異なる組織データを合わせて読む課題

空間トランスクリプトーム（spatial transcriptomics、ST）データの技術的な違いを抑えながら、組織固有の生物学的シグナルを保つ計算手法INSPIREがNature Geneticsで報告された。研究チームはグラフニューラルネットワーク、敵対的学習、非負値行列因子分解を組み合わせ、複数の組織切片の空間構造と関連する遺伝子プログラムを同時に解釈した。

STは遺伝子発現を組織内の位置と結び付ける。ただし、技術によって測定対象の遺伝子範囲や空間解像度が異なり、試料、実験条件、発生時期の違いも解析に影響する。データを単純に統合すると、技術差を組織の特徴と誤認したり、逆に特定の切片にだけ存在する生物学的シグナルを消してしまったりするおそれがある。既存の空間解析法であるSpiceMixやNSFHは、解釈可能な空間パターンの検出に強みがある一方、複数切片間の複雑な不要変動を処理する仕組みは限られていた。

空間的な近傍と遺伝子プログラムを同時に学習

INSPIREには複数の切片の遺伝子発現カウントと空間座標を入力する。グラフニューラルネットワーク（GNN）は近傍の細胞や測定点の情報を取り込み、敵対的学習は切片間で共通するシグナルが整列するよう促す。切片固有の細胞集団まで無理に混合しないよう、識別器の作用範囲を制限する設計も含まれる。

非負値行列因子分解（NMF）は、複数切片の発現シグナルを空間因子と遺伝子重みで表す。空間因子は特定のパターンが組織のどこに分布するかを示し、遺伝子重みはどの遺伝子がそのパターンを特徴付けるかを示す。共に現れる遺伝子の発現パターンを、組織構造や生物学的過程と関連付けて解釈することを目指す手法だ。

研究チームは、3人のドナーから得たヒト背外側前頭前野の12切片で、皮質層と白質の識別を評価した。手動アノテーションとの一致度を示す調整ランド指数（ARI）と正規化相互情報量（NMI）、領域間の分離度を評価する平均シルエット幅（ASW）で、比較手法を上回る性能を報告した。この優位性が確認されたのは、論文で用いられたデータと評価条件の範囲内である。

技術間統合では、マウス脳のSlide-seqV2とMERFISHのデータを同時に解析した。前者は2万超の遺伝子を、後者は1,122遺伝子を測定し、実際の統合には両データに共通する1,077遺伝子を使った。INSPIREはMERFISHの情報を利用して、Slide-seqV2で皮質層を識別した。ヒト乳がんでは、Xeniumで測定した2切片のデータをフィルタリングした後、細胞283,063個と遺伝子313個を解析し、腫瘍領域や筋上皮・内皮に関連する空間因子の違いを捉えた。

研究用組織マップとしての可能性と限界

これらの結果は、異質な公開データを再利用し、組織構造や腫瘍微小環境を比較する研究を支える。研究チームは発生段階の異なるマウス胚の解析や、隣接切片からの3次元再構成にもINSPIREを適用した。ただし、ヒト全身の精密な地図の完成や、患者ごとの診断・最適な薬剤選択能力は今回の研究で検証されていない。

現時点で統合解釈はデータセット間で共有される遺伝子に依存するため、一部のデータにしかない遺伝子シグナルが除外される可能性がある。遺伝子発現の補間値は実測値と区別すべきであり、データ統合自体に伴う不確実性の定量化も課題として残る。今後は推定された空間パターンや遺伝子プログラムを、独立したデータや実験で検証する必要がある。

研究内容と解析条件は、Nature Geneticsの論文および公開全文に記載されている。