Pycea: a scverse toolkit for single-cell lineage tracing analysis
Pycea est un kit d'outils Python open-source qui introduit le format TreeData pour intégrer de manière fluide les données d'arbres de lignage aux mesures de cellule unique au sein de l'écosystème scverse, permettant une analyse, une visualisation et une inférence statistique évolutives pour le traçage de la lignée cellulaire.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Dans le monde vivant, chaque cellule porte une histoire. Tout comme un arbre généalogique enregistre qui est apparenté à qui, chaque cellule d'un organisme en développement ou d'une tumeur en croissance se souvient de ses ancêtres et de ses frères et sœurs. Pendant des décennies, les scientifiques ont lutté pour relier cette histoire familiale au comportement actuel de la cellule. Ils pouvaient cartographier la lignée des cellules, traçant comment une division en est devenue deux, et deux en sont devenues quatre, mais ils ne pouvaient pas facilement combiner cette carte avec les instructions internes de la cellule, comme quels gènes étaient actifs à ce moment-là. Cette séparation rendait difficile la compréhension de la manière dont le passé d'une cellule a façonné son présent, qu'elle devienne un type spécifique de tissu ou qu'elle se transforme en maladie. Le défi n'était pas seulement de recueillir les données, qui sont devenues abondantes et détaillées, mais de les organiser de manière à permettre aux chercheurs de voir l'image globale d'un seul coup d'œil.
Une équipe de chercheurs a maintenant construit un nouvel outil numérique pour résoudre ce problème, créant un système qui traite l'arbre généalogique d'une cellule comme une partie standard de son dossier biologique. Ils ont introduit un progiciel appelé Pycea, qui fonctionne parallèlement à un cadre largement utilisé pour l'analyse des cellules uniques. Au cœur de ce système se trouve une nouvelle façon de stocker les données appelée TreeData. Imaginez un fichier numérique standard qui contient des informations sur une cellule, comme son activité génique et son emplacement. Maintenant, imaginez que ce même fichier possède un emplacement dédié pour contenir l'arbre généalogique complet de cette cellule, parfaitement aligné de sorte que chaque branche et chaque feuille corresponde à une mesure spécifique. Cette nouvelle structure permet aux scientifiques d'utiliser les outils qu'ils connaissent déjà pour analyser la lignée, l'expression génique et l'emplacement physique tous en même temps, sans avoir à traduire constamment les données entre différents formats.
Les chercheurs ont démontré la puissance de cette approche en l'appliquant à deux histoires biologiques très différentes. Premièrement, ils ont observé un embryon de souris à un stade spécifique de développement, contenant plus de 260 000 cellules. Grâce à leurs nouveaux outils, ils ont pu retracer comment différents groupes de cellules étaient apparentés et à quel point leurs histoires familiales correspondaient étroitement à leurs identités actuelles. Ils ont constaté que les cellules appartenant à une même couche corporelle majeure, telle que la peau ou l'intestin, partageaient des ancêtres récents, confirmant que l'arbre généalogique pouvait prédire le rôle futur de la cellule. Ils ont également identifié des gènes spécifiques qui étaient transmis à travers la lignée familiale, signifiant que si une cellule parente présentait une activité élevée d'un certain gène, ses enfants seraient probablement susceptibles de l'avoir aussi. Cela leur a permis de localiser précisément les instructions génétiques qui définissaient les différentes parties de l'embryon en développement.
Ensuite, l'équipe a appliqué le système à un modèle de cancer, en étudiant une tumeur contenant près de 146 000 cellules. Ici, l'objectif était de comprendre comment différents groupes de cellules cancéreuses croissaient et se propageaient. En cartographiant l'arbre généalogique des cellules tumorales, ils ont pu voir quels groupes s'étendaient rapidement et lesquels restaient petits. Ils ont découvert que les groupes de cellules les plus réussis, ou les plus « aptes », avaient tendance à vivre sur les bords extérieurs de la tumeur, près du tissu pulmonaire sain. De plus, ils ont découvert que l'activité d'un gène spécifique, Cldn4, était fortement liée à ce succès. Les cellules présentant des niveaux élevés de ce gène étaient plus susceptibles d'être trouvées dans ces régions prospères et externes. Cette connexion entre l'histoire familiale d'une cellule, son emplacement et son activité génétique a fourni une vue claire de la manière dont la tumeur évoluait en temps réel.
La portée de ce travail réside dans sa capacité à unifier des domaines d'étude distincts. Avant cet outil, les chercheurs devaient souvent choisir entre étudier l'arbre généalogique d'une cellule ou son activité génique, car les formats de données ne parlaient pas la même langue. En créant un système où l'arbre est une partie native du fichier de données de la cellule, les chercheurs ont supprimé les barrières qui forçaient auparavant les scientifiques à jongler entre plusieurs programmes logiciels et structures de données. Cela signifie que l'histoire complexe d'une cellule peut désormais être analysée avec la même facilité que son état actuel. Le logiciel est ouvert à tous et les chercheurs prévoient de l'étendre davantage, espérant que ce nouveau standard deviendra le fondement d'une communauté croissante d'outils dédiés à la compréhension de l'histoire profonde de la vie au sein d'une seule cellule.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.