Le séquençage de l’ARN a transformé la biologie moléculaire : mesurer l’ensemble des transcrits d’un échantillon donne accès, en une seule expérience, à l’activité de milliers de gènes. Mais sous l’expression générique « séquencer l’ARN » se cachent en réalité deux approches très différentes, qui ne répondent pas aux mêmes questions. Le RNA-seq « bulk » mesure une moyenne sur l’ensemble des cellules d’un échantillon ; le séquençage en cellule unique (single-cell RNA-seq, ou scRNA-seq) mesure l’expression cellule par cellule. Choisir entre les deux , ou décider de les combiner, est l’une des premières décisions structurantes d’un projet de transcriptomique. Cet article propose une grille de décision claire, sans parti pris pour l’une ou l’autre : la bonne approche n’est pas « la plus récente », c’est celle qui répond à votre question biologique.
Deux façons de lire le transcriptome
L’opposition tient en une image. Le RNA-seq bulk revient à broyer un échantillon (un fragment de tissu, une culture cellulaire) et à mesurer l’expression de chaque gène moyennée sur toutes les cellules présentes. Le résultat est une valeur par gène pour l’échantillon entier : robuste, mais globale. Le single-cell, lui, dissocie l’échantillon en cellules individuelles et mesure l’expression dans chaque cellule séparément. Là où le bulk produit un chiffre, le single-cell produit des milliers de profils, un par cellule.
Techniquement, cette différence de résolution se paie dès la préparation des librairies. Le single-cell repose sur deux grandes catégories de méthodes : les approches microfluidiques en gouttelettes (droplet-based, dont la plateforme 10x Genomics Chromium est la plus répandue), qui capturent des milliers de cellules à moindre coût mais séquencent surtout l’extrémité 3′ des transcrits, et les approches en plaque (plate-based, comme Smart-seq2), plus coûteuses par cellule mais offrant une couverture sur toute la longueur du transcrit — utile pour étudier les isoformes d’épissage. Un ingrédient clé du single-cell moderne est l’usage d’identifiants moléculaires uniques (UMI) : chaque molécule d’ARN est marquée d’un code-barres avant amplification, ce qui permet de compter les molécules d’origine plutôt que leurs copies PCR et de corriger ainsi les biais d’amplification.
Ce que le bulk fait bien , et ses angles morts
Le RNA-seq bulk est une technique mature, robuste et éprouvée. Ses atouts sont réels et ne disparaissent pas avec l’arrivée du single-cell. Il est relativement peu coûteux, ce qui le rend adapté aux grandes cohortes de patients ou d’échantillons. Il offre une grande profondeur de séquençage : en cumulant le signal de toutes les cellules, il quantifie l’expression avec précision, y compris pour des gènes faiblement exprimés au sein de la population. En pratique, une profondeur de 20 à 30 millions de reads par échantillon suffit pour une analyse d’expression différentielle chez l’humain (les recommandations ENCODE citent 30 millions), sachant que le gain en gènes détectés plafonne au-delà d’une dizaine de millions : passé ce seuil, il est plus rentable d’augmenter le nombre de réplicats biologiques que la profondeur. Le bulk se prête particulièrement bien aux analyses différentielles classiques — comparer une condition traitée à une condition témoin, identifier les gènes dérégulés, réaliser des analyses d’enrichissement de voies biologiques. Et il tolère mieux le matériel dégradé ou fixé, souvent seul disponible en contexte clinique.
Son angle mort est la contrepartie directe de sa force : la moyenne masque l’hétérogénéité. Un échantillon n’est presque jamais une population homogène de cellules identiques ; c’est un mélange de types cellulaires, chacun dans un état particulier. Le bulk additionne tout cela en un seul profil. Deux échantillons de composition cellulaire très différente peuvent ainsi produire un profil moyen presque identique, et surtout, le bulk ne dit jamais quelle cellule exprime quel gène. Si la question porte sur la composition d’un tissu ou sur le comportement d’une population cellulaire précise, l’information est, par construction, hors de portée.
Ce que le single-cell révèle , et ce qu’il coûte
Le single-cell a été conçu pour lever exactement cet angle mort. En mesurant l’expression cellule par cellule, il révèle l’hétérogénéité cachée dans un échantillon : il identifie les différents types cellulaires présents, découvre des sous-populations parfois insoupçonnées, détecte des états cellulaires rares, et permet de reconstruire des trajectoires de différenciation — l’ordre dans lequel les cellules passent d’un état à un autre. Là où le bulk donne une photographie moyenne, le single-cell dresse une carte détaillée de la diversité cellulaire.
Cette richesse a un prix, au sens propre comme au figuré. Le single-cell est plus coûteux, ce qui limite le nombre d’échantillons que l’on peut traiter ; une expérience typique capture quelques milliers à une dizaine de milliers de cellules, avec une profondeur de l’ordre de plusieurs dizaines de milliers de reads par cellule (10x Genomics recommande au moins 50 000 paires de reads par cellule pour l’expression génique). Le budget de séquençage impose d’ailleurs un arbitrage constant entre profondeur par cellule et nombre de cellules : au-delà d’environ 15 000 reads par cellule, capturer davantage de cellules devient souvent plus informatif que séquencer plus profondément. Le single-cell impose aussi une dissociation du tissu en cellules isolées, une étape qui détruit l’organisation spatiale et peut introduire des biais — certaines cellules fragiles sont perdues, d’autres réagissent à la dissociation elle-même ; pour les tissus difficiles à dissocier, on se rabat sur le séquençage de noyaux isolés (snRNA-seq). Les données produites sont enfin plus « creuses » : pour chaque cellule, de nombreux gènes apparaissent à zéro faute d’avoir été capturés (le phénomène de dropout), sans qu’ils soient réellement éteints. Le volume et la complexité de ces données exigent une chaîne d’analyse bio-informatique nettement plus lourde que pour le bulk.
La question qui tranche : de quoi avez-vous besoin ?
Le choix ne se joue pas sur les performances abstraites d’une technique, mais sur l’adéquation entre l’outil et la question. Quelques questions simples suffisent le plus souvent à trancher.
Premièrement, cherchez-vous une différence globale entre deux conditions — par exemple l’effet d’un traitement sur un tissu ? Si oui, le bulk est généralement le bon choix : robuste, économique, directement adapté à l’analyse différentielle. Deuxièmement, cherchez-vous à savoir quelles cellules portent un signal, ou à caractériser une sous-population particulière ? C’est le terrain du single-cell. Troisièmement, votre échantillon contient-il des cellules rares ou un mélange hétérogène à démêler ? Là encore, le single-cell est indispensable, car la moyenne du bulk noierait le signal rare. Quatrièmement, êtes-vous contraint par le budget, par la taille d’une grande cohorte ou par du matériel dégradé ? Ces contraintes pratiques ramènent souvent, légitimement, vers le bulk.
Souvent, la vraie réponse est « les deux »
Opposer frontalement les deux approches est en réalité un faux dilemme. Selon la question, on choisit l’une, l’autre, ou , de plus en plus souvent, on les combine : le bulk pour la vue d’ensemble et la puissance statistique sur de grandes cohortes, le single-cell pour disséquer les mécanismes cellulaires. Trois exemples issus de travaux auxquels Inovarion a contribué éclairent ces situations.
Dans une étude publiée dans le Journal of Clinical Investigation en 2024 portant sur la leucémie myélomonocytaire chronique, plusieurs approches ont été combinées. Une population de granulocytes immatures, repérée par cytométrie en flux, s’est révélée un facteur de mauvais pronostic ; le séquençage en cellule unique a établi que ces cellules appartenaient au clone leucémique et en a décrit l’architecture clonale, tandis que le RNA-seq , bulk et single-cell, a mis en évidence leur statut pro-inflammatoire et le rôle central de la cytokine CXCL8 [4]. La combinaison des méthodes raconte ici une histoire qu’aucune, seule, n’aurait livrée : la cytométrie repère la population, le single-cell la resitue dans le clone, le séquençage éclaire son activité.
Le second exemple montre ce que le single-cell seul rend visible là où le bulk resterait aveugle. Dans une étude publiée dans Cell en 2021 sur la réponse des lymphocytes B mémoire à l’infection par le SARS-CoV-2, le profilage en cellule unique couplé à l’analyse du répertoire des récepteurs (BCR) a permis de suivre, dans le temps, la maturation de clones B individuels sur plusieurs mois [5]. Cette dynamique clonale (quels clones émergent, mutent, persistent) est par nature inaccessible au bulk, qui n’aurait livré qu’une moyenne figée d’une population en pleine évolution.
Entre les deux mondes existe enfin un pont analytique : la déconvolution. À partir de signatures d’expression établies en single-cell, des méthodes computationnelles estiment les proportions des différents types cellulaires présents dans un échantillon bulk [3] — une façon de récupérer une part de l’information cellulaire à partir de données moins coûteuses, précieuse pour réanalyser de grandes cohortes existantes. C’est également sur une déconvolution que reposent certaines approches de transcriptomique spatiale, qui préservent la localisation des cellules dans le tissu ; Inovarion a contribué à de tels travaux, de l’épileptogenèse [6] à la dermatomyosite juvénile [7].
Le nerf de la guerre : l’analyse bio-informatique
Un point est souvent sous-estimé au moment de concevoir un projet : dans les deux cas, la valeur des résultats est déterminée par l’analyse, bien plus que par le séquençage lui-même. Le séquenceur produit des données brutes ; c’est le traitement bio-informatique qui les transforme en connaissance biologique.
Pour le bulk, la chaîne comprend l’alignement ou le pseudo-alignement des lectures (avec des outils comme STAR, Salmon ou kallisto), la quantification de l’expression, la normalisation, l’analyse différentielle (typiquement avec DESeq2 ou edgeR) et l’analyse d’enrichissement fonctionnel. Pour le single-cell, elle est sensiblement plus longue : génération de la matrice cellules × gènes (par exemple avec Cell Ranger pour les données 10x), contrôle qualité et filtrage des cellules mortes ou des doublets, normalisation adaptée à la rareté des données, réduction de dimension (PCA puis UMAP), regroupement des cellules en populations (clustering par les algorithmes de Leiden ou Louvain), annotation des types cellulaires, et, selon les cas, inférence de trajectoires de différenciation — l’ensemble étant orchestré dans des écosystèmes comme Seurat (R) ou Scanpy (Python). À chaque étape, des choix méthodologiques influencent le résultat final. C’est cette double compétence , maîtrise de la paillasse et de l’analyse computationnelle, qui conditionne la fiabilité d’un projet de transcriptomique, et elle est au cœur du métier d’Inovarion.
Comment Inovarion peut vous accompagner
Inovarion accompagne les projets de transcriptomique à chaque étape, en commençant par la plus déterminante : le choix de l’approche adaptée à votre question. Nos équipes interviennent sur le RNA-seq bulk, le single-cell et leurs approches spatiales, ainsi que sur leur combinaison, depuis la conception expérimentale jusqu’à l’analyse bio-informatique complète. Qu’il s’agisse de comparer des conditions sur une cohorte, de disséquer l’hétérogénéité d’un tissu ou de tirer parti des deux à la fois, l’enjeu est toujours le même : faire correspondre la méthode à la question, et garantir la rigueur de l’analyse qui en fait une donnée exploitable.
Publications
Références du domaine
- Kolodziejczyk AA, Kim JK, Svensson V, Marioni JC, Teichmann SA. The technology and biology of single-cell RNA sequencing. Molecular Cell, 2015;58(4):610-620. PubMed
- Stuart T, Satija R. Integrative single-cell analysis. Nature Reviews Genetics, 2019;20(5):257-272. PubMed
- Newman AM, et al. Determining cell type abundance and expression from bulk tissues with digital cytometry. Nature Biotechnology, 2019;37(7):773-782. PubMed
Contributions Inovarion
- Deschamps P, et al. CXCL8 secreted by immature granulocytes inhibits WT hematopoiesis in chronic myelomonocytic leukemia. Journal of Clinical Investigation, 2024;134(22):e180738. PubMed
- Sokal A, Chappert P, et al. Maturation and persistence of the anti-SARS-CoV-2 memory B cell response. Cell, 2021;184(5):1201-1213. PubMed
- Dufour A, et al. Spatiotemporal transcriptomic mapping reveals region-specific glial activation and astrocyte shifts in epileptogenesis beyond the hippocampus. Acta Neuropathologica Communications, 2026;14:38. DOI
- Tragin M, et al. Muscle Spatial Transcriptomic Reveals Heterogeneous Profiles in Juvenile Dermatomyositis and Persistence of Abnormal Signature After Remission. Cells, 2025;14(12):939. PubMed
à jour en juillet 2026