Le séquençage de l’ARN unicellulaire (scRNA-seq) est une méthode permettant de mesurer l’expression génique de cellules individuelles, permettant l’observation de divers processus cellulaires, notamment la différenciation cellulaire, le cycle cellulaire et la réponse au stimulus pour chaque cellule unique, au lieu de faire la moyenne sur des millions de cellules. Il fournit des instantanés haute résolution des processus biologiques. Cependant, il ne suit pas la même cellule en continu dans le temps. Pour remédier à cette limitation, des approches d’inférence de trajectoire ont été développées qui organisent informatiquement des instantanés cellulaires le long d’une trajectoire de développement déduite connue sous le nom de pseudo-temps.
Les progrès récents dans les algorithmes d’inférence de trajectoire ont permis aux chercheurs de générer des ensembles de données contenant des centaines de milliers, voire des millions de cellules. Cependant, les analyses en aval de ces trajectoires, en particulier l’identification de gènes différentiellement exprimés (DEG), restent difficiles. Les DEG peuvent avoir deux modèles : des gènes dont l’expression change de manière dynamique au cours du pseudo-temps et des gènes dont les modèles sont décalés entre deux conditions. Bien que l’analyse d’expression dynamique soit plus largement utilisée, l’identification de modèles d’expression décalés est également importante. De plus, les cellules peuvent être distribuées irrégulièrement le long du pseudo-temps et la trajectoire déduite peut contenir plusieurs branches, là où les modèles conventionnels nécessitent des modèles de régression explicites ou des affectations de branches. Il est essentiel de développer de nouvelles techniques d’analyse en aval qui capturent les modèles DEG et gèrent les trajectoires cellulaires complexes.
Dans une nouvelle étude, une équipe de recherche dirigée par le professeur adjoint Hitoshi Iuchi et le professeur Michiaki Hamada de la Faculté des sciences et de l’ingénierie de l’Université Waseda au Japon a développé un nouvel algorithme d’analyse en aval appelé scLS. « scLS est une méthode informatique permettant d’identifier les gènes associés au pseudo-temps à partir de données de séquençage d’ARN unicellulaire », explique Iuchi. « Cela réduit le besoin de décisions arbitraires de correspondance de branches et peut être utilisé pour hiérarchiser les gènes en vue d’une interprétation biologique plus détaillée. » Leur étude a été mise en ligne le 16 juillet 2026 et publiée dans le volume 54, numéro 13 de Recherche sur les acides nucléiques le 22 juillet 2026.
Les méthodes conventionnelles d’analyse de trajectoire s’adaptent généralement aux modèles de régression explicites qui décrivent l’expression des gènes comme une fonction fluide du pseudo-temps, qui peuvent ne pas capturer de manière adéquate les modèles d’expression complexes. scLS, d’autre part, utilise le périodogramme Lomb – Scargle (LS), une technique de traitement du signal conçue pour les données inégalement échantillonnées, pour représenter les modèles d’expression génique dans le domaine fréquentiel. Cela permet à l’algorithme d’analyser des données pseudo-temporelles irrégulièrement distribuées et de détecter des modèles d’expression complexes dans des trajectoires de branchement sans nécessiter de modèles de régression explicites ou de correspondance de branchement prédéfinie.
scLS prend en charge à la fois le test d’expression génique dynamique et le test d’expression génique décalée. Pour les deux tests, les données du domaine pseudo-temporel pour chaque gène sont d’abord converties dans le domaine fréquentiel via le périodogramme LS. Pour le test d’expression dynamique des gènes, le périodogramme LS est utilisé pour évaluer les probabilités de fausses alarmes (FAP) sur une grille de fréquence prédéfinie, qui sont ensuite utilisées pour calculer la valeur P au niveau du gène, définie comme la FAP minimale sur les fréquences analysées. Pour le test d’expression décalée, les périodogrammes LS sont calculés séparément pour deux conditions pour chaque gène, comme pour les variantes de type sauvage (WT) et knock-out (KO), et la distance entre leurs spectres de puissance est utilisée comme statistique de test observée pour calculer une valeur P droite dans une approximation normale.
Grâce à des simulations et à des ensembles de données réels, scLS a démontré des performances compétitives par rapport aux algorithmes conventionnels dans la détection des dynamiques pseudo-dépendantes du temps dans les trajectoires de branchement tout en étant plus efficace sur le plan informatique. Bien que la méthode ne puisse pas localiser la dynamique d’expression dans des branches ou des lignées spécifiques, elle peut servir d’outil de dépistage efficace de premier passage et être complétée par des analyses tenant compte de la lignée pour une interprétation biologique plus détaillée.
Le scLS peut être appliqué aux études unicellulaires de différenciation, de développement, d’activation immunitaire, de reprogrammation cellulaire, de progression de la maladie et de réponse aux médicaments, ainsi qu’à la comparaison de cellules de type sauvage et génétiquement perturbées, d’échantillons non traités et traités par médicaments, ou de cellules saines et associées à la maladie.
Professeur Michiaki Hamada, Faculté des sciences et de l’ingénierie, Université Waseda
Dans l’ensemble, scLS fournit une approche informatiquement efficace pour l’analyse de trajectoire en aval, offrant aux chercheurs une méthode flexible pour identifier les gènes associés au pseudo-temps et faire progresser notre compréhension des processus biologiques complexes.
