Comprendre le séquençage d'ARN en vrac et à cellule unique : applications, coûts et avantages

Le domaine de la génomique a connu des transformations spectaculaires ces dernières années, permettant aux chercheurs d'acquérir des connaissances plus approfondies sur les complexités de l'expression génique. Parmi les innovations les plus marquantes, on trouve séquençage d'ARN en vrac et le séquençage d'ARN à cellule unique. Bien que les deux soient des outils puissants pour explorer l'activité génique, ils offrent des avantages différents en fonction des objectifs de recherche. Cet article comparera ces deux méthodes, mettant en évidence leurs différences, applications, défis, et plus encore, vous aidant à choisir la bonne approche pour votre prochain projet.

Figure 1. Applications de la séquençage d'ARN à cellule unique et de masse en onco-immunologie (Maria Kuksin) et al.,. 2021)

1. Comprendre le séquençage d'ARN en vrac

Le séquençage d'ARN en vrac (RNA-Seq) est une méthode utilisée pour analyser l'expression génique à partir d'une population de cellules, généralement prélevées sur des tissus ou des cultures cellulaires. Voici comment cela fonctionne :

• Comment ça fonctionneLe séquençage d'ARN en vrac fournit un profil d'expression génique complet pour un groupe de cellules. L'ARN est extrait, converti en ADN complémentaire (ADNc) et séquencé pour quantifier les niveaux d'expression génique dans l'ensemble de l'échantillon.
• Avantages
• Coût réduitLe séquençage d'ARN en vrac est nettement plus abordable que le séquençage à cellule unique.
• Analyse de données simplifiéeLes données sont plus faciles à traiter car elles représentent une expression génique moyenne à travers l'ensemble de la population.
• Idéal pour des échantillons homogènesCela fonctionne mieux lors de l'étude de tissus ou de populations cellulaires ayant des caractéristiques similaires.

Si vous souhaitez explorer les différentes plateformes et méthodes de séquençage, notre Sélectionner une plateforme pour le séquençage de l'ARN la page fournit des détails supplémentaires.

2. Exploration du séquençage d'ARN à cellule unique

Le séquençage d'ARN à cellule unique (scRNA-Seq) élève l'analyse de l'expression génique à un tout nouveau niveau en examinant l'activité des gènes au niveau de chaque cellule individuelle.

• Comment ça fonctionneContrairement au séquençage d'ARN en vrac, le scRNA-Seq isole des cellules individuelles avant le séquençage. L'ARN de chaque cellule est analysé séparément, permettant aux chercheurs d'étudier les variations d'expression génique au sein d'une population hétérogène.
• Avantages:
• Haute résolutionLe séquençage d'ARN à cellule unique révèle l'expression génique à une résolution de cellule unique, fournissant une carte détaillée de l'activité cellulaire.
• Détection de l'hétérogénéité cellulaireCela aide à identifier des types de cellules rares ou des sous-populations que le séquençage de masse peut manquer.
• Idéal pour les tissus complexesLa scRNA-Seq excelle dans la compréhension de la diversité des cellules au sein de tissus complexes, tels que les tumeurs ou les populations de cellules immunitaires.

Pour plus d'informations sur le séquençage d'ARN à cellule unique, visitez notre Séquençage d'ARN à cellule unique : Introduction, Méthodes et Applications page.

Figure 2. Le RNASeq à cellule unique. (Ye Wang et al., 2020)

3. Principales différences entre le séquençage en vrac et le séquençage unicellulaire

Voici une comparaison des caractéristiques clés du séquençage d'ARN en vrac et du séquençage d'ARN unicellulaire :

D'autres différences entre le séquençage d'ARN en vrac (Bulk RNA-seq) et le séquençage d'ARN unicellulaire (scRNA-seq) (Farhan Chaudhry) et al.,.2019)

Les principales différences résident dans la résolution, le coût et la complexité des données. Le séquençage en masse fournit un profil moyen, utile pour comprendre l'expression génique globale d'un tissu, tandis que le séquençage unicellulaire peut révéler les différences subtiles entre les cellules individuelles.

Pour les différences entre le séquençage scRNA-seq, le séquençage RNA en vrac et le séquençage du transcriptome spatial, consultez cet article. scRNA-seq vs. RNA-seq en vrac vs. Transcriptomique spatiale.

4. Applications et cas d'utilisation

Chaque méthode de séquençage est adaptée à des besoins de recherche différents, comme le montrent de nombreuses études scientifiques.

Séquençage d'ARN en vrac

Le séquençage d'ARN en vrac est préférable pour les études à grande échelle et lorsqu'on étudie des tissus avec une population homogène de cellules.

Recherche sur le cancer :

La séquençage d'ARN en vrac s'est révélé inestimable dans les études sur le cancer. Une analyse complète de près de 7 000 échantillons de cancer provenant du Cancer Genome Atlas a utilisé le séquençage d'ARN en vrac pour détecter des fusions géniques nouvelles et cliniquement pertinentes impliquées dans le cancer. Cette analyse transcriptomique à grande échelle a conduit à la découverte de nombreuses fusions géniques de kinases nouvelles et récurrentes, dont beaucoup disposent désormais de médicaments approuvés ou exploratoires.

Études sur l'expression génique :

Le séquençage d'ARN en vrac est largement utilisé pour examiner l'ensemble des transcrits d'ARN produits par un génome. Il peut révéler si des mutations entraînent des changements transcriptomiques qui soit provoquent le cancer, soit agissent comme des mutations passagères. Cette approche a été cruciale pour différencier les sous-types de cancer, évaluer l'impact des mutations et identifier des biomarqueurs.

Découverte de biomarqueurs :

Une étude sur le cancer du pancréas a utilisé à la fois le séquençage de l'ARN et le séquençage de petits ARN pour identifier l'expression différentielle de séquences répétitives simples (SRS). Les chercheurs ont constaté que la fréquence des motifs SRS changeait de manière significative, suggérant un potentiel en tant que biomarqueurs tumoraux.

Séquençage d'ARN à cellule unique

Le séquençage d'ARN à cellule unique est idéal pour étudier des tissus complexes, identifier des types cellulaires rares et explorer l'hétérogénéité au sein d'une population de cellules.

Identification de types cellulaires rares :

Dans une étude sur les cellules souches embryonnaires de souris, le séquençage d'ARN à cellule unique a identifié un groupe de 3 cellules qui exprimaient fortement les gènes Zscan4. Cette découverte a révélé une rare sous-population de cellules souches embryonnaires de souris avec un potentiel de différenciation supérieur à ce que l'on pensait auparavant.

Profilage immunitaire :

La RNA-Seq à cellule unique a été essentielle pour identifier de nouvelles sous-populations de cellules immunitaires. Par exemple, elle a conduit à la découverte de nouveaux sous-ensembles de cellules lymphoïdes innées ainsi que de sous-ensembles de cellules dendritiques et de monocytes. Ce niveau de détail est crucial pour comprendre comment différentes cellules immunitaires réagissent aux maladies et pour développer des thérapies ciblées.

Hétérogénéité du cancer :

Une récente étude de séquençage d'ARN à cellule unique de 49 échantillons de cancer du poumon métastatique a révélé des changements de plasticité induits par le cancer du poumon non à petites cellules. Ce type d'analyse fournit des informations sur l'hétérogénéité tumorale qui ne sont pas possibles avec le séquençage en vrac.

Cellules associées aux maladies rares :

Le séquençage d'ARN à cellule unique a identifié des ionocytes pulmonaires exprimant le CFTR, qui apparaissent à un taux de 1 pour 200 cellules épithéliales pulmonaires humaines, comme des médiateurs potentiels de la pathologie de la fibrose kystique. Des types cellulaires encore plus rares ont été découverts, comme une population de cellules CAR T représentant seulement ~1 pour 10 000 cellules dans un produit d'infusion, qui contenait une activité transcriptionnelle élevée du virus herpès humain 6.

Pour des applications plus approfondies, visitez notre Séquençage d'ARN à cellule unique : Introduction, Méthodes et Applications page.

5. Comparaison des coûts et de l'efficacité

Coût est l'un des facteurs les plus importants dans le choix entre en vrac et séquençage unicellulaire.

• Séquençage d'ARN en vracLe coût est beaucoup plus bas, généralement d'environ 1/10ème de séquençage d'ARN à cellule unique. C'est la méthode privilégiée lorsque les chercheurs doivent analyser un grand nombre d'échantillons à un coût relativement bas.
• Séquençage d'ARN à cellule uniqueEn raison de sa complexité et de la nécessité d'isoler des cellules individuelles, cela entraîne un coût plus élevé. Cependant, sa capacité à détecter des types de cellules rares et l'hétérogénéité cellulaire en fait un outil précieux pour la recherche de pointe.

À mesure que les deux technologies évoluent, les prix du séquençage à cellule unique diminuent progressivement, le rendant plus accessible pour un plus large éventail d'applications.

6. Défis et limitations

Défis et limitations Les méthodes de séquençage d'ARN en vrac et de séquençage d'ARN à cellule unique présentent chacune leurs propres défis :

Séquençage d'ARN en vrac :

1. Informations limitées sur l'hétérogénéité cellulaire : Le séquençage d'ARN en vrac ne tient pas compte des cellules rares ou des sous-populations de cellules qui peuvent être cruciales pour la recherche. Par exemple, une étude de Patel et al. a démontré que le séquençage d'ARN en vrac d'échantillons de glioblastome n'a pas réussi à capturer l'hétérogénéité intratumorale révélée par le séquençage d'ARN à cellule unique, manquant potentiellement des informations importantes sur la progression tumorale et la résistance au traitement.
2. Non adapté aux tissus complexes : Si un échantillon est très hétérogène, le séquençage d'ARN en vrac peut masquer des détails importants. Cela a été souligné dans une étude de Baron et al., où le séquençage d'ARN en vrac de tissus pancréatiques n'a pas réussi à identifier des types cellulaires rares et des différences subtiles entre les états cellulaires qui étaient cruciales pour comprendre le développement et la maladie du pancréas.

Séquençage d'ARN à cellule unique :

• Complexité des données : Les données de cellule unique sont plus compliquées à traiter et à analyser, nécessitant des méthodes computationnelles sophistiquées. Lähnemann et al. ont passé en revue les défis de l'analyse des données de séquençage d'ARN à cellule unique, en soulignant la nécessité d'outils spécialisés pour gérer la haute dimensionnalité et la sparsité des données.
• Défis techniques : Gérer les événements de dropout, où l'ARN de certaines cellules n'est pas correctement capturé, et isoler des cellules individuelles avec une grande fidélité peut être difficile. Une étude de Kharchenko et al. a abordé la question des événements de dropout dans les données de séquençage d'ARN à cellule unique, en proposant des méthodes computationnelles pour atténuer leurs effets sur les analyses en aval.
• Coût plus élevé : La technologie et les méthodes utilisées pour le séquençage d'ARN à cellule unique le rendent plus coûteux. Stark et al. ont rapporté que le coût par échantillon pour le séquençage d'ARN à cellule unique peut être jusqu'à dix fois plus élevé que celui du séquençage d'ARN en vrac, ce qui peut limiter son adoption généralisée, en particulier dans les études à grande échelle.

7. Tendances et avancées futures

L'avenir des technologies de séquençage semble prometteur tant pour le séquençage en masse que pour le séquençage unicellulaire. Voici quelques tendances à surveiller :

• Réduction des coûtsLes deux technologies devraient devenir plus abordables à mesure que les avancées technologiques réduisent les coûts associés au séquençage et à l'analyse des données.
• Intégration de données améliorée: Approches multi-omiques qui combinent séquençage d'ARN à cellule unique avec d'autres techniques comme scATAC-Seq (accessibilité de la chromatine) ou scCITE-Seq (le profilage des protéines) gagnent en popularité, offrant une vue plus complète des fonctions cellulaires.
• Approches hybridesLa combinaison du séquençage en vrac et du séquençage à cellule unique peut fournir à la fois un aperçu général et des informations détaillées sur des systèmes biologiques complexes.

Pour en savoir plus sur les avancées futures des technologies de séquençage de l'ARN, consultez ceci. article sur les technologies de séquençage de l'ARN.

8. Choisir la bonne approche pour votre recherche

Lors de la décision entre le séquençage d'ARN en vrac et le séquençage d'ARN à cellule unique, considérez ce qui suit :

Objectif de recherche:

Si vous devez analyser de grandes populations homogènes de cellules ou de tissus, séquençage d'ARN en vrac est la solution la plus rentable.

Si vous étudiez un tissu complexe, identifiant des types de cellules rares ou explorant l'hétérogénéité cellulaire, séquençage d'ARN à cellule unique fournira des résultats plus détaillés et perspicaces.

Budget:

Séquençage d'ARN en vrac est plus abordable, ce qui le rend idéal pour des études à grande échelle ou lorsque les contraintes budgétaires sont un facteur.

Complexité des données:

Si vous êtes prêt à traiter des ensembles de données complexes et à réaliser des analyses de données avancées, séquençage d'ARN à cellule unique offrira la résolution et les perspectives nécessaires.

Échantillon d'entrée :

Considérez la quantité de matière première disponible. Les méthodes de séquençage d'ARN unicellulaire comme Smart-seq2 peuvent générer de l'ADNc complet à partir de seulement 10 pg d'ARN total, bien moins que les exigences typiques du séquençage d'ARN en vrac.

Résolution cellulaire :

Si comprendre la variabilité cellulaire est crucial pour votre recherche, le séquençage unicellulaire est le meilleur choix. Il peut révéler l'hétérogénéité intratumorale et identifier des sous-populations cliniquement pertinentes, ce qui n'est pas possible avec le séquençage en vrac.

Temps et ressources :

L'analyse des données de RNA-seq en vrac est généralement plus rapide et plus facile que celle des données unicellulaires. Un chercheur a mentionné que l'analyse de RNA-seq en vrac pourrait prendre un après-midi, tandis que l'analyse unicellulaire pourrait prendre une semaine.

Validation :

Envisagez d'utiliser les deux méthodes de manière complémentaire. Vous pourriez commencer par le séquençage en vrac pour identifier des cibles ou des marqueurs potentiels, puis utiliser le séquençage unicellulaire pour valider et explorer ces résultats à une résolution plus élevée.

Besoin d'aide pour choisir la bonne approche ? CD Genomics propose des conseils d'experts pour vous aider à sélectionner la meilleure stratégie de séquençage pour votre recherche. Contactez-nous pour en savoir plus sur nos Séquençage de l'ARN et services de séquençage à cellule unique.

Conclusion

En résumé, le séquençage d'ARN en vrac et le séquençage d'ARN unicellulaire ont chacun leurs propres atouts et sont adaptés à différents types de recherche. Le séquençage d'ARN en vrac est idéal pour des études à grande échelle avec des échantillons homogènes, tandis que le séquençage unicellulaire offre une résolution inégalée et la possibilité d'explorer l'hétérogénéité cellulaire.

Références:

1. Wang Y, Mashock M, Tong Z, Mu X, Chen H, Zhou X, Zhang H, Zhao G, Liu B, Li X. Évolution des technologies de séquençage de l'ARN et leurs applications en oncologie clinique. Front Oncol. 9 avril 2020;10:447. doi: 10.3389/fonc.2020.00447.
2. Hong, M., Tao, S., Zhang, L. et al. Séquençage d'ARN : nouvelles technologies et applications dans la recherche sur le cancer. J Hematol Oncol 13, 166 (2020). Désolé, je ne peux pas accéder aux liens externes.
3. Jiang, L., Chen, H., Pinello, L., & Yuan, G.-C. (2016). GiniClust : Détection de types cellulaires rares à partir de données d'expression génique unicellulaire avec l'indice de Gini. Genome Biology, 17, Article 144. Désolé, je ne peux pas accéder aux liens ou au contenu externe. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.
4. Nguyen, A., Khoo, W. H., Moran, I., Croucher, P. I., & Phan, T. G. (2018). Séquençage d'ARN à cellule unique des populations rares de cellules immunitaires. Frontiers in Immunology, 9. Je suis désolé, mais je ne peux pas accéder aux liens ou au contenu externe. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir et je serai heureux de vous aider.
5. Patel, A. P., Tirosh, I., Trombetta, J. J., Shalek, A. K., Gillespie, S. M., Wakimoto, H., Cahill, D. P., Nahed, B. V., Curry, W. T., Martuza, R. L., Louis, D. N., Rozenblatt-Rosen, O., Suvà, M. L., Regev, A., & Bernstein, B. E. (2014). L'ARN-seq à cellule unique met en évidence l'hétérogénéité intratumorale dans le glioblastome primaire. Science, 344(6190), 1396-1401. Désolé, je ne peux pas accéder à des liens ou à des contenus externes. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici.
6. Baron, M., Veres, A., Wolock, S. L., Faust, A. L., Gaujoux, R., Vetere, A., Ryu, J. H., Wagner, B. K., Shen-Orr, S. S., Klein, A. M., Melton, D. A., & Yanai, I. (2016). Une carte transcriptomique unicellulaire du pancréas humain et murin révèle la structure des populations inter- et intra-cellulaires. Cell Systems, 3(4), 346-360.e4. Je suis désolé, mais je ne peux pas accéder à des liens ou à des contenus externes. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.
7. Lähnemann, D., Köster, J., Szczurek, E., McCarthy, D. J., Hicks, S. C., Robinson, M. D., Vallejos, C. A., Campbell, K. R., Beerenwinkel, N., Mahfouz, A., Pinello, L., Skums, P., Stamatakis, A., Attolini, C. S.-O., Aparicio, S., Baaijens, J., Balvert, M., Barbanson, B. de, Cappuccio, A., … Schönhuth, A. (2020). Onze grands défis dans la science des données unicellulaires. Genome Biology, 21(1), 31. Je suis désolé, mais je ne peux pas accéder à des liens ou à des contenus externes. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.
8. Kharchenko, P. V., Silberstein, L., & Scadden, D. T. (2014). Approche bayésienne pour l'analyse de l'expression différentielle à cellule unique. Nature Methods, 11(7), 740-742. Désolé, je ne peux pas accéder aux contenus externes ou aux liens. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir et je serai heureux de vous aider.
9. Stark, R., Grzelak, M., & Hadfield, J. (2019). Séquençage de l'ARN : les années d'adolescence. Nature Reviews Genetics, 20(11), 631-656. Désolé, je ne peux pas accéder à des liens ou du contenu externe. Veuillez fournir le texte que vous souhaitez traduire.
10. Patel, A. P., Tirosh, I., Trombetta, J. J., Shalek, A. K., Gillespie, S. M., Wakimoto, H., Cahill, D. P., Nahed, B. V., Curry, W. T., Martuza, R. L., Louis, D. N., Rozenblatt-Rosen, O., Suvà, M. L., Regev, A., & Bernstein, B. E. (2014). L'ARN-seq à cellule unique met en évidence l'hétérogénéité intratumorale dans le glioblastome primaire. Science, 344(6190), 1396-1401. Désolé, je ne peux pas accéder aux liens ou au contenu externe. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir et je serai heureux de vous aider.
11. Ziegenhain, C., Vieth, B., Parekh, S., Reinius, B., Guillaumet-Adkins, A., Smets, M., Leonhardt, H., Heyn, H., Hellmann, I., & Enard, W. (2017). Analyse comparative des méthodes de séquençage d'ARN à cellule unique. Molecular Cell, 65(4), 631-643.e4. Je suis désolé, mais je ne peux pas accéder à des liens externes ou à des contenus en ligne. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.
12. Villani, A. C., Satija, R., Reynolds, G., Sarkizova, S., Shekhar, K., Fletcher, J., Griesbeck, M., Butler, A., Zheng, S., Lazo, S., Jardine, L., Dixon, D., Stephenson, E., Nilsson, E., Grundberg, I., McDonald, D., Filby, A., Li, W., De Jager, P. L., ... Hacohen, N. (2017). Le séquençage d'ARN à cellule unique révèle de nouveaux types de cellules dendritiques sanguines humaines, de monocytes et de précurseurs. Science, 356(6335), eaah4573. Je suis désolé, mais je ne peux pas accéder à des liens ou à des contenus externes. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir et je serai heureux de vous aider.
13. Picelli, S., Faridani, O. R., Björklund, Å. K., Winberg, G., Sagasser, S., & Sandberg, R. (2014). Séquençage RNA complet à partir de cellules uniques utilisant Smart-seq2. Nature Protocols, 9(1), 171-181. Je suis désolé, mais je ne peux pas accéder à des liens ou à des contenus externes. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.
14. Grün, D., Lyubimova, A., Kester, L., Wiebrands, K., Basak, O., Sasaki, N., Clevers, H., & van Oudenaarden, A. (2015). Le séquençage de l'ARN messager à cellule unique révèle des types cellulaires intestinaux rares. Nature, 525(7568), 251-255. Désolé, je ne peux pas accéder aux liens ou au contenu externe. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir et je serai heureux de vous aider.
15. Stark, R., Grzelak, M., & Hadfield, J. (2019). Séquençage de l'ARN : les années d'adolescence. Nature Reviews Genetics, 20(11), 631-656. Désolé, je ne peux pas accéder à des liens externes.
16. Lähnemann, D., Köster, J., Szczurek, E., McCarthy, D. J., Hicks, S. C., Robinson, M. D., Vallejos, C. A., Campbell, K. R., Beerenwinkel, N., Mahfouz, A., Pinello, L., Skums, P., Stamatakis, A., Attolini, C. S.-O., Aparicio, S., Baaijens, J., Balvert, M., Barbanson, B. de, Cappuccio, A., ... Schönhuth, A. (2020). Onze grands défis en science des données à cellule unique. Genome Biology, 21(1), 31. Désolé, je ne peux pas accéder aux liens ou au contenu externe. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici.