Disséquer la complexité du cerveau au niveau d’une seule cellule

Comprendre le cerveau nécessite une connaissance approfondie de ses composants. Les technologies avancées de séquençage unicellulaire permettent aux chercheurs d’explorer les secrets de cet organe complexe et mystérieux avec des détails sans précédent.

Le cerveau et la moelle épinière humains contiennent des milliards de cellules et de connexions différentes qui forment des réseaux neuronaux complexes. L’étude des éléments constitutifs du cerveau est une étape fondamentale pour comprendre comment il fonctionne et ce qui peut mal tourner et provoquer une maladie.

« Le cerveau est très complexe – et nous devons commencer au niveau moléculaire pour comprendre comment il fonctionne », explique Jiaqian Wu, professeur agrégé à UTHealth Houston, McGovern Medical School, Texas.

En mesurant plusieurs signatures moléculaires dans des milliers à des millions de cellules individuelles, le séquençage unicellulaire peut caractériser de manière exhaustive la diversité des types de cellules cérébrales et donner un aperçu des relations entre différentes populations cellulaires. La transcriptomique unicellulaire permet l’analyse de l’abondance et des séquences de molécules d’ARN, tandis que l’épigénomique est la cartographie à l’échelle du génome de la méthylation de l’ADN, de la modification des protéines histones, de l’accessibilité de la chromatine et de la conformation des chromosomes.

«Nous pouvons coder des cellules cérébrales individuelles et examiner des éléments tels que l’expression génique ou les changements épigénétiques pour comprendre comment chaque cellule est régulée et comment elle réagit aux stimuli externes», explique Sarah Marzi, chercheuse Edmond et Lily Safra au DRI britannique de l’Imperial College de Londres. .

Les développements rapides des méthodes expérimentales et informatiques des technologies unicellulaires fournissent de nouvelles informations sur les différences entre et au sein des cellules qui composent le cerveau – révélant la diversité cellulaire, identifiant les sous-populations rares d’intérêt et découvrant les caractéristiques uniques des cellules individuelles. Agissant comme un pont entre les neurosciences, la biologie computationnelle et la biologie des systèmes, ces nouveaux outils sophistiqués détiennent la clé pour sonder les circuits internes du cerveau dans la santé et la maladie.

Plateformes de séquençage unicellulaire

Les deux types de cellules les plus courants dans le système nerveux central sont les neurones, qui envoient et reçoivent des signaux électriques et chimiques, et les cellules gliales, qui sont nécessaires au bon fonctionnement des neurones. Ces différents types de cellules sont ensuite divisés en sous-classes supplémentaires. Mais malgré les progrès récents, il manque encore un consensus complet ou une taxonomie des types de cellules cérébrales.

« Le cerveau est composé de nombreux types de cellules différents qui remplissent des fonctions très différentes », explique Marzi. « Comprendre l’identité des cellules nécessite un profilage moléculaire pour révéler de minuscules distinctions entre les cellules. »

Dans le passé, les gens étaient limités au profilage d’échantillons de tissus entiers. Bien que ces approches de «séquençage en masse» puissent fournir des informations précieuses, elles ne révèlent pas toute l’histoire.

« Parce qu’il y a tellement de types de cellules différents, les signaux moléculaires sont moyennés à travers la population de cellules », explique Wu. « Les nouvelles technologies unicellulaires permettent un examen plus fin de ce qui se passe au niveau d’une cellule individuelle. Nous utilisons des méthodes informatiques pour regrouper les cellules en différents sous-types cellulaires en fonction de leurs signatures moléculaires.

Les technologies de séquençage unicellulaire fournissent aux chercheurs des outils puissants pour extraire des informations génomiques, transcriptomiques ou épigénomiques au niveau d’une cellule individuelle. Au cours de la dernière décennie, les avancées technologiques ont entraîné une augmentation exponentielle du nombre de cellules pouvant être étudiées, permettant l’analyse de centaines de milliers de cellules en une seule expérience. Bon nombre de ces analyses se concentrent sur l’examen de l’activité des gènes dans des cellules individuelles à l’aide du séquençage de l’ARN (ARN-seq) – mais il existe encore des inconvénients par rapport aux approches en masse.

« La plupart des technologies unicellulaires ont encore une sensibilité inférieure à celle des approches de séquençage en masse », explique Wu. « Par exemple, je m’intéresse aux longs ARN non codants, qui sont un type très important d’ARN régulateur, mais nous ne pouvons pas capturer autant de ces types de molécules s’ils sont exprimés à un faible niveau. »

Des opportunités sans précédent

La première et la plus importante étape dans la plupart des expériences de séquençage unicellulaire est l’isolement de cellules individuelles à partir d’un échantillon de tissu. Bien que de telles approches puissent éclairer les relations cellulaires basées sur des caractéristiques moléculaires partagées, elles ne fournissent aucune information sur la façon dont les cellules sont organisées les unes par rapport aux autres dans un tissu. Mais révolutionnaire méthodes transcriptomiques spatialement résolues sont sur le point de révolutionner la compréhension de la façon dont les cellules sont assemblées en 3D au sein de leur microenvironnement.

« Ces nouvelles méthodes sont incroyablement excitantes, mais il y a encore place à l’amélioration », déclare Wu.

Même les méthodes les plus résolues peuvent désormais atteindre une résolution d’environ trois à cinq cellules dans un tissu – et il est donc toujours difficile de démêler d’où proviennent ces signaux moléculaires au niveau d’une seule cellule. Surmonter ces barrières technologiques restantes ouvrira une multitude de nouvelles opportunités aux chercheurs pour cartographier l’expression des gènes dans un contexte spatial dans les tissus cérébraux – ainsi que pour mesurer les processus enzymatiques et les interactions entre les cellules, entre les gènes et entre les protéines.

« L’étude de la barrière hémato-encéphalique est un exemple important », envisage Marzi. « Vous avez besoin de cette résolution spatiale de quelles couches cellulaires sur lesquelles et de ce qui se passe dans ces cellules lorsqu’elles réagissent aux changements pathologiques dans le cerveau – ou lorsqu’elles développent une pathologie et que la barrière devient pénétrable. »

Analyse multiomique

Les chercheurs utilisent des approches plus holistiques pour capturer des informations de plus en plus riches à partir de cellules cérébrales individuelles. Beaucoup d’entre eux combinent l’ARN-seq avec des méthodes épigénétiques – telles que le dosage de la chromatine accessible à la transposase par séquençage (ATAC-Seq) et l’immunoprécipitation de la chromatine avec séquençage massivement parallèle (ChIP-Seq) – pour capturer simultanément des informations multiomiques sur l’expression génique avec des indices sur la façon dont les gènes sont régulés au niveau d’une seule cellule. Mais si la combinaison de technologies unicellulaires offre des opportunités uniques pour sonder la complexité du cerveau, elle crée des défis informatiques autour de l’intégration et de l’interprétation des énormes multiples ensembles de données générés.

Le laboratoire de Wu combine les neurosciences, la biologie des cellules souches et la biologie des systèmes impliquant la génomique, la bioinformatique et les tests fonctionnels pour démêler la transcription des gènes et les mécanismes de régulation dans le cerveau et la moelle épinière.

« Nous étudions l’expression et la régulation des gènes à l’aide de méthodes de séquençage unicellulaire – et intégrons différents ensembles de données pour acquérir une compréhension plus complète », explique Wu. Mon laboratoire est autosuffisant – nous sommes divisés en deux moitiés ; une moitié est un laboratoire humide et l’autre est un laboratoire sec. Nous avons mis en place notre propre pipeline bioinformatique pour analyser les différents types de données et leur donner un sens.

Le laboratoire de Marzi utilise une combinaison d’approches de génomique humide et computationnelle pour comprendre les conséquences réglementaires des facteurs de risque environnementaux et génétiques pour la maladie d’Alzheimer et la maladie de Parkinson, deux maladies neurodégénératives.

« C’est un domaine où vous devez utiliser beaucoup de science des données et d’approches quantitatives pour apprendre de nouvelles choses – parce que les ensembles de données que nous créons sont si volumineux et compliqués que vous devez appliquer des méthodes statistiques solides pour les analyser », explique-t-elle. .

Compte tenu des progrès remarquables de la technologie d’apprentissage automatique, de telles techniques sont également actuellement introduites pour l’analyse unicellulaire afin de surmonter les défis et d’utiliser plus efficacement ses résultats – avec des résultats encourageants jusqu’à présent.

Conduire une nouvelle ère en neurosciences

Depuis le la première étude d’ARN-seq sur cellule unique a été publiée en 2009, il y a eu une explosion de la conduite de telles études dans la recherche biomédicale – et le domaine des neurosciences ne fait pas exception. De nouvelles technologies de séquençage unicellulaire commencent à découvrir le paysage complet de la diversité des types de cellules cérébrales – et devraient entraîner d’énormes progrès dans la compréhension de cet organe complexe dans les années à venir.

Les scientifiques appliquent ces méthodes pour créer des atlas détaillés de chaque type de cellule dans le cerveau – à travers le temps, du développement à l’âge adulte. Par exemple, une étude récente a effectué un séquençage d’ARN dans des régions du cerveau humain en développement pour fournir une analyse moléculaire et spatiale complète des premiers stades du développement cérébral et cortical. Un autre a appliqué la transcriptomique spatiale du cerveau entier pour déduire un atlas moléculaire du cerveau de la souris adulte. Ces ressources seront extrêmement précieuses pour les chercheurs qui étudient le développement normal du cerveau et la pathologie des maladies.

« Les approches unicellulaires sont vraiment puissantes », déclare Marzi. « Ils nous fournissent les outils pour identifier les principaux acteurs derrière les réponses cellulaires malsaines et trouver des moyens de les changer. »