Baixe o app para aproveitar ainda mais
Prévia do material em texto
See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/236900986 AVALIAÇÃO DE MÉTODOS DE QUANTIFICAÇÃO RELATIVA DE EXPRESSÃO GÊNICA EM RT-PCR EM TEMPO REAL Conference Paper · November 2010 CITATIONS 0 READS 920 3 authors: Some of the authors of this publication are also working on these related projects: Assessing Respondent-Driven Sampling: A simulation study across different networks View project Sandro Sperandei Fundação Oswaldo Cruz 41 PUBLICATIONS 86 CITATIONS SEE PROFILE Marcelo Ribeiro-Alves Fundação Oswaldo Cruz 88 PUBLICATIONS 363 CITATIONS SEE PROFILE Manoel Odorico Moraes Federal University of Pará 364 PUBLICATIONS 5,247 CITATIONS SEE PROFILE All in-text references underlined in blue are linked to publications on ResearchGate, letting you access and read them immediately. Available from: Sandro Sperandei Retrieved on: 03 November 2016 1/4 XXII CBEB 2010 AVALIAÇÃO DE MÉTODOS DE QUANTIFICAÇÃO RELATIVA DE EXPRESSÃO GÊNICA EM RT-PCR EM TEMPO REAL S. Sperandei*, M. Ribeiro-Alves** e M. O. Moraes* *Laboratório de Hanseníase/FIOCRUZ, Rio de Janeiro, Brasil **Centro de Desenvolvimento Tecnológico em Saúde/FIOCRUZ, Rio de Janeiro, Brasil e-mail: ss@ioc.fiocruz.br Abstract: The aim of this study was to evaluate six different methods of relative quantification of real- time RT-PCR on simulated data. We conducted four experiments where we simulate changes in efficiency and scale. We calculated the limits of agreement between the simulated and quantified data by different methods. The CpD1 method proved to be the best option, while the CQ method had the worst performance. The Ct method showed greater variability of performance for the experiments. Palavras-chave: real-time RT-PCR; Quantification methods; limits of agreement. Introdução A transcrição reversa do RNA codificante combinada à amplificação via reação da cadeia de polimerase (RT-PCR) de alvos moleculares (genes) específicos é um método sensível e específico na quantificação relativa de expressão gênica [1]. Recentemente, a automação de métodos de acompanhamento da cinética da reação de amplificação pela mensuração do acúmulo de fluorescência em tempo-real (RT-PCR em tempo real) aumentou ainda mais sua sensibilidade e ampliou significativamente seu emprego na quantificação de transcritos mesmo em amostras com número limitado de células, substituindo métodos clássicos, como o northern-blot, na validação de resultados de experimentos de larga-escala, como os de microarranjos de DNA. Independente da química de detecção empregada (sondas taqMan, beacons moleculares, SYBR Green I, entre outros, responsáveis pela emissão de fluorescência específica do produto de amplificação do alvo molecular), a quantificação relativa usando a RT-PCR em tempo real exige algumas equações, pressupostos e a confirmação desses para a análise adequada e obtenção dos resultados. Inicialmente, Livak & Schmittgen [2], propuseram que a amplificação em tempo real seguia o seguinte modelo: )1(,20 n n NN ⋅= onde, após n ciclos de amplificação, para uma concentração inicial de transcrito alvo desconhecida, N0, e uma eficiência de amplificação máxima e igual a dois, temos a produção de N amplicons após correção do background. Esse modelo só é válido quando o pressuposto de eficiência máxima, ou a duplicação do número de amplicons por ciclo, é observado. Um afrouxamento desse pressuposto foi proposto por Liu & Saint [3] e aperfeiçoado por Rebrikov & Trofimov [4] com a hiperparametrização do modelo em (1), para: )2(,0 n n ENF ⋅⋅= α onde, o sinal de fluorescência Fn, obtido após n ciclos, era proporcional à quantidade de amplicons N, Fn = α ∙ N, e a eficiência E não era mais máxima e igual a dois, mas deveria ser estimada. De fato, a eficiência em uma reação de amplificação varia em função de n e, à medida que n aumenta, a eficiência diminui em conseqüência da redução da atividade enzimática e da concentração dos reagentes, motivo pelo qual essa deve ser calculada na fase exponencial da amplificação, onde apresenta um comportamento relativamente constante. Apesar de parecer trivial, uma eficiência de 1,85, por exemplo, que seja considerada como 2 (pressuposto da Equação 1) implica em um erro superior a dez vezes na estimação da quantidade inicial do transcrito-alvo (N0), mesmo considerando-se α = 1. O método mais comumente utilizado na quantificação relativa de reações de RT-PCR em tempo real é aquele que se vale da determinação de um limiar (threshold) de fluorescência na fase exponencial da reação de amplificação. O ciclo em que para o gene de interesse (gene alvo) a fluorescência associada à amplificação de uma dada amostra alcança este limiar (cycle threshold; Ct) é comparado com o Ct de um gene constitutivo, geralmente um gene de expressão invariante às condições de tratamento, na mesma amostra. Este método considera que a eficiência é igual a 2, independente do gene. O valor de expressão normalizado do gene alvo é, então, expresso por: )3(22 2 2 )( 0 0 CtCtCt Ct Ct controlealvo alvo controle Controle alvo N N ∆−−− === Outro método comum na quantificação relativa de reações de RT-PCR em tempo real é o método do ponto ISSN 2179-3220 1279 2/4 XXII CBEB 2010 característico (crossing point; Cp). Após ajuste de função (geralmente sigmóide) à curva de acúmulo de fluorescência, de posse de uma função paramétrica, utiliza-se para a quantificação da reação o ciclo correspondente ao ponto de máxima da primeira ou segunda derivada da função ajustada, ou outro ponto invariante a escala entre diferentes curvas ou mesmo ao pressuposto de igual concentração de cDNA amplificado em um valor de corte de fluorescência arbitrário. De fato, esse método admite diferentes cinéticas de amplificação entre amostras de um experimento, ou mesmo entre experimentos distintos. A normalização neste caso pressupõe que se estime a eficiência de cada gene (alvo e controle), modificando a equação (3) para: )4( 0 0 alvo Controle Controle alvo Ct Alvo Ct Controle E E N N = A impossibilidade de quantificação prévia da amostra torna impossível a determinação do melhor método de análise em dados reais, tornando a simulação dos dados uma interessante alternativa, por permitir o controle do valor esperado e, assim, a comparação com os resultados dos diferentes métodos de análise. Assim, o objetivo deste trabalho foi avaliar diferentes métodos de quantificação relativa de reações de RT-PCR em tempo real em dados simulados. Materiais e Métodos Simulação de curvas de acúmulo de fluorescência Desenvolvemos um modelo computacional dinâmico e estocástico no ambiente R ('doRTReaction.R'), com parâmetros (valor default) para: (1) quantidade inicial de cDNA do transcrito em fg (“tmpl”=10); (2) quantidade de dNTP em µg (“dn”=5); (3) quantidade de primers/sondas em ng (“pp”=800); (4) número de ciclos de reação (“cs”=40); (5) Eficiência de amplificação (“eff”=2); (6) erro de detecção do termociclador (“nf”=10); (7) esmaecimento do fluoróforo (“bf”=0.01); (8) integridade do RNA (“rin”=10); e (9) volume de master-mix em µL (“m.mix”=1). A partir desse modelo, simulamos 4 experimentos com 12 genes (11 alvos e 1 controle), em triplicata técnica, em oito condições de tratamento distintas, repetidos 3 vezes (total de 864 amplificações/experimento). No primeiro experimento, onde simulamos condições ótimas de amplificação, todos os valores default foram mantidos à exceção do “tmpl”, selecionado com 128 parao gene controle e valores aleatórios entre 2 e 96 para os 11 genes alvo. No segundo experimento, onde simulamos eficiências distintas para os diferentes genes, usamos os mesmos parâmetros da primeira simulação, à exceção de “eff”, selecionado aleatoriamente entre 1,75 e 2 para os 12 genes em cada condição de tratamento. No terceiro experimento, onde simulamos reações com diferenças de escala, usamos os mesmos parâmetros da primeira simulação, à exceção de “m.mix”, selecionado aleatoriamente entre 0,75 e 1. No quarto experimento, onde simulamos dados reais, com variação de eficiência e escala, usamos conjuntamente os parâmetros modificados nos dois experimentos anteriores. Métodos de quantificação Foram avaliados os métodos Ct (cycle threshold) e Cp (crossing point) com ajuste de curva sigmóide de 4 parâmetros [5]. Para o segundo, diferentes pontos característicos foram testados: (1) "cpD1", ciclo relativo ao ponto de máxima da primeira derivada da curva ajustada; (2) "cpD2", ciclo relativo ao ponto de máxima da segunda derivada da curva ajustada; (3) "expR", ciclo relativo à região exponencial dada por: expR = cpD2- (cpD1-cpD2); (4) "CQ", ciclo relativo à 20% do valor de fluorescência de "cpD2" (comparative quantification, Corbett Research); e, (5) “Cy0”, ciclo relativo à interseção entre a tangente ao ponto de máxima da primeira derivada da curva ajustada e a abscissa calculada como em [6]. Indiferente ao ponto característico empregado, a eficiência foi calculada em cada reação como a razão entre o valor de fluorescência relativo ao ciclo do ponto característico e o valor de fluorescência um ciclo anterior, como em [3]. Para cada gene, em cada condição de tratamento simulada, a eficiência gênica estimada equivale à média das eficiências calculadas nas reações desse gene/condição. Análise dos dados Para cada método, os valores obtidos foram comparados com os valores esperados através do método de limites de concordância de Bland & Altman [7], para observação de erro sistemático e aleatório. O erro sistemático foi considerado significativo sempre que p<0,01. Todas as análises foram realizadas no software R. Os métodos de quantificação foram organizados de acordo com o tamanho do desvio-padrão da diferença entre o valor esperado e o observado, que é o principal fator do erro aleatório, uma vez que o erro sistemático pode facilmente ser removido por subtração. Resultados Um exemplo do resultado das simulações pode ser visto na Figura 1, demonstrando que o efeito desejado pôde ser reproduzido. As Tabelas 1 a 4 apresentam os valores de erro médio e os limites de concordância para os métodos nos diferentes experimentos. Uma vez que a dependência entre o erro (diferença) e a intensidade do sinal (média) não pôde ser resolvida por métodos de transformação de potências (log, raiz quadrada, etc.), o ISSN 2179-3220 1280 3/4 XXII CBEB 2010 Figura 1: Curvas de acúmulo de fluorescência características dos experimentos simulados 1 a 4 (1 gene controle e 3 alvos). Tabela 1: Valores de erro médio (EM), limites de concordância e ranking para o experimento 1. Método EM Limites de Concordância Ranking cpD1 -0,08 + 0,45x EM ± 0,42 2 cpD2 -0,37 + 1,09x EM ± 0,63 3 expR -0,60 + 1,69x EM ± 0,79 5 CQ -0,74 + 1,97x EM ± 0,87 6 Cy0 -0,56 + 1,57x EM ± 0,76 4 Ct -0,07 + 0,22x EM ± 0,25 1 Tabela 2: Valores de erro médio (EM), limites de concordância e ranking para o experimento 2. Método EM Limites de Concordância Ranking cpD1 -0,06 + 0,34x EM ± 0,37 1 cpD2 -0,19 + 0,61x EM ± 0,46 2 expR -0,40 + 1,17x EM ± 0,62 4 CQ -0,67 + 1,87x EM ± 0,78 6 Cy0 -0,34 + 1,03x EM ± 0,58 3 Ct -0,49 + 1,52x EM ± 0,68 5 Tabela 3: Valores de erro médio (EM), limites de concordância e ranking para o experimento 3. Método EM Limites de Concordância Ranking cpD1 -0,07 + 0,52x EM ± 0,39 2 cpD2 -0,31 + 1,02x EM ± 0,54 3 expR -0,56 + 1,63x EM ± 0,69 5 CQ -0,73 + 1,97x EM ± 0,79 6 Cy0 -0,51 + 1,51x EM ± 0,66 4 Ct -0,09 + 0,24x EM ± 0,25 1 erro médio foi apresentado como uma regressão linear do erro em função da intensidade, como sugerido em [7]. Pode ser observado (Figura 2), que o método Ct apresentou a maior variabilidade no resultado em função da alteração dos parâmetros da simulação. Nos casos onde a eficiência da reação é máxima (igual a 2) e constante (experimentos 1 e 3), o método se mostra com menor erro em relação aos demais, mesmo que haja alteração de escala entre as amplificações. Entretanto, Tabela 4: Valores de erro médio (EM), limites de concordância e ranking para o experimento 4. Método EM Limites de Concordância Ranking cpD1 -0,20 + 0,88x EM ± 0,50 1 cpD2 -0,38 + 1,22x EM ± 0,59 2 expR -0,58 + 1,70x EM ± 0,72 4 CQ -0,76 + 1,98x EM ± 0,82 6 Cy0 -0,55 + 1,60x EM ± 0,70 3 Ct -0,60 + 1,62x EM ± 0,72 4 nos casos onde a eficiência varia (experimentos 2 e 4), o método apresenta grande deterioração do desempenho. Nesses, métodos que usam pontos característicos e estimam a eficiência nas funções ajustadas às curvas de amplificação, à exceção do método “CQ” (de desempenho inferior a todos os demais, independente do experimento), apresentam desempenho superior, e nessa ordem: (1) “cpD1”; (2) “cpD2”; (3) “Cy0”; e, (4) “expR”. Em conjunto, esses últimos métodos apresentam desvios-padrão da diferença entre os valores simulados e quantificados relativamente estáveis, independente do experimento. Figura 2: Desvios-padrão das diferenças entre os valores simulados e observados em quantificações por diferentes métodos nos quatro experimentos simulados. Discussão Apesar do método de quantificação relativa de RT- PCR em tempo real baseado na definição de limiares de fluorescência na fase exponencial, Ct, ser ainda o mais ISSN 2179-3220 1281 4/4 XXII CBEB 2010 empregado na análise de dados reais, mostramos que métodos baseados em pontos característicos das curvas de amplificação, invariantes a escala dessas curvas e que estimam a eficiência de amplificação em funções ajustadas aos dados de fluorescência, são mais eficientes principalmente quando há variação entre as eficiências dos diferentes genes em estudo. Baseando-se nos resultados encontrados, podemos afirmar que o método de quantificação “cpD1” é o mais adequado para a quantificação relativa em dados reais, com variação de escala e eficiência de amplificação entre reações, sendo também o método “cpD2” uma excelente alternativa ao “cpD1” para a quantificação de transcritos mais raros, uma vez que a quantificação por este método se dá mais precocemente que pelo “cpD1”, não havendo a necessidade nesses casos de extensão da reação por mais de 40 ciclos, e com isso a quantificação em ciclos muito tardios, que sofrem o efeito deletério de esmaecimento do fluoróforo e redução de capacidade de emissão; efeito que pode ser observado na Figura 1. Cabe ressaltar, que apesar de permitirmos a seleção estocástica de parâmetros não-“ótimos” para os parâmetros de escala e eficiência de amplificação, ou ambos, em nossos experimentos simulados, trabalhamos sempre dentro de limites bastante razoáveis de variação, gerando reações consideradas de boa a excelente qualidade. Não obstante, reações com baixa qualidade de replicação técnica, efeitos severos de escala e baixa eficiência de amplificação devem ser eliminados de análises subsequentes, independente do método de quantificação empregado. Conclusão O desenvolvimento de um modelo de simulação de reações de amplificação de RT-PCR em tempo real permitiu a comparação entre métodos de quantificação relativa de expressão gênica em dados de diferentes características: “ótimos”,com eficiência de amplificação variante, em diferentes escalas, e uma combinação entre os dois últimos, que em muito se aproximou a dados reais. Essa abordagem foi eficiente em mostrar que o método de quantificação mais empregado, o Ct, é inferior a métodos que se valem de pontos característicos, mas que demandam maior computação por dependerem de ajuste de curva aos dados de fluorescência e interpolação de função para estimação de eficiência de amplificação. Desses, destacamos o cpD1 e, eventualmente para a quantificação de transcritos mais raros, o cpD2. Como pretendíamos apenas comparar os métodos de quantificação, não abordamos dois outros problemas bastante relevantes na análise de dados de RT-PCR em tempo real. Não avaliamos a influência do número de reações de amplificação desejadas para se estimar a eficiência gênica, apontada com crítica por [8], usamos sempre a média entre a eficiência média estimada para triplicatas técnicas simuladas, ou um total de nove reações. Também não avaliamos o impacto do uso de um único gene normalizador, ao invés da média geométrica entre diversos genes controle, como em [9]. Apesar disso, entendemos que os resultados apresentados são de extrema importância para o uso mais adequado da técnica e da obtenção de dados biológicos relevantes. Agradecimentos CAPES e CNPq, respectivamente pelas bolsas de Pós- doutorado de MRA (Programa Pró-Doc) e de doutorado de SS. Referências [1] Heid, C.A., Stevens, J., Livak, K.J., Williams, P.M. (1996), "Real Time Quantitative PCR" Genome Res., v.6, n.10, p.986-994. [2] Livak, K.J., Schmittgen, T.D. (2001), "Analysis of Relative Gene Expression Data Using Real-Time Quantitative PCR and the 2(-Delta Delta C(T)) Method" Methods, v.25, n.4, p.402-408. [3] Liu, W., Saint, D.A. (2002), "A New Quantitative Method of Real Time Reverse Transcription Polymerase Chain Reaction Assay Based on Simulation of Polymerase Chain Reaction Kinetics" Anal.Biochem., v.302, n.1, p.52-59. [4] Rebrikov, D.V., Trofimov, D.Y. (2006), "Real- Time PCR: a Review of Approaches to Data Analysis" Appl.Biochem.Microbiol., v.42, n.455- 463. [5] Spiess, A.N., Feig, C., Ritz, C. (2008), "Highly Accurate Sigmoidal Fitting of Real-Time PCR Data by Introducing a Parameter for Asymmetry" BMC.Bioinformatics., v.9, n.221- [6] Guescini, M., Sisti, D., Rocchi, M.B., Stocchi, L., Stocchi, V. (2008), "A New Real-Time PCR Method to Overcome Significant Quantitative Inaccuracy Due to Slight Amplification Inhibition" BMC.Bioinformatics., v.9, n.326- [7] Bland, J.M., Altman, D.G. (1986), "Statistical Methods for Assessing Agreement Between Two Methods of Clinical Measurement" Lancet, v.1, n.8476, p.307-310. [8] Cikos, S., Koppel, J. (2009), "Transformation of Real-Time PCR Fluorescence Data to Target Gene Quantity" Anal.Biochem., v.384, n.1, p.1-10. [9] Vandesompele, J., De, P.K., Pattyn, F., Poppe, B., Van, R.N., De, P.A., Speleman, F. (2002), "Accurate Normalization of Real-Time Quantitative RT-PCR Data by Geometric Averaging of Multiple Internal Control Genes" Genome Biol., v.3, n.7, p.RESEARCH0034- ISSN 2179-3220 1282
Compartilhar