Les scientifiques biomédicaux utilisent de in addition en as well as des méthodes de déconvolution, celles utilisées pour analyser par calcul la composition de mélanges complexes de cellules. L’un de leurs défis est de sélectionner une méthode adaptée à leurs circumstances expérimentales parmi près de 50 disponibles.



Pour aider à la sélection de la méthode, des chercheurs du Baylor Higher education of Medicine et du Jan and Dan Duncan Neurological Study Institute du Texas Children’s Medical center ont évalué en profondeur 11 méthodes de déconvolution basées sur l’analyse des données de séquençage de l’ARN (ARN-seq), déterminant chaque méthode individuelle. forces et faiblesses dans une variété de scénarios. À partir de ces analyses, les chercheurs ont élaboré des lignes directrices que les scientifiques peuvent utiliser pour déterminer la méthode de déconvolution qui correspond le mieux à leurs besoins. L’étude apparaît dans la revue Genome Biology.

« Une grande partie des travaux de recherche biomédicale consiste à analyser des tissus biologiques hétérogènes pour mieux comprendre la contribution de cellules individuelles, par exemple, à la croissance du cancer ou au développement du cerveau », a déclaré l’auteur correspondant, le Dr Zhandong Liu, professeur agrégé de pédiatrie-neurologie à Baylor et directeur du noyau de bioinformatique du Jan and Dan Duncan Neurological Research Institute.



L’analyse de mélanges cellulaires complexes est une tâche difficile. Les chercheurs peuvent effectuer de telles analyses avec des techniques de laboratoire qui séparent physiquement et / ou identifient les composants cellulaires, mais cette méthode prend du temps et est coûteuse.

Les chercheurs peuvent également utiliser des méthodes de déconvolution qui extraient de manière informatique des informations sur les cellules individuelles d’un mélange en analysant de grands ensembles de données dérivés de la masse, tels que les données de séquençage d’ARN.

Par exemple, certains chercheurs qui étudient les cellules souches, un style scarce de cellules, pourraient être intéressés par le pourcentage de ces cellules dans la population totale de cellules sanguines. Ils pourraient effectuer une analyse ARN-seq de la majeure partie des cellules, puis appliquer une méthode de déconvolution pour déterminer le pourcentage de cellules souches dans le mélange. Mais quelle méthode devraient-ils utiliser ?

Dans un autre exemple, si un scientifique ne s’intéressait qu’aux proportions family des différents types de cellules dans un mélange, alors une méthode serait la meilleure pour la déconvolution. Mais si le scientifique voulait connaître le pourcentage réel de chaque variety de cellule, alors cette méthode de déconvolution ne serait pas la meilleure pour ce travail, mais une autre qui fonctionne mieux pour fournir ce style de réponse. Comment un scientifique peut-il savoir quelle méthode fonctionne le mieux dans chaque circumstance ?

« Notre laboratoire est l’un des nombreux à avoir développé des méthodes de déconvolution très tôt, contribuant aux près de 50 méthodes de déconvolution actuellement disponibles pour faire ce style de travail », a déclaré le premier auteur Haijing Jin, étudiant diplômé du programme d’études supérieures de Baylor en biosciences quantitatives et informatiques. travaillant dans le laboratoire Liu. « Les méthodes sont basées sur différents modèles mathématiques et / ou différentes hypothèses pour essayer de résoudre les problèmes de déconvolution, qui impliquent essentiellement comment passer d’un tissu hétérogène en vrac à des profils de cellules individuelles. »

En raison de cet intérêt croissant pour la déconvolution et de l’abondance des méthodes disponibles, Liu et Jin ont estimé qu’il était temps d’établir une ligne directrice ou une référence pour comprendre les forces et les faiblesses de chaque méthode.

Exécution de milliers de scénarios

L’équipe a étudié 11 méthodes. Ils les ont sélectionnés en fonction de la qualité de la programmation, du nombre de citations dans la littérature scientifique et de leur popularité dans le domaine.

« L’un des défis auxquels nous avons été confrontés était de savoir comment tester au mieux les forces et les faiblesses de chaque méthode dans de nombreux scénarios possibles », a déclaré Jin.

Les chercheurs ont décidé d’utiliser une approche computationnelle ou in silico qui leur a permis de simuler les milliers de scénarios nécessaires pour tester toutes les méthodes.

« Tous ces scénarios représentaient des predicaments expérimentales réelles dans la recherche sur les cellules, la recherche sur le cancer ou la biologie du développement. Nous avons simulé chacun d’eux afin de pouvoir identifier la meilleure méthode de déconvolution pour chaque scénario pour les personnes intéressées par l’application de ces méthodes à leurs expériences, « Dit Jin.

« C’est la valeur de ce travail », a déclaré Liu. « Nous fournissons une étude de référence sur diverses méthodes de déconvolution et des conseils pour les personnes travaillant sur différents sujets en biologie pour faciliter l’analyse de leurs résultats expérimentaux. »

Ce travail a été soutenu par la subvention R01-GM120033 de l’Institut national des sciences médicales générales, la subvention RP170387 de l’Institut de recherche sur la prévention du cancer du Texas, la dotation Houston, la Fondation de la famille Chao et la Fondation Huffington.