Un nouveau modèle aide les chercheurs à maîtriser les cellules imprévisibles

Au cours du développement embryonnaire, les cellules acquièrent des formes et des fonctions complexes. Des motifs émergent de groupes de cellules, donnant aux tissus biologiques leur forme, leur fonction et leur intégrité. Il s’agit d’un processus complexe qui n’est pas bien compris.

Une nouvelle étude, dirigée par le professeur Yimin Luo, présente de nouvelles méthodes permettant d’obtenir une image plus claire de la dynamique cellulaire en jeu, ce qui pourrait permettre de mieux comprendre de nombreux processus de développement, ainsi que la manière dont les cellules cancéreuses envahissent les tissus. Les résultats sont publiés dans Vie PRX.

Les cellules sont une forme de matière active, c’est-à-dire un système d’agents individuels qui interagissent les uns avec les autres et consomment l’énergie de leur environnement, mais forment collectivement une structure beaucoup plus vaste. Il s’agit d’une catégorie qui comprend un large éventail de systèmes biologiques, tels que des troupeaux d’oiseaux, des bancs de poissons, des monocouches de cellules, des colonies de bactéries et autres, présentant tous des phénomènes intrigants.

Mais il existe une grande différence dans le comportement des différents systèmes de matière active. Plus les choses deviennent petites, plus elles deviennent mystérieuses. Contrairement aux troupeaux d’oiseaux ou aux bancs de poissons, il est beaucoup plus difficile de prédire les configurations des cellules. Bien que les schémas de rassemblement des oiseaux puissent être clairement délimités, les trajectoires des cellules sont facilement brouillées par les forces en vigueur dans leur environnement.

“Lorsque les objets sont beaucoup plus petits, ils sont soumis à des fluctuations plus aléatoires”, a déclaré Luo, professeur adjoint de génie mécanique et de science des matériaux. “Lorsque vous essayez d’identifier les mouvements cellulaires, vous le faites généralement au microscope. Ces interactions sont extrêmement complexes car les cellules se déforment et ont ensuite des interactions biochimiques avec d’autres cellules, et elles se déplacent très lentement.”

Ce n’est qu’une complication. Un autre problème est le grand nombre de cellules que le laboratoire de Luo observe et image.

“La plupart des gens en imaginent quelques centaines, alors que nous en avons quelques milliers”, a-t-elle déclaré. “Alors la deuxième malédiction et la deuxième bénédiction est que si vous avez beaucoup d’observations, vous pouvez d’une manière ou d’une autre compenser l’incertitude de votre observation. Techniquement, plus vous observez, plus vous pouvez isoler le signal du bruit.”

Mais calibrer votre modèle avec un ensemble de données extrêmement volumineux est très difficile, a déclaré Luo.

Les cellules s’alignent pour former des tissus principalement lorsqu’elles atteignent une très haute densité. Pour modéliser cela avec précision, les chercheurs doivent prendre en compte à la fois les interactions de cellule à cellule ainsi que l’influence de leur environnement. Pour ce faire, Luo et son équipe ont développé une procédure hybride combinant des approches d’apprentissage statistique avec des modèles basés sur la physique. Le résultat est une méthode plus efficace qui évite de tester toutes les combinaisons de fonctionnalités via des simulations.

“Nous avons proposé cette approche dans laquelle nous utilisons une méthode basée sur les données pour sélectionner des fonctionnalités appelée analyse exploratoire des données (EDA)”, a-t-elle déclaré, ajoutant que le processus est utilisé depuis des décennies. “Avec EDA, vous travaillez avec les données pour voir ce qu’elles vous disent, puis vous essayez de les mettre en œuvre dans un modèle.”

En incluant informatiquement les caractéristiques clés du comportement des cellules, telles que certaines fluctuations et types particuliers d’interactions de cellule à cellule, les chercheurs peuvent calibrer avec plus de précision leurs modèles basés sur la physique. De plus, les outils informatiques développés pour automatiser la construction et l’étalonnage de modèles peuvent être appliqués à d’autres systèmes de matière active.

“C’est un cadre très général”, a-t-elle déclaré. “C’est une approche plus flexible que les modèles basés sur la physique, mais plus rationnelle et moins laborieuse qu’une approche purement basée sur les données.”