Лист за преговор: Analyse de l'omics unicellulaire

Fiche de révision : Analyse de l'omics unicellulaire (scRNA-seq)

1. 📌 L'essentiel

• Le scRNA-seq permet d'analyser l'expression génétique à l’échelle individuelle.
• Il distingue la hétérogénéité cellulaire dans tissus et organes.
• La méthode repose sur la capture, l’amplification et le séquençage de l’ARN messager.
• La principale limitation du bulk est la moyenne des signaux, masquant la diversité.
• Les technologies principales incluent encapsulation en gouttelettes, barcodes et UMIs.
• La normalisation et le contrôle qualité sont essentiels pour l’analyse fiable.
• L’analyse dimensionnelle (PCA, clustering) identifie types et états cellulaires.
• Applications : atlas immunitaire, cancer, développement, biomarqueurs.
• Les enjeux futurs concernent le multi-omics, la spatialisation et l’IA.

2. 🧩 Structures & Composants clés

• Cellule — unité de base de la vie, avec fonction spécifique.
• ARN messager (ARNm) — porte l’information génétique, cible principale du séquençage.
• Nucleotides (dNTPs) — bases A, T, C, G, U, utilisés pour synthèse et séquençage.
• ddNTPs — bases modifiées pour arrêter la synthèse en Sanger.
• Technologies de séquençage — Illumina, barcodes, UMIs.
• Pipeline bioinformatique — démultiplexage, alignement, comptage, matrice de données.
• Contrôles qualité — détection doublets, cellules mortes, contamination mitochondriale.
• Analyse dimensionnelle — PCA, réduction de dimension, clustering.

3. 🔬 Fonctions, Mécanismes & Relations

• La capture de l’ARN individuel permet de mesurer l’expression de chaque gène par cellule.
• La synthèse d’ADN complémentaire (cDNA) est réalisée via la transcriptase.
• Les barcodes et UMIs identifient chaque cellule et chaque molécule d’ARN.
• La séquence obtenue est alignée sur le génome de référence.
• La normalisation ajuste pour la profondeur de séquençage et la qualité des cellules.
• La sélection HVGs cible les gènes à forte variance pour la réduction dimensionnelle.
• Les analyses PCA et clustering identifient des groupes cellulaires et états.
• Les applications cliniques exploitent cette hétérogénéité pour des biomarqueurs ou thérapies.

4. Tableau comparatif : Bulk vs Single-cell

Élément	Bulk	Single-cell	Notes
Résolution	Moyenne des signaux	Individuelle	Permet d’identifier sous-populations
Hétérogénéité	Masquée	Visible	Découverte de types rares, états continus
Quantité de données	Moins volumineux	Très volumineux	Nécessite bio-informatique avancée
Applications	Expression globale	Profil cellulaire précis	Atlas, biomarqueurs, hétérogénéité tumorale

5. 🗂️ Diagramme Hiérarchique (ASCII)

Analyse unicellulaire
 ├─ Séquençage
 │   ├─ Préparation library
 │   ├─ Capture ARN
 │   ├─ Amplification
 │   └─ Sequencing
 ├─ Analyse bioinformatique
 │   ├─ Démultiplexage
 │   ├─ Alignement
 │   ├─ Comptage UMI
 │   └─ Construction matrice
 ├─ QC & Normalisation
 │   ├─ Détection doublets
 │   ├─ Cellules mortes
 │   └─ Correction technique
 └─ Applications
     ├─ Immunologie
     ├─ Cancer
     ├─ Développement
     └─ Technologies futures

6. ⚠️ Pièges & Confusions fréquentes

• Confondre bulk et single-cell, notamment sur la résolution.
• Sous-estimer l’importance des contrôles qualité.
• Confondre les types d’ARN (mRNA, rRNA, tRNA) et leur proportion.
• Oublier la nécessité de normalisation pour comparer les données.
• Confusion entre barcodes et UMIs.
• Négliger l’impact des doublets ou cellules mortes sur l’analyse.
• Mal interpréter la réduction dimensionnelle (PCA, t-SNE, UMAP).
• Confondre séquençage de transcriptome et autres techniques multi-omics.

7. ✅ Checklist Examen Final

• Expliquer le principe de la capture et du séquençage en scRNA-seq.
• Connaître les principales étapes du pipeline bioinformatique.
• Savoir différencier bulk et single-cell.
• Identifier les composants clés : barcodes, UMIs, cDNA.
• Comprendre l’intérêt des HVGs dans l’analyse.
• Maîtriser les techniques de normalisation et QC.
• Savoir citer des applications cliniques du scRNA-seq.
• Connaître les technologies émergentes (CITE-seq, spatial transcriptomics).
• Être capable de représenter une hiérarchie ou un flux en ASCII.
• Connaître les limites et pièges courants de la méthode.
• Être capable d’interpréter un tableau comparatif entre techniques.
• Savoir expliquer l’impact de la résolution cellulaire sur la compréhension biologique.
• Connaître les enjeux futurs liés à l’intégration multi-omics et à l’IA.
• Savoir décrire un schéma simplifié du processus d’analyse.