Incorporating cell states for mapping eQTLs in single-cell studies

Les gènes sont les manuels d'instructions pour la construction et le fonctionnement d'un organisme vivant, mais ils ne fonctionnent pas dans le vide. Leur activité est constamment ajustée par de minuscules variations dans le code ADN lui-même, connues sous le nom de variants génétiques. Les scientifiques appellent les emplacements spécifiques où ces variants influencent l'activité des gènes des « locus de traits quantitatifs d'expression », ou eQTL. Pendant des décennies, les chercheurs ont cartographié ces relations en étudiant des groupes de cellules mélangées, comme si l'on prenait un smoothie d'un tissu et que l'on mesurait la saveur moyenne. Cette approche a révélé comment les gènes sont régulés à travers différents organes et types cellulaires larges. Cependant, le corps humain n'est pas un smoothie ; c'est un écosystème complexe où les cellules individuelles au sein d'un même tissu peuvent se trouver dans des états d'activité, de maturité ou de réponse à leur environnement radicalement différents. Une cellule peut être au repos, en train de se diviser ou de combattre une infection, et sa régulation génétique peut changer en fonction de cet état spécifique.

Le défi pour la science moderne est que ces changements subtils, dépendants de l'état, sont souvent perdus lorsque les cellules sont mélangées. De plus, les données collectées à partir de cellules individuelles sont incroyablement éparses et bruitées, ce qui rend difficile l'application d'outils statistiques standards sans rencontrer d'erreurs. Les chercheurs avaient besoin d'un moyen de regarder la régulation génétique des gènes non seulement à travers les types de cellules, mais aussi à travers le spectre continu des états cellulaires, tout en gérant la réalité désordonnée des données de cellule unique. Sans une méthode capable de naviguer dans cette complexité, de nombreux signaux génétiques importants restaient cachés, obscurcis par le processus de lissage ou rejetés comme du bruit statistique.

Pour résoudre ce problème, une équipe de statisticiens et de biologistes de l'Université Tsinghua, de l'Université Capital University of Economics and Business et de l'Université Yale a développé un nouveau cadre appelé scarf-QTL. Cette méthode est conçue pour cartographier comment les variants génétiques influencent l'expression des gènes à mesure que les cellules passent par différents états, comme lors de leur développement ou en réponse à des stimuli. Au lieu de regrouper les cellules dans des compartiments rigides et prédéfinis, les chercheurs ont traité l'état cellulaire comme une coordonnée continue, semblable à une chronologie ou un spectre. Ils ont modélisé l'expression génique comme une fonction lisse se déplaçant le long de cette coordonnée, permettant ainsi de capturer comment un effet génétique peut être fort dans une partie du spectre et faible dans une autre.

L'innovation centrale de scarf-QTL réside dans la manière dont il traite la mathématique de l'association. Les méthodes traditionnelles supposent souvent que l'expression génique suit une courbe en cloche parfaite, une hypothèse qui échoue fréquemment avec les données de cellule unique, qui sont pleines de zéros et de pics irréguliers. Lorsque ces hypothèses sont erronées, les tests standards peuvent produire de fausses alertes ou manquer de réels signaux. La nouvelle méthode utilise une approche « rétrospective ». Au lieu de demander comment l'expression génique change étant donné un génotype spécifique, elle demande comment le génotype est distribué étant donné l'expression génique observée. Ce subtil changement de perspective rend le test robuste face aux distributions non normales et désordonnées typiques des données de cellule unique. Cela permet aux chercheurs d'utiliser un modèle informatiquement efficace tout en maintenant un contrôle strict sur les faux positifs, garantissant que les signaux trouvés sont réels.

Les chercheurs ont testé leur méthode de manière intensive à l'aide de simulations informatiques avant de l'appliquer à des données réelles. Ils ont créé des ensembles de données artificiels qui imitaient divers scénarios biologiques, incluant des cellules avec des effets génétiques constants, des effets augmentant linéairement, et des motifs complexes comme des pics ou des cycles. Dans ces simulations, la nouvelle méthode a réussi à contrôler le taux de fausses alertes, même lorsque les données étaient générées à partir de distributions ne suivant pas les règles statistiques standards. En revanche, les anciennes méthodes qui reposaient sur des hypothèses strictes concernant la distribution des données ont commencé à produire trop de faux positifs. Lorsqu'il s'agissait de trouver de réels signaux, la nouvelle méthode s'est avérée plus puissante que l'approche standard « pseudobulk », qui fait la moyenne des cellules ensemble. Elle était particulièrement efficace pour détecter des effets génétiques concentrés dans des états cellulaires spécifiques ou qui changeaient de direction, des motifs que la méthode de moyenne lissait souvent jusqu'à ce qu'ils disparaissent.

L'équipe a ensuite appliqué scarf-QTL au jeu de données OneK1K, une collection massive de données de séquençage d'ARN en cellule unique provenant de 982 individus sains, contenant plus de 1,2 million de cellules sanguines à travers 14 types différents de cellules immunitaires. Dans ce test en conditions réelles, la méthode a identifié 30 % de gènes en plus avec une régulation génétique significative par rapport à l'analyse pseudobulk précédente. Cette augmentation n'était pas seulement une question de trouver plus de bruit ; la nouvelle méthode a découvert des gènes spécifiques qui avaient été totalement manqués par l'approche plus ancienne. Par exemple, dans les cellules dendritiques, un type de cellule immunitaire crucial pour la lutte contre l'infection, la méthode a révélé que la régulation génétique varie souvent en fonction du sous-ensemble spécifique de la cellule. Un gène, connu pour être un marqueur d'un sous-ensemble spécifique de cellules dendritiques, ne montrait un effet génétique fort que dans les cellules ayant progressé vers un certain état. L'ancienne méthode, qui traitait toutes les cellules dendritiques comme un groupe unique, n'a pas réussi à détecter cette association car l'effet était dilué lorsqu'il était moyenné à travers l'ensemble de la population.

En regroupant les motifs de ces effets génétiques nouvellement découverts, les chercheurs ont trouvé des groupes distincts de gènes qui se comportaient différemment à mesure que les cellules changeaient d'état. Certains gènes montraient une influence génétique croissante à mesure que les cellules se dirigeaient vers un état de cellule dendritique conventionnelle, tandis que d'autres montraient une influence décroissante à mesure qu'elles se dirigeaient vers un état plasmacytoïde. Ces motifs s'alignaient sur des fonctions biologiques connues, telles que la présentation de l'antigène, confirmant que la méthode capturait une régulation biologique réelle plutôt que des artefacts statistiques. La capacité de voir ces changements continus et dépendants de l'état suggère que de nombreux variants génétiques n'agissent pas comme de simples interrupteurs on/off, mais comme des curseurs qui augmentent ou diminuent selon la condition actuelle de la cellule.

L'efficacité computationnelle de la méthode a également été une conclusion clé. Malgré la complexité de la modélisation de millions de cellules individuelles, l'algorithme a bien dimensionné, prenant environ le même temps que les méthodes pseudobulk plus simples lors de l'analyse de jeux de données typiques. Cette efficacité est obtenue en utilisant des raccourcis mathématiques qui réduisent la dimensionnalité du problème sans perdre la nuance des données de cellule unique. Cela signifie que la méthode peut être appliquée à des ensembles de données encore plus vastes et diversifiés à mesure qu'ils deviennent disponibles, sans nécessiter une puissance de calcul prohibitive.

L'étude conclut que bien que la nouvelle méthode présente des limites, telles que la difficulté de tester directement si un effet varie à travers les états ou la nécessité de choix prudents dans la définition de la coordonnée de l'état cellulaire, elle représente une avancée significative. Elle fournit un moyen rigoureux et évolutif de découvrir les couches cachées de la régulation génétique qui existent dans le paysage dynamique des cellules uniques. En allant au-delà de la vue statique des types de cellules et en embrassant la nature continue des états cellulaires, les chercheurs peuvent désormais cartographier l'architecture génétique du système immunitaire avec un niveau de détail qui était auparavant hors de portée. Les conclusions suggèrent que la régulation génétique de nos cellules est bien plus fluide et dépendante du contexte que ce qui était compris précédemment, ouvrant de nouvelles voies pour comprendre comment la variation génétique influence la santé et la maladie au niveau le plus fondamental.