Depuis l'aube de la recherche génomique, les scientifiques cherchent à comprendre la complexité des mécanismes de la vie au niveau le plus fondamental.Depuis des décennies, l'approche standard était de séquencer ou de profiler des échantillons de tissus en vrac, en mélangeant des milliers ou des millions de cellules pour extraire un signal moyen. Mais les moyennes masquent la remarquable diversité qui existe entre les cellules individuelles dans le même tissu. Une tumeur, par exemple, contient non seulement des cellules cancéreuses, mais aussi des cellules immunitaires, des fibroblastes et des cellules endothéliales, chacune avec son propre état génétique et comportement propre.

Qu'est-ce que la génomique à cellules uniques?

Contrairement au séquençage en vrac, qui produit une mesure d'ensemble qui reflète la moyenne de toutes les cellules d'un échantillon, les approches à cellules uniques capturent l'hétérogénéité des populations cellulaires. Le génome, le transcriptome ou l'épigénome de chaque cellule peut être profilé, révélant des types de cellules rares, des états transitoires et des réponses dynamiques invisibles dans les données en vrac. Le flux de données principal comprend généralement l'isolement cellulaire (souvent à l'aide de technologies à base de microfluides ou de gouttelettes), l'extraction et l'amplification d'acides nucléiques, la préparation de bibliothèques, le séquençage à haut débit et l'analyse bio-informatique sophistiquée.

Le terme « génomique » dans la génomique monocellulaire se réfère à l'origine principalement au séquençage de l'ADN, à la variation du nombre de copies, aux variantes mononucléotidiques et aux variantes structurales dans les cellules individuelles, mais il s'est élargi pour englober la transcriptomique (scRNA-seq), l'épigénomique (scATAC-seq, scHi-C), la protéomique (CITE-seq) et les approches multiomiques qui co-mesurent plusieurs modalités de la même cellule.

Pourquoi la résolution à une seule cellule est-elle importante?

L'importance de la résolution à cellules uniques est peut-être mieux illustrée par analogie : imaginez essayer de comprendre une symphonie en enregistrant le son moyen de l'orchestre entier. Vous perdrez les contributions distinctes des violons, des violoncelles et des percussions. De même, la génomique en vrac permet de mesurer les signaux à travers des milliers de cellules, masquant les différences subtiles mais critiques qui définissent les types de cellules, les états et les réponses. Par exemple, dans une biopsie d'une tumeur solide, le RNA-seq en vrac peut indiquer un niveau intermédiaire d'une cible médicamenteuse, mais l'analyse à cellules uniques peut révéler que seule une petite sous-population de cellules souches cancéreuses exprime la cible à des niveaux élevés – information qui modifie radicalement la stratégie thérapeutique.

Jalons historiques et innovations technologiques

La véritable révolution est survenue en 2009 avec le premier séquençage de transcriptome à cellules uniques (Tang et al., Méthodes Nature), qui a démontré qu'il était possible d'obtenir des profils d'expression à l'échelle du génome à partir d'une seule cellule. Cette percée a été suivie par un développement technologique rapide, menant aux méthodes à haut débit et évolutives disponibles aujourd'hui.

Microfluidiques et plateformes à base de gouttelettes

Les dispositifs qui contrôlaient des volumes infimes de liquide dans de minuscules canaux permettaient aux chercheurs d'isoler des cellules individuelles dans des gouttelettes de nanolitre, chacune fonctionnant comme un vaisseau de réaction miniature. L'introduction du système Fluidigm C1 en 2012 offrait la capture et le traitement automatisés de 96 cellules, mais c'était le développement de méthodes basées sur les gouttelettes comme Drop-seq (2015) et la plateforme commerciale 10x Genomics Chromium qui a vraiment mis à l'échelle une seule cellule génomique.Ces technologies utilisent des émulsions huile-eau pour encapsuler des cellules avec des billes à code bar, permettant le traitement parallèle de centaines de milliers de cellules dans une seule expérience. L'étape du barcoding est critique : chaque molécule d'ARN est marquée d'un identifiant moléculaire unique (UMI) et d'un code à barres spécifique à une cellule, ce qui permet d'attribuer les lectures à leur cellule d'origine sans ambiguïté.

Alternatives à base de plaques et à haut débit

Si les méthodes basées sur les gouttelettes dominent la transcriptomique, les approches basées sur les plaques (p. ex. Smart-seq2) offrent des avantages pour certaines applications. Smart-seq2 offre une couverture de transcription longue, facilitant la détection des variantes de splice et des variantes de séquence, mais à un coût plus élevé par cellule et un débit inférieur. De récentes innovations comme SPLiT-seq (Split-pool Ligation-based Transcriptome sequence) combinent le barcoding combinatoire avec des rondes de mise en commun et de division pour obtenir un débit ultra-élevé sans équipement microfluidique spécialisé.

Profil multi-omique et co-cellule

L'une des innovations contemporaines les plus intéressantes est la capacité de mesurer simultanément plusieurs couches moléculaires provenant d'une même cellule. Des technologies comme l'indexation cellulaire des transcriptomes et des épitopes combinent l'ARNc-séq et la détection des protéines à base d'anticorps conjugués à l'oligonucléotide, fournissant des données transcriptomiques et protéiques de surface appariées. L'indexation combinée de la chromatine et de l'expression de l'ARNm par une seule cellule (Sci-CAR) présente des profils à la fois d'accessibilité à la chromatine (via ATAC-seq) et de transcriptome provenant du même noyau.

Défis informatiques et innovations analytiques

L'explosion de données monocellulaires, qui comprennent souvent des millions de cellules et des milliers de gènes par cellule, a nécessité une révolution parallèle en biologie computationnelle. Une expérience typique de scRNA-seq peut générer des dizaines de gigaoctets de données brutes de séquençage qui doivent être démultiplexées, alignées et quantifiées.

Normalisation et correction par lots

Les données à cellules uniques souffrent de taux d'abandon élevés (gens qui sont exprimés mais non détectés), de biais d'amplification et d'effets par lots en raison de variations dans les conditions expérimentales. Des méthodes de normalisation sophistiquées, comme SCTransform (de Seurat) et Scran, modélisent le bruit technique en utilisant des distributions binomiales négatives ou à taux zéro.

Annotation de type de cellules et regroupement

L'identification de populations cellulaires distinctes implique généralement une réduction de dimensionnalité (PCA, t-SNE, UMAP) suivie d'un regroupement graphié (par exemple, algorithmes Louvain ou Leiden). Cependant, l'annotation de type cellulaire cohérente et précise demeure un goulot d'étranglement. Des outils automatisés comme SingleR et CellTypist comparent les cellules de requête à des atlas de référence, tandis que les approches basées sur des marqueurs reposent sur des signatures d'expressions génétiques connues.

Inférence de trajectoire et vélocité de l'ARN

Au-delà des instantanés statiques, la génomique monocellulaire peut capter des processus dynamiques tels que la différenciation ou la réponse aux stimuli. Les méthodes d'inférence de trajectoire (Monocle, Slingshot, PAGA) ordonnent les cellules le long d'un axe pseudo-temporel basé sur la similitude transcriptionnelle, révélant des changements continus d'expression génétique pendant les transitions cellulaires.

Intégration de la transcriptomie spatiale

Bien que le scRNA-seq standard détruit le contexte tissulaire, les méthodes de transcriptomie spatiale (comme Visium et MERFISH) conservent des informations de position. Les outils informatiques comme SpaGCN, Giotto et Tangram intègrent scRNA-seq avec des données spatiales pour déduire l'organisation spatiale des types de cellules et des programmes d'expression, reconstituant efficacement une carte moléculaire des tissus à résolution subcellulaire.

Impact sur la recherche biologique et les applications cliniques

La génomique à cellules uniques a déjà transformé notre compréhension du développement, de l'immunologie et de la biologie du cancer. En cataloguant les types de cellules et les états entre les tissus, les chercheurs construisent des cartes de référence exhaustives qui servent de base aux études fonctionnelles et au ciblage thérapeutique.

Cancer Hétérogénéité et évolution clonale

Le séquençage de l'ADN à cellules uniques révèle l'architecture clonale des cancers, identifiant les sous-clones avec des mutations distinctes du conducteur et des modifications du nombre de copies qui peuvent survenir sous la pression du traitement. Le profilage transcriptomique à cellules uniques a éclairé les états fonctionnels des cellules cancéreuses – comme les programmes de transition épithéliale-mésenchymique (EMT) et de résistance aux médicaments – et a défini la composition cellulaire du microenvironnement tumoral, y compris les cellules immunitaires infiltrantes, les fibroblastes associés au cancer et les cellules endothéliales. Par exemple, une étude historique du cancer du sein triple négatif à l'aide de scRNA-seq a identifié des sous-types immunitaires distincts qui corrélésaient avec la réponse à l'immunothérapie ( Azizi et coll., Nature Medicine, 2021]. Ce niveau de détail guide le développement de thérapies mixtes de précision.

Biologie du développement et des cellules souches

En profilant les cellules à partir d'organismes modèles à de multiples moments de développement, les chercheurs ont reconstruit des trajectoires de lignées allant du zygote aux types cellulaires spécialisés. Des études qui cartographient le développement du cœur humain, du cerveau et du système immunitaire ont révélé des états progéniteurs transitoires et des points critiques de décision.

Immunologie et maladies infectieuses

Le système immunitaire est défini par la diversité cellulaire – des cellules T naïves aux cellules T CD8+ épuisées, aux cellules B mémoire et aux cellules suppressives myéloïdes. Le profilage de transcription monocellulaire des cellules mononucléaires du sang périphérique (CMP) provenant de donneurs sains a catalogué des centaines de sous-ensembles cellulaires, définis par des modes d'expression uniques. Dans les maladies infectieuses, on a utilisé le scRNA-seq pour caractériser la réponse de l'hôte au SRAS-CoV-2, révélant une dysrégulation immunitaire persistante chez de longs patients atteints de COVID (Gottlieb et al., Nature, 2021.

Neuroscience et Atlas des cellules cérébrales

L'initiative BRAIN et l'Institut Allen ont dirigé les efforts visant à créer une taxonomie cellulaire complète du cerveau mammifère. L'ARN-séq mononuclée (ARN-séq snRN) provenant de tissus cérébraux humains gelés a identifié des douzaines de sous-types de neurones corticaux, de classes d'interneuron GABAergique et de types de cellules gliales. Ces atlas révèlent comment les variantes génétiques associées aux maladies psychiatriques et neurodégénératives sont enrichies en types de cellules spécifiques (Skene et al., Science, 2018), en indiquant de nouvelles hypothèses pour les mécanismes de la maladie et les cibles thérapeutiques potentielles.

Limites actuelles et défis techniques

En dépit de son succès remarquable, la génomique à cellules uniques est confrontée à plusieurs limites pratiques. Premièrement, le coût par cellule a chuté de façon spectaculaire mais demeure non trivial pour les études de cohortes importantes. Une expérience de génomique typique de 10 000 cellules peut coûter plusieurs milliers de dollars et le profilage de millions de cellules à partir de centaines d'échantillons de patients est encore coûteux. Deuxièmement, les taux de bruit technique et d'abandon sont inhérents à la technologie; les gènes exprimés avec un faible nombre de copies sont souvent omis et l'amplification peut introduire des biais. Troisièmement, la sensibilité et la résolution des méthodes multiomiques doivent être améliorées pour fournir des profils à cellules uniques vraiment complets sans artefacts. Quatrièmement, la préparation de l'échantillon, surtout pour les tissus solides, nécessite une dissociation qui peut stresser les cellules et modifier les profils d'expression.

Orientations futures : Les prochaines frontières

La trajectoire de la génomique monocellulaire indique une intégration toujours plus grande, une résolution spatiale et une dynamique temporelle. Plusieurs zones émergentes sont prêtes à conduire la prochaine vague de découvertes.

Génomique spatiale et transcriptomique

Alors que les méthodes unicellulaires actuelles détruisent l'architecture tissulaire, la transcriptomie spatiale préserve la localisation physique des cellules dans leur environnement naturel. Les techniques telles que MERFISH, secFISH+ et Slide-seqV2 permettent une résolution subcellulaire en imagerie des transcriptions à code barré directement dans les sections tissulaires. La combinaison de ces mesures avec le séquen-sec et l'intégration computationnelle permet la reconstruction de cartes moléculaires qui montrent comment la signalisation cellulaire et les interactions micro-environnements fonctionnent.

Epigénomique à cellules uniques et dynamique de la chromatine

La compréhension de la régulation génique exige la cartographie de l'accessibilité à la chromatine, des modifications histoniques et de l'organisation génomique tridimensionnelle à résolution monocellulaire. Des technologies comme le scATAC-seq (test à cellules uniques pour la chromatine accessible à la transposase) et le scHi-C (Hi-C à cellules uniques) sont encore en cours d'élaboration, mais ont déjà révélé que les états de chromatine varient d'un type de cellule à l'autre et même à l'intérieur d'une population cellulaire.

Génomique en temps réel et en cellule vivante

Un objectif à plus long terme est d'observer les processus génomiques – transcription, réplication, réparation – en temps réel au sein des cellules vivantes. De nouvelles approches utilisant l'imagerie en direct de reporters fluorescents combinés à l'imagerie basée sur le CRISPR (p. ex., Casilio, dCas9-EGFP) peuvent suivre la dynamique des loci génomiques. Bien que ces méthodes ne soient pas encore réelles dans le sens du séquençage, elles commencent à relier l'imagerie subcellulaire avec des données vérifiées par séquence.

Multi-Omiques intégratives et apprentissage automatique

L'intégration de multiples couches d'homoscopies monocellulaires deviendra plus courante, avec des plateformes comme TEA-seq (transcriptome, épitopes et accessibilité) et DOGMA-seq (accessibilité à l'ADN plus ARNm de la même cellule) entrant dans une utilisation généralisée. L'apprentissage automatique, en particulier l'apprentissage profond, joue un rôle de plus en plus central dans le traitement de ces ensembles de données haute dimension. Les auto-encodeurs variables (par exemple, scVI, TotalVI) peuvent modéliser le bruit, corriger les effets de lots et imputer les valeurs manquantes, tandis que les réseaux neuronaux graphiques sont utilisés pour l'inférence de communication cellulaire.

Conclusion

La génomique à cellules uniques a révolutionné la biologie en révélant la diversité cachée des états cellulaires et de la dynamique que les méthodes en vrac manquent. Des innovations récentes dans le séquençage à haut débit basé sur les gouttelettes, la coprofilage multiomique, la transcription spatiale et l'analyse calculale ont considérablement réduit la barrière à l'entrée et élargi la portée des questions qui peuvent être abordées. Pourtant, des défis importants subsistent : coût, débit, bruit et nécessité d'outils d'analyse robustes et conviviaux. Les progrès futurs dans la résolution spatiale, le profilage épigénomique, l'imagerie en temps réel et l'apprentissage machine continueront de repousser les limites.