst, was er niet veel zorg genomen om de nucleïnezuren te behouden. Zo, de meeste van de monsters tentoongesteld slechte kwaliteit RNA, met een groot deel van de monsters besmet met bacteriën. Niettemin waren we in staat om genkwantificering uit te voeren, de uniformiteit en continuïteit van gendekking te meten en de Pearson correlatieanalyse uit te voeren tussen biologische replica’s om reproduceerbaarheid te meten. Op basis van een set van de belangrijkste handtekening genpaneel, vergeleken we de monsters in onze studie met The Cancer Genome Atlas (TCGA) gegevens en bevestigd dat ongeveer 60% van de monsters had vergelijkbare genexpressie profielen11. Op basis van de correlatie tussen verschillende QC-resultaten en voorbeeldmetadata, hebben we belangrijke QC-statistieken geïdentificeerd die een goede voorspellende waarde hebben voor het identificeren van monsters die eerder bruikbare sequentiegegevens genereren11.
Hier beschrijven we de methodologie die wordt gebruikt voor ffpe-RNA kwaliteitsbeoordeling, het genereren van sequencing bibliotheken vanaf geëxtraheerde RNA monsters, en bio-informatica analyse van de sequencing gegevens.
De hier beschreven methode schetst de belangrijkste stappen die nodig zijn om goede sequentiegegevens te verkrijgen van FFPE-RNA-monsters. De belangrijkste punten om met deze methode rekening mee te houden zijn: (1) Zorg ervoor dat het RNA na extractie zo goed mogelijk wordt bewaard door de behandeling van het monster en het bevriezen en ontdooien van cycli te minimaliseren. Aparte QC aliquots zijn zeer nuttig. (2) Gebruik een QC-statistiek die het beste is voor de gegeven sampleset. RIN-waarden en DV200 zijn …
The authors have nothing to disclose.
We zijn dr. Danielle Carrick (Division of Cancer Control and Population Sciences, National Cancer Institute) dankbaar voor voortdurende hulp, vooral voor het initiëren van deze studie, ons te voorzien van de monsters, en voor nuttige suggesties tijdens data-analyse. Wij danken alle leden van de CCR Sequencing Facility van het Frederick National Laboratory for Cancer Research voor hun hulp tijdens de voorbereiding van de steekproef en sequencing, vooral Brenda Ho voor hulp in monster QC, Oksana Duits voor bibliotheek QC, Tatyana Smirnova voor het runnen van de sequencers. We willen ook Tsai-wei Shen en Ashley Walton van Sequencing Facility Bioinformatics Group bedanken voor hun hulp bij data-analyse en RNA-seq pipeline implementation. We danken ccbr en NCBR ook voor hulp bij de analysepijplijn van RNaseq en de ontwikkeling van best practices.
2100 Bioanalyzer | Agilent | G2939BA | |
Agilent DNA 7500 Kit | Agilent | 5067-1506 | |
Agilent High Sensitivity DNA Kit | Agilent | 5067-4626 | |
Agilent RNA 6000 Nano Kit | Agilent | 5067-1511 | |
AllPrep DNA/RNA FFPE Kit | Qiagen | 80234 | |
CFX96 Touch System | Bio-Rad | 1855195 | |
Library Quantification kit v2-Illumina | KapaBiosystems | KK4824 | |
NEBNext Ultra II Directional RNA Library Prep Kit for Illumina | New England Biolabs | E7765S | https://www.neb.com/protocols/2017/02/07/protocol-for-use-with-ffpe-rna-nebnext-rrna-depletion-kit |
NEBNext rRNA Depletion Kit (Human/Mouse/Rat) | New England Biolabs | E6310L | |
NextSeq 500 Sequencing System | Illumina | SY-415-1001 | NextSeq 500 System guide: https://support.illumina.com/content/dam/illumina-support/documents/documentation/system_documentation/nextseq/nextseq-500-system-guide-15046563-06.pdf |
NextSeq PhiX Control Kit | Illumina | FC-110-3002 | |
NSQ 500/550 Hi Output KT v2.5 (150 CYS) | Illumina | 20024907 | |
10X Genomics Magnetic Separator | 10X Genomics | 120250 | |
Rotator Multimixer | VWR | 13916-822 | |
C1000 Touch Thermal Cycler | Bio-Rad | 1851197 | |
Sequencing reagent kit | Illumina | 20024907 | |
Flow cell package | Illumina | 20024907 | |
Buffer cartridge and the reagent cartridge | Illumina | 20024907 | |
Sodium hydroxide solution (0.2N) | Millipore Sigma | SX0607D-6 | |
TRIS-HCL Buffer 1.0M, pH 7.0 | Fisher Scientific | 50-151-871 |