آموزش تحلیل نتایج Real-Time PCR با ΔCt و ΔΔCt؛ محاسبه Fold Change و بیان ژن

تحلیل نتایج Real-Time PCR (qPCR) یکی از مهم‌ترین مراحل در بررسی بیان ژن است. پس از پایان آزمایش، دستگاه معمولاً مقادیر Ct یا Cq را برای نمونه‌ها گزارش می‌کند، اما این اعداد به‌تنهایی بیانگر میزان افزایش یا کاهش بیان ژن نیستند. برای تفسیر درست نتایج باید Ct ژن هدف را نسبت به یک ژن مرجع (Reference Gene) نرمال کرد و سپس نمونه مورد مطالعه را با یک نمونه کنترل یا کالیبراتور (Calibrator) مقایسه کرد.

یکی از رایج‌ترین روش‌ها برای این کار، روش ΔΔCt یا Comparative Ct Method است که در بسیاری از مطالعات بیان ژن از فرمول 2^-ΔΔCt برای محاسبه تغییر نسبی بیان استفاده می‌شود. روش اصلی 2^-ΔΔCt توسط Livak و Schmittgen معرفی شد و برای تحلیل تغییرات نسبی بیان ژن در Real-Time PCR کاربرد گسترده‌ای پیدا کرده است.

در این مقاله، نحوه تحلیل نتایج Real-Time PCR با ΔCt، ΔΔCt و 2^-ΔΔCt را مرحله‌به‌مرحله بررسی می‌کنیم و با یک مثال عددی، محاسبه Fold Change و تفسیر افزایش یا کاهش بیان ژن را توضیح می‌دهیم.

Ct یا Cq در Real-Time PCR چیست؟

در Real-Time PCR، دستگاه افزایش سیگنال فلورسانس را در طول چرخه‌های PCR ثبت می‌کند. Ct (Cycle Threshold) یا Cq (Quantification Cycle) به چرخه‌ای گفته می‌شود که سیگنال نمونه از یک آستانه مشخص عبور می‌کند.

به‌طور ساده:

Ct پایین‌تر → مقدار اولیه هدف بیشتر

Ct بالاتر → مقدار اولیه هدف کمتر

بنابراین اگر دو نمونه شرایط PCR مشابهی داشته باشند و ژن هدف در یک نمونه Ct پایین‌تری داشته باشد، معمولاً می‌توان نتیجه گرفت که مقدار اولیه آن هدف در آن نمونه بیشتر بوده است.

با این حال، مقایسه مستقیم Ct دو نمونه برای تحلیل بیان ژن کافی نیست؛ زیرا عواملی مانند مقدار RNA، کیفیت RNA، بازده Reverse Transcription و اختلاف مقدار ورودی می‌توانند روی Ct تأثیر بگذارند. به همین دلیل از ژن مرجع برای نرمال‌سازی استفاده می‌شود.

ΔCt (دلتا سی تی) چیست؟

ΔCt یا Delta Ct اختلاف بین Ct ژن هدف و Ct ژن مرجع در یک نمونه است.

فرمول محاسبه ΔCt:

ΔCt = Ct ژن هدف − Ct ژن مرجع

برای مثال، فرض کنید نتایج یک نمونه به شکل زیر باشد:

در این حالت:

ΔCt = 24 − 20 = 4

بنابراین مقدار ΔCt این نمونه برابر با 4 است.

چرا ΔCt محاسبه می‌کنیم؟

هدف از محاسبه ΔCt این است که مقدار ژن هدف را نسبت به یک ژن مرجع نرمال کنیم.

به‌عنوان مثال اگر در یک نمونه Ct ژن هدف 24 و Ct ژن مرجع 20 باشد، اختلاف آن‌ها 4 چرخه است. در نمونه دیگری ممکن است Ct ژن هدف 27 و ژن مرجع 21 باشد؛ بنابراین ΔCt نمونه دوم برابر 6 خواهد بود.

ΔΔCt(دلتا سی تی)چیست؟

پس از محاسبه ΔCt برای نمونه‌ها، می‌توانیم نمونه آزمایشی را با نمونه کنترل مقایسه کنیم. اختلاف ΔCt نمونه آزمایشی و ΔCt نمونه کنترل را ΔΔCt یا Delta Delta Ct می‌نامیم.

فرمول:

ΔΔCt = ΔCt نمونه آزمایشی − ΔCt نمونه کنترل

نمونه کنترل معمولاً به‌عنوان Calibrator یا نمونه مرجع انتخاب می‌شود و مقدار تغییر بیان سایر نمونه‌ها نسبت به آن محاسبه می‌شود.

روش محاسبه(دلتا سی تی) ΔΔCt به زبان ساده

برای محاسبه ΔΔCt چهار مرحله اصلی داریم:

مرحله ۱: Ct ژن هدف و ژن مرجع را برای هر نمونه مشخص کنید.

مرحله ۲: ΔCt هر نمونه را محاسبه کنید.

مرحله ۳: یک نمونه کنترل یا Calibrator انتخاب کنید.

مرحله ۴: ΔCt نمونه آزمایشی را از ΔCt نمونه کنترل کم کنید.

فرمول کلی:

ΔΔCt = (Ct Target − Ct Reference)Sample − (Ct Target − Ct Reference)Control

محاسبه 2^-ΔΔCt و Fold Change

پس از به‌دست آوردن ΔΔCt، می‌توانیم مقدار Fold Change را محاسبه کنیم.

فرمول:

Fold Change = 2^-ΔΔCt

این مقدار نشان می‌دهد بیان ژن در نمونه آزمایشی نسبت به نمونه کنترل چه تغییری کرده است.

تفسیر مقدار Fold Change

برای مثال، اگر:

ΔΔCt = -1

باشد:

2^-(-1) = 2

بنابراین Fold Change برابر با 2 است و بیان نسبی ژن حدود دو برابر نمونه کنترل خواهد بود.

اگر:

ΔΔCt = 1

باشد:

2^-1 = 0.5

در این حالت بیان ژن به حدود 50 درصد مقدار کنترل رسیده است.

مثال کامل محاسبه(دلتا سی تی) ΔCt، ΔΔCt و Fold Change

فرض کنید می‌خواهیم بیان یک ژن هدف را در دو گروه Control و Treatment بررسی کنیم.

نتایج Real-Time PCR به شکل زیر به دست آمده است:

مرحله اول: محاسبه ΔCt کنترل

ΔCt Control = 25 − 20 = 5

مرحله دوم: محاسبه ΔCt تیمار

ΔCt Treatment = 22 − 20 = 2

مرحله سوم: محاسبه ΔΔCt

فرمول:

ΔΔCt = ΔCt Treatment − ΔCt Control

بنابراین:

ΔΔCt = 2 − 5 = -3

مرحله چهارم: محاسبه Fold Change

اکنون مقدار ΔΔCt را در فرمول قرار می‌دهیم:

Fold Change = 2^-(-3)

بنابراین:

Fold Change = 2³ = 8

نتیجه

در این مثال، بیان نسبی ژن هدف در گروه Treatment حدود 8 برابر بیشتر از گروه Control است.

اگر(دلتا دلتا سی تی) ΔΔCt مثبت باشد چه معنایی دارد؟

مثلاً فرض کنید:

ΔΔCt = +2

در این صورت:

Fold Change = 2^-2 = 0.25

یعنی بیان ژن در نمونه آزمایشی به حدود 25 درصد مقدار نمونه کنترل رسیده است.

به بیان دیگر، بیان ژن حدود 4 برابر کاهش یافته است.

بنابراین هنگام گزارش نتایج باید بین «Fold Change» و «چند برابر کاهش» تفاوت قائل شویم.

تفاوت(دلتا سی تی)ΔCt و(دلتا دلتا سی تی)ΔΔCt چیست؟

این دو اصطلاح گاهی با یکدیگر اشتباه گرفته می‌شوند.

ΔCt، اختلاف Ct ژن هدف و ژن مرجع را در یک نمونه نشان می‌دهد.

اما ΔΔCt، اختلاف ΔCt بین نمونه آزمایشی و نمونه کنترل را نشان می‌دهد.

به‌صورت خلاصه:

ΔCt → نرمال‌سازی داخل هر نمونه

ΔΔCt → مقایسه نمونه با کنترل

2^-ΔΔCt → محاسبه تغییر نسبی بیان یا Fold Change

این سه مرحله اساس روش Comparative Ct را تشکیل می‌دهند.

نقش ژن مرجع در محاسبه بیان ژن

ژن مرجع (Reference Gene) برای نرمال‌سازی داده‌های qPCR استفاده می‌شود. این ژن باید در شرایط آزمایش تا حد امکان پایدار باشد و تغییرات تیمار، شرایط نمونه یا وضعیت سلولی نباید به‌طور قابل توجهی بیان آن را تغییر دهد.

ژن‌هایی مانند GAPDH، ACTB، 18S rRNA و بعضی ژن‌های Housekeeping در مطالعات مختلف استفاده شده‌اند، اما هیچ ژن مرجعی را نمی‌توان بدون بررسی، برای تمام آزمایش‌ها مناسب دانست.

انتخاب ژن مرجع مناسب اهمیت زیادی دارد، زیرا ناپایداری آن می‌تواند نتیجه محاسبه بیان نسبی ژن را تحت تأثیر قرار دهد. راهنماهای MIQE نیز بر اهمیت انتخاب و اعتبارسنجی ژن‌های مرجع تأکید دارند.

بنابراین بهتر است به جای انتخاب خودکار یک ژن Housekeeping، پایداری ژن مرجع را در شرایط آزمایش خود بررسی کنید.

آیا همیشه فقط یک ژن مرجع کافی است؟

خیر. در بسیاری از آزمایش‌ها می‌توان از بیش از یک ژن مرجع استفاده کرد. این کار می‌تواند نرمال‌سازی را قابل اعتمادتر کند، به‌خصوص زمانی که پایداری یک ژن مرجع منفرد مشخص نباشد.

در صورت استفاده از چند ژن مرجع، روش محاسبه نرمال‌سازی باید متناسب با طراحی آزمایش و روش تحلیلی انتخاب شود.

پیش‌نیازهای استفاده از روش 2^-ΔΔCt

فرمول 2^-ΔΔCt بسیار ساده و کاربردی است، اما نباید آن را بدون توجه به شرایط آزمایش روی هر مجموعه داده‌ای اعمال کرد.

روش کلاسیک ΔΔCt به فرض مهمی درباره راندمان PCR وابسته است؛ به‌طور معمول، این روش زمانی مناسب‌تر است که راندمان تکثیر ژن هدف و ژن مرجع نزدیک به هم و نزدیک به 100 درصد باشد. مقاله اصلی Livak و Schmittgen نیز این روش را بر پایه همین فرض‌ها ارائه کرد.

اگر راندمان PCR بین Assayها تفاوت قابل توجهی داشته باشد، استفاده ساده از 2^-ΔΔCt می‌تواند مقدار تغییر بیان را دچار خطا کند. مطالعات و راهنماهای جدیدتر نیز بر اهمیت درنظرگرفتن راندمان PCR در تحلیل qPCR تأکید دارند.

در چنین شرایطی می‌توان از روش‌های Efficiency-Corrected مانند مدل Pfaffl یا سایر روش‌های مناسب استفاده کرد.

چگونه راندمان PCR را بررسی کنیم؟

یکی از روش‌های رایج برای بررسی راندمان، استفاده از Standard Curve است.

در این روش چند رقت متوالی از یک الگو تهیه می‌شود و Ct هر رقت در مقابل لگاریتم غلظت رسم می‌شود. از شیب منحنی می‌توان برای تخمین راندمان PCR استفاده کرد.

به‌صورت کلی:

Efficiency = (10^(-1/slope) − 1) × 100

برای یک PCR ایده‌آل با راندمان حدود 100 درصد، شیب منحنی استاندارد تقریباً -3.32 خواهد بود.

با این حال، ارزیابی راندمان فقط یکی از اجزای کنترل کیفیت qPCR است و باید در کنار ویژگی‌های Assay، کنترل‌ها، کیفیت RNA/cDNA و پایداری ژن مرجع بررسی شود.

راهنمای MIQE 2.0 که در سال 2025 منتشر شده نیز بر گزارش شفاف پارامترهای آزمایش، کیفیت داده‌ها، نرمال‌سازی و درنظرگرفتن راندمان تأکید دارد.

تفاوت بیان نسبی و بیان مطلق ژن

در qPCR می‌توان داده‌ها را به دو شکل کلی تحلیل کرد:

بیان نسبی ژن

در روش نسبی، مقدار بیان ژن هدف را با یک نمونه کنترل یا Calibrator مقایسه می‌کنیم.

روش:

ΔCt → ΔΔCt → 2^-ΔΔCt

این روش برای بسیاری از مطالعات مقایسه‌ای بیان ژن کاربرد دارد.

بیان مطلق ژن

در Quantification مطلق، هدف تعیین مقدار یا تعداد کپی یک هدف با استفاده از استاندارد و منحنی استاندارد است.

بنابراین:

Relative Quantification ≠ Absolute Quantification

روش ΔΔCt معمولاً برای تعیین مقدار مطلق RNA یا تعداد کپی ژن طراحی نشده است.

محاسبه بیان ژن با Excel

می‌توان محاسبات ΔCt و ΔΔCt را به‌سادگی در Excel انجام داد.

فرض کنید ستون‌های جدول شما شامل موارد زیر باشند:

فرمول ΔCt:

=Target Ct - Reference Ct

فرمول ΔΔCt:

=Sample ΔCt - Control ΔCt

فرمول Fold Change:

=2^(-ΔΔCt)

در Excel می‌توان از تابع توان نیز استفاده کرد:

=POWER(2,-ΔΔCt)

چگونه نتایج qPCR را در نمودار نشان دهیم؟

پس از محاسبه Fold Change، معمولاً نتایج گروه‌های مختلف را در قالب نمودار نشان می‌دهند.

برای مثال:

• محور افقی: گروه‌های آزمایشی
• محور عمودی: Relative Expression یا Fold Change

اگر Control را برابر 1 در نظر بگیریم، سایر گروه‌ها نسبت به آن نمایش داده می‌شوند.

برای مثال:

در این مثال Treatment 1 بیان ژن را حدود 2 برابر، Treatment 2 حدود 4 برابر افزایش داده و Treatment 3 مقدار بیان را به نصف کنترل رسانده است.

با این حال، Fold Change به‌تنهایی نشان‌دهنده معناداری آماری نیست. برای نتیجه‌گیری درباره تفاوت بین گروه‌ها باید طراحی آماری مناسب، تکرارهای بیولوژیک و روش تحلیل آماری متناسب با آزمایش را در نظر گرفت.

Ct، ΔCt و Fold Change را چگونه گزارش کنیم؟

هنگام گزارش نتایج qPCR بهتر است تنها یک عدد Fold Change ارائه نکنید. اطلاعات مربوط به طراحی آزمایش، ژن مرجع، روش نرمال‌سازی، تکرارها و روش تحلیل باید به اندازه کافی شفاف باشند.

راهنمای MIQE با هدف افزایش شفافیت و قابلیت تکرارپذیری آزمایش‌های qPCR تدوین شده است و نسخه MIQE 2.0 نیز در سال 2025 توصیه‌های به‌روزشده‌ای درباره طراحی آزمایش، کنترل کیفیت، نرمال‌سازی، راندمان و گزارش داده‌ها ارائه کرده است.

خطاهای رایج در تحلیل ΔΔCt

1. مقایسه مستقیم Ct دو گروه

این کار به‌تنهایی روش مناسبی برای محاسبه بیان نسبی ژن نیست.

ابتدا باید Ct ژن هدف را نسبت به ژن مرجع نرمال کنید و سپس گروه‌ها را مقایسه کنید.

2. انتخاب ژن مرجع بدون اعتبارسنجی

اگر ژن مرجع در شرایط آزمایش تغییر کند، مقدار ΔCt نیز تحت تأثیر قرار می‌گیرد.

3. استفاده از 2^-ΔΔCt بدون بررسی راندمان

روش کلاسیک ΔΔCt فرض می‌کند راندمان واکنش‌های مورد مقایسه مناسب و تقریباً برابر باشد. در صورت تفاوت قابل توجه راندمان، روش‌های اصلاح‌شده باید بررسی شوند.

4. اشتباه گرفتن 0.5 Fold با 2 برابر کاهش

Fold Change برابر 0.5 یعنی مقدار بیان به نصف رسیده است.

می‌توان گفت:

0.5 Fold = 50% expression = 2-fold decrease

اما بهتر است در گزارش علمی مشخص کنید که آیا منظور شما «نصف شدن بیان» است یا «دو برابر کاهش».

5. تفسیر Fold Change بدون بررسی آماری

مثلاً مشاهده Fold Change برابر 1.5 به‌تنهایی ثابت نمی‌کند که بیان ژن به شکل معناداری افزایش یافته است.

جدول سریع تفسیر(دلتا دلتا سی تی) ΔΔCt و Fold Change

این جدول یکی از ساده‌ترین روش‌ها برای تفسیر سریع نتایج ΔΔCt و Fold Change qPCR است.

فرمول‌های مهم تحلیل Real-Time PCR

برای جمع‌بندی، مهم‌ترین فرمول‌های این روش عبارت‌اند از:

فرمول محاسبه(دلتا سی تی) ΔCt

ΔCt = Ct Target − Ct Reference

محاسبه دلتا دلتا سی تی ΔΔCt

ΔΔCt = ΔCt Sample − ΔCt Control

محاسبه Fold Change

Fold Change = 2^-ΔΔCt

بنابراین مسیر کلی تحلیل به شکل زیر است:

Ct → ΔCt → ΔΔCt → 2^-ΔΔCt → Fold Change → تفسیر بیان ژن

آیا هر مقدار دلتادلتا سی تی ΔΔCt را می‌توان با 2^-ΔΔCt تحلیل کرد؟

خیر. این نکته اهمیت زیادی دارد.

فرمول 2^-ΔΔCt یک روش ساده برای تحلیل نسبی داده‌های qPCR است، اما نتیجه آن به کیفیت طراحی آزمایش، انتخاب ژن مرجع و شرایط PCR وابسته است. اگر راندمان PCR برای اهداف مختلف متفاوت باشد، استفاده از روش ساده ΔΔCt می‌تواند باعث برآورد نادرست تغییر بیان شود. پژوهش‌های جدید نیز بر استفاده از روش‌های efficiency-corrected و گزارش دقیق داده‌های خام و پارامترهای آزمایش تأکید دارند.

بنابراین بهتر است 2^-ΔΔCt را یک ابزار تحلیلی بدانیم، نه یک فرمول مستقل از کیفیت آزمایش.

جمع‌بندی

برای تحلیل نتایج Real-Time PCR و محاسبه بیان نسبی ژن، ابتدا Ct ژن هدف و ژن مرجع را از نتایج دستگاه استخراج کنید. سپس با محاسبه ΔCt، مقدار ژن هدف را نسبت به ژن مرجع نرمال کنید. در مرحله بعد ΔΔCt را با مقایسه نمونه آزمایشی و کنترل به دست آورید و در نهایت با استفاده از 2^-ΔΔCt مقدار Fold Change را محاسبه کنید.

به‌صورت خلاصه:

ΔCt = Ct Target − Ct Reference

ΔΔCt = ΔCt Sample − ΔCt Control

Fold Change = 2^-ΔΔCt

اگر Fold Change بیشتر از 1 باشد، بیان نسبی ژن افزایش یافته است و اگر کمتر از 1 باشد، بیان ژن نسبت به کنترل کاهش یافته است.

با وجود سادگی روش ΔΔCt، برای رسیدن به نتیجه قابل اعتماد باید کیفیت RNA، Reverse Transcription، طراحی پرایمر، اختصاصیت واکنش، راندمان PCR، پایداری ژن مرجع، تکرارهای بیولوژیک و روش آماری مناسب را نیز در نظر گرفت. توصیه‌های MIQE و MIQE 2.0 نیز بر همین جنبه‌های طراحی، کنترل کیفیت و گزارش شفاف داده‌های qPCR تأکید دارند.