在最近的一篇 Nature 论文中，发表了一种新颖的 RNA-seq 分析方法，它可能是 RNA-seq 数据分析的未来方向。

新的 RNA-seq 分析方法——TRADE

🔹 方法创新

✨ 创新的建模方法

TRADE 是一种直接捕获差异表达效应分布的统计模型。与以往常缺乏明确估计目标或使用模糊单位的方法不同，TRADE 提供了基因扰动对转录组整体影响的精确量化。

🔗 多维数据整合

通过将单细胞 RNA 测序数据与 CRISPR 筛选实验的伪 bulk RNA 测序读段计数矩阵相结合，TRADE 有效整合了多层信息。它利用差异表达估计值和标准误差来确定表达效应的真实分布，同时考虑估计误差——增强了可靠性和准确性。

🔹 技术优势

🎯 无需多重检验校正

TRADE 规避了传统单基因检验方法因多重检验校正而导致的统计功效损失。这使得能够更高效地检测全转录组效应，即使是传统分析可能遗漏的微小扰动。

🔍 适应不同数据特征

无论基因扰动的影响集中在少数基因还是分散在许多基因中，TRADE 都能利用差异表达基因数量等指标有效量化它们。这使其非常适合多样化的数据集和分布模式。

🛠 稳定性与抗噪性

通过模拟和实验验证，TRADE 在不同样本量、细胞类型和实验条件下表现出强稳定性。它还表现出对噪声和外部干扰的稳健抗性，确保准确呈现基因扰动效应。

🔹 关键发现

🔬 基因扰动的广泛影响

分析大型 Perturb-seq 数据集揭示，许多在标准方法中被忽视的转录效应可通过 TRADE 检测到。平均而言，一个典型的基因扰动影响约 45 个基因，而一个必需基因影响 500 多个基因，凸显了比传统分析所提示的更广泛的转录组影响。

📌 跨细胞类型的一致性

观察到基因扰动在不同细胞类型中具有中等程度的转录响应一致性。然而，某些扰动在特定细胞类型中表现出独特模式，为基因在不同细胞环境中的保守和特化功能提供了洞见。

🧪 剂量敏感性分析

通过剂量梯度实验，TRADE 揭示了转录响应中的剂量依赖和非线性关系。基因的部分缺失可能只影响少数下游基因，而完全缺失则影响更广泛的基因集。此外，不同剂量水平的转录响应表现出不同的相关性——为基因剂量效应和治疗应用提供了关键洞见。

🧠 与神经精神疾病的关联

对神经精神疾病患者死后脑组织差异表达数据的重新分析表明，不同疾病间的转录组效应相关性比此前估计的更强。这些相关性还显示出与遗传关联关系的变化，暗示神经精神疾病中共享的转录组特征和潜在的共同病理机制。

🔹 应用

🔍 基因功能研究

TRADE 通过分析基因扰动如何影响转录，为研究基因功能提供了有力工具，揭示了细胞生理中的关键作用和调控网络。

💊 药物靶点发现与评估

TRADE 帮助识别有前景的药物靶点基因，并评估它们在不同细胞类型和剂量下的有效性，为药物开发和精准医学提供宝贵洞见。

🏥 疾病机制探索

TRADE 通过揭示疾病相关基因中的转录失调以及不同疾病之间的分子关系，增强了对复杂疾病（尤其是神经精神疾病）的研究。

🧬 细胞类型鉴定与分类

作为转录组距离度量工具，TRADE 促进了细胞类型的鉴定、分类和聚类分析——推进了单细胞转录组学和细胞异质性研究。

🔗 基因调控网络推断

将 TRADE 结果与现有基因调控网络模型整合，可以推断全局调控特征和关键网络节点，进一步加深我们对基因表达控制的理解。