Une nouvelle méthode permet de suivre les changements dans l’expression des gènes des cellules vivantes sur des périodes prolongées. Basée sur la spectroscopie Raman, la méthode n’endommage pas les cellules et peut être réalisée à plusieurs reprises. Crédit : MIT Actualités ; iStock
Un nouveau MIT-la méthode développée combine la spectroscopie Raman avec apprentissage automatique pour suivre de manière non invasive l’expression des gènes dans les cellules au fil du temps. Cette technique permet une étude détaillée de la différenciation cellulaire et a des applications potentielles dans la recherche sur le cancer, la biologie du développement et le diagnostic.
Séquençage de tous les ARN dans une cellule peut révéler de nombreuses informations sur le fonctionnement de cette cellule et ce qu’elle fait à un moment donné. Cependant, le processus de séquençage détruit la cellule, ce qui rend difficile l’étude des changements en cours dans l’expression des gènes.
Une approche alternative développée au MIT pourrait permettre aux chercheurs de suivre ces changements sur des périodes prolongées. La nouvelle méthode, basée sur une technique d’imagerie non invasive connue sous le nom de spectroscopie Raman, n’endommage pas les cellules et peut être réalisée à plusieurs reprises.
Grâce à cette technique, les chercheurs ont montré qu’ils pouvaient surveiller les cellules souches embryonnaires alors qu’elles se différenciaient en plusieurs autres types de cellules sur plusieurs jours. Cette technique pourrait permettre d’étudier des processus cellulaires à long terme tels que la progression du cancer ou le développement embryonnaire, et pourrait un jour être utilisée pour le diagnostic du cancer et d’autres maladies.
« Avec l’imagerie Raman, vous pouvez mesurer beaucoup plus de points dans le temps, ce qui peut être important pour étudier la biologie du cancer, la biologie du développement et un certain nombre de maladies dégénératives », explique Peter So, professeur de génie biologique et mécanique au MIT, directeur du MIT. Laser Biomedical Research Center, et l’un des auteurs de l’article.
Koseki Kobayashi-Kirschvink, postdoctorant au MIT et au Broad Institute of Harvard et MIT, est l’auteur principal de l’étude, récemment publiée dans la revue Biotechnologie naturelle. Les auteurs principaux du document sont Tommaso Biancalani, un ancien scientifique du Broad Institute ; Jian Shu, professeur adjoint à la Harvard Medical School et membre associé du Broad Institute ; et Aviv Regev, vice-président exécutif de Genentech Research and Early Development, qui est en congé de son poste de professeur au Broad Institute et au département de biologie du MIT.
Imagerie de l’expression des gènes
La spectroscopie Raman est une technique non invasive qui révèle la composition chimique des tissus ou des cellules en projetant sur eux une lumière proche infrarouge ou visible. Le centre de recherche biomédicale laser du MIT travaille sur la spectroscopie Raman biomédicale depuis 1985 et, récemment, So et d’autres membres du centre ont développé des techniques basées sur la spectroscopie Raman qui pourraient être utilisées pour diagnostiquer le cancer du sein ou mesurer la glycémie.
Cependant, la spectroscopie Raman à elle seule n’est pas suffisamment sensible pour détecter des signaux aussi petits que des changements dans les niveaux de molécules d’ARN individuelles. Pour mesurer les niveaux d’ARN, les scientifiques utilisent généralement une technique appelée séquençage d’ARN unicellulaire, qui peut révéler les gènes actifs dans différents types de cellules dans un échantillon de tissu.
Dans ce projet, l’équipe du MIT a cherché à combiner les avantages du séquençage d’ARN unicellulaire et de la spectroscopie Raman en formant un modèle informatique pour traduire les signaux Raman en états d’expression d’ARN.
« Le séquençage de l’ARN vous donne des informations extrêmement détaillées, mais il est destructeur. Raman est non invasif, mais il ne vous apprend rien sur l’ARN. L’idée de ce projet était donc d’utiliser l’apprentissage automatique pour combiner la force des deux modalités, vous permettant ainsi de comprendre la dynamique des profils d’expression génique au niveau d’une seule cellule au fil du temps », explique Kobayashi-Kirschvink.
Pour générer des données permettant de former leur modèle, les chercheurs ont traité des cellules de fibroblastes de souris, un type de cellule cutanée, avec des facteurs qui reprogramment les cellules pour qu’elles deviennent des cellules souches pluripotentes. Au cours de ce processus, les cellules peuvent également passer à plusieurs autres types de cellules, notamment les cellules neurales et épithéliales.
En utilisant la spectroscopie Raman, les chercheurs ont photographié les cellules à 36 moments sur 18 jours au fur et à mesure de leur différenciation. Après la prise de chaque image, les chercheurs ont analysé chaque cellule à l’aide d’une hybridation in situ par fluorescence à molécule unique (smFISH), qui peut être utilisée pour visualiser des molécules d’ARN spécifiques dans une cellule. Dans ce cas, ils ont recherché des molécules d’ARN codant pour neuf gènes différents dont les modèles d’expression varient selon les types de cellules.
Ces données smFISH peuvent ensuite servir de lien entre les données d’imagerie Raman et les données de séquençage d’ARN unicellulaire. Pour établir ce lien, les chercheurs ont d’abord formé un modèle d’apprentissage profond pour prédire l’expression de ces neuf gènes sur la base des images Raman obtenues à partir de ces cellules.
Ensuite, ils ont utilisé un programme informatique appelé Tangram, précédemment développé au Broad Institute, pour relier les modèles d’expression du gène smFISH aux profils génomiques entiers qu’ils avaient obtenus en effectuant un séquençage d’ARN unicellulaire sur les cellules de l’échantillon.
Les chercheurs ont ensuite combiné ces deux modèles informatiques en un seul qu’ils appellent Raman2RNA, qui peut prédire l’intégralité des profils génomiques de cellules individuelles sur la base d’images Raman des cellules.
Suivi de la différenciation cellulaire
Les chercheurs ont testé leur algorithme Raman2RNA en suivant les cellules souches embryonnaires de souris au fur et à mesure de leur différenciation en différents types de cellules. Ils ont pris des images Raman des cellules quatre fois par jour pendant trois jours et ont utilisé leur modèle informatique pour prédire les profils d’expression d’ARN correspondants de chaque cellule, ce qu’ils ont confirmé en les comparant aux mesures de séquençage d’ARN.
Grâce à cette approche, les chercheurs ont pu observer les transitions qui se produisaient dans les cellules individuelles à mesure qu’elles se différenciaient des cellules souches embryonnaires en types de cellules plus matures. Ils ont également montré qu’ils pouvaient suivre les changements génomiques qui se produisent lorsque les fibroblastes de souris sont reprogrammés en cellules souches pluripotentes induites, sur une période de deux semaines.
«C’est une démonstration que l’imagerie optique fournit des informations supplémentaires qui permettent de suivre directement la lignée des cellules et l’évolution de leur transcription», explique So.
Les chercheurs envisagent désormais d’utiliser cette technique pour étudier d’autres types de populations cellulaires qui évoluent avec le temps, comme les cellules vieillissantes et les cellules cancéreuses. Ils travaillent actuellement avec des cellules cultivées dans une boîte de laboratoire, mais à l’avenir, ils espèrent que cette approche pourra être développée comme diagnostic potentiel à utiliser chez les patients.
« L’un des plus grands avantages de Raman est qu’il s’agit d’une méthode sans étiquette. Nous en sommes encore loin, mais il existe un potentiel de traduction humaine, qui ne pourrait pas être réalisé en utilisant les techniques invasives existantes pour mesurer les profils génomiques », explique Jeon Woong Kang, chercheur au MIT et également auteur de l’étude.
La recherche a été financée par la bourse postdoctorale pour les chercheurs étrangers de la Société japonaise pour la promotion de la science, la bourse postdoctorale à l’étranger de la Fondation Naito, la bourse MathWorks, la Fondation Helen Hay Whitney, les États-Unis. Instituts nationaux de la santél’Institut national américain d’imagerie biomédicale et de bio-ingénierie, HubMap, le Howard Hughes Medical Institute et le Klarman Cell Observatory.
