RamanOmics cartographie l'empreinte moléculaire des cellules sénescentes dans les tissus vieillissants
Une nouvelle plateforme multimodale identifie les cellules sénescentes sans marqueurs, reliant les signatures biochimiques lipidiques aux programmes transcriptionnels du vieillissement dans différents tissus.
Résumé
Des scientifiques de Harvard et du MIT ont développé RamanOmics, une plateforme d'imagerie sans marquage qui combine la spectroscopie Raman avec le séquençage de l'ARN à noyau unique et la transcriptomique spatiale pour caractériser les cellules sénescentes dans les tissus vieillissants. Appliquée aux poumons et à la peau de souris jeunes et âgées, cette plateforme a révélé que la sénescence présente un profil différent selon le tissu — dans les poumons, les cellules sénescentes sont principalement caractérisées par le remodelage de la matrice extracellulaire et la signalisation TGF-β, tandis que la sénescence cutanée implique des gènes de différenciation épidermique. Fait notable, un signal Raman conservé lié aux lipides, à 1 131–1 135 cm⁻¹, a été identifié dans tous les tissus, marquant les cellules sénescentes p21-positives. Un code-barres par apprentissage automatique, construit à partir de ces données multimodales, permet d'identifier les cellules sénescentes de manière non destructive dans des tissus intacts. Dans des modèles de cicatrisation, les mêmes gènes épidermiques et signatures lipidiques réapparaissent dans les cellules sénescentes, suggérant un rôle dans la réparation tissulaire. Cet outil pourrait transformer la façon dont les chercheurs étudient et ciblent la sénescence cellulaire.
Résumé détaillé
La sénescence cellulaire — l'état dans lequel des cellules cessent de se diviser mais résistent à la mort — est un moteur central du vieillissement et des maladies liées à l'âge. L'identification des cellules sénescentes dans les tissus vivants a historiquement nécessité des marqueurs moléculaires qui détruisent le tissu, limitant ainsi la possibilité d'étudier la sénescence de manière dynamique ou spatiale. Une nouvelle plateforme appelée RamanOmics, développée par des chercheurs du Massachusetts General Hospital, de la Harvard Medical School et du MIT, vise à résoudre ce problème.
RamanOmics intègre l'imagerie Raman hyperspectrale sans marquage avec le séquençage d'ARN à noyau unique et la transcriptomique spatiale. La spectroscopie Raman détecte les fréquences vibrationnelles des molécules dans les cellules sans coloration ni destruction de l'échantillon. En superposant cette lecture biochimique aux données transcriptomiques à résolution spatiale unicellulaire, la plateforme établit un lien entre l'aspect chimique d'une cellule et les gènes qu'elle exprime — ainsi que sa localisation dans le tissu.
Appliqué aux poumons et à la peau de souris jeunes et âgées, ce cadre a mis en évidence des programmes de sénescence spécifiques aux tissus. Les cellules sénescentes pulmonaires étaient enrichies en voies de remodelage de la matrice extracellulaire et en signalisation TGF-β, tandis que les cellules sénescentes cutanées étaient dominées par des gènes de différenciation épidermique, notamment Krt10, Lor et Sbsn. Malgré ces différences spécifiques aux tissus, une signature Raman conservée associée aux lipides, à 1 131–1 135 cm⁻¹, est apparue comme un marqueur universel des cellules sénescentes p21-positives dans les deux tissus.
À l'aide de l'apprentissage automatique, l'équipe a construit un code-barres moléculaire multimodal capable d'identifier les cellules sénescentes de manière non destructive in situ — une avancée potentielle vers la cartographie en temps réel de la sénescence dans des tissus intacts. Dans un modèle de cicatrisation chez la souris, les mêmes gènes de différenciation épidermique et signatures Raman lipidiques sont réapparus dans les cellules sénescentes, suggérant que la sénescence joue un rôle actif et dépendant du contexte dans la réparation tissulaire, plutôt qu'un rôle purement dégénératif.
Les implications cliniques sont considérables. Si cette plateforme peut être adaptée aux tissus humains, elle pourrait accélérer le développement de médicaments sénolytiques, améliorer la découverte de biomarqueurs pour la biologie du vieillissement et permettre des tests directs d'interventions anti-âge au niveau tissulaire. Les limites incluent la focalisation sur des modèles animaux et la disponibilité des données complètes sous forme de résumé uniquement.
Principales conclusions
- A conserved lipid Raman signal at 1,131–1,135 cm⁻¹ marks p21+ senescent cells across lung and skin tissue.
- Lung and skin senescent cells have distinct transcriptional programs — TGF-β versus epidermal differentiation genes.
- Machine learning built a multimodal barcode enabling nondestructive senescence identification in intact tissue.
- In wound healing, senescent cells reactivate epidermal differentiation genes, suggesting a repair function.
- RamanOmics integrates Raman imaging, single-nucleus RNA-seq, and spatial transcriptomics at single-cell resolution.
Méthodologie
RamanOmics a été appliqué à des tissus pulmonaires et cutanés de souris jeunes et âgées, combinant l'imagerie Raman hyperspectrale sans marquage avec le séquençage de l'ARN de noyaux isolés et la transcriptomique spatiale. Un modèle de cicatrisation cutanée chez la souris a également été utilisé pour examiner la dynamique de la sénescence au cours de la réparation tissulaire. L'apprentissage automatique a été appliqué aux données multimodales afin de générer un code-barres d'identification de la sénescence.
Limites de l'étude
Ce résumé est basé sur le seul résumé de l'article, car le texte intégral n'est pas en accès libre. Toutes les expériences ont été réalisées sur des souris, et la transposition à des tissus humains reste à démontrer. L'utilité clinique du code-barres de sénescence Raman dans le contexte des maladies humaines n'a pas encore été établie.
Ce résumé vous a plu ?
Recevez les dernières recherches sur la longévité dans votre boîte de réception chaque semaine.
Saisissez votre e-mail pour vous abonner :