BMKMANU S3000_Telpiskā transkriptoma
BMKMANU S3000 telpiskās transkriptomas tehniskā shēma
Funkcijas
- Izšķirtspēja: 3,5 µM
- Punkta diametrs: 2,5 µM
- Vietu skaits: aptuveni 4,2 miljoni
- 3 iespējamie uztveršanas laukuma formāti: 6,8 mm * 6,8 mm, 11 mm * 11 mm vai 15 mm * 20 mm
- griezumu H&E un fluorescences krāsošana
- Iespēja izmantot šūnu segmentācijas tehnoloģiju: H&E krāsošanas, fluorescences krāsošanas un RNS sekvencēšanas integrācija, lai noteiktu katras šūnas robežu. Telpiskās profilēšanas analīzes apstrāde, pamatojoties uz šūnu nodalījumu.
- Iespējams panākt daudzlīmeņu izšķirtspējas analīzi: elastīga daudzlīmeņu analīze no 100 µm līdz 3,5 µm, lai ar optimālu izšķirtspēju izšķirtu dažādas audu iezīmes.
BMKMANU S3000 priekšrocības
- Subšūnu izšķirtspēja:Ved uz augstāka gēnu un UMI noteikšana katrā šūnā, uzlabota klasterizācija un kopumā smalkāka detalizācija, kas atbilst audu struktūrai.
-Daudzlīmeņu izšķirtspējas analīze:Elastīga daudzlīmeņu analīze diapazonā no 100 μm līdz 5 μm, lai optimālā izšķirtspējā izšķirtu dažādas audu iezīmes.
-Iespēja izmantot šūnu segmentācijas tehnoloģiju “Trīs vienā slaidā”:Apvienojot fluorescences krāsošanu, H&E krāsošanu un RNS sekvencēšanu uz viena slaida, mūsu "trīs vienā" analīzes algoritms ļauj identificēt šūnu robežas turpmākai uz šūnām balstītai transkriptomikai.
-Savietojams ar vairākām sekvencēšanas platformāmPieejamas abas opcijas — NGS un garās lasīšanas sekvencēšana.
-Elastīgs dizains ar 1–8 aktīvām uztveršanas zonāmUztveršanas apgabala izmērs ir elastīgs, un ir iespējams izmantot 3 formātus.
-Vienas pieturas pakalpojumsNo kriosekcijas līdz bioinformātiskai analīzei mēs piedāvājam pilnīgu risinājumu.
-Visaptveroša bioinformātika un lietotājam draudzīga rezultātu vizualizācija:Komplektā ietilpst 29 analīzes un vairāk nekā 100 augstas kvalitātes attēli, kā arī iekšēji izstrādāta programmatūra šūnu sadalīšanas un punktu klasterizācijas vizualizēšanai un pielāgošanai.
-Augsti kvalificēta tehniskā komandaMums ir pieredze ar vairāk nekā 250 audu tipiem un vairāk nekā 100 sugām, tostarp cilvēkiem, pelēm, zīdītājiem, zivīm un augiem.
-Reāllaika atjauninājumi par visu projektuAr pilnīgu eksperimentālās norises kontroli.
-Papildu locītavu analīze ar vienas šūnas mRNS sekvencēšanu
Pakalpojuma specifikācijas
| Parauga prasības | Bibliotēka | Sekvencēšanas stratēģija | Ieteicamie dati | Kvalitātes kontrole |
| OCT iegultie kriogēnie paraugi (Optimālais diametrs: apm. 6 × 6 × 6 mm³) 2 bloki katrā paraugā 1 eksperimentam, 1 rezerves kopijai | S3000 cDNA bibliotēka | Illumina PE150 | 160 K PE nolasījumu uz 100 υM (250 GB) | RIN > 7 |
Lai iegūtu sīkāku informāciju par paraugu sagatavošanas vadlīnijām un pakalpojuma darbplūsmu, lūdzu, sazinieties arBMKGENE eksperts
Pakalpojumu darba plūsma
Parauga sagatavošanas fāzē tiek veikta sākotnējā RNS ekstrakcijas izmēģinājuma procedūra, lai nodrošinātu augstas kvalitātes RNS iegūšanu. Audu optimizācijas posmā griezumi tiek iekrāsoti un vizualizēti, un tiek optimizēti permeabilizācijas apstākļi mRNS atbrīvošanai no audiem. Optimizētais protokols pēc tam tiek piemērots bibliotēkas veidošanas laikā, kam seko sekvencēšana un datu analīze.
Pilnīga pakalpojumu darbplūsma ietver atjauninājumus reāllaikā un klientu apstiprinājumus, lai uzturētu atsaucīgu atgriezeniskās saites cilpu, nodrošinot vienmērīgu projekta izpildi.
BMKMANU S3000 ģenerētie dati tiek analizēti, izmantojot programmatūru “BSTMatrix”, ko neatkarīgi izstrādājusi BMKGENE, ģenerējot šūnu līmeņa un daudzlīmeņu izšķirtspējas gēnu ekspresijas matricu. No turienes tiek ģenerēts standarta ziņojums, kas ietver datu kvalitātes kontroli, iekšējās izlases analīzi un starpgrupu analīzi.
- Datu kvalitātes kontrole:
- Datu izvade un kvalitātes rādītāja sadalījums
- Gēnu noteikšana katrā vietā
- Audu pārklājums
- Iekšējā parauga analīze:
- Gēnu bagātība
- Punktu klasterizācija, tostarp samazinātas dimensijas analīze
- Diferenciālās ekspresijas analīze starp klasteriem: marķieru gēnu identificēšana
- Marķiergēnu funkcionālā anotācija un bagātināšana
- Starpgrupu analīze
- Abu paraugu (piemēram, slimības skartā un kontroles) plankumu atkārtota apvienošana un atkārtota klasterizācija
- Marķiergēnu identificēšana katram klasterim
- Marķiergēnu funkcionālā anotācija un bagātināšana
- Viena un tā paša klastera diferenciālā izpausme starp grupām
Turklāt BMKGene izstrādātais “BSTViewer” ir lietotājam draudzīgs rīks, kas ļauj lietotājam vizualizēt gēnu ekspresiju un plankumu klasterizāciju dažādās izšķirtspējās.
BMKGene piedāvā telpiskās profilēšanas pakalpojumus ar precīzu vienas šūnas izšķirtspēju (pamatojoties uz šūnu nodalījumu vai daudzlīmeņu kvadrātveida nodalījumu no 100 µm līdz 3,5 µm).
Telpiskās profilēšanas dati no audu griezumiem uz S3000 preparāta tika iegūti, kā norādīts tālāk.
1. piemērs: peles smadzenes
Peles smadzeņu griezuma analīze ar S3000 ļāva identificēt ~94 000 šūnas, un vidējā sekvencēšana bija ~2000 gēnu uz vienu šūnu. Uzlabotā izšķirtspēja līdz 3,5 µM ļāva iegūt ļoti detalizētu šūnu klasterizāciju, pamatojoties uz transkripcijas modeļiem, šūnu klasteriem atdarinot smadzeņu diferencētās struktūras. To ir viegli novērot, vizualizējot šūnu sadalījumu, kas klasterizētas kā oligodendrocīti un mikroglijas šūnas, kuras gandrīz pilnībā atrodas attiecīgi pelēkajā un baltajā vielā.
2. piemērs: peles embrijs
Peles embrija griezuma analīze ar S3000 ļāva identificēt ~2200 000 šūnas, un vidējais sekvencējums bija ~1600 gēnu uz šūnu. Uzlabotā izšķirtspēja līdz 3,5 µM ļāva iegūt ļoti detalizētu šūnu klasterizāciju, pamatojoties uz transkripcijas modeļiem, ar 12 klasteriem acs apvidū un 28 klasteriem smadzeņu apvidū.
Iekšējā parauga analīze Šūnu klasterizācija:
Marķiergēnu identifikācija un telpiskais sadalījums:
- augstāka subšūnu izšķirtspēja: salīdzinot ar S1000 preparātu, katrs S3000 uztveršanas laukums saturēja >4 miljonus telpisku svītrkoda punktu ar diametru 2,5 µm un attālumu starp punktu centriem 3,5 µm, kas ļāva veikt telpisku transkriptomu analīzi ar augstāku subšūnu izšķirtspēju (kvadrātveida josla: 3,5 µm).
- Augstāka uztveršanas efektivitāte: salīdzinot ar S1000 slaidu, Median_UMI palielinās no 30% līdz 70%, Median_Gene palielinās no 30% līdz 60%
S1000 mikroshēmas shēma:
S3000 mikroshēmas shēma:
