Essentiellement, toutes les cellules du corps d'un organisme ont le même plan génétique, ou génome, mais l'ensemble des gènes qui sont activement exprimés à tout moment dans une cellule détermine le type de cellule qu'il sera et sa fonction. La rapidité avec laquelle l'expression des gènes dans une seule cellule change dans le temps peut donner un aperçu de la façon dont les cellules peuvent devenir plus spécialisées, mais les approches de mesure actuelles sont limitées. Une nouvelle méthode développée par des chercheurs de Penn State et de l'Université de Yale intègre des informations spatiales de la cellule ainsi que des données des cellules traitées à différents moments, améliorant la capacité des chercheurs à comprendre les nuances des changements d'expression génique.
Un article décrivant la méthode, appelée SPVelo, est publié dans la revue Biologie du génome. Il calcule la vitesse de l'ARN, qui décrit la direction et le taux de changement pendant la transcription – une étape d'expression des gènes qui implique la copie du code génétique.
Différents ensembles de gènes sont exprimés dans une cellule lorsqu'ils sont activés, lorsqu'ils répondent aux stimuli et pendant le processus de différenciation, ce qui permet aux cellules de se développer en types de cellules spécifiques. La vitesse de l'ARN est devenue un moyen de mesurer la façon dont le taux d'expression des gènes change dans une cellule, ce qui peut nous indiquer des informations importantes sur l'état actuel de la cellule et son avenir. Notre nouvelle méthode surmonte des défis importants des méthodes précédentes, ce qui en fait un moyen prometteur et robuste de calculer la vitesse de l'ARN et d'en savoir plus sur les nombreuses fonctions d'une cellule. «
Wenxin Long, doctorant en statistiques du Penn State Eberly College of Science et auteur du journal
Pendant l'expression des gènes, l'ADN est d'abord transcrit en ARN messager (ARNm), qui porte le code génétique qui sera utilisé pour fabriquer des protéines. Mais toute la séquence d'ARNm n'est pas utilisée; Il doit d'abord subir un processus appelé épissage, qui supprime les segments appelés introns qui ne transportent pas d'informations de codage et épissent ensemble les exons qui le font. Les ARNm épissés peuvent ensuite être traduits dans une séquence de protéines.
En utilisant une technique appelée séquençage d'ARN unique (SCRNA-SEQ), les chercheurs peuvent compter le nombre de brins d'ARN qui sont épissés et ceux qui ne sont pas encore épissés. En modélisant les relations entre l'abondance de l'ARN épissée et non éprouvée, les chercheurs déduisent si un gène est régulé à la hausse et régulé à la baisse. Les chercheurs ont déclaré que ce taux de changement d'expression épissé – la vitesse de l'ARN – est essentiellement un instantané des gènes qui sont activement activés ou désactivés dans la cellule et peuvent être utilisés pour déduire l'expression des gènes futures.
« Un chercheur peut séquencer l'ARN de nombreuses cellules en même temps, mais les cellules traitées à une date ultérieure ou par différentes personnes ou groupes de recherche peuvent subir des conditions de laboratoire légèrement différentes qui pourraient avoir un impact sur les résultats », a déclaré Long. « Il a été un défi d'incorporer plusieurs lots dans une analyse. Notre méthode peut expliquer les différences entre plusieurs lots, afin que nous puissions intégrer une quantité beaucoup plus importante de données dans une analyse. »
En plus de traiter plusieurs lots à la fois, SPVelo intègre des informations spatiales importantes de la cellule, a déclaré Long.
« Les nouveaux types de données de séquençage peuvent fournir des informations spatiales, comme où la cellule est située dans un tissu », a déclaré Lingzhou Xue, professeur de statistiques au Penn State Eberly College of Science et auteur de co-correspondant du journal. « Certaines méthodes précédentes pour calculer la vitesse de l'ARN ont été en mesure d'incorporer des informations spatiales ou plusieurs lots, mais pas les deux. La combinaison des deux nous permet de glaner le plus d'informations à partir de jeux de données spatiaux à grande échelle et multi-lots. »
La nouvelle méthode tire parti de deux types de réseaux de neurones – un type d'apprentissage automatique pour surmonter les limitations précédentes. L'un de ces réseaux de neurones, appelé autoencoder variationnel, modélise l'expression des gènes. Le deuxième réseau neuronal, appelé réseau d'attention de graphiques, permet aux chercheurs d'incorporer des informations spatiales et lots à partir des données de séquençage. Le modèle tient également compte des différences entre les lots en utilisant ce qu'on appelle une pénalité de divergence moyenne maximale, ce qui permet l'inférence de la vitesse de l'ARN à travers plusieurs ensembles de données.
Les chercheurs ont comparé SPVelo avec une variété de méthodes précédentes en utilisant un ensemble de données d'expression génique à partir de carcinome épidermoïde oral, un type de cancer, ainsi qu'un ensemble de données spatiales simulées de cellules de pancréas qui est couramment utilisée par les chercheurs pour tester et comparer les méthodes. Les chercheurs ont déclaré que SPVelo avait effectué ainsi que ou mieux sur une variété de paramètres. La méthode, selon eux, a également été en mesure de fournir des modèles de trajectoire plus complexes pour une cellule, suggérant des modèles d'expression futurs et des types ou sous-types de cellules possibles dans lesquels une cellule pourrait se différencier.
« Un autre avantage de notre méthode est qu'il nous donne une mesure de confiance autour de nos prédictions, qui manquait des méthodes précédentes », a déclaré Long. « Par exemple, nous sommes assez convaincus que certaines cellules resteront ou passeront à un type de cellule ou un sous-type particulier, tandis que d'autres pourraient avoir plus de possibilités de transition. »
Les chercheurs ont déclaré que la méthode pourrait également être utilisée pour explorer les réseaux de régulation des gènes. Par exemple, pour comprendre l'impact d'un gène particulier sur le sort d'une cellule, les chercheurs pourraient comparer les vitesses de l'ARN dans une cellule normale et dans une cellule où ce gène a été supprimé. De plus, comme la vitesse de l'ARN fournit des informations à un moment spécifique, les changements de vitesse de l'ARN au fil du temps pourraient donner un aperçu de la façon dont les cellules communiquent entre elles et à quels taux.
« La vitesse de l'ARN est toujours un concept émergent, et nous pensons qu'il existe une grande variété d'applications », a déclaré Xue. « Avoir cette façon plus robuste et fiable de mesurer plusieurs lots et d'incorporer des données spatiales ouvre de nouvelles opportunités, et nous sommes ravis de voir comment notre méthode est utilisée à l'avenir. »
En plus de Long et Xue, l'équipe de recherche comprend Tianyu Liu et Hongyu Zhao à l'Université de Yale. Le financement des National Institutes of Health a soutenu cette recherche.
