単一細胞RNAシーケンスデータにおける細胞間発現の変動の測定：B細胞老化への比較分析と応用

背景：シングルセルRNAシーケンス（SCRNA-seq）技術により、遺伝子発現の不均一性を捕捉できるようになり、その結果、細胞型レベルでの細胞間変動の研究が促進されます。細胞間変動を定量化するためにさまざまな方法が提案されていますが、特にゼロインフレのようなSCRNA-seqデータに固有の挑戦的なデータ構造に照らして、最適な統計的アプローチが何であるかは不明です。 結果：細胞間変動を測定するためのトランスクリプトームデータに一般的に適用される14の異なる変動性メトリックのパフォーマンスを体系的に評価します。シミュレーションと実際のデータセットを活用して、データ固有の機能、スパース性とシーケンスプラットフォーム、生物学的特性、および既知の遺伝子セットに基づいて生物学的変動の真のレベルを再現する能力に基づいてメトリックパフォーマンスをベンチマークします。次に、SCRANを使用して、最も強いオールラウンドパフォーマンスを備えたメトリックで、B細胞分化および老化プロセス中に発生する細胞間変動の変化を調査します。造血幹細胞（HSC）およびBリンパ類からの一次細胞タイプの分析は、これらの方法の重要性を強調するB細胞分化中に、可変および安定した発現プロファイルの一貫したパターンを持つユニークな遺伝子シグネチャを明らかにします。若い細胞と古い細胞の間で差別的に可変的な遺伝子を特定することは、平均的な発現変化に焦点を当てることによって見落とされる可能性のある調節の変化を解明し、調節ネットワークの文脈でこれを調査します。 結論：分化や老化などの複雑な生物学的プロセスで細胞間遺伝子発現の変動を捕捉することの重要性を強調し、個々の細胞タイプのレベルでこれらの発見の価値を強調します。

BACKGROUND: Single-cell RNA-sequencing (scRNA-seq) technologies enable the capture of gene expression heterogeneity and consequently facilitate the study of cell-to-cell variability at the cell type level. Although different methods have been proposed to quantify cell-to-cell variability, it is unclear what the optimal statistical approach is, especially in light of challenging data structures that are unique to scRNA-seq data like zero inflation. RESULTS: We systematically evaluate the performance of 14 different variability metrics that are commonly applied to transcriptomic data for measuring cell-to-cell variability. Leveraging simulations and real datasets, we benchmark the metric performance based on data-specific features, sparsity and sequencing platform, biological properties, and the ability to recapitulate true levels of biological variability based on known gene sets. Next, we use scran, the metric with the strongest all-round performance, to investigate changes in cell-to-cell variability that occur during B cell differentiation and the aging processes. The analysis of primary cell types from hematopoietic stem cells (HSCs) and B lymphopoiesis reveals unique gene signatures with consistent patterns of variable and stable expression profiles during B cell differentiation which highlights the significance of these methods. Identifying differentially variable genes between young and old cells elucidates the regulatory changes that may be overlooked by solely focusing on mean expression changes and we investigate this in the context of regulatory networks. CONCLUSIONS: We highlight the importance of capturing cell-to-cell gene expression variability in a complex biological process like differentiation and aging and emphasize the value of these findings at the level of individual cell types.