[摘要]在神经元中，树突和轴突隔室的局部翻译允许对局部蛋白质组进行快速和按需修改。由于过去几年见证了我们对大脑神经元多样性的认识的巨大进步，因此了解如何根据细胞类型调节局部翻译变得越来越重要。为此，最近报道了基于测序和基于成像的技术。在这里，我们提出了一种亚细胞单细胞 RNA 测序协议，该协议允许对单个神经元的体细胞和树突进行分子量化，并且可以扩大规模以表征数百到数千个神经元。使用激光捕获显微切割法解剖培养的神经元的胞体和树突，然后进行细胞裂解以释放 mRNA 含量。然后使用允许下游汇集样本的索引引物进行逆转录。汇集的 cDNA 文库在 Illumina 平台上进行准备和测序。最后，对生成的数据进行处理并转换为基因与细胞的数字表达表。该协议提供了湿实验室和生物信息学步骤的详细说明，以及对控制、数据分析、解释和实现稳健和可重复结果的方法的见解。
图文摘要：
神经元中的亚细胞单细胞 RNA-seq。
[背景] 在其高度极化和复杂的结构中，神经元创建亚细胞隔室，优化需要空间和时间隔离的操作。这些隔室的功能特化部分是通过 mRNA 的选择性转运和局部翻译来实现的 （霍尔特等人，2019）。为了表征神经元局部转录组，许多研究已经对富含树突和轴突的大脑区域进行了大量的 RNA 谱分析（Zhong等人，2006；Cajigas等人，2012；Glock等人，2020），对从分离的突触颗粒组织（Hafner等人，2019 年），或来自分离细胞体和神经突的腔室中的神经元培养物（Gumy等人，2011 年；Poon等人，2006 年）。这些研究表明，突触传递、细胞骨架调节和翻译本身（以及其他）等蛋白质功能是在局部转录组中编码的（Holt等人，2019 年）。然而，正如单细胞转录组学的最新进展所揭示的那样，大脑包含一系列复杂的神经元类型，这引发了一个问题，即局部转录组在不同细胞类型中的可变性有多大（Wang等人，2020 年；Perez等人，2021 年） ）。
为了解决这个问题，需要本地转录组的单细胞分辨率。实施这种方法存在三个主要挑战：(1) 从单个神经元的不同亚细胞区室中分离 mRNA，(2) 局部 mRNA 的无偏见表征，以及 (3) 数百到数千个样本的表征用于稳健的细胞类型分类。两项开创性研究使用单细胞纳米活检或微量移液器从培养物中单个神经元的胞体和树突中分离材料，并使用 RNA-seq 分别分析成百上千的局部 mRNA（Tóth等人，2018 年；Middleton等人， 2019）。然而，这两项研究都包含相对较少的样本（几十个），并且都没有研究细胞类型对局部转录组的影响。空间转录组学的最新突破为局部转录组提供了前所未有的原位单分子分辨率，允许在树突和轴突区室的亚域内和亚域内表征 mRNA。使用多重抗错荧光原位杂交，Wang等人。 (2020) 分析了数百个培养神经元中数百个 mRNA 的空间位置，从而鉴定了谷氨酸能和 GABA 能神经元中的树突和轴突转录物。然而，这种技术要求实验者先验地选择要靶向的 mRNA，因此，不能提供对局部转录组的公正看法。为了规避这一限制，Alon等人。 (2021) 最近开发了扩展测序 (ExSeq)，它将扩展显微镜与荧光原位测序相结合。这种技术允许对神经元内任何地方的 mRNAs 进行无偏见的表征，无论是在培养的细胞还是组织样本中。然而，到目前为止，非靶向 ExSeq 只能解析每个细胞的数十种 mRNA 种类，因此尚未用于分析局部转录组中细胞类型特异性的变异。
最近，我们开发了一种方法，允许在数百到数千个单个神经元中单独分离树突和体细胞 mRNA，以及局部 mRNA 的无偏表征和分子计数（Perez等人，2021）。使用这种方法，我们分析了培养物中谷氨酸能和各种 GABA 能中间神经元的树突转录组，并鉴定了数十种树突定位受细胞类型调节的 mRNA。正如预期的那样，细胞类型特异性差异在胞体中更为常见，因为除了其自身的转录组外，胞体还包含树突和轴突区室的转录组。 Wang等人也进行了类似的观察。 (2020) 使用另一种方法。我们的方法将激光捕获显微切割 (LCM) 用于分离树突和体细胞室（微米分辨率；图 1A）与敏感的 scRNA-seq 协议（改编自 Picelli等人，2014；Macosko等人，2015），它用唯一的分子标识符 (UMI) 和索引标记 mRNAs (图 1B)。该索引允许在文库制备过程中进行迭代合并步骤，每次运行可对 384 个样本进行测序。该方案可以在两周内从头到尾执行，如果重复3次或更多次，可以积累数千个亚细胞样本。由于在收集之前对每个细胞进行成像，因此该方法也可用于研究转录组和神经元形态之间的相关性。尽管如此，在开始之前应考虑该协议的几个缺点。首先，该方法（使用 ERCC RNA 标准计算）捕获 LCM 收集后每 4 个分子中的一个。然而，这可能高估了对细胞内实际分子数量的敏感性，因为并非所有 LCM 弹射的细胞材料碎片都落在收集帽中，这对于树突来说似乎更为严重。因此，mRNA 越丰富，就越有可能被检测到，而较低丰度的 mRNA 更容易被遗漏。为了弥补这一点，我们建议增加样本数量，直到在树突中检测到的 mRNA 数量达到饱和。其次，该协议要求在其大部分树突状乔木中选择几乎没有重叠细胞过程的神经元。这种选择可能会导致某些细胞类型相对于其他细胞类型出现偏差。事实上，我们观察到，平均而言，GABA 能神经元具有更容易接近的胞体和过程，而谷氨酸能过程通常与其他细胞的过程严重纠缠在一起。为了估计这种潜在的偏差，我们建议在同一个培养皿中从不易接近的神经元中收集仅躯体样本。包含此类样本还改善了无监督聚类，从而能够更准确地确定收集体细胞和树突的那些神经元的细胞类型。
图 1. 亚细胞 scRNA-seq 方法。
A. 显示使用 LCM 解剖神经元的胞体和树突的图像。 B. 文库制备工作流程，显示每一步使用的序列、引物和关键酶。
总而言之，这种方法可以作为一个强大的工具来实现对局部转录组中细胞类型效应的公正调查，并且可以在来自不同大脑区域、发育阶段或物种的细胞中实施。此外，它还可用于研究单细胞对药物治疗的反应，或其他诱导细胞状态变化的操作（例如，突触可塑性的范例）。研究其他极化细胞类型的局部转录组也可能有用，例如星形胶质细胞 (Sakers et al ., 2017; Mazaré et al ., 2021) 或上皮细胞 (Moor et al ., 2017)。最后，应该可以调整该协议以分析非编码 RNA，例如小 RNA（Hagemann-Jensen等人，2018）。
材料和试剂
1. 玻璃底培养35毫米培养皿，14毫米玻璃直径（MatTek，目录号：P35G-1.5-14-C）
2. Qubit Assay Tubes（ThermoFisher，目录号：Q32856）
3. 试剂容器25 ml （VWR，目录号：89094-662）
4. 96孔DNA LoBind板（Eppendorf，目录号：30129504）
5. AdhesiveCap-200 Clear（Zeiss，目录号：415190-9191-000）
6. Agencourt AMPure XP 磁珠（Beckman Coulter，目录号：A63881）
7. 甜菜碱（ThermoFisher，目录号：J77507AE）
8. Bioanalyzer HS-DNA 试剂盒（Agilent，目录号：5067-4626）
9. 培养的神经元。我们使用大鼠海马原代神经元培养物（如Aakalu等人，2001中所述制备）。
10. CustomSeqB 引物（IDT，参见补充文件 1和寡核苷酸信息）
11. 二硫苏糖醇（DTT）（Bio-Rad，目录号：1610611）
12. dNTP 混合物（ThermoFisher，目录号：R0192）
13. 洗脱缓冲液（Qiagen，目录号：1014609）
14. ERCC RNA Spike-Ins（ThermoFisher，目录号：4456740）
15. ISPCR 引物（IDT，参见补充文件 1和寡核苷酸信息）
16. KAPA HiFi HotStart Mix（Roche，目录号：KK2602）
17. 氯化镁（ThermoFisher，目录号：AM9530G）
18. Microseal B粘合膜（Bio-Rad，目录号：MSB1001）
19. 分子生物学级乙醇（Sigma，目录号：BP2818-100）
20. Nextera XT DNA Library Prep Kit（96 个样品）（Illumina，目录号：FC-131-1096）
21. Nextera XT Index Kit v2 Set A（Illumina，目录号：FC-131-2001）
22. Nextera XT Index Kit v2 Set B（Illumina，目录号：FC-131-2002）
23. NextSeq 1000/2000 P2 试剂（100 个循环）（Illumina，目录号：20046811）
24. 无核酸酶 H 2 O（ThermoFisher，目录号：10977-035）
25. P5-ISPCR 引物（IDT，参见补充文件 1和寡核苷酸信息）
26. 封口膜（Sigma，目录号：PM-992）
27. 磷酸盐缓冲液（Sigma，目录号：P5493-1L）
28. 聚-D-赖氨酸（Corning，目录号：354210）
29. Qiagen蛋白酶（Qiagen，目录号：19155）
30. Qubit dsDNA BR 试剂盒（ThermoFisher，目录号：Q32853）
31. Qubit dsDNA HS 试剂盒（ThermoFisher，目录号：Q32851）
32. RNase抑制剂（Takara，目录号：2313A）
33. RNaseZap（ThermoFisher，目录号：AM9780）
34. RT-UMI-Index Primer（16 种变体）（IDT，参见补充文件 1和寡核苷酸信息）
35. SingleShot 细胞裂解试剂盒（Bio-Rad，目录号：1725080）
36. SuperScript IV（ThermoFisher，目录号：18090200）
37. 模板开关寡核苷酸（IDT，请参阅带有寡核苷酸信息的补充文件 1 ）
38. 细胞裂解混合物（参见食谱）
39. RT 混合（见食谱）
40. PreAmp PCR Mix（见配方）
41. 最终 PCR 扩增混合物（见配方）
设备
1. 2-20，微升 12 通道，多通道移液器（例如，Ranin，目录号：17013808）
2. 20-200 µl，12 通道，多通道移液器（例如，Ranin，目录号：17013810）
3. 2100 Bioanalyzer Instrument（Agilent，目录号：G2939BA）
4. 细胞培养箱（例如，ThermoFisher）
5. 弯曲的盖玻片钳（VWR，目录号：HAMMHSC817-13）
6. DISH 35 CC 适配器（ Zeiss，目录号：415101-2000-835 ）
7. 用于 96 孔板的磁性支架（ ThermoFisher，目录号：AM10027 ）
8. 微型离心机（例如，ThermoFisher，目录号：75004061）
9. lllumina DNA 测序仪（例如，NextSeq 2000 ）
10. PALM MicroBeam Axio Observer 激光捕获显微切割显微镜（蔡司）
11. PCR Plate Spinner（VWR，目录号： 89184-610）或 96 孔板兼容离心机
12. Qubit 荧光计（ ThermoFisher，目录号：Q33238 ）
13. SingleCap Collector II 200 RM（蔡司，目录号：415101-2000-951 ）
14. 热循环仪（例如，Bio-Rad，C1000，目录号：1851197）
15. 组织培养罩（例如，ThermoFisher）
16. 涡流（例如，VWR，目录号：10153-840）
软件
1. PALM RoboSoftware v3 或更高版本（蔡司， https: //www.zeiss.com/microscopy/us/products/microscope-software/palm-robosoftware.html#palm46 ）
2. bcl2fastq v2.20.0.422（Illumina， https://support.illumina.com/sequencing/sequencing_software/bcl2fastq-conversion-software.html ）
3. FastQC v.0.11.9（Babraham Bioinformatics/FastQC， https: //www.bioinformatics.babraham.ac.uk/projects/fastqc/ ）
4. Picard Tools v.2.20.2 或更高版本 (broadinstitute/picard, https://github.com/broadinstitute/picard/releases/tag/2.20.2 )
5. Drop-seq 工具 v.2.3.0 或更高版本 (broadinstitute/Drop-seq, https://github.com/broadinstitute/Drop-seq/releases/tag/v2.3.0 )
6. STAR v.2.7.2b 或更高版本 (alexdobin/STAR, https://github.com/alexdobin/STAR/releases/tag/2.7.2b )
7. Fasta 文件包含正在使用的物种的基因组。各种物种的基因组 fasta 文件可以在https://hgdownload.soe.ucsc.edu/downloads.html或http://ftp.ensembl.org/pub/release-99/fasta/中找到
8. GTF 文件包含正在使用的物种基因组中的转录坐标。各种物种的 GTF 文件可以在https://hgdownload.soe.ucsc.edu/downloads.html或http://ftp.ensembl.org/pub/release-99/gtf/找到
9. Seurat 3 或以上 (satijalab/seurat, https://satijalab.org/seurat/articles/install.html )
程序
A. 确定每次测序运行所需的样本数量（有关限制和注意事项，请参见注释 1）。该程序设计用于对 384 个样本进行测序分析，包括阳性和阴性对照（见注 2），这些样本被编入索引，随后在三个单独的步骤中合并（见注 3）。
B. 在开始之前，用 RNaseZap 清洁 LCM 显微镜和工作台空间中的移液器、架子、离心机和表面，以避免 RNA 降解。
C. 原代神经元培养物
1. 根据选择的协议准备哺乳动物神经元培养物。在我们的案例中，我们从新生大鼠 (P1) 的海马或皮层培养神经元，如前所述 (Aakalu et al ., 2001)。
2. MatTek 14mm 直径玻璃底皿盖玻片上的板细胞涂有 0.1 mg/mL 聚-D-赖氨酸溶液，密度为 20,000 个细胞/盖玻片。
3. 将镀层细胞在所选细胞培养基中保持至少 2 周且不超过 5 周，以实现神经元过程的最佳融合。除非细胞年龄是一个感兴趣的变量，否则我们强烈建议实验中的所有神经元共享相同的年龄，因为转录组可能在培养的神经元的生命周期内显着变化。
D. 乙醇固定
1. 丢弃细胞培养基。
2. × PBS清洗培养物并立即将其丢弃。重复一次，共洗 2 次。
3. 加入 5 ml 冷的 70% 乙醇（保持在 -20°C）。等待 5 分钟并丢弃乙醇。
4. 用封口膜密封盘子并储存在-80°C。细胞中的 RNA 将保持稳定至少 3 个月。
E. 激光捕获显微切割
1. 制作 4 种单独的细胞裂解预混液，使用 16 种RT-UMI-Index (1-16) 引物中的哪一种（参见配方 1）。继续冰上。
2. 从盘子上取下封口膜和盖子，并将其放在蔡司 PALM LCM 显微镜的 DISH 35 CC 适配器上。解剖前应允许细胞解冻 5-10 分钟。同时进行下一步。
3. 打开 PALMRobo 软件。使用 20 ×物镜，识别和注册显微解剖位置。我们建议每盘收集不超过 48 个样本（见注 1）：16 个适合解剖的神经元的胞体和树突乔木，12 个不适合收集的树突乔木的胞体，以及 4 个空切（见注 2） .因此，此时应保存 28 个神经元和 4 个空白区域的位置。适合收集的神经元具有无进程的孤立体细胞和孤立的树突乔木，其中大多数进程可以明确分配给同一神经元（参见图 1A 和补充文件 2中的示例）。避免盖玻片边缘的神经元，因为这些神经元的弹射效率低下。
4. 切换到40 ×物镜，到第一个注册的位置，拍照。
5. 对于 soma 或空白区域，从 Cut Tools 菜单中选择 AutoLPC，然后选择圆形绘图工具来描绘 soma 或感兴趣的区域。对于树突，从“切割工具”菜单中选择 LineAutoLPC，然后使用手绘工具来描绘过程。由于神经元隔室的连续性，没有明显的体细胞结束和树突开始的点，因此我们认为两个隔室之间的边界最终是任意的。在我们的实验中，我们将胞体描述为包含和围绕细胞核的细胞区域，细胞核向外扩张，直到宽度突然急剧减小。继续进行的过程被认为是树突。然而，质量上比其他过程更薄的过程被排除在外，因为这些过程可能是轴突（参见图 1A、补充文件 2和视频 1中的示例）。
视频 1.五个单个神经元的体细胞和树突过程的描绘和激光捕获显微解剖。
6. 将 AdhesiveCap-200 透明管的盖子放入装有 SingleCap Collector II 200 RM 的显微镜 RoboMover 中。切断将盖子连接到管子上的管子，并丢弃管子。
7. 单击捕获设备图标，转到调整选项卡，并将工作高度设置为 -12,500。转到操作，然后双击帽子图标的顶部。这会将盖子放在培养皿上方的收集位置。必要时调整焦点，以获得神经元的清晰图像。
8. 为激光压力弹射 (LPC) 设置以下参数：能量 = 40，焦点 = 70%，速度 = 15%。
9. 转到图形工具栏上的颜色图标，然后在 LPC 距离选项卡上将 AutoLPC 镜头的距离设置为 2。这决定了 LPC 打孔的密度。
10. 转到元素列表，并仅选择描绘体细胞的元素。单击开始切割激光图标。划定胞体的区域将在许多单独的拳头中弹射到收集帽上。
11. 单击捕获设备图标，转到操作选项卡，然后单击主页图标。这将使盖子回到装载位置。
12. 使用弯曲的镊子，小心地从收集臂上取下盖子并将其放在一个表面上，使材料弹射到的一侧朝上。
13. 将 3 µl 相应的细胞裂解预混液添加到含有弹射材料的盖子中。
14. 使用弯曲的镊子，小心地将盖子放入 96 孔 DNA LoBind 板的孔中，使材料弹射到的一侧朝下。
15. 重复步骤 5 到 7。
16. 转到元素列表并选择所有描绘该特定神经元树突的元素。单击开始切割激光图标。描绘每个枝晶的区域将在许多单独的冲头中弹射到收集帽上。
17. 重复步骤 11 到 14。
18. 对步骤 3 中注册的每个位置重复步骤 5 到 17。我们建议在每个 96 孔板中组织图 4A 中所示的样本。
19. 立即进行下一步。
F. 细胞裂解
1. Microseal B 胶膜将装有收集盖的板紧紧密封，将其倒置，然后将装有盖的一侧涡旋 15 秒。
2. 在板式旋转器中将板离心 1 分钟，或以 1,000 ×离心 1 分钟 g ，将体积从盖子带到井底。用Microseal B 胶膜丢弃瓶盖和重新密封板。
3. 将板放入热循环仪并运行以下程序（盖子设置为 105°C）：
第 1 步（蛋白质消化）：50°C 10 分钟
第 2 步（蛋白酶灭活）：75°C 10 分钟
第 3 步：4°C 保持
4. 立即进行下一步。
G. 逆转录
1. 准备 RT 预混液（参见配方 2） 。
2. 将 RT 主混合物分成 12 个 PCR 管，每个管含有 15.3 μL 。
3. 使用多通道移液器，从上一步准备的 12 个 PCR 管中移取 3.4 μL的 RT 主混合物，并将其添加到每个反应中。
4. Microseal B 胶膜密封板。
5. 通过快速涡旋混合，在板式旋转器中离心 1 分钟，或在 1,000 ×离心机中离心 1 分钟 克。
6. 将板放入热循环仪并运行以下程序（盖子设置为 105°C）：
第 1 步（逆转录）：55°C 10 分钟
第 2 步（酶灭活）：80°C 10 分钟
第 3 步：12°C 保持
H. PCR预扩增
1. 准备 PCR 前置放大器预混液（参见配方 3）。
2. 将 PCR PreAmp 主混合物分成 12 个 PCR 管，每个管含有 34.2 µL 。
3. 使用多通道移液器，从上一步准备的 12 个 PCR 管中移取 7.6 μL PCR PreAmp 主混合物，并将其添加到每个反应中。
4. Microseal B 胶膜密封板。
5. 通过快速涡旋混合并在板式旋转器中离心 1 分钟，或以 1,000 ×离心 1 分钟 克。
6. 将板放入热循环仪并运行以下程序（盖子设置为 105°C）：
第 1 步（Taq 激活）：98°C 3 分钟
第 2 步（变性）：98 °C 20 秒
第 3 步（退火）：67°C 15 秒
第 4 步（延伸）：72°C 6 分钟
（重复步骤 2-4 共 21 个循环*）
第 5 步（最终延伸）：72°C 5 分钟
第 6 步：12°C 保持
*可能需要优化循环数，因为起始 RNA 量高的样品需要的循环次数更少，而起始量低的样品需要的循环次数更多。
7. 在 -20°C 下停止和储存 PCR 反应至少 3 个月是安全的。
8. 一旦积累了所有 384 个样本（约 8 个培养皿），请继续执行下一步。
I. 样品汇集和 PCR 纯化
1. 让 AMPure XP DNA 磁珠在室温下放置至少 30 分钟（使用磁珠进行 DNA 纯化时，请参见注释 3 以了解最佳做法）。
2. 将来自相同来源（即，胞体、树突或空切口）但从不同 RT 指数引物获得的池 8 反应放入 DNA LoBind 96 孔板中的单个孔中（池逻辑详细描述在注 4）。这应该会产生一个有 4 行的板，其中每个孔包含 ~112 μL的汇集样本。
3. 加入 112 μL的 AMPure 磁珠。密封板。通过涡旋充分混合。
4. 让板在室温下静置 5 分钟。
5. 将盘子放在磁性支架上。静置 5 分钟。
6. 准备新鲜的 80% 乙醇，考虑到 48 个混合样品需要约 22 mL的 80% 乙醇。
7. 将 80% 乙醇溶液放入 25 mL水库中。
8. 从每个含有混合样品的孔中丢弃上清液，注意不要破坏磁珠颗粒。
9. 加入 200 μL新鲜制作的 80% 乙醇。等待 30 秒并移除。
10. 再次重复上一步，确保最后丢弃所有乙醇（可能需要额外的移液）。
11. 让板在磁力架中放置 5 分钟，或直到珠粒看起来干燥。如果颗粒开始出现裂缝，请立即进行下一步。
12. 从磁性支架上取下板，并在颗粒顶部添加 17.5 μL的洗脱缓冲液 (EB)。
13. 通过涡旋重悬颗粒，如有必要，在颗粒顶部反复吹打洗脱体积。
14. 等待 5 分钟。
15. 将管放回磁性支架上并等待 2 分钟。
16. 将 15 μL的上清液转移到新的 96 孔 DNA LoBind 板中的孔中。
17. 合并来自同一来源（即，胞体、树突或空切口）的 2 个汇集样本的上清液，这些样本在步骤 2 中汇集的 8 个索引中不包含重叠（参见图 4）。因此，这个组合将包含 16 个不同的索引，每个索引代表一个不同的样本。
J. cDNA文库的质量指标
1. 根据制造商的说明，使用 Qubit dsDNA BR Kit 检查 24 个混合样本的浓度。预计每个混合样品的浓度在 10-150 ng/ µL之间。
2. 根据制造商的说明，使用 Agilent Bioanalyzer HS-DNA 试剂盒检查 24 个混合样品的大小分布。预计图书馆在 500 bp 以下的峰很少或没有峰，在 ~ 800 bp 和 ~ 5,000 bp 之间有一个大峰，以 ~ 2,000 bp 为中心（图 2A）。
图 2. cDNA 文库的预期大小分布。
A. J 部分第 2 步之后来自树突样品池的生物分析仪电泳图。 B. N 部分第 2 步之后来自同一样品的生物分析仪电泳图。
K. 标记
1. 在新的 96 孔 DNA LoBind 板中，为每个混合样本进行 0.1 ng/ µL稀释。
2. 加入 10 μL Nextera Tagment DNA 缓冲液。
3. 加入 5 μL Nextera Amplicon Tagment Mix。
4. 密封板并在板旋转器中离心 1 分钟。
5. 在设置为 55°C（加热盖 105°C）的热循环仪中孵育样品 5 分钟。
6. 添加 5 µL Nextera 中和标记缓冲液来停止标记。
7. 密封板并在板旋转器中离心 1 分钟。
8. 在室温下孵育板 5 分钟。
L. 测序兼容片段的扩增
1. 准备最终 PCR 主混合物（参见配方 4）。
2. 在每个反应中加入 24 μL的最终 PCR 扩增混合物。
3. 在每个反应中，添加 24 种不同 Nextera i7 引物 (N7XX) 中的一种。
4. 密封板并在板旋转器中离心 1 分钟。
5. 将板放入热循环仪并运行以下程序（盖子设置为 105°C）：
步骤 1（PCR 前孵育）：98°C 3 分钟
第 2 步（变性）：95°C 30 秒
第 3 步（变性）：95°C 10 秒
第 4 步（退火）：55°C 30 秒
第 5 步（延伸）：72°C 30 秒
（重复步骤 2-4 共 12 个循环）
第 6 步（最终延伸）：72°C 5 分钟
第 6 步：12°C 保持
M. PCR 净化和纯化
1. 让 AMPure XP DNA 磁珠在室温下放置至少 30 分钟。
2. 在每个反应中加入 30 μL AMPure XP DNA 磁珠。通过涡旋充分混合。
3. 重复第 I 部分的步骤 4-15 以纯化扩增的 DNA。
4. 在 -20°C 下停止和储存 PCR 反应是安全的。在 2 周内对样品进行测序。
N. 质量指标
1. 根据制造商的说明，使用 Qubit dsDNA HS Kit 检查每个样品的浓度。预计每个样品的浓度在 1-10 ng/ µL之间。
2. 根据制造商的说明，使用 Agilent Bioanalyzer HS-DNA 试剂盒检查每个样品的大小分布。预计图书馆将在约 300 bp 和约 1,000 bp 之间显示出弱的大峰，以约 500 bp 为中心（图 2B）。
O. 生成 2 nM 多路复用库
1. 将每个库的浓度标准化为 2 nM。
2. 结合每个标准化库的2 μL ，最终体积为 48 μL 。搅拌均匀。
3. 根据制造商的说明，使用 Qubit dsDNA HS Kit 确认最终多路复用库的浓度。如有必要，将浓度调整为 2 nM。
P. 双端测序
1. 根据制造商的协议执行配对测序。在这里，我们描述了 NextSeq 2000 使用 Nextseq 1000/2000 P2 试剂（100 个循环）v3 的过程。
2. 将 12 μL 的多路复用样品与 12 μL 的 NextSeq RSB 与 Tween 缓冲液结合。短暂涡旋并离心 1 分钟。
3. 将 1.8 μLof Read1 CustomSeqB 底漆与 600 μL 的 HT1 缓冲液结合。涡旋和离心机。
4. 在测序墨盒的库井底部添加 20 μL 的稀释库。
5. 将 550 μL 的 Read1 CustomSeqB 引物稀释加载到测序盒的 #1 井中。
6. 按照制造商的说明开始测序运行。
7. 为读取 1 选择自定义 1。
8. 设置以下测序参数并运行：读取 1：26 bp，读取 2：82 bp，读取 1 索引：8 bp。
Q. 生成 Drop-seq 核心计算协议所需的文件（见注 5）。
1. 使用以下命令生成序列字典：
java -jar /path/to/picard/picard.jar CreateSequenceDictionary \
参考=我的.fasta \
输出=我的.dict \
物种=物种名称
2. 使用以下命令生成 refFlat 注释文件：
/路径/到/Drop-seq_tools/ConvertToRefFlat \
ANNOTATIONS_FILE=我的.gtf \
SEQUENCE_DICTIONARY=我的.dict \
输出=我的.refFlat
3. 使用以下命令生成缩减的 GTF 文件：
/路径/到/Drop-seq_tools/ReduceGtf \
GTF=我的.gtf \
SEQUENCE_DICTIONARY=我的.dict \
输出=我的.reduced.gtf
4. 使用以下命令生成间隔文件：
/路径/到/Drop-seq_tools/CreateIntervalsFiles \
REDUCED_GTF=我的.reduced.gtf \
SEQUENCE_DICTIONARY=我的.dict \
前缀=我的\
输出=/路径/到/输出/文件\
MT_SEQUENCE=chrM
5. 使用以下命令为比对过程生成基因组目录：
/路径/到/星/星\
--runMode 基因组生成\
--运行线程N 8 \
--genomeDir 路径/到/输出/文件\
--genomeFastaFiles 路径/到/FASTA/文件\
--sjdbGTFfile 路径/到/GTF/文件\
--sjdb悬垂81
R. 用于生成数字基因表达表的数据处理管道。
1. 使用以下命令解复用 i7 索引：
bcl2fastq -runfolder-dir /path/to/rawdata/folder/ \
-输出目录/路径/到/输出/文件夹/\
--无车道分割\
--加载线程 8 \
--写作线程 8 \
--minimum-trimmed-read-length 0 \
--mask-short-adapter-reads 0 \
--sample-sheet /path/to/sample/sheet/
2. 使用以下命令评估所有文件的测序数据质量：
/path/to/fastqc *.fastq.gz
（有关如何解释 FastQC 质量指标结果的信息，请访问https://www.bioinformatics.babraham.ac.uk/projects/fastqc/Help/3%20Analysis%20Modules/ ）
3. 对于每个 i7-index 样本，使用以下命令将 Fastq 文件转换为 Sam 文件，同时合并 R1 和 R2 文件：
java -jar /path/to/picard/picard.jar CreateSequenceDictionary \
F1= SampleX_R1.fastq.gz \
F2= SampleX_R2.fastq.gz \
O= SampleX.bam
SM=SampleX
4. 使用以下命令提取每次读取的 RT 索引序列：
/path/to/Drop-seq_tools/TagBamWithReadSequenceExtended \
输入=SampleX.bam \
输出=索引_SampleX.bam \
摘要= Indexed_SampleX.summary \
基本范围= 9-16 \
基础质量=10 \
DISCARD_READ=假\
TAG_NAME=XC\
NUM_BASES_BELOW_QUALITY=1
5. 使用以下命令提取每次读取的分子条形码序列：
/path/to/Drop-seq_tools/TagBamWithReadSequenceExtended \
输入=索引_SampleX.bam \
输出=UMIed_SampleX.bam \
摘要= UMIed_SampleX.summary \
基本范围= 1-8 \
基础质量=10 \
DISCARD_READ=真\
TAG_NAME=XM\
NUM_BASES_BELOW_QUALITY=1
6. 使用以下命令删除具有低质量 RT 索引或分子条形码序列的读取：
/path/to/Drop-seq_tools/FilterBam \
TAG_REJECT=XQ\
输入=UMIed_SampleX.bam \
OUTPUT=Filtered_SampleX.bam
7. 使用以下命令修剪包含部分模板开关寡核苷酸的读取：
/path/to/Drop-seq_tools/TrimStartingSequence \
输入=Filtered_SampleX.bam \
输出= Trimmed_SampleX.bam \
OUTPUT_SUMMARY= Trimmed_SampleX.summary \
序列= AAGCAGTGGTATCAACGCAGAGTGAATGGG \
不匹配=0 \
NUM_BASES=5
8. 使用以下命令在读取中修剪 polyA 尾部：
/path/to/Drop-seq_tools/PolyATrimmer \
输入=修剪_SampleX.bam \
输出= PolyATrimmed_SampleX.bam \
OUTPUT_SUMMARY= PolyATrimmed_SampleX.summary \
序列= AAGCAGTGGTATCAACGCAGAGTGAATGGG \
不匹配=0 \
NUM_BASES=6 \
USE_NEW_TRIMMER =真
9. 使用以下命令将 bam 文件转换回 Fastq 格式：
java jar /path/to/picard/picard.jar SamToFastq \
输入=PolyATrimmed_SampleX.bam \
FASTQ= PolyATrimmed_SampleX.fastq
10. 使用以下命令将读取与基因组对齐：
/路径/到/星/星\
--runMode 对齐读取\
--runTreadN 8 \
--genomeDir 路径/到/基因组/文件夹/\
--readFilesIn PolyATrimmed_SampleX.fastq \
--outSAMtype BAM \
--按坐标排序\
--alignSoftClipAtReferenceEnds 否 \
--outFilterScoreMinOverLread 0.66 \
--outFilterMatchNminOverLread 0.66
11. 使用以下命令计算 RNA 测序的质量指标：
java jar /path/to/picard/picard.jar CollectRNASeqMetrics \
I=Aligned_SampleX.bam \
O= SampleX.RNA_Metrics \
REF_FLAT = 我的.refFlat \
STRAND=FIRST_READ_TRANSCRIPTION_STRAND \
CHART_OUTPUT=SampleX_Metagene.plot \
RRNA_FRAGMENT_PERCENTAGE=0.8 \
MINIMUM_LENGTH=500 \
RIBOSOMAL_INTERVALS=/path/to/my.intervals/rRNA.intervals
（我们预计绝大多数碱基会映射到 mRNA，并且元基因图应该显示出强烈的 3' 偏差，如图 3 所示。）
图 3. scRNA-seq 数据 3' 偏差。
Metagene 图显示了整个 mRNA 长度上读数的预期分布（标准化覆盖率），其中 0 表示 5' 最远的区域，100 表示 3' 最远的区域。
12. 使用以下命令将对齐的 bam 文件与索引和 UMIed bam 文件合并：
java jar /path/to/picard/picard.jar MergeBamAlignment \
REFERENCE_SEQUENCE= /path/to/Genome/fasta \
UNMAPPED_BAM=UMIed_SampleX.bam \
ALIGNED_BAM= Aligned_SampleX.bam \
输出= Merged_SampleX.bam \
INCLUDE_SECONDARY_ALIGNMENTS=假\
PAIRED_RUN =假
13. 使用以下命令标记带有基因名称的读取：
/path/to/Drop-seq_tools/TagReadWithGeneFunction \
我=Merged_SampleX.bam \
O= GeneTagged_SampleX.bam \
ANNOTATIONS_FILE= my.refFlat
14. 使用以下命令生成数字基因表达表：
/path/to/Drop-seq_tools/DigitalExpression \
我=GeneTagged_SampleX.bam \
O=样品X.DGE.gz \
STRAND_STRATEGY=感觉\
摘要=SampleX.DGE.summary.txt \
CELL_BC_FILE=RT_Indexes*
*这是一个文本文件，逐行列出使用的所有索引的 8nt 序列。
数据分析
1. 使用此方法在大鼠原代海马神经元上生成的数据集可在登录代码 GSE157204 下的 NCBI 基因表达综合库中找到。从数据生成的数字表达式表和描述实验设计的元数据文件可在我们出版物的补充文件 1和补充文件 2中找到 (Perez et al., 2021).用于数据分析的 R 源代码可以在我们的 GitHub 存储库DOI 中找到：10.5281/zenodo.4384479 。
2. 协议中包含的 ERCC Spike-Ins 可用于量化实验的准确性，方法是将单个 ERCC 的输入数量与其在排序结果中的平均数量进行比较。预计 Pearson 相关 > 0.8。此外，可以通过确定具有不同输入值的 ERCC 的检测概率来计算实验的灵敏度（检测到裂解反应中存在的 mRNA 的数量）。平均而言，我们检测到每 4 个分子中就有 1 个存在。
3. 在分析数字基因表达表之前，需要进行额外的质量评估和数据清理。首先，应使用 ERCC 来评估文库制备和测序的质量：应丢弃几乎没有 ERCC 测序的异常值。其次，具有与空切相当的 RNA 分子数量的体细胞或树突样品也应丢弃。最后，如下所述，无监督维度方法可以揭示数据集中存在的细胞类型。根据我们的经验，这可能会揭示富含凋亡或神经胶质细胞标记物的样本，这两种细胞都应该被丢弃。
4. 要将样本分类，请使用无监督的降维方法，例如 UMAP 或 tSNE，以及最近邻方法，例如 k-clustering，所有这些方法都可以在 Seurat 包中找到 (Stuart et al ., 2019)。由于树突转录组通常比体细胞转录组更浅，我们仅根据体细胞样本进行细胞类型分类，然后将此信息外推到相应的树突。
5. 差异表达分析可以在不同细胞类型的胞体或树突之间进行，也可以在单个神经元的胞体和树突之间进行。对于这些，我们建议基于逻辑回归 (Ntranos et al ., 2019) 或泊松广义线性模型 (Stuart et al ., 2019) 进行测试。在比较体细胞与树突时，我们建议使用起源细胞作为潜在变量进行配对差异表达分析。
笔记
1. 在实验设计阶段，在选择合适的 N 时应考虑几个因素。功率分析应考虑最终将使用数据执行的测试和分析的类型，因为实现统计功效所需的 N 因测试而异测试。对于细胞类型之间或亚细胞区室之间的差异表达分析，我们建议使用针对单细胞数据集优化的工具，例如 powsimR (Vieth et al ., 2017) 或 scPower (Schmid et al ., 2020)。在单次测序运行中可以分析的样本数量取决于实验装置的多路复用能力。在该协议中，RT 引物携带 16 个不同索引中的 1 个，而 i7 Nextera PCR 步骤将 24 个索引中的 1 个添加到之前的每个索引中，从而允许同时分析最多 (16 × 24) 384 个样本。对我们来说，这个数字为每个样本提供了足够的测序深度。但是，当然可以增加索引的数量，从而增加每次运行的多路复用能力。原则上，所有样品都可以来自单个板，但不建议这样做。由于 LCM 在室温下发生，并且一次只收集一个样本，因此 RNA 完整性会随着时间的推移而显着降低。我们观察到在收集 3 小时后每个样本检测到的 RNA 分子减少的趋势（表明 RNA 完整性较低）。因此，我们建议将每道菜收集的样本数量限制在可以在 3 小时内安全收集的数量（在我们的案例中为 48 个）。我们建议使用来自多个初级神经元制剂的菜肴，因为制剂之间会发生变异，因此来自同一制剂的菜肴不会产生完全独立的样本。
2. 除了来自相同单个神经元的配对体细胞和树突样本外，我们建议包括两种类型的对照。为了了解选择适合激光捕获的细胞所引入的潜在偏差，我们建议在同一培养皿中从不易接近的神经元中收集仅躯体样本。其次，作为阴性对照，我们包括将激光压力弹射应用于培养皿中没有胞体和/或树突的区域的样本。这些切口的大小应与胞体和/或树突占据的区域相当。这些样本用于控制可能污染的细胞外 RNA，并且可以帮助设置表达截止以包含样本。
3. 当使用磁珠纯化 DNA 时，重要的是在将磁珠与样品混合之前通过涡旋彻底重悬磁珠。在第 I-步骤 3 中准确移取所需体积也很重要，因为体积不准确会增加或减少较小 DNA 片段的存在。如果可能，请在此步骤中使用低绑定提示。同样重要的是要监测颗粒不会变得太干并在第 I-步骤 11 中开始出现裂缝，因为这将导致重新悬浮后 DNA 浓度降低。
4. 为了从 384 个收集的样本到对单个多路复用样本进行测序，我们在协议的关键步骤中逐步合并，即第 I 部分的步骤 2 和 17，以及第 N 部分的步骤 2。为了避免合并具有相同索引组合的样本，以及为了快速有效地执行该过程，我们建议根据图 4 所示的 96 孔板格式组织样品。
图 4. 样本池工作流程。
A. 在第 I 部分第 2 步中进行的合并。两个 96 孔板，每个板包含 48 个样品（仅显示 AD 行，因为 EH 行未被占用）。体细胞样本放置在第 1、3、5 和 7 列，它们各自的树突放置在第 2、4、6 和 8 列。来自不易接近区域的对照体细胞收集在第 9、10 和 11 列。 第 12 列包含空切（阴性对照）。板的每一行包含 16 种不同的 RT-UMI-Index 引物中的一种。在第 I 部分的第 2 步中，将两个互补板（包含一组不重叠的索引）的同一列中的所有样本合并在一起。 B. 在第 I 部分第 17 步中执行的合并。将同一列中的两个互补样本合并在一起以将样本数减少到 24 个。C.在第 N 部分第 2 步中执行合并。添加 Nextera 索引后，将所有样本合并在一起以将样本数减少到 1。
5. P 和 Q 部分中的命令将在执行分析的目录中的命令行界面中使用。
食谱
1. 细胞裂解预混液（表 1）
表 1.细胞裂解预混液
2. RT 预混液（表 2）
表 2. RT 预混液
3. PCR 前置放大器预混液（表 3）
表 3. PCR PreAmp Master Mix
4. 最终 PCR 预混液（表 4）
表 4.最终 PCR 预混液
1. 计算预混液体积以考虑移液错误。
2. 制备 100 × ERCC 溶液，稀释 ERCC RNA Spike-In Mix 1, 1:200,000。
3. RT master mix 试剂的最终浓度基于 6.4 µl的最终体积（3 µl细胞裂解混合物 + 3.4 µl RT mix）计算。
4. PCR PreAmp master mix 试剂的最终浓度基于 14 µl的最终体积（6.4 µl RT 反应 + 7.6 µl PCR PreAmp mix）计算。
5. Final PCR master mix 试剂的最终浓度基于 50 µl的最终体积（26 µl Tagmentation 反应 + 24 µl Final PCR mix）计算。
致谢
这项工作得到了马克斯普朗克学会的支持，以及欧洲研究委员会的高级研究员奖（赠款 743216）、DFG CRC 1080：神经稳态的分子和细胞机制，以及 DFG CRC 902：基于 RNA 的调节的分子原理。我们感谢 Ivy CW 的 Susanne Tom Dieck 博士。 Chan 和舒曼实验室的现任和前任成员进行了有益的讨论和建议。该协议源自我们之前的工作（Perez等人，2021；DOI：10.7554/eLife.63092） 。
利益争夺
作者宣称没有利益冲突。
伦理
涉及动物护理的程序按照符合国家和国际法律和政策（DIRECTIVE2010/63/EU；德国动物福利法，FELASA 指南）的机构指南进行，并经当地政府监督批准并报告当局（Regierungsprasidium Darmstadt）。 根据 2 个 Abs 的附件 2 对动物实施安乐死。 2 Tierschutz-Versuchstier-Verordnung。
参考
1. Aakalu, G.、Smith, WB、Nguyen, N.、Jiang, C. 和 Schuman, EM (2001)。海马神经元局部蛋白质合成的动态可视化。 神经元30（2）：489-502。
2. Alon, S., Goodwin, DR, Sinha, A., Wassie, AT, Chen, F., Daugharthy, ER, Bando, Y., Kajita, A., Xue, AG, Marrett, K.等。 （2021 年）。扩展测序：完整生物系统中的空间精确原位转录组学。 科学371（6528）。
3. Cajigas, IJ, Tushev, G., Will, TJ, tom Dieck, S., Fuerst, N. 和 Schuman, EM (2012)。深度测序和高分辨率成像揭示了突触神经细胞中的局部转录组。 神经元74（3）：453-466。
4. Glock, C.、Biever, A.、Tushev, G. 和 Bartnik, I. (2020)。突触神经细胞中的 mRNA 翻译景观。 bioRxiv 。 doi:10.1101/2020.06.09.141960。
5. Gumy, LF, Yeo, GS, Tung, YC, Zivraj, KH, Willis, D., Coppola, G., Lam, BY, Twiss, JL, Holt, CE 和 Fawcett, JW (2011)。胚胎和成人感觉轴突的转录组分析揭示了 mRNA 库定位的变化。 RNA 17（1）：85-98。
6. Hafner, AS, Donlin-Asp, PG, Leitch, B., Herzog, E. 和 Schuman, EM (2019)。局部蛋白质合成是神经元突触前和突触后区室的普遍特征。 科学364（6441）：eaau3644。
7. Hagemann-Jensen, M.、Abdullayev, I.、Sandberg, R. 和 Faridani, OR (2018)。 Small-seq 用于单细胞小 RNA 测序。 国家协议13（10）：2407-2424 。
8. Holt, CE, Martin, KC 和 Schuman, EM (2019)。神经元中的局部翻译：可视化和功能。 Nat 结构分子生物学26（7）：557-566。
9. Macosko，EZ，Basu，A.，Satija，R.，Nemesh，J.，Shekhar，K.，Goldman，M.，Tirosh，I.，Bialas，AR，Kamitaki，N.，Martersteck，EM，等。 （2015 年）。使用纳升液滴对单个细胞进行高度平行的全基因组表达谱分析。 单元格161（5）：1202-1214。
10. Mazaré , N.、Oudart, M. 和 Cohen-Salmon, M. (2021)。突触周围和血管周围星形胶质细胞过程中的局部翻译——一种确保星形胶质细胞分子和功能极性的方法？ J细胞科学134（2）： jcs251629-11。 doi:10.1242/jcs.251629。
11. Middleton, SA, Eberwine, J. 和 Kim, J. (2019)。来自单个小鼠神经元的亚细胞测序的树突定位 mRNA 亚型的综合目录。 BMC 生物学17（1）：5。
12. Moor, AE, Golan, M., Massasa, EE, Lemze, D., Weizman, T., Shenhav, R., Baydatch, S., Mizrahi, O., Winkler, R., Golani, O., et al . （2017）。全球 mRNA 极化调节肠上皮的翻译效率。 科学357（6357）：1299-1303。
13. Ntranos, V.、Yi, L.、Melsted, P. 和 Pachter, L. (2019)。一种用于单细胞 RNA-seq 差异表达分析的判别学习方法。 Nat 方法16（2）：163-166。
14. Perez, JD, Dieck, ST, Alvarez-Castelao, B., Tushev, G., Chan, IC 和 Schuman, EM (2021)。单个神经元的亚细胞测序揭示了 GABA 能中间神经元的树突转录组。 生命10： e63092 。
15. Picelli, S., Faridani, OR, Bjorklund, AK, Winberg, G., Sagasser, S. 和 Sandberg, R. (2014)。使用 Smart-seq2 从单细胞中提取全长 RNA-seq。 国家协议9（1）：171-181 。
16. Poon, MM, Choi, SH, Jamieson, CA, Geschwind, DH 和 Martin, KC (2006)。从培养的啮齿动物海马神经元中鉴定过程定位的 mRNA。 神经科学杂志 26（51）：13390-13399。
17. Sakers, K.、Lake, AM、Khazanchi, R.、Ouwenga, R.、Vasek, MJ、Dani, A. 和 Dougherty, JD (2017)。星形胶质细胞在其外围过程中局部翻译转录本。 Proc Natl Acad Sci USA 114(19)：E3830-E3838。
18. Schmid, KT, Cruceanu, C., Böttcher, A., Lickert, H., Binder, EB, Theis, FJ 和 Heinig, M. (2020)。多样本单细胞基因组学实验的设计和功效分析。 bioRxiv 2020.04.01.019851。 doi:10.1101/2020.04.01.019851。
19. Stuart, T.、Butler, A.、Hoffman, P.、Hafemeister, C.、Papalexi, E.、Mauck, WM, 3rd、Hao, Y.、Stoeckius, M.、Smibert, P. 和 Satija, R. （2019）。单细胞数据的全面整合。 单元格177(7)：1888-1902 e1821。
20. Tóth , EN, Lohith, A., Mondal, M., Guo, J., Fukamizu, A. 和 Pourmand, N. (2018)。单细胞纳米活检显示神经元细胞内 mRNA 的区室化。 生物化学杂志 293（13）：4940-4951 。
21. Vieth, B.、Ziegenhain, C.、Parekh, S.、Enard, W. 和 Hellmann, I. (2017)。 powsimR：批量和单细胞 RNA-seq 实验的功率分析。 生物信息学33（21）：3486-3488。
22. Wang, G.、Ang, CE、Fan, J.、Wang, A.、Moffitt, JR 和 Zhuang, X.（2020 年）。单个神经元中转录组的空间组织。 bioRxiv 101 :123-45。 doi:10.1101/2020.12.07.414060。
23. Zhong, J.、Zhang, T. 和 Bloch, LM (2006)。树突状 mRNA 编码海马锥体神经元中的多种功能。 BMC 神经科学 7：17 。