Un modèle informatique développé par des chercheurs du UT Southwestern Medical Center améliore considérablement la capacité des scientifiques à détecter la communication entre les cellules, selon un nouvelle étude publié dans Méthodes de la nature.
Le modèle, appelé Spacia, pourrait contribuer à améliorer la compréhension d’un large éventail de maladies, notamment les cancers, les maladies auto-immunes, les maladies infectieuses et les anomalies du développement.
« La communication intercellulaire (CCC) est extrêmement importante pour toutes les formes de vie. Grâce à Spacia, nous sommes capables de la déchiffrer mieux que jamais auparavant », a déclaré Tao Wang, Ph.D., professeur associé à la Peter O’Donnell Jr. School of Public Health et au Center for the Genetics of Host Defense de l’UT Southwestern. Il est membre du programme de recherche sur les sciences de la population et la lutte contre le cancer du Simmons Cancer Center.
Le Dr Wang a co-dirigé l’étude avec Yang Xie, Ph.D., professeur à l’École de santé publique O’Donnell et au Département de bioinformatique Lyda Hill et doyen associé des sciences des données à l’École de médecine UT Southwestern. Les Drs Wang et Xie sont chercheurs au Centre de recherche biomédicale quantitative de l’École de santé publique O’Donnell.
Le CCC est nécessaire à une vaste gamme de processus biologiques, notamment au développement, au maintien de la santé et à la progression de la maladie. Ces dernières années, les chercheurs ont développé des techniques expérimentales qui fournissent des informations sur l’activité des gènes dans les cellules individuelles (séquençage de cellules individuelles), et même sur la localisation des cellules (transcriptomique à résolution spatiale, SRT), qui fournissent des informations essentielles pour déduire les CCC.
Cependant, les programmes qui analysent la richesse des données générées par ces techniques pour extraire des relations CCC précises présentent plusieurs inconvénients. Par exemple, certains programmes prennent une mesure moyenne de l’activité génétique parmi des groupes de cellules spatialement voisines, ce qui entraîne une perte de résolution à l’échelle d’une cellule unique, et d’autres ne sont capables de détecter les communications entre cellules que dans des voies de régulation connues.
Pour surmonter ces problèmes, les Dr Wang et Xie et leurs collègues ont utilisé une technique mathématique appelée apprentissage multi-instance (MIL) pour développer Spacia afin de déduire les CCC à partir des données SRT. Le MIL, un sous-ensemble de l’apprentissage automatique, est bien connu dans le domaine de l’informatique ; cependant, il a rarement été exploré pour une utilisation biomédicale, a expliqué le Dr Xie.
Les chercheurs ont testé Spacia dans divers contextes en utilisant des données générées par des SRT, recueillant ainsi des informations importantes. Par exemple, en utilisant un ensemble de données SRT provenant de tissus cancéreux de la prostate, Spacia a découvert que plusieurs types de cellules dans le microenvironnement tumoral participent à un phénomène appelé transition épithéliale-mésenchymateuse, un contributeur important aux métastases.
En déployant Spacia sur un ensemble de données SRT pan-cancéreuses incluant les cancers du sein, du côlon, de la peau et du poumon, entre autres types, les chercheurs ont découvert que les cellules B, un type de cellule immunitaire, réagissent à la signalisation des cellules tumorales ciblées par des médicaments d’immunothérapie appelés inhibiteurs de points de contrôle.
Ils ont également découvert une signature CCC différente qui prédisait avec précision les taux de survie des patients atteints de cancer et leur réponse aux inhibiteurs de points de contrôle.
« Notre étude met en évidence la puissance de l’intégration des données spatiales et transcriptomiques pour découvrir les interactions cellulaires cachées qui favorisent la progression de la maladie et la résistance au traitement », a déclaré le Dr Xie. « Spacia représente une avancée significative dans notre capacité à traduire les connaissances moléculaires en applications cliniques, améliorant ainsi les soins aux patients. »
Le Dr Xie a souligné que Spacia est actuellement particulièrement utile pour la recherche biologique. Mais à terme, à mesure que le coût élevé actuel de la SRT diminuera, les médecins pourront utiliser cet outil pour identifier des cibles médicamenteuses spécifiques aux maladies de chaque patient, améliorant ainsi considérablement la médecine personnalisée.
Plus d’informations :
James Zhu et al, Cartographie des interactions cellulaires à partir de données transcriptomiques résolues spatialement, Méthodes de la nature (2024). DOI : 10.1038/s41592-024-02408-1