★ FEATURED ARTICLE 文献积累系列写到第7篇这次想好好拆一下eCLIP-Seq。eCLIP-Seq不是一个“CLIP的增强版”就能带过的概念它把实验流程、测序策略和分析范式一起改了并且靠一套几十个RNA结合蛋白RBP上的可重复实验证明了这套流程可以规模化。对准备做RBP结合图谱、或者对公共数据里那些peak将信将疑的人来说这篇文献值得读透。我自己的理解是eCLIP-Seq真正解决的不是“能不能做”的问题而是“能不能放心地成批做、成批比较”的问题。1. eCLIP-Seq到底改了什么从CLIP技术的演变看它的定位1.1 CLIP的旧问题能做和能规模化是两回事传统的CLIP原理并不难理解用紫外线让RNA和结合蛋白共价交联裂解细胞后用RNA酶做有限消化被蛋白保护的那段RNA会留下来再通过免疫沉淀把蛋白-RNA复合物捞出来最后把RNA回收、建库、测序。这个思路本身非常漂亮它比RIP-seqRNA免疫沉淀最大的优势是能拿到“直接接触”的证据分辨率也高得多。但实际做起来早期CLIP家族各个版本都有让人头疼的地方。有的版本交联效率不稳定需要放射性同位素标记来追踪产物操作很繁琐有的版本引入了光交联核苷类似物确实提高了效率和位点精度但类似物处理对细胞有毒性而且它本身会引入序列偏好不是所有样本都能耐受还有的版本依赖环化、线性扩增之类的高损耗步骤起始细胞量动不动就要上千万甚至上亿。对细胞系来说咬咬牙还能凑换成原代细胞、组织样本或临床样本这套路往往直接走不通。更麻烦的问题是重复性。建库过程中RNA损耗大、接头连接效率不均一、PCR扩增带来偏差这些因素叠加起来导致同一个蛋白重复跑两次得到的位点排名可能差得很远。深度测序下去看到大量reads但很难判断哪些是真实信号、哪些是背景黏连。在一两个蛋白上反复优化可以克服但当时的方案很难推广到几十上百个RBP的系统性研究。所以CLIP技术发展到某个阶段瓶颈已经不在“能不能捕获某一个蛋白的结合位点”而在“能不能给一批蛋白、一批样本跑出能在统计上互相比较的结果”。1.2 eCLIP的改动清单UMI、双端测序、Input对照一个都不能少eCLIP-Seq给我的感觉不是某一处小修小补而是从建库到分析的一整套重新设计。它保留了CLIP的核心逻辑——紫外交联、RNase消化、免疫沉淀、回收RNA、测序——但把几个最容易引入偏差的环节都针对性处理了一遍。第一个关键改动是引入了唯一分子标识符UMI。我记得它在逆转录引物里带了一段随机标签每个RNA分子反转录后都会带上一个独特的序列标记。PCR扩增之后同样的序列可能被复制很多份但UMI可以把它们认出来。去重时只要按“UMI比对坐标”来聚合就能把PCR带来的重复分子清理掉同时保留那些来自独立RNA分子的reads。这一步让定量变得更可信也直接解决了一个长期困扰CLIP的痛点到底哪些重复是真实生物学信号哪些只是建库噪声。第二个改动是双端测序。早期CLIP很多做单端测序一次只读一段eCLIP直接上paired-end。双端的好处不只是多读了一段序列那么简单它在比对和去重时能提供更多位置信息尤其是对插入片段比较短、序列短而重复的RNA片段来说双端可以在很多模糊区域把reads放回正确位置提高了有效数据利用率。第三个改动是明确的“配对Input对照”。简单说就是同批细胞裂解液里取一份不经过抗体富集的样本在同样条件下完成交联、RNA酶消化和建库。数据分析时把这个input当成背景基线用来扣除“仅仅因为RNA丰度高而被捕获”的假信号。这个设计可能看起来普通但实际效果非常强。因为很多RBP的peak会倾向出现在高表达转录本的3UTR上这是普遍存在的一种非特异倾向没有input对照根本区分不了。eCLIP把“和input做差异富集”变成标准动作这一步让各类蛋白的结果之间有了可比性。2. 实验端必须较真的三个决定成败的操作交联、酶消化与剪膜2.1 七个核心步骤里最影响结果的三个变量如果去看实验方案eCLIP的流程可以拆成十来个步骤。但对绝大多数实验室来说最值得花时间优化的其实就三个交联剂量、RNase消化程度、SDS-PAGE转膜后的剪膜范围。先说交联。eCLIP用的是常规254nm紫外光让蛋白和RNA发生共价交联不需要加光敏核苷类似物这是它适用于更多样本类型的前提。但是紫外剂量并不是随便定的我在实际做的时候发现文献里常用的紫外剂量大约在每平方厘米几百毫焦这个量级具体剂量还得看细胞类型。贴壁细胞直接照虽然均匀但培养基和培养皿壁对紫外有吸收换到悬浮细胞或者组织样本就得重新摸索。剂量低了交联效率不足免疫沉淀捞上来的复合物少剂量高了RNA被打断得七零八落还会产生大量交联导致的突变或逆转录提前终止。稳妥的做法是先做一个紫外线剂量梯度的小预实验用WB检测同一个蛋白在交联前后往磁珠上的回收率找出信号最强的那个点。第二个关键变量是RNase消化。这一步的目的是把“被蛋白包住、免于消化”的RNA片段保留下来把游离RNA切碎。理想情况下捕获到的RNA片段集中在几十个碱基到一百多个碱基之间这个范围能保留足够的序列信息又能把接触位点卡得比较准。如果RNase加少了背景高非特异片段混在产物里后面的peak会变得又宽又平如果加多了保护片段也被切掉最直接的后果就是motif富集度骤降甚至根本找不到那个蛋白已知的RNA结合基序。所以每次换细胞系、换抗体、甚至换一批RNase都应该重新滴定一次条件找到后固定下来。第三个变量是剪膜。CLIP原理决定了实验过程中有一块胶上的条带是“蛋白-RNA复合物RNA部分”需要切成膜片回收。但蛋白运行到的位置会结合RNA片段的大小、蛋白的分子量而偏移。剪膜剪得太靠上或太靠下会损失信号剪得太宽又把非特异的高分子量区域带了进来。很多做得很顺的实验室会在正式实验前先用一个已知蛋白做全膜的回收、再跑个小PCR看信号分布确定盒子的位置和宽度。这个预实验看起来费功夫其实非常值。2.2 抗体质量与样本起始量实验开始前就该想清楚的事eCLIP这种技术有一个所有步骤都无法弥补的天花板抗体特异性。如果说数据分析决定了你能看到多深那抗体就决定了你捞出来的到底是不是你想研究的蛋白。一个抗体做WB表现良好不代表它能做免疫沉淀更不代表它在交联后的复合物沉淀里也同样特异。条件允许的话应该先用目标蛋白的敲降或敲除细胞做一次预实验看抗体在敲降后是否还存在明显的残留信号。没有这种对照后面分析出来的peak再漂亮也可能只是某个高丰度hnRNP留下的痕迹。样本起始量也是容易被低估的问题。eCLIP相对早期CLIP已经大幅降低了细胞需求量但也不是随便一小管细胞就能跑。具体的细胞量会跟表达丰度有关一个每细胞只有几百拷贝的内源RBP和一个高表达的应激颗粒蛋白需要的起始量完全不是一个数量级。实际操作中我一般会先查目标蛋白在目标细胞里的表达丰度再结合文献里类似蛋白的用量做一个估算宁可多一些也别卡着最低线因为建库过程中每一步都在损失。3. Input样本与UMI是如何重塑数据分析逻辑的3.1 “减法式”背景扣除原理为什么Input不是随便设的很多刚开始接触eCLIP数据的同学会有一个疑问既然有了抗体拉下来的IP样本为什么还要额外花一份测序费用测Input如果只把IP样本单独做peak calling会得到非常多的候选位点但仔细一看大量peak落在高表达基因的3UTR或者长外显子区域看起来就没有什么特异性。这正是RNA丰度背景在作祟。eCLIP设计了一个“减法式”的思路IP样本里的reads 真实结合信号 RNA丰度背景 文库噪声Input样本里没有抗体富集只有“RNA丰度背景 文库噪声”。把两者放在一起做富集分析相当于在每一个候选区间把背景基线先估计出来再判断IP里那些多出来的reads是否有统计学意义。这样做之后源自丰度的假信号会被明显压制peak的宽度也会收窄留下来的位点可信度高得多。不过Input不是随随便便设一个就能用。它必须和IP来自同一批细胞裂解液经历同样的交联和RNA酶处理只是跳过抗体富集这一步。有的同学想省事拿一个公共的RNA-seq数据或者一次很早以前跑的Input来凑这样几乎一定会出问题因为不同批次间的RNA酶消化程度、降解状态、甚至核糖体RNA残留比例都不一样用它当背景反而会制造怪异的高富集峰。3.2 UMI去重背后的定量观不要把所有重复都杀掉UMI这个词现在很多测序技术都在用但eCLIP里对它的理解和ChIP-seq里头的“去重”不太一样。ChIP-seq去重时如果很多reads比对到完全相同的坐标通常是PCR扩增或者建库偏差去掉是合理的。eCLIP却要小心一点因为同一个结合位点本来就会吸引多条RNA片段它们经过消化后可以产生位置相同或很接近的多个独立分子。如果机械地把所有相同坐标的reads都当成重复丢掉你会把真实的结合丰度也丢掉一半后续的motif富集和峰强度都会失真。正确的逻辑是用UMI来区分PCR重复和独立分子。同一个UMI下面带出的多条reads才判定为PCR扩增产生的重复不同UMI对应同一个坐标区域应该保留下来作为独立观测。这也是为什么我在分析时会特意强调不要跳过UMI处理、直接用坐标去重更不要把UMI和坐标分开处理。只有把UMI和比对位置联合起来判断才能做到“只去PCR不去生物学信号”。实际分析中umitools、fgbio这类工具都支持组合去重建议优先选用。4. 从原始数据到结合位点我实际跑过的分析流程与参数4.1 比对、去重与峰识别标准的处理链路是什么拿到eCLIP的测序数据之后我一般按下面这条链路走质控、比对、UMI去重、peak calling、重复性评估、注释和motif分析。第一步是质控。先用cutadapt或Trimmomatic之类的工具去掉3接头和低质量碱基。eCLIP文库里插入片段本来就短接头比例往往不低这一步做得不干净后面的比对率会很难看。质控报告里重点看两条平均读长和接头残留率二者直接反映建库质量和RNA片段长度分布。第二步是对比到基因组。我非常不建议只用普通DNA比对器去做因为eCLIP的reads会大量落在内含子、外显子交界区甚至跨越剪接点。RNA结合蛋白结合pre-mRNA的时候序列跨越剪接位点是非常常见的。用STAR或HISAT2这类剪接型比对器配合基因组注释GFT文件才不会把那些关键reads丢掉。比对之后可以根据注释做一次简单的统计看看reads在基因区、非编码区、重复区的分布是否合理。第三步是UMI去重。把上一步的BAM文件加上UMI元数据然后按“UMI外显子起点链”聚类。这里有个值得注意的参数如果RNA片段长度很短两条reads比对在相同或相邻的坐标上是正常情况不要用过于严格的“完全相同坐标”去聚类否则会把插入片段两端的双端测序reads误判成不同分子。建议生成UMI count分布图和文库复杂度曲线一起做判断。第四步是peak calling。目前我经常用的是MACS2以IP样本为处理组、Input样本为对照组。需要注意的是MACS2本身是为ChIP-seq设计的它的默认模型假设DNA片段是连续双峰的分布而eCLIP的RNA片段没有这种规律。所以在eCLIP环境下通常要加--nomodel参数关闭它自带的shift/extsize建模有些流程还会配合一个预测的片段长度参数。另一些场景下专门为CLIP数据设计的CLIPper也是不错的选择它有自己定义峰边界和归一化背景的方法。具体选哪个可以两个都跑一遍看看最终motif富集和peak宽度哪个更符合已知生物学。第五步是重复性评估。同一样本如果做了生物学重复可以用IDR不重复发现率来评估两个重复之间的一致程度。IDR的核心思想是真正稳定的信号应该在两个重复里都稳定地高排位如果两个重复的peak排名在低置信区间乱跳那是噪声。对eCLIP来说IDR处理的截止阈值一般可以按项目需要来放建议先看看不同阈值下peak数量的曲线再决定最终产物。4.2 注释与motif分析怎么判断结果像不像一个真正的RBPpeak出来之后第一个动作是注释把peak和基因组注释放在一起看看它们落在哪些特征上。RBP的类型差异很鲜明有的偏好结合3UTR有的结合CDS有的结合内含子还有的专门在转录起始位点周围活动。如果结果与蛋白的已知功能明显矛盾——比如一个核内剪接因子给出的peak几乎全部落在成熟细胞质mRNA的编码区——那就要回头检查上游流程了。注释工具我常用HOMER的annotatePeaks.pl或者用R语言的ChIPseeker等看几个指标5UTR、CDS、3UTR、内含子、基因间区、非编码RNA的百分比。这里要特别说的是不要只看“占比”还要看“相对全转录组的富集程度”。因为3UTR在转录组里本身占比可能就高如果直接拿绝对百分比下结论很容易把所有RBP都解读成偏好3UTR。motif分析是验证结果的另一面镜子。把peak区域的序列取出来用MEME套件的DREME等工具做de novo motif找基序然后和目标蛋白已知的RNA结合结构域偏好序列比对。如果你的蛋白有一个文献里早就报道过的结合序列比如那种富含AU的序列而你的peak区完全富集不出任何相关基序那大概率是上游出了问题反过来如果富集出的motif和已知完全一致这个数据集的置信度会明显提升。另外还要看一眼是否富集到了让人警觉的“mapped motif”比如polyA、Alu之类的重复元件特征这些通常提示背景处理不干净。下面是一张我常用的分析阶段汇总表工具和参数可以根据数据情况调整分析环节常用工具关键参数/动作易错点质控cutadapt / Trimmomatic去3接头、低质量碱基插入片段本来就短接头残留容易被漏掉比对STAR / HISAT2允许跨越剪接点带基因注释用DNA比对器会使跨剪接reads成倍损失UMI去重umi_tools / fgbio按UMI比对坐标联合聚类只按坐标去重会误杀真实独立分子Peak callingMACS2 / CLIPperIP vs Input建议--nomodel直接套ChIP-seq默认模型不合适重复性IDR拿两个重复比较排位稳定性只跑单重复会缺少对照依据注释HOMER / ChIPseeker看相对全转录组的富集只看绝对占比会被高丰度区域误导motifDREME / MEME取peak中心序列找de novo基序非特异基序需警惕5. 我在复现eCLIP分析时踩过的真实坑5.1 Input测序量不足导致的全基因组假阳性一开始跑eCLIP分析的时候我以为只要测了Input就算有了对照于是把投入产出比做了很省Input那边只测了一小部分reads。结果peak calling出来的结果让人很困惑几乎每个基因上都出现了小倍数的富集峰而且这些峰高度集中在高表达基因的转录本上特别是3UTR区域。特征和真正的RBP结合位点分布完全对不上。问题出在背景估计的方差上。Input测序量不足每个区域里的背景reads数太少。当背景reads是0或非常低的时候MACS2计算富集的方差会变得很大那些低计数区域会接收到一个巨大的fold-enrichment结果就是全基因组到处是小幅假阳性。后来我把Input和IP的测序量做了匹配情况立刻好转假peak数量大幅减少真正的强峰在特征上也清晰了很多。从那以后我的原则是宁可少测几个IP样本也要把配对Input的量给足至少让它能支撑稳定估算背景。5.2 UMI去重、PCR重复与RNA片段长度的三重关系还有一次经历让我意识到去重不是“无脑去掉重复reads”。有一个样本IP做得很好文库也建出来了但分析之后发现peak的motif富集度始终差一口气。追溯后发现我在去重时用了较为严格的坐标聚类结果大量真实的短片段信号被当成重复清掉了。实验测出来的RNA片段长度只有三十几个碱基它们比对上基因组后会出现在非常重叠的位置如果只按坐标聚类很多来自同一位点但确实是独立分子的reads会被归成一组被当成PCR重复。正确的办法是先看一下插入片段长度分布再决定坐标聚类的窗口大小。对于短片段数据应该把“坐标相同”或“起点附近”的判断调整得宽松一些让生物学重复保留下来。这个教训让我养成了一个习惯每次拿到新数据集先看文库的片段长度分布再决定去重参数而不是把固定参数套用到底。5.3 结果解释结合位点不等于调控目标分析层面的坑解决了最后还有一个是概念层面的坑。eCLIP检测的是“蛋白在RNA上的直接接触点”看到的是物理意义上的结合证据不代表这个结合就会影响基因表达。有些peak出现在内含子深处既不改变剪接也不影响翻译它可能只是一个短暂、低效的弱结合有些peak虽然在基因附近但它真正的调控目标可能在相距几十kb的另一个没有注释的转录本上。我处理数据时现在会额外做两步一是把peak和表达量结合起来看计算每个基因的表达丰度过滤掉那些在低表达/不表达基因上的可能背景信号二是再叠加一个功能性的组学数据比如蛋白质编码基因的稳定性变化、翻译活性变化等来聚焦到真正与功能相关的位点。综合多种证据之后才能对“这个RBP调控了哪个基因”做出有底气的判断。6. 文献之后值得继续追踪的几个应用方向6.1 从单一图谱到突变和状态变化下的动态比较读完eCLIP的基础文献之后我更关注它后面的应用性扩展特别是把eCLIP从“描述一个蛋白在一种状态下的位点清单”升级为“在扰动条件下比较位点变化”。比如在携带特定突变的细胞里和对照组细胞里跑eCLIP看同一个蛋白的结合位点是获得还是丢失。这个思路可以在很多疾病机制研究里落地因为很多剪接因子和RNA结合蛋白错义突变并不改变蛋白表达量而只改变它对某些RNA序列的偏好。实际操作上这就涉及到“差异结合分析”。一种朴素的做法是在两个样本里分别call peak再比较重叠情况但如果想处理多位点定量层面的变化就要引入更稳健的统计模型。对这个方向来说eCLIP实验的可重复性优势变得格外重要因为只有生物学重复的质量足够好差异分析才不至于被批次效应淹没。6.2 非编码区域、重复元件与变异解释中的eCLIP数据价值另一个我比较看重的发展方向是把eCLIP数据和人类遗传学变异结合起来。基因组里的绝大多数风险变异落在非编码区域而很多非编码变异并没有改变任何已知转录因子的结合而是可能会影响RNA结合蛋白对前体RNA的识别。这种情况下eCLIP数据就提供了一个很方便的桥梁我们可以把某个RBP的结合位点伸展开看它是否覆盖到风险变异再结合剪接变化的证据提出一个“变异通过改变RBP结合而影响调控”的候选机制。当然这条路径还远未成熟。结合位点需要经过严格的细胞类型匹配因为同一个RBP在不同细胞里结合的位置可能完全不同变异的影响也可能不是简单的“绑定破坏”或“绑定增强”而是改变了RNA结构的局部稳定度。不过现有的eCLIP数据已经覆盖了相当数量的RBP和细胞类型只要有耐心去筛选会发现很多过去完全无法解释的非编码风险变异正在慢慢变得可以被理解。文献积累做到第7篇我体会最深的一点是读技术文献不能只看流程图和代表图而是要盯着“每种技术到底把自己的适用范围划在哪”。eCLIP-Seq并没有宣称自己能解决单个核苷酸分辨率的问题也没有号称能捕获所有弱结合它老老实实地把“可规模化、可重复、有明确背景对照”这三件事做到位。当你手上有几十个蛋白要批量分析、或者要比较不同样本之间的结合差异时这种老老实实的可靠比什么都重要。如果让我给一个实操建议那就是在开始正式实验之前先用一个已知结合motif的RBP把整套流程跑通把交联剂量、RNA酶浓度、剪膜范围和Input深度都确定好后面大批量处理时真的能省掉很多痛苦。
阅读完成 · 觉得有帮助？
