*Avis important: medRxiv publie des rapports scientifiques préliminaires qui ne sont pas évalués par des pairs et, par conséquent, ne doivent pas être considérés comme concluants, guider la pratique clinique/les comportements liés à la santé, ou traités comme des informations établies.
Dans une récente étude publiée sur medRxiv* serveur de préimpression, les chercheurs ont utilisé sur place séquençage et analyse spatiale du transcriptome unicellulaire (SSCTA) pour examiner les tissus pulmonaires de la maladie à coronavirus post-mortem 2019 (COVID-19). Ici, les auteurs décrivent les interactions cellule-cellule, l’hétérogénéité et l’organisation associées aux réponses immunitaires dans ces tissus.
Étude: Hétérogénéités et signatures cellulaires et moléculaires, et trajectoires pathologiques des poumons mortels de COVID-19 définies par l’analyse spatiale du transcriptome unicellulaire. Crédit d’image : RGBMedia/Shutterstock.com
Sommaire
Arrière-plan
Malgré des enquêtes scientifiques approfondies menées tout au long de la pandémie, la physiopathologie du COVID-19 reste largement insaisissable. Bien que le SSCTA ait discerné les signatures immunitaires du microenvironnement pour le COVID-19 sévère, comme les lésions alvéolaires diffuses (DAD) qui se manifestent de manière hétérogène chez les patients et dans les tissus infectés, l’analyse de ces ensembles de données complexes reste difficile.
À propos de l’étude
Dans la présente étude, les chercheurs ont utilisé cinq autopsies COVID-19 et un cas post-mortem non infecté pour récupérer des tissus pour l’analyse SSCTA. Tous les tissus présentaient une thromboembolie pulmonaire, une infiltration lymphocytaire et une DAD à des degrés divers après coloration à l’hématoxyline et à l’éosine (H&E).
En utilisant sur place séquençage, le génome du coronavirus 2 du syndrome respiratoire aigu sévère (SRAS-CoV-2) et 221 gènes cellulaires induits par son infection ont été identifiés. Les tissus pulmonaires ont ensuite été colorés avec du 4′,6-diamidino-2-phénylindole (DAPI) pour la segmentation cellulaire.
Les données SSCTA ont été étudiées de manière approfondie à l’aide d’un flux de travail auto-développé, qui a conduit à l’identification de 869 453 à 3 424 675 lectures dans les six tissus pulmonaires. Ensuite, l’algorithme de Baysor a été appliqué pour segmenter ces lectures en cellules, ce qui a conduit à la détection de 186 659 à 470 294 cellules pour chaque échantillon de tissu, qui ont ensuite été filtrées pour obtenir des cellules de haute qualité.
Le SSCTA a également permis d’identifier l’impact local de l’infection par le SRAS-CoV-2 sur la pathologie pulmonaire. L’analyse du taux d’infection local par les statistiques I de Moran a ensuite été appliquée.
Les distributions des caractéristiques locales dans la région voisine de la cellule avec un nombre ou un rayon de cellule fixe ont également été calculées. Cette approche a permis la génération d’expressions spatiales de gènes et de cartes de co-expression de paires ligand-récepteur.
L’approximation et la projection uniformes du collecteur (UMAP) ont été utilisées pour visualiser la relation entre les expressions génétiques des cellules individuelles associées à différents types de cellules dans tous les tissus. Ensuite, les cellules individuelles ont été cartographiées à leurs emplacements spatiaux dans les tissus pour l’analyse de la composition du type de cellule de voisinage (NCTC).
Résultats
Le flux de travail de l’étude a permis l’identification de 10 414 863 transcrits d’acide désoxyribonucléique (ADN) dans les tissus pulmonaires de cinq patients COVID-19 et d’un tissu pulmonaire normal. Ce flux de travail est apparu robuste et évolutif pour des analyses empiriques ciblées des tissus pulmonaires mettant l’accent sur la découverte spatiale.
La segmentation cellulaire basée sur les transcriptions a détecté 93 % des transcriptions d’ADN dans 1 719 459 cellules, dont seul un sous-groupe de 779 137 cellules de haute qualité a été isolé. Le typage cellulaire de ces cellules avec des gènes marqueurs a montré que le SRAS-CoV-2 infectait 18 types de cellules dans les poumons ; cependant, moins de 5 % de ces cellules étaient infectées dans les échantillons de tissus.
L’analyse différentielle de l’expression des gènes dans les cellules du tissu pulmonaire infectées et non infectées par le SRAS-CoV-2 par rapport aux cellules du tissu pulmonaire non COVID-19 a révélé que le SRAS-CoV-2 exerçait des effets similaires sur ces cellules dans tous les tissus. Ces effets indirects de l’inflammation et de l’activation du complément pourraient également être responsables de la pathologie pulmonaire chez les patients COVID-19.
Les cellules parenchymateuses pulmonaires englobant les cellules alvéolaires (AC), les fibroblastes et les cellules endothéliales vasculaires (VEC) étaient le plus souvent infectées par le SRAS-CoV-2. Les tissus pulmonaires COVID-19 avaient moins d’AC et de cellules musculaires lisses (SMC) mais plus de cellules épithéliales (EC) accompagnées d’infiltrations de cellules immunitaires innées, y compris le myélome multiple (MM), les cellules tueuses naturelles (NK), les granulocytes et les T et B cellules immunitaires adaptatives.
L’analyse spatiale révèle des caractéristiques d’expression cellulaire et génique dans les régions à haut taux d’infection par le SRAS-CoV-2. A. Un graphique à barres montrant la cellule composition de type de tous les types de cellules identifiés dans les régions d’infection élevée et faible. L’augmentation des cellules alvéolaires (AC) pourrait suggérer la prolifération des AC due à la réparation des lésions des alvéoles et des capillaires alvéolaires et une diminution des cellules épithéliales (EC) et des cellules endothéliales vasculaires (VEC) pourrait suggérer les dommages causés par l’infection. B. Projection UMAP des résultats de l’analyse NCTC des régions à forte infection (voir figure 3B) a révélé trois clusters distincts, dont deux étaient nettement enrichis en compositions locales d’AC et de fibroblastes, illustrés à droite avec leurs visualisations spatiales. C. La visualisation spatiale des compositions dans les régions à forte infection a révélé une corrélation négative des fibroblastes et des AC (-0,6, corrélation de Pearson), qui se chevauchaient avec les régions OP annotées (fibroblastes élevés, AC faibles). D. Expressions différentielles des régions d’infection élevée et faible des tissus COVID-19 par rapport au tissu non-COVID-19, qui partage 18 des 20 gènes exprimés de manière différentielle, confirmant le fort effet indirect de l’infection par le SRAS-CoV-2. E. Les expressions différentielles entre les régions d’infection élevée et faible des tissus COVID-19 ont révélé des gènes distincts exprimés de manière différentielle montrant une régulation à la hausse des marqueurs AC SFTPA1 et SFTPA2 dans les tissus 1, 3 et 5, et des marqueurs de fibroblastes COL1A1 ou COL1A2 dans tous les COVID-19 tissus. F. Visualisation spatiale de la carte d’expression spatiale des gènes des marqueurs COL1A1 et COL1A2.
UMAP a aidé à permettre la visualisation de grappes séparées pour les AC et les fibroblastes. Cependant, les cellules immunitaires sont restées groupées et mélangées aux CVE.
Conformément aux enquêtes pathologiques, l’analyse NCTC a révélé des distributions non organisées d’AC, de VEC et de fibroblastes, qui étaient les principaux types de cellules parenchymateuses dans les tissus infectés par le SRAS-CoV-2. De plus, les évaluations différentielles de l’expression génique des tissus pulmonaires COVID-19 et non-COVID-19 ont identifié respectivement neuf et dix gènes régulés à la hausse et à la baisse.
Seuls trois des 19 gènes étaient des gènes exprimés de manière différentielle (DEG), ce qui suggère que les cytokines et l’activation du complément induite par l’infection par le SRAS-CoV-2 contribuent probablement à l’expression génique dérégulée et à la pathologie dans les tissus pulmonaires COVID-19.
Une corrélation spatiale positive a été observée entre les densités cellulaires et les taux d’infection par le SRAS-CoV-2, suggérant ainsi que des densités cellulaires accrues pourraient être associées à des taux d’infection élevés. Ces régions exprimaient fortement les facteurs liés à l’entrée du SARS-CoV-2, y compris l’enzyme de conversion de l’angiotensine 2 (ACE2) et la FURIN.
La segmentation des régions avec des taux d’infection et des densités cellulaires élevés a confirmé que les premiers causaient des dommages persistants aux tissus pulmonaires, entraînant ainsi l’infiltration de cellules immunitaires, de biomarqueurs de réparation des plaies et de fibrose.
L’analyse NCTC a montré trois grappes dans les régions à forte infection, dont deux étaient nettement enrichies avec des compositions locales proéminentes de fibroblastes et d’AC, respectivement. Les régions d’infection élevée et faible partageant 18 des 20 DEG ont présenté des modèles d’expression différentiels très cohérents, indiquant ainsi les effets indirects prononcés de l’infection par le SRAS-CoV-2.
L’un des deux gènes différentiellement exprimés dans les régions à forte infection était le facteur 3 de stimulation des colonies de cytokines (CSF3), un membre de la famille des cytokines de l’interleukine-6 (IL-6), régulé positivement dans tous les tissus infectés. En outre, l’étude de la co-expression spatiale de CSF3 et de son récepteur a révélé que leur co-expression présentait également des corrélations spatiales dans les régions à forte infection.
conclusion
L’étude actuelle a présenté un atlas des modèles spatiaux de différentes caractéristiques cellulaires qui caractérisent l’infection par le SRAS-CoV-2 et les infiltrations immunitaires, l’inflammation et les dommages induits par une maladie grave. Ces résultats offrent des informations cruciales sur les mécanismes spatiaux cellulaires qui contribuent au développement du syndrome de détresse respiratoire aiguë (SDRA) chez les patients COVID-19.
Dans l’ensemble, les résultats de l’étude démontrent la puissance de la transcriptomique unicellulaire spatiale dans l’étude de la pathologie pulmonaire COVID-19 et d’autres conditions de santé et de maladie.
*Avis important: medRxiv publie des rapports scientifiques préliminaires qui ne sont pas évalués par des pairs et, par conséquent, ne doivent pas être considérés comme concluants, guider la pratique clinique/les comportements liés à la santé, ou traités comme des informations établies.
