背景

ゲノムワイド関連解析（GWAS）は、疾患に関連する無数の遺伝的変異を特定し、現代医学の地平を広げてきた。しかし、多くの疾患変異はタンパク質を直接コードしない非コード領域に位置しており、具体的な生物学的メカニズムを解明することが困難であるという課題がある。

この空白を埋めるため、学界では発現量的形質軌跡（eQTL）解析が導入された。これは、遺伝的変異が組織ごとの遺伝子発現量に与える影響を統計的に明らかにするアプローチである。さらに、eQTLリファレンスパネルをGWAS要約統計量と結合させるトランスクリプトームワイド関連解析（TWAS）や共局在（colocalization）解析は、疾患の発症を導く因果遺伝子を選別するための核心的なツールとして定着している。

問題は、解析の信頼性を担保する基盤にあった。学界は複雑な事後統計モデリングや多重検定補正には厳格な基準を適用してきたが、解析の出発点であるRNAシーケンシング（RNA-seq）の上流の前処理プロセスについては、相対的に無関心であった。元の配列リードを遺伝子発現量に換算する際、どのトランスクリプトーム注釈（annotation）データベースを使用するか、またアライメントベースの定量化と擬似アライメントベースの定量化のどちらを選択するかによって、下流の研究結果が揺らぎかねないという事実を見過ごしていたのである。

主な発見

国際的な研究チームは、学術誌『Nature Genetics』の10月2決付に掲載された論文において、RNA-seqの上流処理段階の選択がゲノム解析全般を大きく左右し得ることを実証した。研究チームは、同一のゲノムおよびトランスクリプトームの元データに対し、トランスクリプトーム注釈体系と発現量定量化パイプラインの組み合わせを体系的に対照した。

トランスクリプトーム注釈の基準設定から、明確な格差が明らかになった。GENCODEやEnsemblなど、エキソン定義の範囲が異なる注釈バージョンを適用した場合、同一のシーケンシングリードであっても、遺伝子ごとの割り当て発現量が有意に変化した。特に、複数の転写物アイソフォーム（isoform）が共存したり、遺伝子の境界が重なったりするゲノム領域において、定量化の歪みが顕著であった。

このような前処理の偏差は、eQTLマッピング段階へとそのまま引き継がれる。定量化アルゴリズムの違いだけで、統計的有意性を満たすeQTLの変異-遺伝子ペアの構成が大きく変動した。伝統的なアライメントベースの定量化ツールと、転写物の分解推定を適用するアルゴリズムの間では、eQTL発見の一致率が予想を下回った。

下流解析であるTWASおよび共局在の結果も、直接的な影響を受ける。上流の前処理方式を変更しただけで、疾患リスクを媒介する核心的な原因遺伝子として指名されていた候補群の順位が逆転する現象が観察された。GWASシグナルと組織別の発なる発現シグナルが同一の変異に由来するかを評価する共局在の事後確率さえも、前処理の選択によって結論が正反対に分かれた。データの加工における初期の選択が、最終的な疾患遺伝子の特定結果を左右したことになる。

意義と展望

本研究は、機能ゲノミクス研究のエコシステムに対して重い警告を投げかけている。高度な統計モデルを適用したとしても、元データの前処理段階で発生した微細なバイアスが、研究結論全体を歪ませる可能性があることを立証したためである。

研究チームは、今後のゲノム研究においてデータの再現性を確保するための具体的な方法論の報告基準を確立すべきであると促した。論文作成時、単に解析パイプラインの名称を列挙する慣行から脱却し、使用したトランスクリプトーム注釈のビルドバージョンや定量化パラメータを詳細に明記すべきであると指摘している。単一のパイプラインに依存せず、複数の前処理の組み合わせを比較する感度検証の手順も必須要素として挙げられた。

学界は長期的に、ロングリードシーケンシング技術の普及が注釈の不完全性を緩和する転換点になると予測している。全トランスクリプトームを断片化せずに直接解読することで、アイソフォームの定量誤差を根本的に減少させることができるからである。アルゴリズムと基準データベースの標準化に関する議論が本格化するかどうかに注目が集まっている。