Découverte évolutive des motifs multicellulaires spatiaux via une transformation voisinage-vers-séquence

Trouver un ordre caché dans des tissus surpeuplés

Les microscopes modernes peuvent désormais capturer la position exacte et la composition moléculaire de millions de cellules dans une coupe de tissu. Mais repérer à l’œil les agencements cellulaires récurrents importants est presque impossible. Cette étude introduit une nouvelle façon d’explorer ces cartes massives et de découvrir automatiquement les petits « voisinages » répétés de cellules qui distinguent tissu sain et tissu malade, récupération et vieillissement, ou différentes zones d’un organe.

Des voisinages cellulaires à des séquences simples

Les auteurs présentent un cadre computationnel nommé FDPMining qui transforme le problème de lecture des tissus complexes en une tâche de fouille de données plus gérable. Plutôt que d’examiner les cellules une par une, la méthode construit une petite grille autour de chaque cellule et enregistre quels types cellulaires se trouvent dans chaque case adjacente. Une stratégie ingénieuse « Voisinage vers Séquence » convertit ensuite chaque grille en une liste unique de nombres qui préserve intégralement quels types cellulaires sont voisins et où ils se situent. Comme cette transformation est sans perte et réversible, l’ordinateur peut rechercher dans ces listes des combinaisons récurrentes puis reprojeter tout motif intéressant à sa position d’origine dans le tissu.

À la recherche de motifs fréquents et distinctifs

Une fois que chaque voisinage a été encodé, FDPMining cherche des agencements multicellulaires à la fois fréquents et fortement associés à une condition particulière, comme un état pathologique ou une région anatomique spécifique. Le cadre emprunte des outils à l’analyse des paniers d’achat, où des algorithmes apprennent quels produits sont souvent achetés ensemble. Ici, les « items » sont des types cellulaires à des emplacements précis dans la grille, et les « transactions » sont l’ensemble des voisinages d’un tissu. La méthode identifie des motifs qui apparaissent de manière répétée mais principalement dans une condition et rarement dans d’autres. Ces « motifs fréquents et distinctifs » peuvent ensuite être projetés sur la coupe de tissu, permettant aux chercheurs de voir facilement où ils se produisent et à quelles structures plus larges ils peuvent appartenir.

Tester l’approche sur de nombreux tissus

L’équipe a montré que FDPMining fonctionne avec un large éventail de technologies d’omics spatiales et de tissus, du cerveau humain à l’embryon de souris. Sur des données simulées, la méthode a détecté de subtiles réorganisations de couches cellulaires que d’autres outils avaient manquées, prouvant qu’elle peut reconnaître de fins déplacements dans l’architecture tissulaire locale. Dans le cerveau d’axolotl, elle a révélé des changements d’associations entre des neurones activés par la blessure et différents sous-types neuronaux au cours de la régénération, et elle a montré comment des sous-types spécifiques d’oligodendrocytes se réorganisent avec l’âge dans le cerveau de souris. Dans des échantillons de cancer colorectal, FDPMining a distingué des patients avec de meilleurs pronostics — dont les tumeurs contenaient des voisinages répétés riches en cellules B et en lymphocytes T auxiliaires — de patients dont les tumeurs étaient dominées par des voisinages de cellules myéloïdes associés à un environnement immunitaire plus suppressif.

Se focaliser sur des repères comme vaisseaux et plaques

Les auteurs ont également utilisé FDPMining pour se concentrer sur des repères clés à l’intérieur des tissus. Dans le foie de souris, ils ont étiqueté les voisinages selon leur proximité aux veines centrales ou portales et ont constaté que des sous-types d’hépatocytes et de cellules de soutien formaient des motifs caractéristiques autour de chaque type de vaisseau, rappelant le concept bien établi de zonation hépatique. Dans un modèle murin de la maladie d’Alzheimer, ils ont étiqueté les voisinages selon qu’ils étaient proches des plaques amyloïdes et mis au jour des combinaisons répétées de microglies, de neurones excitateurs et d’autres cellules gliales autour des plaques. Ces motifs centrés sur les plaques correspondaient aux arrangements connus en « cœur et enveloppe » et étaient en grande partie absents des tissus sains, soulignant leur lien étroit avec les microenvironnements de la maladie.

Pourquoi ces motifs cachés sont importants

En scannant systématiquement les tissus à la recherche de voisinages cellulaires répétés liés à des conditions ou des repères spécifiques, FDPMining offre un regard puissant sur la coopération cellulaire en santé et en maladie. Plutôt que de se contenter de délimiter de larges zones tissulaires, il identifie les petits blocs multicellulaires qui constituent ces zones et qui évoluent en réponse à une blessure, au vieillissement, au cancer ou à la neurodégénérescence. Pour les non-spécialistes, le message est qu’il existe une « grammaire » découvrable dans la manière dont les cellules s’organisent, et cette méthode aide à lire cette grammaire à grande échelle, ouvrant la voie à de nouveaux biomarqueurs spatiaux et à des connaissances biologiques enrichies.

Citation: Zhao, F., Wang, S., Wang, Z. et al. Scalable discovery of spatial multicellular patterns via neighborhood-to-sequence transformation. Commun Biol 9, 725 (2026). https://doi.org/10.1038/s42003-026-09923-1

Mots-clés: omics spatiales, voisinages cellulaires, microenvironnement tissulaire, fouille de motifs, maladie d’Alzheimer