Le séquençage de tout l#39ARN d#39une cellule peut révéler de nombreuses informations sur le fonctionnement de cette cellule et ce qu#39elle fait à un minute donné. Cependant, le processus de séquençage détruit la cellule, ce qui rend difficile l’étude des changements en cours dans l’expression des gènes.
- Technique non invasive de spectroscopie Raman pour suivre les changements dans l'expression des gènes des cellules au fil du temps.
- Combinaison du séquençage d'ARN unicellulaire et de la spectroscopie Raman pour surveiller la différenciation cellulaire sur plusieurs jours.
- Potentiel futur de cette méthode pour le diagnostic du cancer et d'autres maladies en suivant l'évolution des profils génomiques des cellules.
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#39imagerie non invasive connue sous le nom de spectroscopie Raman, n#39endommage pas les cellules et peut être réalisée à plusieurs reprises.
Grâce à cette strategy, les chercheurs ont montré qu’ils pouvaient surveiller les cellules souches embryonnaires alors qu’elles se différenciaient en plusieurs autres forms de cellules sur plusieurs jours. Cette method pourrait permettre d’étudier des processus cellulaires à prolonged terme tels que la development du cancer ou le développement embryonnaire, et pourrait un jour être utilisée pour le diagnostic du cancer et d’autres maladies.
« Avec l#39imagerie Raman, vous pouvez mesurer beaucoup plus de factors dans le temps, ce qui peut être crucial pour étudier la biologie du cancer, la biologie du développement et un specified nombre de maladies dégénératives », explique Peter So, professeur de génie biologique et mécanique au MIT, directeur du Laser du MIT. Centre de recherche biomédicale et l#39un des auteurs de l#39write-up.
Koseki Kobayashi-Kirschvink, postdoctorant au MIT et au Broad Institute de Harvard et du MIT, est l#39auteur principal de l#39étude, qui paraît aujourd#39hui dans Nature Biotechnology. Les auteurs principaux du doc 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 Study and Early Advancement, qui est en congé de son poste de professeur au Broad Institute et au département de biologie du MIT.
La spectroscopie Raman est une approach non invasive qui révèle la composition chimique des tissus ou des cellules en projetant sur eux une lumière proche infrarouge ou seen. Le centre de recherche biomédicale laser du MIT travaille sur la spectroscopie Raman biomédicale depuis 1985 et, récemment, So et d#39autres membres du centre ont développé des procedures 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 smart 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 sorts de cellules dans un échantillon de tissu.
Dans ce projet, l#39équipe du MIT a cherché à combiner les avantages du séquençage d#39ARN unicellulaire et de la spectroscopie Raman en formant un modèle informatique pour traduire les signaux Raman en états d#39expression d#39ARN.
« Le séquençage de l#39ARN vous donne des informations extrêmement détaillées, mais il est destructeur. Raman est non invasif, mais il ne vous apprend rien sur l#39ARN. L#39idée de ce projet était donc d#39utiliser l#39apprentissage automatique pour combiner la force des deux modalités, permettant ainsi vous de comprendre la dynamique des profils d#39expression génique au niveau d#39une seule cellule au fil du temps », explique Kobayashi-Kirschvink.
Pour générer des données permettant de previous leur modèle, les chercheurs ont traité des cellules de fibroblastes de souris, un kind de cellule cutanée, avec des facteurs qui reprogramment les cellules pour qu#39elles deviennent des cellules souches pluripotentes. Au cours de ce processus, les cellules peuvent également passer à plusieurs autres varieties 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 distinctive (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 varieties 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 photos Raman obtenues à partir de ces cellules.
Ensuite, ils ont utilisé un programme informatique appelé Tangram, précédemment développé au Wide 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 foundation 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 forms de cellules. Ils ont pris des photographs Raman des cellules quatre fois par jour pendant trois jours et ont utilisé leur modèle informatique pour prédire les profils d#39expression d#39ARN correspondants de chaque cellule, ce qu#39ils ont confirmé en les comparant aux mesures de séquençage d#39ARN.
Grâce à cette approche, les chercheurs ont pu observer les transitions qui se produisaient dans les cellules individuelles à mesure qu#39elles se différenciaient des cellules souches embryonnaires en sorts de cellules furthermore 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#39est une démonstration que l#39imagerie optique fournit des informations supplémentaires qui permettent de suivre directement la lignée des cellules et l#39évolution de leur transcription », explique So.
Les chercheurs envisagent désormais d’utiliser cette technique pour étudier d’autres sorts 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 individuals.
« L#39un des moreover grands avantages de Raman est qu#39il s#39agit d#39une méthode sans étiquette. C#39est encore loin, mais il existe un potentiel de traduction humaine, qui ne pourrait pas être réalisée en utilisant les methods invasives existantes pour mesurer les profils génomiques », explique Jeon. Woong Kang, chercheur au MIT et également auteur de l#39étude.
La recherche a été financée par la bourse postdoctorale pour les chercheurs étrangers de la Société japonaise pour la marketing de la science, la bourse postdoctorale à l#39étranger de la Naito Foundation, la bourse MathWorks, la Fondation Helen Hay Whitney, les National Institutes of Wellbeing des États-Unis, l#39Institut nationwide américain d#39imagerie biomédicale. et bio-ingénierie, HubMap, le Howard Hughes Clinical Institute et le Klarman Cell Observatory.
