JoVE Logo
Autores
Entre em contato

Entrar

É necessária uma assinatura da JoVE para visualizar este conteúdo. Faça login ou comece sua avaliação gratuita.

Neste Artigo

  • Resumo
  • Resumo
  • Introdução
  • Protocolo
  • Resultados
  • Discussão
  • Divulgações
  • Agradecimentos
  • Materiais
  • Referências
  • Reimpressões e Permissões

Resumo

Apresentado aqui é um procedimento stepwise para diferenciação in vitro de queratinócitos primários humanos por inibição de contato seguido de caracterização a nível molecular pela análise de RNA-seq.

Resumo

Os queratinócitos primários humanos são frequentemente usados como modelos in vitro para estudos sobre diferenciação epidérmica e doenças relacionadas. Métodos têm sido relatados para diferenciação in vitro de queratinócitos cultivados em modos submersos (2D) bidimensionais (2D) usando várias condições de indução. Descrito aqui é um procedimento para método de diferenciação de queratinócito in vitro 2D por inibição de contato e subsequente caracterização molecular por RNA-seq. Resumindo, os queratinócitos são cultivados em meio de queratinócito definido complementado com fatores de crescimento até que estejam totalmente confluentes. A diferenciação é induzida por contatos próximos entre os queratinócitos e estimulada pela exclusão dos fatores de crescimento no meio. Utilizando análises de RNA-seq, mostra-se que ambos os queratinócitos diferenciados exibem assinaturas moleculares distintas durante a diferenciação e 2) o padrão dinâmico de expressão genética se assemelha em grande parte às células durante a estratificação epidérmica. Quanto à comparação com a diferenciação normal de queratinócitos, os queratinócitos portadores de mutações do fator de transcrição p63 apresentam morfologia alterada e assinaturas moleculares, consistentes com seus defeitos de diferenciação. Em conclusão, este protocolo detalha as etapas para a diferenciação de queratinócitos in vitro 2D e sua caracterização molecular, com ênfase na análise bioinformática dos dados RNA-seq. Como a extração de RNA e os procedimentos de RNA-seq foram bem documentados, não é o foco deste protocolo. O procedimento experimental de diferenciação de queratinócito in vitro e pipeline de análise bioinformática pode ser usado para estudar eventos moleculares durante a diferenciação epidérmica em queratinócitos saudáveis e doentes.

Introdução

Os queratinócitos primários humanos derivados da pele humana são frequentemente usados como modelo celular para estudar a biologia da epiderme1,2,3,4. A estratificação da epiderme pode ser modelada pela diferenciação de queratinócitos, seja de forma monocamada submersa 2D ou no modelo organotípico 3D air-lift2,3,5,6,7. Embora os modelos 3D tenham se tornado cada vez mais importantes para avaliar a estrutura e a função epidérmica, os modelos de diferenciação 2D ainda são amplamente utilizados, devido à sua conveniência e à possibilidade de gerar um grande número de células para análises.

Várias condições têm sido aplicadas para induzir a diferenciação de queratinócitos em 2D, incluindo adição de soro, alta concentração de cálcio, menor temperatura e inibição dos receptores do fator de crescimento epidérmico2,3. Cada um desses métodos foi validado por uma série de genes marcadores de diferenciação de queratinacitos e mostrou-se eficaz na avaliação da diferenciação de queratinócitos, inclusive em condições patológicas. No entanto, essas condições de indução também mostram diferenças em sua eficiência de diferenciação e cinética quando painéis específicos de genes marcadores são examinados2,3.

Um desses métodos envolve a inibição do contato queratinócito e o esgotamento dos fatores de crescimento no meio da cultura8. Foi demonstrado que os queratinócitos podem se diferenciar espontaneamente quando as células atingem a densidade máxima.  A exclusão dos fatores de crescimento no meio da cultura pode aumentar ainda mais a diferenciação. O método que combina inibição de contato e esgotamento dos fatores de crescimento tem se mostrado para gerar queratinócitos diferenciados com padrões de expressão genética semelhantes à epiderme estratificada normal ao usar vários marcadores epidérmicos3,sugerindo que este modelo é adequado para estudar a diferenciação normal de queratinócitos. Recentemente, duas análises abrangentes de expressão genética da diferenciação de queratinócitos utilizando este modelo foramrelatadas 9,10. Os pesquisadores validaram esse modelo a nível molecular e mostraram que ele pode ser usado para estudar a diferenciação normal e doente do queratinócito.

Este protocolo descreve o procedimento para o método de diferenciação in vitro e análise molecular de células diferenciadas usando RNA-seq. Também ilustra a caracterização do transcriptome das células no dia 0 de diferenciação (estágio de proliferação), dia 2, dia 4 e dia 7 (diferenciação precoce, média e tardia, respectivamente). É mostrado que que queratinócitos diferenciados exibem padrões de expressão genética que se assemelham em grande parte às células durante a estratificação epidérmica. Para examinar se esse método pode ser usado para estudar a patologia da pele, aplicamos o mesmo pipeline experimental e de análise para investigar queratinócitos portadores de mutações do fator de transcrição p63 derivados de pacientes com displasia ectodérmica e fissura/fissura (CEE)síndrome 11,12. Este protocolo se concentra na diferenciação in vitro de queratinócitos, bem como na análise bioinformática subsequente do RNA-seq. Outras etapas do procedimento completo, como extração de RNA, preparação de amostras de RNA-seq e construção de biblioteca, são bem documentadas e podem ser facilmente seguidas, especialmente quando se usa muitos kits comerciais comumente usados. Portanto, essas etapas são descritas apenas brevemente no protocolo. Os dados mostram que este gasoduto é adequado para estudar eventos moleculares durante a diferenciação epidérmica em queratinócitos saudáveis e doentes.

Access restricted. Please log in or start a trial to view this content.

Protocolo

Biópsias de pele foram retiradas do tronco de voluntários saudáveis ou pacientes com mutações p63, para configurar a cultura primária de queratinócitos. Todos os procedimentos relativos à criação de queratinócitos primários humanos foram aprovados pelo comitê ético do Centro Médico nijmegen da Universidade Radboud ("Commissie Mensgebonden Onderzoek Arnhem-Nijmegen"). O consentimento informado foi obtido.

1. Diferenciação de queratinócitos primários humanos por inibição de contato

  1. Prepare o meio de crescimento de queratinócito (KGM) do meio basal de querotinócito(Tabela de Materiais)quando necessário.
  2. Faça 500 mL de proliferação usando estoques pré-preparados (KGM-pro; veja Tabela 1).
  3. Faça um meio de diferenciação de 500 mL (KGM-dif; veja Tabela 2).
    NOTA: O KGM com suplementos pode ser mantido a 4 °C por duas semanas. Para maior armazenamento, ele pode ser aliquoado e armazenado a -20°C.
  4. Queratinócitos primários de sementes na densidade de 5,0-20 x 103 células/cm2,dependendo da capacidade de proliferação celular. Adicione o meio KGM-pro suficiente para cobrir as células.
    NOTA: 1) Detalhes da cultura celular regular dentro do meio KGM podem ser encontrados no site da Lonza13. 2) A densidade de semeadura deve ser testada para cada linha celular. Por exemplo, uma linha de queratinócitos primários normais pode ser semeada a uma densidade de 5,0 x 103 células/cm2, enquanto uma linha que carrega mutações no fator de transcrição p63 que seja menos proliferativa deve ser semeada a uma densidade de 20 x 103 células/cm2. 3) Dependendo da configuração experimental, vários pratos ou poços de células devem ser semeados para permitir a coleta de amostras em diferentes dias de diferenciação em réplicas.
  5. Refrescar as células com o meio KGM-pro por dois dias após a semeadura (semeadura no dia 0, refrescante pela1ª vez no dia 3). Depois, refresque com o meio KGM-pro a cada dois dias. Verifique as células regularmente, pelo menos a cada dois dias.
  6. Induzir a diferenciação celular quando as células são mais de 90% confluentes alterando o médio para KGM-dif. O dia de mudança de médio para KGM-dif é definido como diferencial dia 0. Coletar células para novas análises de RNA, primeiro lavando 2x com DPBS, depois adicionando o tampão de lise (de um kit de extração de RNA).
    NOTA: Com a densidade de semeadura acima mencionada, as células devem atingir confluência dentro de 7 a 10 dias. As células podem ser semeadas com uma densidade inicial maior para atingir a confluência mais cedo. Se as células não forem proliferativas, uma espera mais longa pode não dar origem a células totalmente confluentes. Uma maior densidade de semeadura pode ser necessária.
  7. Refrescar células com o meio KGM-dif todos os dias e coletar células no dia 2, 4. e 7 para extração adicional de RNA.

2. Extração de RNA

  1. Isolar o RNA total. Isso pode ser realizado usando um kit comercial de isolamento de RNA (como Zymo Quick-RNA MicroPrep RNA) ou usando fenol14. No entanto, um kit de isolamento contendo um tratamento DNAse é altamente recomendado para amostras de RNA-seq para evitar contaminação de DNA e fenol. Um exemplo de kit comercial de isolamento de RNA é dado na Tabela de Materiais.
  2. Meça a concentração de RNA com um espectrômetro. Tanto o DNA quanto o RNA têm um pico de absorção de 260 nm.
    NOTA: 1) A razão entre as absorvâncias em 260 nm e 280 nm é utilizada para avaliar a pureza do RNA. Uma proporção de cerca de 2.0 é geralmente aceita como RNA 'pura'. Se a razão for substancialmente inferior a 2,0, a amostra pode estar contaminada com contaminantes que absorvem a 280 nm, como proteínas, fenóis ou outras substâncias. 2) A razão entre as absorvâncias em 260 nm e 230 nm mede a pureza do ácido nucleico. Espera-se uma razão entre 2,0 e 2,2. Se a razão for substancialmente menor, a amostra pode estar contaminada com contaminantes que absorvem a 230 nm, como EDTA, etanol ou outras substâncias.

3. Verificação de qualidade de RNA

  1. Execute o RNA em um chip RNA Pico bioanalyzer para validar o RNA Integrity Number (RIN) quantitativamente, ou em um gel para uma medida qualitativa. Em geral, um RIN de pelo menos oito é altamente aconselhável. No entanto, ao extrair RNA de tecidos, o RIN pode ser menor.
    NOTA: Opcionalmente, o controle de qualidade pode ser realizado por qPCR no material RNA.

4. Preparação da biblioteca RNA-seq

NOTA: A preparação da biblioteca RNA-seq é frequentemente realizada com um kit comercial ou em ambientes comerciais. O protocolo descrito é adaptado de um kit comercial, KAPA RNA HyperPrep Kit com RiboErase (Illumina), com uma breve descrição de todas as etapas necessárias: esgotamento do rRNA com hibridização oligo para RNAs ribossômicos humanos, fragmentação de RNA, síntese de primeira linha, síntese de segunda linha e cauda A, e limpeza após cada etapa15. Outros kits de preparação da biblioteca também podem ser usados para este fim. Recomenda-se realizar esta etapa usando um kit comercialmente disponível, pois a qualidade da biblioteca cDNA gerada é muitas vezes mais consistente. 2) As etapas a seguir são descritas para preparação da biblioteca 1x. Se preparar várias amostras, faça misturas mestras com 10% de volume extra.

  1. Hibridização do Oligo e esgotamento do rRNA
    1. Prepare o mix mestre de hibridização oligo (total = 11 μL, com 4,4 μL de tampão de hibridização, 4,4 μL de oligos de hibridização e 2,2 μL de água sem RNase) e mistura mestre de esgotamento (total = 5,5 μL, com 3,3 μL de tampão de esgotamento e 2,2 μL de RNase H).
    2. Configure o programa de reação PCR em um termociclador: 95 °C por 2 min; rampa para baixo para 45 °C a -0,1 °C/s; Pausa de 45 °C; 45 °C por 30 min; 4 °C para sempre.
      NOTA: Considere começar com o dobro da quantidade de RNA do que o necessário para amplificação. Na primeira tentativa, use metade da quantidade para continuar com os seguintes passos. Isto é para garantir que ainda haja material para repetir essas etapas com um número diferente de ciclos (ver passo 4.7.2), se os ciclos de amplificação se tornarem insuficientes ou superamplificados.
    3. Use entre 25 ng e 1 μg de RNA total em 10 μL de água livre de RNAse, adicione 10 μL de mistura mestre de hibridização oligo. Coloque amostras no termociclador pré-programado e inicie o programa.
    4. Quando o programa atingir a etapa de pausa a 45 °C, adicione 5 μL de mistura mestre de esgotamento à reação de hibridização de 20 μL sem removê-la do termociclizador. Misture bem por pipetting para cima e para baixo várias vezes.
    5. Retome o programa termociclador para continuar com a etapa de esgotamento (45 °C por 30 min).
      NOTA: 1) Coloque as contas para esgotamento do rRNA (por exemplo, contas puras KAPA) à temperatura ambiente (RT) durante a etapa de esgotamento para a próxima parte do protocolo. 2) Considere preparar a mistura mestre de digestão DNase (para a seção 4.2), uma vez que os reagentes são necessários diretamente após a limpeza do esgotamento do rRNA.
    6. Realize uma limpeza kapa pure beads baseada em 2,2x: combine a mistura de RNA (25 μL) e KAPA Pure Beads (55 μL), resuspensando completamente as contas na mistura de RNA por pipetar para cima e para baixo várias vezes.
    7. Incubar em RT por 5 minutos para permitir a ligação de RNA às contas, e colocar o tubo em um rack de ímã para capturar as contas até que o líquido esteja limpo, e remover cuidadosamente e descartar 60 μL de supernadante.
    8. Mantendo o tubo no ímã, lave 2x com 200 μL de 80% de etanol incubando as contas com o etanol por ≥30 s e descarte o etanol. Tente remover todo o etanol residual sem perturbar as contas após a segunda lavagem.
    9. Seque as contas em RT por 3-5 min ou até que todo o etanol tenha evaporado.
      NOTA: A secagem excessiva das contas pode resultar em redução do rendimento.
  2. Digestão DNase
    1. Prepare o mix mestre de digestão DNase (total = 22 μL, com 2,2 μL de tampão DNase, 2 μL de DNase e 17,8 μL de água sem RNase) .
    2. Resuspende as contas na mistura mestre de digestão DNAse (20 μL) por pipetar para cima e para baixo várias vezes. Incubar o tubo em RT por 3 minutos para tirar o RNA das contas.
    3. Coloque o tubo em um rack de ímã para capturar as contas, até que o líquido esteja limpo, e transfira cuidadosamente 20 μL de supernasce para um tubo limpo.
    4. Incubar o tubo com sobrenaante a 37 °C por 30 min.
      NOTA: Considere preparar as misturas mestres de elução, fragmentação e escoramento de RNA (para a seção 4.3), uma vez que os reagentes são diretamente necessários após a limpeza da digestão DNase.
    5. Realize uma limpeza baseada em contas de 2,2x seguindo 4.1.6-4.1.9.
  3. Elução de RNA, fragmentação e escoramento
    1. Prepare a mistura mestre Fragment, Prime e Elute Buffer (1x) com 11 μL de Buffer Fragment, Prime e Elute (2x) e 11 μL de água sem RNase.
    2. Resuspenque minuciosamente as contas com RNA purificado, tratado de DNase em 22 μL de Fragmentação, Prime e Elute Buffer (1x) por pipetação para cima e para baixo várias vezes.
    3. Incubar à temperatura ambiente por 3 minutos para elute RNA foradas contas, em seguida, coloque o tubo(s) em um ímã para capturar as contas até que o líquido esteja limpo.
    4. Transfira cuidadosamente 20 μL de supernante em um tubo(s). Descarte o tubo com contas.
      NOTA: Este é um ponto de parada seguro, pois as amostras podem ser armazenadas a -20 °C por ≤24 h.
    5. Coloque o tubo em um termociclador e realize a fragmentação e a escoração a 94 °C por 6 minutos. Resultando em fragmentos aproximados de 200-300 bp longos.
      NOTA: Incubar por 8 min a 94 °C para fragmentos de 100 a 200 bp. Ao usar RNA parcialmente degradado, fragmento entre 1-6 min a 85 °C, dependendo da gravidade da degradação.
    6. Coloque o tubo no gelo e prossiga imediatamente para a síntese do primeiro fio.
  4. Síntese do primeiro fio
    1. Prepare a primeira mistura mestre de síntese de fios (total = 12 μL, com 11 μL de tampão de síntese de primeira linha e 1 μL de script KAPA).
    2. Configure o programa de reação PCR em um termociclador: 25 °C por 10 min; 42 °C por 15 min; 70 °C por 15 min; 4 °C para sempre.
    3. No gelo, combine 20 μL de RNA fragmentado com 10 μL de primeira mistura mestre de síntese de fios. Mantenha o tubo no gelo, misture bem ao escoar suavemente a reação várias vezes.
    4. Coloque o tubo no termociclador pré-programado e inicie o programa.
  5. Síntese de segunda vertente e A-tailing
    1. Prepare a síntese do segundo fio e a mistura mestre de cauda A no gelo (total = 33 μL, com 31 μL de tampão de síntese de segundo fio e 2 μL de mistura de enzimas de segunda linha e a cauda).
    2. Configure o programa de reação PCR em um termociclador: 16 °C por 30 min; 62 °C por 10 min; 4 °C para sempre.
    3. Combine 30 μL do produto de síntese do primeiro fio com 30 μL de segunda síntese de fios e mistura mestre de cauda A, e misture bem por pipetar várias vezes no gelo.
    4. Coloque o tubo no termociclador pré-programado e inicie o programa.
  6. Ligadura adaptador e limpeza pós-ligadura
    1. Adaptadores de estoque diluídos (códigos de barras de DNA NEXTflex, 25 μM) 3,57x em água sem RNase a 7 μM.
    2. Prepare o mix mestre de ligadura adaptador (total = 50 μL, com 40 μL de tampão de ligadura e 10 μL de ligadura de DNA).
    3. Combine 60 μL do produto de síntese de segunda linha, 45 μL de mix mestre de ligadura adaptador e 5 μL de adaptadores diluídos. Misture bem por pipetting para cima e para baixo várias vezes no gelo.
    4. Incubar os tubos a 20 °C por 15 min e continuar imediatamente com a primeira limpeza pós-ligadura.
    5. Realize uma limpeza à base de contas de 0,63x combinando DNA ligado por adaptador (110 μL) e contas puras KAPA (70 μL), em seguida, resuspenque minuciosamente as contas na mistura de DNA, pipetando para cima e para baixo várias vezes.
    6. Repetição de passos 4.1.7-4.1.9.
    7. Remova os tubos do ímã. Resuspense completamente as contas em 50 μL de 10 mM Tris HCL (pH = 8,0-8,5) e incubar as contas em RT por 2 min.
    8. Coloque a placa sobre o ímã e espere até que o líquido esteja limpo. Transfira 50 μL do supernanato claro para um novo tubo.
      NOTA: Ponto de parada seguro por menos de 24h a 4 °C.
    9. Realize uma limpeza baseada em contas de 0,7x combinando 50 μL de contas com DNA purificado ligado a adaptador com 35 μL de solução PEG/NaCL. Misture bem pelo vórtice.
    10. Realizar as etapas de limpeza 4.1.7-4.1.9. Resuspense completamente as contas em 20 μL de 10 mM Tris HCL (pH = 8,0-8,5), e incubar as contas em RT por 2 min.
    11. Coloque a placa no ímã; espere até que o líquido esteja limpo. Transfira 20 μL do supernanato claro para um novo tubo e prossiga para a seção 4.7.
      NOTA: Ponto de parada seguro por menos de 1 semana a 4 °C ou menos de 1 mês a -20 °C.
  7. Ampliação e limpeza da biblioteca
    1. Prepare o mix mestre de amplificação da biblioteca (total = 33 μL, com 27,5 μL de 2x KAPA HiFi HotStart ReadyMix e 5,5 μL de 10x mix de primer de amplificação da biblioteca).
    2. Configure o programa de reação PCR em um termociclador usando os seguintes parâmetros. 98 °C para 45 s; N ciclos (veja a nota abaixo) de: 98 °C para 15 s; 60 °C para 30 s; 72 °C para 30 s; 72 °C por 1 min; e 4 °C para sempre.
      NOTA: Os ciclos para a amplificação da biblioteca dependem do material de entrada. Pode ser estimado como tal: começando com RNA = 25-100 ng, N = 11-15 ciclos; 100-250 ng, N = 9-12 ciclos; 250-500 ng, N = 7-10 ciclos.
    3. Realize uma limpeza à base de contas de 0,8x combinando DNA de biblioteca amplificada (50 μL) e contas puras KAPA (40 μL), em seguida, resuspenque minuciosamente as contas na mistura de DNA, pipetando para cima e para baixo várias vezes.
    4. Realizar as etapas de limpeza 4.1.7-4.1.9. Resuspense completamente as contas em 50 μL de 10 mM Tris HCL (pH = 8,0-8,5), e incubar as contas em RT por 2 min.
    5. Transfira 50 μL do supernanato claro para um novo tubo e prossiga para a segunda limpeza de amplificação da biblioteca.
    6. Realize uma limpeza baseada em contas 1x combinando DNA de biblioteca amplificada (50 μL) e contas puras KAPA (50 μL), em seguida, resuspende completamente as contas na mistura de DNA por pipetting para cima e para baixo várias vezes.
    7. Realizar as etapas de limpeza 4.1.7-4.1.9. Resuspense completamente as contas em 22 μL de 10 mM Tris HCL (pH = 8,0-8,5), e incubar as contas em RT por 2 min.
    8. Transfira 20 μL do supernanato claro para um novo tubo proceder às medições de Qbit e bioanalzer.
  8. Tamanho de concentração e fragmentação
    1. Meça as concentrações de DNA das amostras. Usando um kit à base de corante fluorescente altamente sensível (por exemplo, Denovix Qbit, consulte Tabela de Materiais), ou se a concentração parece estar abaixo de 0,5 ng/μL, requantify usando uma abordagem qPCR mais sensível (por exemplo, Quantificação Kappa, ver Tabela de Materiais).
    2. Determine o tamanho do fragmento da biblioteca, usando eletroforese altamente sensível (por exemplo, um bioanalílise).
      NOTA: Opcionalmente, o controle de qualidade por qPCR pode ser realizado antes do sequenciamento (apêndice) usando uma biblioteca preparada diluída em vez de cDNA.
  9. Seqüenciamento
    1. Envie a biblioteca para sequenciar. Para a análise da expressão genética diferencial RNA-seq, uma profundidade de sequenciamento de leituras entre 10-25 milhões por amostra é geralmente suficiente.

5. Pré-processamento de dados

  1. Verificação de qualidade Arquivos Fastq
    1. Baixe e instale trimgalore16 para remover pares de base de baixa qualidade e leituras vazias dentro dos arquivos Fastq.
      NOTA: 1) A maioria dos softwares mencionados aqui só funciona no Linux. Se limitado a um computador Windows, é possível executar análises em um servidor Linux usando o software MobaXterm ou Putty. Tenha em mente que para a indexação do genoma é necessário muita memória de acesso aleatório (RAM) (cerca de 64 GB). 2) A instalação de todos os softwares necessários em um ambiente conda é altamente recomendável. Isso permitirá fácil instalação de software e gerenciamento de pacotes. Para obter mais informações sobre conda, visite .
    2. Crie um diretório (pasta) para os dados, por exemplo, a pasta 'RNA_seq_KC_diff'. Defina isso como o diretório de trabalho digitando: "cd /home/user/RNA_seq_KC_diff/".
      NOTA: Para uma visão geral da estrutura da pasta, consulte 'folder_structure.txt' nos arquivos de codificação suplementar.
    3. Crie várias pastas no diretório de trabalho com os nomes específicos: 'Fastq', 'CRCh38_fasta', 'CRCh38', 'scripts' e 'Mapping'.
    4. Mova os arquivos fasta dos dados sequenciados para a pasta fastq. Alternativamente, gere links suaves usando o comando: "ln –s home/user/old_location_fastq/FastqFile home/user/RNAseq_KC_diff/Fastq/Fastqfile" para os arquivos Fastq para economizar espaço em disco.
    5. Execute o galore de Trim nos arquivos Fastq, consulte o arquivo TrimGalore.txt para que o código copie colado em bash. Altere nomes e configurações da pasta dentro do comando, quando necessário.
  2. Mapeamento
    1. Baixe um genoma para mapear as leituras para, por exemplo, hg38 ensembl versão 97 (versão desmascarada): ftp://ftp.ensembl.org/pub/release-97/fasta/homo_sapiens/dna/Homo_sapiens.GRCH38.primary_assembly.fa.gz ; e o arquivo de anotação genética correspondente: hg 38 gene anotação ensembl liberação 97, ftp://ftp.ensembl.org/pub/release-97/gtf/homo_sapiens/Homo_sapiens.GRCh38.97.gtf.gz. Transferir ambos os arquivos para a pasta CRCh38_fasta.
      NOTA: Alternativamente, use uma versão diferente do genoma, por exemplo, a versão UCSC do hg38, se o mapeamento para IDs de transcrição em vez de IDs de genes é preferido.
    2. Instale o STAR 2.7.117.
    3. Gere um genoma de referência interna usando o STAR 2.7.1 pelo script de genoma de geração (ver Arquivos de Codificação Suplementar). Altere a quantidade de threads para o que o processador tem (--runThreadN X). Altere nomes e configurações de pastas neste script quando necessário. Executá-lo copiando/colando em bash.
    4. Instale samtools 1.918 para indexar os arquivos bam e gzip para comprimir os arquivos de agitação.
    5. Alinhar o sequenciamento validado Trim Galore lê-se para o conjunto de genoma humano hg38 (ensembl release 97) usando STAR 2.7.1 seguido de indexação usando samtools e gzip. Isso deve ser realizado usando o script map_fastq.txt (ver Arquivos de Codificação Suplementar). Altere os nomes e configurações da pasta neste script quando necessário. Execute-o copiando/colando em bash.
      NOTA: O mapeamento STAR gera vários arquivos de saída, incluindo um arquivo bam, um arquivo de movimento e uma tabela de contagens de leitura chamada *_ReadsPerGene.out.tab, que pode ser usada diretamente concatenada por R para usar como entrada para Deseq2.
  3. Visualização do navegador genoma
    1. Instale wigToBigWig a partir das ferramentas de navegador de genoma da UCSC para gerar arquivos bigwig com o script big2bw19.
    2. Transfira os arquivos 'convertBigWigChroms.py' e 'CRCH38_ensembl2UCSC.txt' dos arquivos de codificação suplementar para uma pasta 'scripts' no diretório de trabalho.
    3. Torne a convertBigWigChroms.py executável (usando o comando: 'chmod +x scripts/convertBigWigChroms.py' em uma máquina Linux).
    4. Gerar arquivos bigWig a partir dos arquivos Wiggle, usando o script wig2bw.txt (ver Arquivos de Codificação Suplementar). Executá-lo copiando/colando em bash.
    5. Insira os arquivos BigWig no navegador de genoma UCSC ou visualizador de genômica integrativa (IGV) para visualização.

6. Análise de dados RNA-seq

  1. Dados de amostra de entrada no Deseq2
    1. Baixe e instale rstudio (versão 1.1.456) e R (versão 3.6).
    2. Instale todos os pacotes R necessários (consulte arquivos de codificação suplementar).
      NOTA: Para obter um arquivo R-markdown detalhado que mostra todo o código de programação e saída, consulte os arquivos anexados: "RNA_seq_kc_differentiation_wt.html" e "RNA_seq_kc_differentiation_patient.html". Uma descrição geral de todas as etapas está incluída abaixo.
    3. Gere uma tabela de contagem a partir dos arquivos ReadsPerGene.out.tab.
    4. Escreva um arquivo de dados de amostra, contendo todos os nomes de arquivos, o dia da diferenciação e outros dados de amostra relevantes. Para obter um exemplo de arquivo de exemplo, consulte "sample_data_example.csv" nos arquivos de codificação suplementar.
    5. Use a tabela de contagem e os dados da amostra para gerar um objeto Deseq220 contendo os dados contáveis e amostrais.
  2. Normalização da expressão genética, distância amostral e PCA
    1. Normalize a tabela de contagem no objeto Deseq2, usando deseq2 rld ou normalização vst. A normalização de RLD é preferida, mas com muitas amostras, a normalização do VST é muito mais rápida.
    2. A distância da amostra de plotagem com base nas intensidades de contagem de leitura normalizadas usando a função "dist" em R e, posteriormente, realizando agrupamento "hclust" com base na distância da amostra. Plote o mapa de calor em si usando o pacote de fenoatmap.
    3. Gere um gráfico PCA das intensidades de contagem de leitura normalizadas usando a função plotPCA do Deseq2.
      NOTA: O PCA atua como uma ferramenta na análise exploratória de dados e pode ser usado para visualizar a distância e a relatividade entre diferentes amostras.
  3. Análise diferencial/altamente variável da expressão genética
    1. Calcule os genes diferenciais usando a função de resultado Deseq2. No entanto, ao avaliar mudanças ao longo de vários pontos de tempo em que comparações pareiras não são aplicáveis, use genes altamente variáveis. Neste caso, extraia os 500 genes altamente variáveis através do pedido sobre a variância entre amostras de diferentes pontos de tempo com a função rowVars.
      NOTA: Em nossa análise, para as amostras de controle, foram utilizados os 500 genes altamente variáveis (os genes com maior desvio padrão de sua intensidade normalizada em dias de diferenciação) para análise posterior. No entanto, para a análise doente vs controle, os genes expressos diferencialmente entre a doença e os controles saudáveis ao longo do tempo foram calculados pelo Deseq2 usando um múltiplo valor p corrigido de 1 x 10-4 como um corte. Outra possível etapa de filtragem é excluir genes diferenciais que mudam menos do que um certo corte de alteração de dobra.
    2. Realize os kmeans agrupando-se nos genes diferenciais ou altamente variáveis para agrupar-os por diferentes padrões de expressão.
    3. Visualize genes diferenciais ou altamente variáveis em um mapa de calor usando o pacote de fenoatmap. A intensidade traçada no mapa de calor é a intensidade normalizada do Deseq2 com o valor mediano subtraído.
  4. Análise de enriquecimento de anotações de Gene Ontology (GO)
    1. Gere uma lista de genes de fundo expressos tirando todos os genes com mais de 10 contagens em uma única amostra.
    2. Realize a análise go usando ferramentas on-line como gOrilla21. Use as listas dos genes diferenciais/altamente variáveis em clusters como "lista genética", e os genes de fundo como pano de fundo para comparação.
      NOTA: Usuários de R mais avançados podem usar o cluster de pacoteProfiler22 para automatizar a análise de enriquecimento a prazo go.

Access restricted. Please log in or start a trial to view this content.

Resultados

Diferenciação normal de queratinócitos e análise RNA-seq
Neste experimento, foram utilizadas linhas de queratinócitos derivadas de cinco indivíduos para diferenciação e análises de RNA-seq. A Figura 1 resume o procedimento experimental de diferenciação e os resultados da análise do RNA-seq. Uma visão geral dos procedimentos de diferenciação in vitro de queratinócitos normais e mudanças de morfologia celular durante a diferenciação são ilustradas na

Access restricted. Please log in or start a trial to view this content.

Discussão

Este trabalho descreve um método para induzir a diferenciação de queratinócitos humanos e a caracterização subsequente utilizando análises de RNA-seq. Na literatura atual, muitos estudos sobre diferenciação de queratinócitos humanos utilizam dois outros métodos, com alta concentração de cálcio ou com soro como métodos para induzir diferenciação2,3,23. Um relatório anterior comparou cuidadosamente esses três m?...

Access restricted. Please log in or start a trial to view this content.

Divulgações

Os autores não têm nada a revelar.

Agradecimentos

Esta pesquisa foi apoiada pela Organização Holandesa de Pesquisa Científica (NWO/ALW/MEERVOUD/836.12.010, H.Z.) (NWO/ALW/Open Competition/ALWOP 376, H.Z., J.G.A.S.); Bolsa da Universidade Radboud (H.Z.); e bolsa do Conselho de Bolsas chinês 201406330059 (J.Q.).

Access restricted. Please log in or start a trial to view this content.

Materiais

NameCompanyCatalog NumberComments
Bioanalyzer 2100AgilentG2929BA
Bovine pituitary extract (BPE)LonzaPart of the bulletKit
CFX96 Real-Time systemBio-RadqPCR machine
Dulbecco's Phosphate-Buffered Saline (DPBS)Sigma-AldrichD8537
Epidermal Growth Factor (EGF)LonzaPart of the bulletKit
Ethanolamine >= 98%Sigma-AldrichE9508
High Sensitivity DNA chipsAgilent5067-4626
HydrocortisonLonzaPart of the bulletKit
InsulinLonzaPart of the bulletKit
iQ SYBR Green KitBioRad170-8886
iScript cDNA synthesisBio rad1708890
KAPA Library Quant KitRoche07960255001Low concentration measure kit
KAPA RNA HyperPrep Kit with RiboEraseRocheKK8540RNAseq kit
KGM Gold Keratinocyte Growth Medium BulletKitLonza192060
NanodropdeNovixDS-11 FX (model)Nanodrop and Qbit for DNA and RNA measurements
NEXTflex DNA barcodes -24IllumniaNOVA-5141036 bp long primers
Penicillin-StreptomycinGibco15140122
RNA Pico ChipAgilent5067-1513

Referências

  1. Hardman, J. A. Skin equivalents for studying the secrets of skin: from development to disease. British Journal of Dermatology. 173 (2), 320-321 (2015).
  2. Borowiec, A. S., Delcourt, P., Dewailly, E., Bidaux, G. Optimal differentiation of in vitro keratinocytes requires multifactorial external control. PLoS One. 8 (10), 77507(2013).
  3. Van Ruissen, F., et al. Induction of normal and psoriatic phenotypes in submerged keratinocyte cultures. Journal of Cellular Physiology. 168 (2), 442-452 (1996).
  4. Ojeh, N., Pastar, I., Tomic-Canic, M., Stojadinovic, O. Stem Cells in Skin Regeneration, Wound Healing, and Their Clinical Applications. International Journal of Molecular Sciences. 16 (10), 25476-25501 (2015).
  5. Ali, N., et al. Skin equivalents: skin from reconstructions as models to study skin development and diseases. British Journal of Dermatology. 173 (2), 391-403 (2015).
  6. Luis, N. M., et al. Regulation of human epidermal stem cell proliferation and senescence requires polycomb- dependent and -independent functions of Cbx4. Cell Stem Cell. 9 (3), 233-246 (2011).
  7. Mulder, K. W., et al. Diverse epigenetic strategies interact to control epidermal differentiation. Nature Cell Biology. 14 (7), 753-763 (2012).
  8. Poumay, Y., Pittelkow, M. R. Cell density and culture factors regulate keratinocyte commitment to differentiation and expression of suprabasal K1/K10 keratins. Journal of Investigative Dermatology. 104 (2), 271-276 (1995).
  9. Kouwenhoven, E. N., et al. Transcription factor p63 bookmarks and regulates dynamic enhancers during epidermal differentiation. EMBO Rep. 16 (7), 863-878 (2015).
  10. Qu, J., et al. Mutant p63 Affects Epidermal Cell Identity through Rewiring the Enhancer Landscape. Cell Reports. 25 (12), 3490-3503 (2018).
  11. Brunner, H. G., Hamel, B. C., Van Bokhoven, H. The p63 gene in EEC and other syndromes. Journal of Medical Genetics. 39 (6), 377-381 (2002).
  12. Browne, G., et al. Differential altered stability and transcriptional activity of DeltaNp63 mutants in distinct ectodermal dysplasias. Journal of Cell Science. 124, Pt 13 2200-2207 (2011).
  13. KGM Gold Keratinocyte Growth Medium BulletKit. , Available from: https://bioscience.lonza.com/Lonza_bs/CH/en/Culture-Media-and-Reagents/p/000000000000192060/KGM-Gold-Keratinocyte-Growth-Medium-BulletKit (2019).
  14. Doyle, K. aM. Protocols and applications guide. , Promega Corporation. Madison. (1996).
  15. Roche. Hyperprep Kit. , Available from: https://sequencing.roche.com/en-us/products-solutions/by-category/Library-preparation/rna-library-preparation/kapa-rna-hyperprep-kit-with-riboerasehmr.html (2019).
  16. Felix Krueger. TrimGalore. , Available from: https://github.com/FelixKrueger/TrimGalore (2019).
  17. Dobin, A., et al. STAR: ultrafast universal RNA-seq aligner. Bioinformatics. 29 (1), 15-21 (2013).
  18. Li, H., et al. The Sequence Alignment/Map format and SAMtools. Bioinformatics. 25 (16), 2078-2079 (2009).
  19. Ryan, D. Convert chromosome names in a bigWig file. , Available from: https://gist.github.com/dpryan79/39c70b4429dd4559d88fb079b8669721 (2019).
  20. Love, M. I., Huber, W., Anders, S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biol. 15 (12), 550(2014).
  21. Eden, E., Navon, R., Steinfeld, I., Lipson, D., Yakhini, Z. GOrilla: a tool for discovery and visualization of enriched GO terms in ranked gene lists. BMC Bioinformatics. 10, 48(2009).
  22. Yu, G., Wang, L. G., Han, Y., He, Q. Y. clusterProfiler: an R package for comparing biological themes among gene clusters. Omics. 16 (5), 284-287 (2012).
  23. Kretz, M., et al. Control of somatic tissue differentiation by the long non-coding RNA TINCR. Nature. 493 (7431), 231-235 (2013).
  24. Mullegama, S. V., et al. Nucleic Acid Extraction from Human Biological Samples. Methods in Molecular Biology. 1897, 359-383 (2019).
  25. Ma, F., et al. A comparison between whole transcript and 3' RNA sequencing methods using Kapa and Lexogen library preparation methods. BMC Genomics. 20 (1), 9(2019).
  26. Chao, H. P., et al. Systematic evaluation of RNA-Seq preparation protocol performance. BMC Genomics. 20 (1), 571(2019).
  27. Podnar, J., Deiderick, H., Huerta, G., Hunicke-Smith, S. Next-Generation Sequencing RNA-Seq Library Construction. Current Protocols in Molecular Biology. 106, 21(2014).
  28. Haque, A., Engel, J., Teichmann, S. A., Lonnberg, T. A practical guide to single-cell RNA-sequencing for biomedical research and clinical applications. Genome Medicine. 9 (1), 75(2017).
  29. Oyola, S. O., et al. Optimizing Illumina next-generation sequencing library preparation for extremely AT-biased genomes. BMC Genomics. 13, 1(2012).
  30. Quail, M. A., et al. Optimal enzymes for amplifying sequencing libraries. Nature Methods. 9 (1), 10-11 (2011).
  31. Quail, M. A., et al. A tale of three next generation sequencing platforms: comparison of Ion Torrent, Pacific Biosciences and Illumina MiSeq sequencers. BMC Genomics. 13, 341(2012).
  32. Ross, M. G., et al. Characterizing and measuring bias in sequence data. Genome Biology. 14 (5), 51(2013).
  33. Soneson, C. ARMOR. , Available from: https://github.com/csoneson/ARMOR (2019).
  34. Sande, S. F. snakemake-workflows. , Available from: https://github.com/vanheeringen-lab/snakemake-workflows (2019).

Access restricted. Please log in or start a trial to view this content.

Reimpressões e Permissões

Solicitar permissão para reutilizar o texto ou figuras deste artigo JoVE

Solicitar Permissão

Explore Mais Artigos

Gen ticaQuest o 159queratin citos prim rios humanoscultura 2D submersadiferencia o in vitroRNA seqan lise bioinform ticap63

This article has been published

Video Coming Soon

JoVE Logo

Privacidade

Termos de uso

Políticas

Entre em contato

recomende à biblioteca

Newsletter

Pesquisa

Educação

Autores

Bibliotecários

SOBRE A JoVE

Copyright © 2025 MyJoVE Corporation. Todos os direitos reservados