背景

組織内における細胞の配置と分子特性を同時に把握する空間生物学技術は、近年目覚ましい発展を遂げている。単一細胞レベルで遺伝子発現の位置を追跡する空間トランスクリプトミクス（spatial transcriptomics）と、組織全体のタンパク質分布を捉える空間プロテオミクス技術がその代表である。課題は、測定機器ごとに空間解像度と分析対象の分子が完全に異なる点にある。あるプラットフォームはサブマイクロメートル単位で少数の遺伝子を観察する一方、別の機器は数十マイクロメートル単位のスポット（spot）単位で数千の遺伝子を一括測定する。タンパク質やメタボローム解析機器も、それぞれ異なる物理的解隅の限界を抱えている。

これまで研究者は、同一組織切片や隣接組織から得られた異種データを個別に分析した後に手作業で照合したり、単純な統計的補間法に頼って重ね合わせたりする手法を主に用いてきた。このようなアプローチでは、異なる解像度の間の物理的な隔たりを埋めることができず、測定過程で必然的に発生する組織の変形やバッチ効果（batch effect）を精密に補正することが困難であった。高解像度の単一細胞情報と低解像度の分子地図を整合させ、多次元空間地図を構築するための計算アルゴリズムが切実に求められていた。

主な発見

米スタンフォード大学の研究チームは、グラフ・ディープラーニングに基づく深層生成モデルであるCORAL（Cross-scale spatial Omics Registration and Analysis via graph Learning）を構築し、この限界を克服した。CORALは、異なる解像度とモダリティ（modality）を持つ空間オミクスデータを単一の潜在空間にレジストレーション（registration）し、統合分析できるように設計されたAIモデルである。核心的な演算構造として、グラフ・アテンション集約（graph-attention aggregation）メカニズムを採用している。

研究チームは、細胞や測定スポットをノード（node）として、物理的な空間距離をエッジ（edge）と定義し、組織の微小環境をグラフ構造へと変換した。グラフ・アテンション・ネットワーク（Graph Attention Network, GAT）は、周囲の細胞との相対的な距離と分子発現の類似性を重みとして計算し、近傍情報を柔軟に収集する。複数の細胞が混在する低解像度スポットの信号を、高解像度の単一細胞データと照合して個々の細胞単位に分離する細胞デコンボリューション（deconvolution）プロセスにおいても、高い精度を実証した。実験の結果、CORALは切片間の形態変形が激しい条件下でも、マルチプラットフォームのデータを物理的な歪みなく安定的に整列させる成果を上げた。既存のベンチマークモデルと比較して、空間ドメインのクラスタリング一致度と、未測定の分子発現予測精度の両方において優れた水準を記録した。

意義と展望

CORALの発表は、断片化されていた空間生物学の実験データを単一の分析体系へと統合するための計算基盤を確立した。トランスクリプトームとプロテオームのデータを個別のプラットフォームで収集したとしても、事後的なアルゴリズム処理を経ることで、高解像度のマルチオミクス地図として再構成することが可能になった。研究者は、莫大な追加実験コストをかけることなく、既存の蓄積された空間データを再利用して、疾患組織の立体的な微小環境を多角的に探索する道筋を確保した。

ただし、臨床現場や大規模研究への全面的な導入には、解決すべき現実的な課題も残っている。グラフ・アテンション演算の特性上、細胞数が数十万個を超えるホールスライド（whole-slide）データセットでは、メモリ消費量と演算負荷が伴う。データ収集プラットフォーム間で発生する技術的なノイズや信号の偏差を完全に制御するための、実験標準化プロトコルの策定も、後続研究で解決すべき課題である。