Les chercheurs développent un nouvel outil pour faciliter le traitement des données transcriptomiques spatiales

Des chercheurs de l'Hôpital pour enfants de Philadelphie (CHOP) ont développé un nouvel outil pour aider à analyser les données collectées à partir des technologies de transcriptomique spatiale (SRT), qui profilent simultanément l'expression des gènes et les informations de localisation spatiale dans les tissus afin d'identifier les cellules dans lesquelles les couches de tissus peuvent piloter diverses maladies.

Les résultats, publiés dans la revue Méthodes naturellespermettent aux chercheurs de mieux identifier et comprendre de nouvelles cibles thérapeutiques pour des stratégies de traitement optimisées.

Les SRT sont des outils puissants dotés d’une incroyable polyvalence. Certaines méthodes profilent des dizaines de milliers de gènes sur des milliers d’emplacements sur un tissu, tandis que d’autres mesurent des centaines de gènes au niveau d’une seule cellule.

Cependant, avec autant de données, il peut être difficile d’identifier quelles cellules expriment quels gènes et comment ceux-ci pourraient provoquer des maladies. Par exemple, dans le cerveau, il est difficile pour les chercheurs de distinguer quels gènes sont actifs dans les différents types de cellules et de neurones de ses couches complexes.

“Bien que les données générées par les SRT soient importantes, il est difficile en soi de comprendre comment ces informations peuvent être traduites de manière à favoriser la découverte”, a déclaré l'auteur principal de l'étude, Hakon Hakonarson, MD, Ph.D. , directeur du Centre de génomique appliquée (CAG) du CHOP.

“Cet outil permet de regrouper les données pour identifier les relations entre différents points de données et types de données mieux que toute autre méthode actuellement disponible.”

Pour résoudre ce problème, les chercheurs du CAG de CHOP ont développé un nouvel outil appelé spaVAE, conçu pour relever les défis uniques des données génétiques spatiales.

Grâce à des techniques avancées d'apprentissage en profondeur, spaVAE est conçu pour comprendre les modèles de données, en particulier la manière dont les différents points de données sont liés les uns aux autres dans une partie tridimensionnelle du tissu.

Après avoir collecté des données provenant d'une variété de SRT, spaVAE aide à simplifier les données complexes, en créant des représentations visuelles des données, en combinant les données de différentes expériences, en prédisant l'activité des gènes dans des zones de tissus non mesurées, en identifiant les différences d'activité des gènes et, plus important encore, en trouvant les gènes qui varient selon les différentes régions spatiales.

De plus, les chercheurs ont adapté spaVAE pour gérer plusieurs types de données, y compris les données capturées à partir de sources multi-omiques : le génome, le protéome, le transcriptome, le métabolome et l'épigénome.

“En utilisant ce que nous avons appris de cette étude, nous espérons que cette approche pourra être utilisée pour obtenir des données plus significatives provenant d'autres technologies génomiques spatiales, nous permettant ainsi d'étudier la communication de cellule à cellule et d'approfondir les données génomiques unicellulaires”, a déclaré Tian. Tian, ​​Ph.D., ancien boursier postdoctoral au laboratoire CAG de CHOP.