Cell IO: a database linking single-cell transcriptomes to literature-derived knowledge of cell functions and perturbations

La biologie s'appuie depuis longtemps sur une question fondamentale : que fait réellement un type de cellule spécifique ? Pendant des décennies, les scientifiques pouvaient identifier une cellule par les gènes qu'elle porte ou les protéines à sa surface, un peu comme on reconnaît une personne par son badge nominatif. Mais connaître un nom n'explique pas le métier d'une personne, ses habitudes, ou la façon dont elle réagit lorsque le monde qui l'entoure change. Dans l'ère moderne de la biologie, les chercheurs peuvent désormais lire les instructions génétiques de cellules individuelles, créant de vastes bibliothèques de données qui montrent exactement quels gènes sont actifs dans une cellule unique à un moment précis. Ces bibliothèques se sont développées pour inclure des centaines de millions de cellules humaines, de souris et de rats. Cependant, la connaissance de ce que ces cellules accomplissent réellement — comment elles combattent les maladies, comment elles communiquent, ou ce qui se passe lorsqu'un gène est défectueux — reste éparpillée dans des milliers d'articles scientifiques, enfouie dans des textes que les ordinateurs ne peuvent pas lire facilement.

Un chercheur du centre RIKEN Center for Biosystems Dynamics Research au Japon a construit un pont entre ces deux mondes. Il a créé une nouvelle base de données publique appelée Cell IO, qui relie les données génétiques brutes de cellules individuelles directement aux connaissances écrites trouvées dans la littérature scientifique. En utilisant un langage commun pour décrire les types de cellules, le système permet à un scientifique de partir d'une liste de gènes et de voir instantanément ce que la communauté scientifique mondiale a écrit sur le comportement de cette cellule. Inversement, un chercheur lisant un article sur la fonction d'une cellule spécifique peut immédiatement trouver les données génétiques qui soutiennent ces affirmations. Cet outil ne se contente pas de stocker l'information ; il l'organise de sorte que le « quoi » de la composition génétique d'une cellule soit toujours associé au « comment » et au « pourquoi » de sa fonction, transformant une montagne de faits déconnectés en une carte navigable de la vie cellulaire.

Le projet a commencé en s'attaquant au volume massif de données génétiques disponibles dans les archives publiques. Le chercheur a rassemblé des séquences génétiques brutes provenant de plus de 65 000 expériences impliquant des cellules humaines, de souris et de rats. Ces expériences n'étaient pas uniformes ; elles provenaient de différents laboratoires, utilisaient différentes machines et étaient traitées de manières différentes. Pour les rendre comparables, il a fait passer chaque expérience par le même pipeline informatique. Ce processus consistait à nettoyer les données, à éliminer les erreurs et à regrouper les cellules similaires. Il a ensuite attribué un nom standard à chaque groupe de cellules en se basant sur un dictionnaire universel des types cellulaires, garantissant qu'un « lymphocyte T » dans une étude sur la souris soit reconnu comme le même type de cellule dans une étude humaine. Le résultat est une collection massive et organisée contenant près de 83 millions de cellules issues de près de 15 000 expériences, toutes traitées de la même manière afin de pouvoir être comparées directement.

Bien que les données génétiques fournissent la carte des cellules, le chercheur savait qu'il avait également besoin de l'histoire de ce que font ces cellules. Pour trouver cela, il s'est tourné vers la littérature scientifique. Il a collecté des centaines de milliers d'articles de recherche en libre accès et de revues de synthèse, en se concentrant sur le système immunitaire et le système nerveux. En utilisant des modèles informatiques avancés entraînés à lire et à comprendre le langage, il a extrait des énoncés spécifiques sur le comportement des cellules. Le système a appris à identifier les phrases où une cellule agit comme un agent, telle qu'une cellule qui tue un virus ou une cellule qui libère un signal chimique. Il a également recherché des découvertes liées aux perturbations géniques, qui sont des expériences où les scientifiques cassent ou modifient délibérément un gène pour voir comment la cellule réagit.

L'ordinateur ne s'est pas contenté de lire le texte ; il a vérifié les affirmations. Il a contrôlé les phrases pour s'assurer que la cellule était véritablement celle qui accomplissait l'action et non un simple spectateur. Il a ensuite traduit les noms spécifiques utilisés dans les articles dans le même dictionnaire standard utilisé pour les données génétiques. Cela a créé une seconde couche de connaissances contenant près de 900 000 affirmations distinctes sur les fonctions cellulaires. Certaines de ces affirmations proviennent d'articles de recherche originaux décrivant de nouvelles découvertes, tandis que d'autres proviennent d'articles de synthèse qui résument ce qui est déjà connu. Le système a également noté la force de la preuve, distinguant les affirmations fermement affirmées par l'auteur de celles qui sont simplement suggérées ou spéculatives.

La véritable puissance de Cell IO réside dans la façon dont ces deux couches se connectent. Parce que les données génétiques et les affirmations de la littérature utilisent les mêmes noms standards pour les types de cellules, la base de données peut les lier de manière fluide. Un utilisateur peut rechercher un type de cellule spécifique, tel qu'un lymphocyte T régulateur, et voir une page unique qui affiche à la fois les données génétiques et la littérature. D'un côté, la page affiche le nombre d'expériences ayant trouvé ce type de cellule et dans quels tissus il est le plus commun. De l'autre côté, elle liste les milliers de phrases issues d'articles scientifiques qui décrivent ce que fait cette cellule. L'interface permet à l'utilisateur de filtrer ces affirmations par type de preuve, par organisme ou par direction de l'effet, comme savoir si un changement génique a augmenté ou diminué l'activité d'une cellule.

Cette connexion révèle les lacunes de nos connaissances actuelles. La base de données montre que si certains types de cellules sont bien étudiés tant dans les données génétiques que dans la littérature, d'autres apparaissent fréquemment dans les expériences génétiques mais font l'objet de très peu de descriptions écrites sur leurs fonctions spécifiques. Par exemple, un certain type de cellule pinéale a été trouvé dans plus d'un million de cellules à travers des milliers d'expériences, pourtant la base de données ne contient que quatre affirmations écrites sur ce qu'elle fait. Inversement, certains types de cellules possèdent de nombreuses descriptions écrites mais manquent de données génétiques correspondantes dans la collection actuelle. En mettant en évidence ces décalages, l'outil aide les scientifiques à voir où leur compréhension est incomplète et où les recherches futures devraient être dirigées.

La base de données est librement accessible à toute personne disposant d'une connexion Internet, ne nécessitant ni inscription spéciale ni installation de logiciel. Elle est conçue pour être intuitive, permettant à un utilisateur de partir d'un nom de cellule, d'un type de tissu, ou même d'un gène spécifique et de naviguer vers les données et le texte pertinents. Le chercheur souligne que le système est un outil d'exploration plutôt qu'une autorité finale. Les affirmations sont extraites par machine et liées directement à leurs sources originales, permettant aux utilisateurs de vérifier l'information par eux-mêmes. Le chercheur reconnaît que la collection actuelle est limitée à des types d'expériences et d'organismes spécifiques, et que l'extraction automatisée du texte, bien qu'extrêmement précise, n'est pas parfaite. Cependant, en fournissant une vue unifiée de ce que les cellules sont et de ce qu'elles font, Cell IO offre une nouvelle façon de naviguer dans le paysage complexe de la biologie moderne, transformant des fragments de connaissances dispersés en un tout cohérent.