# Le séquençage unicellulaire dévoile la diversité de l’ADN > Le séquençage unicellulaire mesure l’expression des gènes cellule par cellule, tandis que le deep learning analyse ses données complexes et hétérogènes. Type : Actualité IA · Catégorie : Tendances · Publié le 2026-08-25 · Signal IA - Order & Chaos · Secteur : Santé Source : https://www.orderchaos.eu/signal-ia/actu/lia-revele-la-diversite-cachee-des-cellules Tags : séquençage, deep learning, biologie, génomique, multimodal --- ## En résumé - Le séquençage unicellulaire représente chaque cellule par une ligne de données. - Les autoencodeurs réduisent la dimension des données tout en conservant leur hétérogénéité. - La transcriptomique spatiale préserve la position des cellules dans les tissus. **Le signal :** Le deep learning traite des milliers de gènes par cellule et distingue des populations cellulaires hétérogènes. **[Séquençage unicellulaire](/signal-ia/actu/deep-learning-et-sequencage-la-medecine-repensee)** mesure l’expression des gènes à l’échelle de chaque cellule. La méthode isole d’abord les cellules d’un tissu, puis extrait leur matériel génétique. Elle amplifie ensuite ce matériel et prépare une bibliothèque. Enfin, un séquenceur de nouvelle génération produit les données analysées. Le génome humain contient environ 3 milliards de paires de bases réparties sur 23 chromosomes. Il comprend environ 20 000 à 25 000 gènes codant des protéines. Ces gènes représentent environ 1 % du génome total. Le séquençage unicellulaire permet donc d’observer l’activité génétique de cellules individuelles, plutôt qu’une moyenne obtenue sur une population entière. [La source originale](https://thegradient.pub/deep-learning-for-single-cell-sequencing-a-microscope-to-uncover-the-rich-diversity-of-individual-cells/) présente cette évolution. **Données cellulaires** prennent la forme d’une matrice numérique. Chaque ligne correspond à une cellule identifiée par un code-barres unique. Chaque colonne correspond à un gène. Les valeurs indiquent le niveau d’expression de ce gène dans une cellule donnée. Les cellules d’un organisme partagent généralement le même ADN, mais elles n’activent pas les mêmes gènes. Une cellule immunitaire et une cellule cardiaque produisent ainsi des quantités différentes d’ARN et de [protéines](/signal-ia/actu/anthropic-montre-que-claude-concoit-des-proteines-fonctionnelles). L’ARN sert d’intermédiaire entre l’ADN et les protéines. Cette représentation permet d’examiner la diversité des profils cellulaires. Elle soutient aussi l’identification de sous-populations au sein d’un même échantillon biologique, selon leurs caractéristiques moléculaires observées cellule par cellule. En 2013, Nature a désigné le séquençage de l’ARN unicellulaire comme méthode de l’année, après un premier article publié en 2009. [Cette publication de référence](https://doi.org/10.1038/nmeth.2801) documente cette étape scientifique importante. ## Les atlas cartographient les cellules **Atlas cellulaire humain** vise à cartographier les cellules du corps humain. Le projet est présenté comme l’équivalent génétique du Human Genome Project. Aviv Regev, biologiste computationnelle et des systèmes au Broad Institute du MIT et de Harvard, le compare à Google Maps. Selon cette analogie, l’atlas permet d’examiner la position, les attributs internes et les relations entre les cellules. Le séquençage unicellulaire aide à étudier le développement, les changements cellulaires liés aux maladies et les réponses à différents traitements. Il peut également contribuer à identifier de nouveaux types cellulaires dans une population donnée. La base scRNA-tools recensait plus de 1 000 outils d’analyse en 2021, après son lancement en 2016. [La base scRNA-tools](https://doi.org/10.1186/s13059-021-02519-4) illustre l’ampleur de cet écosystème logiciel. **Données multimodales** combinent plusieurs niveaux d’information dans une même cellule. Cette approche peut mesurer le génome, l’épigénome et le protéome. Nature l’a désignée comme méthode de l’année 2019. L’intégration de ces modalités pose toutefois un problème de modélisation et de combinaison des jeux de données. Les méthodes d’apprentissage multi-vues recherchent des variations communes entre ces différentes mesures. Le [deep learning](/signal-ia/actu/nature-devoile-lia-qui-revele-la-diversite-cellulaire) intervient dans cette analyse des relations complexes entre modalités. Le séquençage de l’ARN conserve cependant une limite importante. L’isolement des cellules depuis leur tissu d’origine fait perdre leur information spatiale. La transcriptomique spatiale répond à cette contrainte en préservant les détails de position. Nature l’a reconnue comme méthode de l’année 2020. [Une synthèse consacrée à cette approche](https://doi.org/10.1093/bib/bbad313) décrit son rôle dans l’analyse des systèmes biologiques complexes. ## Les autoencodeurs réduisent la complexité **Deep learning cellulaire** traite des données présentant plusieurs difficultés simultanées. Le séquençage mesure l’expression de milliers de gènes pour chaque cellule. Les relations entre expressions géniques sont aussi non linéaires. Enfin, les échantillons contiennent des populations cellulaires diverses, avec des profils d’expression différents. Les modèles de deep learning peuvent apprendre automatiquement des caractéristiques pertinentes à partir des données. Cette approche évite de définir entièrement les variables à utiliser avec une stratégie conçue par des experts. Elle s’attaque également au bruit et à la rareté des données propres aux expériences de séquençage unicellulaire. Les modèles peuvent regrouper et caractériser des types cellulaires distincts. Ces résultats sont rapportés comme des capacités d’analyse, et non comme une garantie applicable à chaque expérience.