# Le séquençage unicellulaire décortique la vie cellulaire > Le séquençage unicellulaire et le deep learning détaillent l’expression des gènes cellule par cellule, jusqu’à intégrer génome, épigénome et protéome. Type : Actualité IA · Catégorie : Outils · Publié le 2026-08-14 · Signal IA - Order & Chaos Source : https://www.orderchaos.eu/signal-ia/actu/le-deep-learning-aide-a-lire-la-diversite-cellulaire Tags : deep learning, séquençage unicellulaire, human cell atlas, scrna-seq, transcriptomique, multimodal --- ## En résumé - Le séquençage unicellulaire représente les niveaux d’expression des gènes dans une matrice où chaque ligne correspond à une cellule et chaque colonne à un gène. - La base scRNA-tools recensait plus de 1 000 outils d’analyse de données d’ARN unicellulaire en 2021. - Les approches multimodales mesurent plusieurs dimensions d’une même cellule, mais l’isolement cellulaire entraîne une perte d’information spatiale. **Le signal :** En 2021, scRNA-tools recensait plus de 1 000 outils d’analyse du séquençage unicellulaire. Le génome humain contient 3 milliards de paires de bases réparties sur 23 chromosomes. Pourtant, les cellules d’un même organisme, qui partagent presque toutes le même ADN, n’ont pas la même activité biologique. La différence tient notamment aux régulateurs qui contrôlent l’expression des gènes. Parmi les 20 000 à 25 000 gènes humains, environ 1 % seulement correspond à de l’ADN codant pour des protéines. Pour étudier précisément cette activité, le séquençage unicellulaire fournit une lecture cellule par cellule. ## Le séquençage décrit chaque cellule La cellule utilise trois niveaux d’information génétique : l’ADN, l’ARN et les protéines. L’ADN est d’abord transcrit en ARN, puis l’ARN est traduit en protéine. Comme les types cellulaires se distinguent par les quantités et les catégories de molécules produites, mesurer l’ARN à l’échelle individuelle permet d’observer quels gènes sont actifs dans chaque cellule. Une cellule immunitaire et une cellule cardiaque peuvent ainsi partager leur ADN tout en activant des ensembles de gènes différents. Les technologies de séquençage unicellulaire suivent trois grandes étapes : isoler les cellules du tissu étudié et extraire leur matériel génétique, amplifier ce matériel et préparer une bibliothèque, puis séquencer cette bibliothèque avec un séquenceur de nouvelle génération avant d’analyser les données. Celles-ci prennent généralement la forme d’une matrice : chaque ligne représente une cellule identifiée par un code-barres unique et chaque colonne un gène. Les valeurs indiquent le niveau d’expression des gènes dans les cellules séquencées. ## Le deep learning exploite ces matrices En 2013, Nature a désigné le séquençage de l’ARN unicellulaire comme « Method of the Year ». Depuis, les outils d’analyse se sont multipliés. La base scRNA-tools, qui recense ces logiciels depuis 2016, en comptait plus de 1 000 en 2021. Une partie de ces méthodes s’appuie sur le deep learning, présenté comme un facteur clé du développement des technologies de séquençage unicellulaire. Cette évolution s’inscrit dans l’objectif du Human Cell Atlas Project, décrit comme l’équivalent génétique du Human Genome Project. Ce projet international cherche à cartographier les cellules du corps humain et à les classer selon leurs propriétés. Le séquençage unicellulaire analyse des cellules individuelles plutôt que des populations mélangées, ce qui permet d’étudier les processus de développement, les changements cellulaires ou génétiques associés à des traitements ou à des maladies, ainsi que l’identification de nouveaux types cellulaires. Le séquençage de l’ARN a d’abord occupé une place centrale, notamment parce qu’il était plus simple et moins coûteux à mesurer. Une nouvelle étape est ensuite apparue avec l’intégration de données unicellulaires multimodales, désignée « Method of the Year 2019 » par Nature. Elle permet de mesurer dans une même cellule plusieurs modalités, dont le génome, l’épigénome et le protéome. Les approches de multi-view learning, combinées à des techniques de deep learning, cherchent à modéliser et à relier ces jeux de données. Un défi demeure toutefois : l’isolement des cellules fait perdre leur information spatiale lors du profilage transcriptomique, une limite qui ouvre la voie aux approches de transcriptomique spatialement résolue.