CHACAM: a cell-cell interaction-guided hierarchical attention model for high-precision cell identity annotation of scRNA-seq data in early C. elegans embryogenesis

La vie commence sous la forme d'une cellule unique, une minuscule sphère contenant le plan directeur d'un organisme entier. Dans les premiers moments du développement, cette cellule se divise encore et encore, créant un amas de cellules en croissance rapide. Depuis des décennies, les scientifiques savent que chez le petit ver rond Caenorhabditis elegans, ce processus est remarquablement prévisible. Chaque ver suit exactement le même chemin : la première cellule se divise, les cellules filles se divisent, et elles se divisent à nouveau, toujours dans le même ordre et finissant toujours au même endroit. En raison de cette cohérence parfaite, les biologistes utilisent depuis longtemps ce ver comme une carte pour comprendre comment une cellule unique devient un animal complexe. Cependant, un nouveau défi est apparu à mesure que la technologie progressait. Les scientifiques peuvent désormais lire les instructions génétiques, ou le « transcriptome », de cellules individuelles au sein de ces embryons. Bien que cela semble être une avancée majeure, cela a révélé un problème déroutant : à mesure que les cellules se divisent, les instructions génétiques de sœurs étroitement liées deviennent presque identiques. Lorsque les scientifiques tentent de trier ces cellules sur la seule base de leur code génétique, ils ne parviennent souvent pas à les distinguer, ce qui les force à regrouper des cellules distinctes dans des catégories vagues et ambiguës.

Pour résoudre ce casse-tête, une équipe de chercheurs a développé une nouvelle approche qui regarde au-delà du code génétique à l'intérieur de la cellule. Ils ont réalisé qu'une cellule n'existe pas dans le vide ; elle est constamment en train de toucher et de communiquer avec ses voisines. Dans l'embryon précoce, le destin d'une cellule est fortement influencé par les signaux qu'elle reçoit des cellules spécifiques qu'elle touche physiquement. Les chercheurs ont construit un modèle informatique appelé CHACAM qui combine les données génétiques d'une cellule avec une carte détaillée de qui touche qui. En intégrant ce contexte physique, le modèle peut distinguer des cellules qui semblent génétiquement identiques mais qui se trouvent dans des quartiers différents. Cette méthode leur a permis de créer une carte parfaitement claire de l'embryon de ver précoce, résolvant des identités qui étaient restées ambiguës pendant des années et révélant de nouveaux marqueurs génétiques qui définissent chaque cellule unique.

Le cœur du problème réside dans la proximité avec laquelle les cellules apparentées se ressemblent. Dans les premières étapes du développement du ver, les cellules se divisent si rapidement que les cellules sœurs, qui naissent de la même cellule mère, possèdent un profil génétique presque identique. Les méthodes traditionnelles d'identification de ces cellules reposent sur la recherche de gènes spécifiques qui agissent comme des marqueurs, tels un badge nominatif. Cependant, lorsque les différences génétiques sont aussi minimes, les badges ne sont pas assez distincts pour différencier les sœurs. Dans les études précédentes, cela a conduit à une situation où les scientifiques ne pouvaient étiqueter un groupe de cellules qu'avec un nom générique, tel que « ABalx », reconnaissant qu'ils savaient qu'un groupe existait mais ne pouvaient pas dire quelle cellule spécifique était laquelle. Ce manque de précision rendait difficile la compréhension de la séquence exacte des événements qui stimule le développement, car les chercheurs travaillaient essentiellement avec une carte floue.

Les chercheurs ont émis l'hypothèse que l'information manquante était l'environnement physique. Ils savaient, grâce à des décennies d'observation, que des cellules spécifiques dans l'embryon du ver touchent toujours des voisins spécifiques. Par exemple, une cellule pourrait toucher une voisine qui envoie un signal pour devenir une cellule musculaire, tandis que sa sœur, qui semble génétiquement identique, touche un voisin différent qui envoie un signal pour devenir une cellule nerveuse. Le nouveau modèle, CHACAM, a été conçu pour utiliser cette connaissance. Il commence par une base de données organisée des canaux de communication connus entre les cellules, spécifiquement les paires de molécules qui permettent à une cellule d'envoyer un signal à une autre. Il superpose ensuite cela à une carte haute résolution en quatre dimensions de l'embryon qui montre exactement quelles cellules se touchent à chaque minute du développement.

Le modèle fonctionne en observant une cellule et en posant deux questions : quels gènes exprime-t-elle, et qui touche-t-elle ? Il compare le profil génétique de la cellule à une bibliothèque de référence de types cellulaires connus. Si le profil génétique est ambigu, le modèle examine les voisins de la cellule. Il calcule un score basé sur la probabilité d'interactions spécifiques entre la cellule et ses voisins. Par exemple, si une cellule touche un voisin connu pour interagir avec un type de cellule spécifique, le modèle en déduit que la cellule est probablement de ce type. Les chercheurs ont utilisé une stratégie qu'ils appellent « triangulation » pour confirmer ces suppositions. Ils choisissaient une cellule de référence dont l'identité était connue et vérifiaient ses interactions avec la cellule ambiguë. Si la cellule de référence est connue pour toucher une sœur mais pas l'autre, et que les scores d'interaction correspondent à ce schéma, l'identité de la cellule ambiguë peut être déterminée avec une grande confiance.

Lorsque l'équipe a appliqué cette méthode aux données existantes de l'embryon de C. elegans, les résultats ont été frappants. Dans l'ensemble de données couvrant l'embryon de une à seize cellules, le modèle a réussi à résoudre l'identité de chaque cellule. Auparavant, au stade de seize cellules, huit des cellules étaient regroupées en quatre paires de jumeaux indistincts. La nouvelle méthode les a toutes séparées, atteignant un taux de résolution de cent pour cent. Cela signifie que, pour la première fois, les scientifiques disposent d'une carte complète et sans ambiguïté de l'identité génétique de chaque cellule de l'embryon de seize cellules. Le modèle a fonctionné de manière aussi efficace sur un ensemble de données plus large allant jusqu'au stade de cent deux cellules, identifiant correctement la vaste majorité des cellules même lorsque certaines données étaient manquantes.

Au-delà du simple tri des cellules, le modèle a permis une compréhension plus profonde de ce qui rend chaque cellule unique. Une fois les cellules correctement identifiées, les chercheurs ont pu rechercher les gènes spécifiques qui distinguent une cellule de sa sœur. Ils ont découvert un nouvel ensemble de gènes marqueurs qui n'étaient actifs que dans l'une des deux cellules sœurs, alors que les études précédentes n'avaient trouvé que des marqueurs fonctionnant pour des groupes de cellules. Par exemple, ils ont trouvé des gènes capables de distinguer deux cellules spécifiques qui avaient été auparavant regroupées. Ces nouveaux marqueurs offrent un niveau de détail beaucoup plus fin, permettant aux scientifiques de voir le programme génétique exact qui s'exécute dans chaque cellule individuelle. Cette carte à haute résolution sert de nouvelle ressource pour comprendre comment les cellules prennent des décisions, fournissant une liste claire des gènes impliqués dans chaque étape du processus.

Le succès de cette approche met en lumière un changement fondamental dans la façon dont les scientifiques perçoivent l'identité cellulaire. Il démontre que l'identité d'une cellule n'est pas déterminée uniquement par les gènes qu'elle porte, mais aussi par le contexte physique et chimique de son environnement. En combinant les données génétiques internes avec la réalité externe de qui touche qui, les chercheurs ont pu voir à travers le bruit qui avait confondu les analyses précédentes. Le modèle ne repose pas sur des suppositions ou des simulations complexes ; il utilise les règles invariantes connues du développement du ver pour guider l'interprétation des données génétiques. Cette méthode a prouvé que lorsque les cellules sont trop similaires pour être distinguées par leurs seuls gènes, la carte physique de l'embryon détient la clé pour déverrouiller leurs véritables identités.

Les implications de ce travail s'étendent au-delà du ver. Bien que l'étude se soit concentrée sur C. elegans en raison de sa lignée parfaitement cartographiée, la logique s'applique à tout système où les cellules sont difficiles à distinguer. Dans des organismes plus complexes, comme les humains, les cellules existent souvent dans des environnements encombrés où leurs voisins influencent leur comportement. Si les scientifiques peuvent cartographier les contacts physiques entre les cellules dans les tissus ou les tumeurs, ils pourraient utiliser une approche similaire pour trier des types de cellules qui se ressemblent sous un microscope. Les chercheurs ont noté qu'à mesure que les technologies de cartographie de l'emplacement des cellules s'améliorent, ce genre d'analyse tenant compte du contexte deviendra de plus en plus important. L'étude sert de preuve de concept montrant que l'intégration des données d'interaction physique avec les données génétiques peut révéler des vérités biologiques qui étaient auparavant cachées.

Les chercheurs ont également reconnu les limites de leur méthode. Le modèle dépend fortement de la précision de la carte de contact et de l'exhaustivité de la base de données des signaux de cellule à cellule. Si la carte de qui touche qui est erronée, ou si une voie de signalisation critique manque de la base de données, le modèle pourrait moins bien fonctionner. Chez le ver, la carte de contact est connue avec une précision extrême grâce à des décennies d'imagerie, mais chez d'autres organismes, cette information pourrait être plus difficile à obtenir. De plus, le modèle actuel traite les interactions comme un instantané statique dans le temps, plutôt que de suivre comment elles changent à mesure que l'embryon grandit. Malgré ces limites, la méthode a déjà livré un atlas entièrement résolu de l'embryon précoce du ver, une ressource qui était auparavant hors de portée. Cette réalisation constitue une base solide pour des études futures, permettant aux scientifiques de poser des questions plus précises sur la façon dont les cellules communiquent et sur la façon dont elles décident de ce qu'elles vont devenir.