背景

生命体の基本単位である細胞を個別に分析する単一細胞ゲノム解析技術は、生物学研究のパラダイムを変えた。特に単一細胞RNAシークエンシング（scRNA-seq）により、多数の細胞の遺伝子発現情報が毎年大量に生成されている。しかし、この膨大なデータを完全に統合して活用することは容易ではない。分析機器や研究環境、試薬の種類に起因する技術的な誤差であるバッチ効果が、生物学的シグナルを歪めてしまうためである。

従来のバッチ補正アルゴリズムは、事前に整列されたデータセットのペアに依存して動作するため、限界がある。新しい研究データが追加されるたびに、既存のモデルを最初から再学習させるか、大規模な微調整プロセスを経る必要があり、分析コストが指数関数的に増加する。

種間の障壁も、解決すべき難しい問題として挙げられる。ヒトと実験用マウスは遺伝的に類似しているが、遺伝子配列と発現パターンの微妙な違いにより、異なる種の細胞データを単純に比較することは不可能に近い。相同遺伝子情報を1対1で対照する既存のアプローチは、進化の過程で失われたり新たに生じたりした遺伝子を反映しておらず、精度が低い。これらの理由から、生物学界は、さまざまな種と研究室で生成されたデータを制限なく統合できる汎用分析ツールの開発を待ち望んでいる。

主要な発見

スタンフォード大学の研究者によって開発されたユニバーサル細胞埋め込み（UCE）モデルは、これらの難題を一気に解決した。UCEは、ヒトを含む8種の単一細胞アトラスデータ3600万個を事前学習したトランスフォーマーベースの細胞ファウンデーションモデルとして定義される。

モデルの主要なアルゴリズムは、タンパク質言語モデルであるESM-2を使用して、各遺伝子のアミノ酸配列をベクトル化し、遺伝子埋め込みを構成した後、これを単一細胞の遺伝子発現量情報と組み合わせる方法である。遺伝子の配列自体を主要な情報源として活用することにより、UCEは種の境界を超える普遍的な生物学的表現を獲得する。

研究者らは、UCEの性能を確認するために、事前学習データセットに含まれていない未知のデータセットを分析するゼロショット検証を実施した。UCEは、追加の学習やファインチューニングを行わなくても、新しい脳組織細胞データのバッチ効果を正常に除去し、細胞の種類を正確に分類した。この過程で、3600万個の細胞を網羅する統合メガスケールアトラス（IMA）が自然に構築されるという成果を上げた。これは、これまで断片化された状態で存在していた数百の独立した研究データを、1つの巨大な細胞地図にまとめた最初の事例である。

意義と展望

UCEの登場は、単一細胞生物学を個別の実験分析中心から、大規模言語モデルベースの汎用探索体系へと転換させるきっかけとなるだろう。科学者たちは、自分たちがシークエンシングした小規模なデータセットを、UCEが定義した3600万個の細胞地図に即座にマッピングして比較分析できる能力を獲得した。研究サイクルが大幅に短縮されるだけでなく、データ共有と統合分析の効率が最大化されると予想される。

動物の発生過程や免疫細胞の分化経路が、進化の歴史の中でどのように保存されてきたかを、種間比較分析によって具体的に解明できる道が開かれた。ただし、UCEが完璧な解決策ではないという指摘も存在する。

現在、UCEは遺伝子発現情報を中心に学習を進めているため、空間トランスクリプトミクスやタンパク質レベルのマルチオミクスデータを有機的に統合する能力は、まだ改善する必要がある。3600万個の細胞を演算するための膨大なグラフィックス処理装置（GPU）リソースとインフラの維持コストも、研究コミュニティが協力して解決すべき課題である。モデルが提示する細胞間のつながりが、実際に生体内で機能するかどうかは、その後の実験的な検証によって裏付けられる必要があり、それによってのみ信頼性が得られる。