Desain eksperimental yang tepat adalah kunci untuk setiap studi ekspresi gen. Karena
transkripsi mRNA dapat peka terhadap rangsangan eksternal yang tidak terkait dengan proses
yang dipelajari, penting untuk bekerja di bawah kondisi yang dikontrol dengan ketat dan
terdefinisi dengan baik. Meluangkan waktu untuk menentukan prosedur eksperimental,
kelompok kontrol, jenis dan jumlah ulangan, kondisi percobaan, dan metode penanganan
sampel dalam setiap kelompok sangat penting untuk meminimalkan variabilitas. Masing-
masing parameter ini harus dicatat dengan cermat sebelum melakukan eksperimen PCR
waktu nyata untuk memastikan reproduktifitas biologis yang baik untuk data yang
dipublikasikan.
Ekstraksi RNA
Baik RNA total atau poli(A+) dapat digunakan untuk sebagian besar aplikasi RT-qPCR
waktu nyata. Satu pertimbangan penting dalam bekerja dengan RNA adalah untuk
menghindari RNase dalam solusi, bahan habis pakai, dan labware Anda. Solusi siap pakai
yang bebas RNase dapat dibeli. Sebagai alternatif, obati larutan dengan dietil pirokarbonat
(DEPC), lalu autoklaf. RNase pada labware juga dapat dinonaktifkan dengan perlakuan
DEPC, atau dengan memanggang pada suhu 250 °C selama 3 jam.
Sampel RNA yang disiapkan mungkin memerlukan perawatan DNase untuk mencegah
potensi amplifikasi dari setiap DNA genom yang terkontaminasi, yang dapat menyebabkan
perkiraan jumlah salinan mRNA yang terlalu tinggi. Ketika bahan awal terbatas,
bagaimanapun, pengobatan DNase mungkin tidak disarankan, karena manipulasi tambahan
dapat mengakibatkan hilangnya RNA. Amplifikasi DNA genomik kontaminasi potensial
dapat dicegah dengan merancang primer transkrip-spesifik, misalnya, primer yang merentang
atau memperkuat melintasi sambungan sambatan.
1. Normalisasi Cq gen target dengan gen referensi (ref) untuk sampel uji dan sampel
kalibrator:
Cq (uji) = Cq (target, uji) - Cq (ref, uji)
Hasilnya adalah rasio gen target dalam sampel uji dengan sampel kalibrator, dinormalisasi
dengan ekspresi gen referensi. Normalisasi ekspresi gen target dengan gen referensi
mengkompensasi perbedaan jumlah jaringan sampel.
Jika target dan gen referensi tidak memiliki efisiensi amplifikasi yang sama, Anda dapat
mengoptimalkan atau mendesain ulang pengujian, atau Anda dapat menggunakan metode
Pfaffl. Jika, di sisi lain, target dan gen referensi memiliki efisiensi amplifikasi yang identik,
tetapi efisiensinya tidak sama dengan 2, bentuk modifikasi dari metode Livak dapat
digunakan dengan mengganti 2 dalam persamaan dengan efisiensi amplifikasi yang
sebenarnya. . Misalnya, jika efisiensi amplifikasi target dan gen referensi adalah 1,95,
persamaan berikut harus digunakan:
Rasio = 1,95 -ΔΔCq
Metode Pfaffl
Metode Livak untuk menghitung ekspresi gen relatif hanya valid jika efisiensi amplifikasi
gen target dan referensi serupa. Jika efisiensi amplifikasi kedua produk PCR tidak sama,
formula alternatif harus digunakan untuk menentukan ekspresi relatif gen target dalam
sampel yang berbeda. Untuk menentukan rasio ekspresi antara sampel uji dan kalibrator
untuk target yang dinormalisasi ke referensi (ref), gunakan persamaan berikut:
Rasio = (E target ) Cq, target (kalibrator - uji) /(E ref ) Cq, ref (kalibrator - uji)
di mana
E sasaran adalah efisiensi amplifikasi gen target.
E ref adalah efisiensi amplifikasi gen referensi.
Cq, ref (kalibrator - adalah Cq dari gen referensi di kalibrator dikurangi Cq dari gen referensi
tes) dalam sampel uji.
Cq, target (kalibrator - adalah Cq gen target di kalibrator dikurangi Cq gen target dalam sampel
tes) uji.
Persamaan di atas mengasumsikan bahwa setiap gen (target dan referensi) memiliki efisiensi
amplifikasi yang sama pada sampel uji dan sampel kalibrator, tetapi gen target dan referensi
tidak harus memiliki efisiensi amplifikasi yang sama.
Statistik
Untuk memahami pentingnya data yang telah dikumpulkan dan dianalisis, nilai statistik perlu
ditentukan. Ukuran spesifik yang digunakan akan bergantung pada bagaimana data
didistribusikan (misalnya, "normal", simetris), ukuran sampel, jumlah faktor yang
dipertimbangkan, dll. Alat yang dapat membantu analisis statistik adalah perangkat lunak
qbase+ ( Biogazelle, Belgia), yang menggabungkan wizard statistik terpandu yang membantu
pengaturan.
Pedoman MIQE
PCR kuantitatif waktu nyata (qPCR)telah menjadi teknik definitif untuk mengukur perbedaan
tingkat ekspresi gen antara sampel. Selama 10 tahun terakhir, popularitas metode ini telah
tumbuh secara eksponensial, dengan publikasi lebih dari 25.000 makalah yang mengacu pada
data qPCR, dari berbagai bidang ilmu termasuk penelitian pertanian, lingkungan, industri,
dan medis. Terlepas dari penerapan yang luas dari teknik ini, salah satu faktor utama yang
telah mendorong pertumbuhan yang mengesankan ini adalah meningkatnya permintaan dari
panel peninjau jurnal untuk penggunaan qPCR untuk mendukung pengamatan fenotipik
dengan data molekuler kuantitatif. Selanjutnya, analisis ekspresi gen sekarang digunakan
untuk mendukung data ekspresi protein dari pengujian berbasis proteomik. Industri
bioteknologi telah menanggapi adopsi yang cepat dari teknik ini dengan mengembangkan
reagen dan instrumen untuk melakukan eksperimen qPCR. Namun, tanpa pedoman yang
ketat untuk diikuti, peneliti umumnya merancang eksperimen mereka berdasarkan informasi
yang dikumpulkan dari sumber yang berbeda, dan ini menghasilkan data dengan kualitas
yang bervariasi. Sejumlah kekurangan teknis dapat mempengaruhi kinerja pengujian qPCR,
termasuk desain eksperimental yang tidak tepat, kontrol dan ulangan yang tidak memadai,
kurangnya kondisi eksperimental yang terdefinisi dengan baik dan teknik penanganan
sampel, kualitas sampel RNA yang buruk, pilihan primer yang suboptimal untuk transkripsi
balik (RT) dan reaksi qPCR, kurangnya validasi gen referensi, dan metode analisis data yang
tidak tepat. peneliti umumnya merancang eksperimen mereka berdasarkan informasi yang
dikumpulkan dari sumber yang berbeda, dan ini menghasilkan data dengan kualitas yang
bervariasi. Sejumlah kekurangan teknis dapat mempengaruhi kinerja pengujian qPCR,
termasuk desain eksperimental yang tidak tepat, kontrol dan ulangan yang tidak memadai,
kurangnya kondisi eksperimental yang terdefinisi dengan baik dan teknik penanganan
sampel, kualitas sampel RNA yang buruk, pilihan primer yang suboptimal untuk transkripsi
balik (RT) dan reaksi qPCR, kurangnya validasi gen referensi, dan metode analisis data yang
tidak tepat. peneliti umumnya merancang eksperimen mereka berdasarkan informasi yang
dikumpulkan dari sumber yang berbeda, dan ini menghasilkan data dengan kualitas yang
bervariasi. Sejumlah kekurangan teknis dapat mempengaruhi kinerja pengujian qPCR,
termasuk desain eksperimental yang tidak tepat, kontrol dan ulangan yang tidak memadai,
kurangnya kondisi eksperimental yang terdefinisi dengan baik dan teknik penanganan
sampel, kualitas sampel RNA yang buruk, pilihan primer yang suboptimal untuk transkripsi
balik (RT) dan reaksi qPCR, kurangnya validasi gen referensi, dan metode analisis data yang
tidak tepat.
Untuk membantu komunitas ilmiah dalam menghasilkan data yang konsisten dan berkualitas
tinggi dari percobaan qPCR, pedoman untuk informasi minimum untuk publikasi percobaan
PCR waktu-nyata kuantitatif (MIQE) telah diterbitkan baru-baru ini (Bustin et al. 2009). oleh
pengembangan bahasa markup data PCR real-time berbasis XML (RDML) oleh konsorsium
RDML (Lefever et al. 2009) untuk pelaporan data PCR real-time yang konsisten. Konsorsium
ini aktif dalam pengembangan terminologi yang sesuai dan standar, pedoman tentang
informasi minimum untuk penyelidikan biologis dan biomedis, dan struktur file data yang
fleksibel dan universal dengan alat untuk membuat, memproses, dan memvalidasi file RDML
( www.rdml.org ).
Tujuan akhir dari pedoman RDML dan MIQE adalah untuk menetapkan kerangka kerja yang
jelas untuk melakukan eksperimen RT-qPCR dan untuk memberikan tolok ukur yang mapan
bagi pengulas dan editor untuk digunakan dalam evaluasi kualitas teknis naskah yang
dikirimkan. Akibatnya, investigasi yang menggunakan metodologi yang diterapkan secara
luas ini akan menghasilkan data yang lebih konsisten, lebih sebanding, dan pada akhirnya
lebih andal.
kutipan
1. Bustin SA dkk. (2009). Pedoman MIQE: Informasi minimum untuk publikasi
eksperimen PCR waktu-nyata kuantitatif. Clin Chem 55, 611–622. PMID: 19246619
2. Lefever S dkk. (2009). RDML: Bahasa terstruktur dan pedoman pelaporan untuk data
PCR kuantitatif waktu nyata. Asam Nukleat Res 37, 2065–2069. PMID: 19223324
3. Vandesompele J dkk. (2002). Normalisasi akurat data RT-PCR kuantitatif real-time
dengan rata-rata geometrik dari beberapa gen kontrol internal. Genom Biol 3,
penelitian0034.1. PMID: 12184808