Cette analyse “multimodale” aide à révéler les relations entre les différents aspects d’une cellule et leur impact sur le développement de la maladie
Français
Suivez-nous sur notre page Facebook et notre canal Telegram
Des chercheurs de l’hôpital pour enfants de Philadelphie (CHOP) et du New Jersey Institute of Technology (NJIT) ont développé un nouveau logiciel qui intègre une variété d’informations à partir d’une seule cellule, permettant aux chercheurs de voir comment un changement dans une cellule peut en entraîner plusieurs autres et fournir d’importants des indices pour identifier les causes exactes des maladies génétiques.
Les conclusions ont été publiées par Communication Nature.
Le séquençage unicellulaire permet aux chercheurs d’examiner des aspects spécifiques d’une cellule pour déterminer comment elle interagit avec son microenvironnement. Ceci est particulièrement pertinent dans la recherche sur le cancer car il peut être utilisé pour déterminer les effets d’une mutation qui peut n’affecter qu’une petite partie des cellules. Au niveau de la cellule unique, les chercheurs peuvent étudier l’expression des gènes ainsi que l’ARN messager, les protéines et même les organites dans les cellules avec beaucoup plus de détails et de résolution qu’auparavant.
Cependant, étant donné que chacune des caractéristiques d’une seule cellule a été étudiée individuellement, leurs liens les uns avec les autres – par exemple, comment une variante génétique pourrait avoir un impact direct sur l’ARN messager, la synthèse des protéines ou l’épigénétique – peuvent ne pas être apparents, même en comparant données générées à partir de la même cellule.
Pour résoudre ce dilemme statistique et informatique, les chercheurs ont développé un outil logiciel de regroupement de séquençage multimodal monocellulaire automatisé pour profiler ce qui se passe dans la cellule à travers plusieurs processus biologiques simultanément et mieux caractériser les relations entre les changements dans une cellule.
“Avec cet outil, nous pouvons mieux comprendre une seule cellule en tant qu’entité et pas seulement en tant qu’unité fragmentée”, a déclaré Hakon Hakonarson, MD, PhD, directeur du Center for Applied Genomics de CHOP et auteur principal de l’étude. “Il s’agit d’une avancée significative qui nous permet d’intégrer et de mettre toutes ces informations dans une perspective biologique, ce qui est particulièrement important lorsque l’on considère des informations sur différentes maladies.”
Le logiciel, appelé clustering profond multimodal à cellule unique (scMDC), utilise l’apprentissage automatique pour analyser des données sur différentes caractéristiques d’une seule cellule. Les chercheurs ont mené des expériences approfondies de simulation et de données réelles et ont découvert que scMDC surpassait les méthodes de clustering monomodales et multimodales à cellule unique existantes sur des ensembles de données multimodales à cellule unique. Il utilise également une évolutivité linéaire, ce qui signifie que davantage de sources de données fournies au scMDC donnent de meilleurs résultats.
Cette étude a été soutenue par la subvention R15HG012087 des National Institutes of Health et le National Center for Advancing Translational Sciences sous le numéro de subvention UL1TR003017. La ressource informatique a été partiellement fournie par Extreme Science and Engineering Discovery Environment (XSEDE) via les allocations CIE160021 et CIE17003, soutenues par la National Science Foundation Grant ACI-1548562.
Source de l’histoire :
Matériaux fourni par Hôpital pour enfants de Philadelphie. Remarque : Le contenu peut être modifié pour le style et la longueur.
