La topologie des voisinages cellulaires guide l’identification des populations cellulaires rares

Pourquoi les petits groupes cellulaires comptent

Nos corps sont constitués d’immenses foules de cellules, mais certains acteurs les plus décisifs sont des types cellulaires rares ne représentant qu’une fraction minime du total. Ces cellules peu nombreuses peuvent favoriser la dissémination du cancer, façonner les maladies cérébrales ou coordonner les réponses immunitaires, et elles restent pourtant notoirement difficiles à repérer dans les cartographies cellulaires unicellulaires et spatiales modernes. Cette étude présente RareQ, une nouvelle approche computationnelle conçue pour identifier de façon fiable ces groupes cellulaires cachés, même dans des jeux de données énormes et complexes.

Chercher des motifs dans les voisinages cellulaires

Les méthodes traditionnelles regroupent généralement les cellules en regardant les gènes qu’elles expriment, puis en découpant les données en amas. Cela fonctionne bien pour les types cellulaires courants mais engloutit souvent les rares dans des groupes plus larges ou les traite comme du bruit. RareQ emprunte une voie différente. Plutôt que de se concentrer uniquement sur les niveaux d’expression, il examine la position de chaque cellule au sein d’un réseau de ses voisins les plus proches. Si une cellule et ses voisins immédiats sont fortement connectés entre eux mais faiblement liés au reste du réseau, RareQ signale ce voisinage comme particulier. Cette idée se traduit par une mesure appelée Q, qui reflète le degré de « clique » du voisinage local d’une cellule.

Transformer les cliques en groupes cellulaires significatifs

À partir du score Q, RareQ construit des groupes cellulaires étape par étape. Chaque cellule commence dans son propre petit amas, puis adopte progressivement le label du voisin de plus fort Q dans son voisinage restreint. En termes simples, les cliques fortement liées servent d’ancrages qui attirent les cellules similaires voisines. Après cette propagation d’étiquettes, la méthode vérifie quelles grappes résultantes sont fortement connectées en interne et seulement faiblement liées aux autres. Les grappes ayant une Q moyenne élevée sont considérées comme des populations rares candidates, tandis que les grappes plus faibles sont fusionnées pour former les types cellulaires majeurs. Ce processus permet à RareQ de séparer à la fois les communautés cellulaires grandes et petites sans nécessiter de connaissance préalable du nombre de types présents.

Tester RareQ sur de nombreux tissus

Les auteurs ont évalué RareQ sur des centaines de jeux de données simulés et réels, incluant des cellules sanguines, des cellules de l’épithélium des voies respiratoires, du tissu cérébral, des tumeurs et des cartes spatiales. Dans ces tests, RareQ a détecté plus précisément les types cellulaires rares que sept méthodes de référence, retrouvant souvent bien plus de populations rares avec une meilleure précision et sensibilité. Il s’est aussi montré plus rapide et moins gourmand en mémoire, analysant avec succès des jeux de données de plus d’un million de cellules là où certains outils concurrents échouaient. Pour des données multi-modales combinant activité génique, accessibilité de la chromatine ou protéines de surface, RareQ peut être appliqué à chaque couche séparément ou à des vues intégrées, révélant souvent des types cellulaires rares invisibles aux méthodes basées sur une seule modalité ou aux modèles profonds lourds.

Révéler les acteurs cachés en santé et en maladie

En appliquant RareQ à des problèmes biologiques spécifiques, l’étude montre comment ces groupes cellulaires cachés peuvent modifier notre compréhension des tissus. Dans les voies respiratoires, RareQ a retrouvé des cellules épithéliales rares connues et mis en évidence de nouveaux sous-ensembles liés à la division cellulaire, à la formation de cils et aux réponses antivirales. Dans le lymphome B et le cancer du rein, il a identifié des groupes rares immunitaires et associés aux tumeurs, y compris des cellules dendritiques présentant une forte activité des points de contrôle qui peuvent influencer la réponse à l’immunothérapie. Dans des échantillons cérébraux de patients atteints de la maladie d’Alzheimer, RareQ a mis en lumière des états rares de microglies et d’astrocytes enrichis chez les patients, avec des profils géniques liés à l’inflammation, à l’élimination des débris et à la gestion des protéines amyloïdes. Dans des jeux de données spatiales à haute résolution du cerveau de souris, il a détecté de petites populations anatomiquement précises, comme des sous-régions neuronales distinctes de l’hippocampe et des cellules épithéliales ciliées spécialisées du plexus choroïde, que d’autres méthodes avaient manquées ou confondues.

Ce que cela signifie pour les futures cartographies cellulaires

Pour un lecteur non spécialiste, le message principal est que RareQ offre une manière plus sensible et efficace de repérer les types cellulaires rares qui agissent souvent comme des boutons de réglage pour la maladie et le fonctionnement tissulaire. En mettant l’accent sur la façon dont les cellules sont connectées à leurs voisines plutôt que seulement sur les niveaux bruts d’expression génique, RareQ peut extraire de petits groupes cellulaires cohérents à partir de vastes collections de données. Cela rend les atlas cellulaires futurs plus complets et ouvre la voie à l’étude d’états cellulaires insaisissables qui pourraient devenir des cibles pour le diagnostic ou la thérapie.

Citation: Fa, B., Huang, C., Ma, Y. et al. Cell neighborhood topology directs rare cell population identification. Nat Commun 17, 4618 (2026). https://doi.org/10.1038/s41467-026-71180-x

Mots-clés: cellules rares, analyse unicellulaire, transcriptomique spatiale, réseaux cellulaires, biologie computationnelle