Übersicht
Alternatives Spleißen ist ein grundlegender Mechanismus, durch den ein einzelnes Gen mehrere mRNA-Isoformen produzieren kann, wodurch die Kodierungskapazität des Genoms erheblich erweitert wird. Fast 95 % der menschlichen Multi-Exon-Gene durchlaufen alternatives Spleißen, wodurch unterschiedliche Proteinprodukte entstehen, die unterschiedliche, sogar gegensätzliche Funktionen haben können. Die Wahl, welche Exons eingeschlossen oder ausgeschlossen werden, ist streng reguliert und gewebespezifisch. Die alternative Spleißanalyse zielt darauf ab, diese Unterschiede auf Isoformebene über Erkrankungen, Entwicklungsstadien oder Krankheitszustände hinweg zu identifizieren und zu quantifizieren und so eine zusätzliche Ebene der Genregulation aufzudecken, die über einfache Expressionsänderungen hinausgeht.
Methoden
Die Erkennung alternativer Spleißereignisse aus RNA-seq-Daten erfordert spezielle rechnerische Ansätze. Isoformen-Quantifizierungstools (wie Salmon, Kallisto oder RSEM) schätzen die Häufigkeit jeder bekannten Transkript-Isoform. Ereignisbasierte Tools (rMATS, MAJIQ oder SUPPA2) klassifizieren Spleißereignisse in Kategorien: Kassetten-Exon-Skipping, sich gegenseitig ausschließende Exons, alternative 5’- oder 3’-Spleißstellen und Intronretention. Diese Tools verwenden Zählmatrizen von Lesevorgängen, die Spleißverbindungen im Vergleich zu Exons zuordnen, und testen mithilfe gepaarter statistischer Modelle auf signifikante Unterschiede. De-novo-Spleißerkennung (durch StringTie oder Cufflinks) setzt Transkripte ohne Anmerkungen zusammen, um neuartige Isoformen zu entdecken. Die Visualisierung von Spleißunterschieden mit Sashimi-Diagrammen (von MISO oder IGV) hilft bei der Interpretation komplexer Muster.
Anwendungen
Eine Dysregulation des alternativen Spleißens ist ein Kennzeichen vieler Krankheiten. Bei Krebs sind Spleißfaktoren häufig mutiert, wodurch tumorspezifische Isoformen entstehen, die die Proliferation und Metastasierung vorantreiben. Neurologische Störungen wie spinale Muskelatrophie und frontotemporale Demenz resultieren direkt aus Spleißdefekten. Das Verständnis von Spleißmustern hilft bei der Interpretation von RNA-Struktur und -Typen und baut auf Konzepten aus Transkription und RNA-Verarbeitung auf. Die Spleißanalyse überschneidet sich auch mit Genregulierung und Epigenetik, da der Chromatinzustand die Auswahl der kotranskriptionellen Spleißstelle beeinflusst und Spleißrückkopplung die Transkriptionsverlängerung regulieren kann.
Praktisches Protokoll
Beginnen Sie für ereignisbasiertes differenzielles Spleißen mit rMATS mit RNA-seq-BAM-Dateien, die von STAR mithilfe des Flags „–outSAMstrandField intronMotif“ für die spleißbewusste Ausrichtung ausgerichtet wurden. Bereiten Sie eine BAM-Listendatei und eine GTF-Anmerkung vor und führen Sie dann „rmats.py –b1 sample1.bam,sample2.bam –b2 control1.bam,control2.bam –gtf annotation.gtf –od output_dir -tpaired –readLength 150“ aus. rMATS erkennt fünf Spleißereignistypen: übersprungenes Exon (SE), sich gegenseitig ausschließende Exons (MXE), alternative 5’-Spleißstelle (A5SS), alternative 3’-Spleißstelle (A3SS) und beibehaltenes Intron (RI). Zu den Ergebnissen gehören Unterschiede im Einschlussniveau (IncLevelDifference) und eine Falscherkennungsrate (FDR) für jedes Ereignis. Die Schlüsselmetrik ist der Percent Spliced In (PSI oder Ψ)-Wert, der den Anteil der Transkripte quantifiziert, die ein Exon enthalten. Der PSI-Bereich reicht von 0 (ausgeschlossen) bis 1 (eingeschlossen), und ein ΔΨ > 0,1 mit FDR < 0,05 ist ein üblicher Signifikanzschwellenwert. Für die Quantifizierung auf Isoformebene ohne Ereignisklassifizierung quantifiziert „Salmon“ im ausrichtungsfreien Modus die Transkripthäufigkeit: „salmon quant -i transcriptome_index -l A -1 R1.fastq -2 R2.fastq -o isoform_output“. Nachgelagert importiert „tximport“ Schätzungen auf Transkriptebene in R und „DRIMSeq“ oder „satuRn“ testet die unterschiedliche Transkriptnutzung. Visualisieren Sie Spleißereignisse mit „rmats2sashimiplot“, das Sashimi-Diagramme generiert, die die Leseabdeckung über Exon-Exon-Übergänge hinweg zeigen. Integrieren Sie die Spleiß-QTL-Analyse (sQTL) mithilfe von „FastQTL“, wenn Genotypdaten verfügbar sind, und verknüpfen Sie genetische Varianten mit Spleißvariationen zwischen Individuen.
