背景

空間オミクスは組織内での遺伝子発現だけでなく、タンパク質、クロマチンアクセス性、ヒストン修飾、代謝物、画像情報を座標ごとに測定する。同じ部位で複数の分子層を重ね合わせることで、細胞状態と組織構造の関係を立体的に把握できるが、測定値の分布やノイズレベルが異なるため統合過程で特異な信号が失われやすい。

従来のシングルセル統合法であるSeurat、MOFA+、MultiVIは空間的近接関係を十分に反映していない。空間マルチオミクス用のSpatialGlueも処理可能な分子層が最大3種類にとどまり、高解像度画像や数百万個の座標を含むデータには計算負荷が大きくなる。異なる情報を無理やり似た形に合わせると生物学的差異が均一化される「過度なアラインメント」も発生する。また、解析結果が不安定な位置を個別に示せないという制約もあった。

核心的発見

ブラウン大学の研究チームが開発したSCIGMAは、マルチタイムポイントグラフニューラルネットワークと不確実性認識付きコントラスト学習を組み合わせた教師なしディープラーニングモデルである。各オミクスで物理的に近い位置を結ぶ空間グラフと分子特性が類似する位置を結ぶ特徴グラフを統合し、グラフアテンションネットワーク（GAT）で分子層ごとの潜在表現を作成する。クロスアテンションはこれらの表現を共通空間に統合し、デコーダーは元の特徴を再構成して情報損失を抑える。

特徴は座標ごとの温度パラメータを学習する不確実性認識付きコントラスト損失である。同じ座標の共通表現と分子層ごとの表現は近づけるが、各オミクスに特有の信号を一律に混ぜない。整合性が取れない座標には高い不確実性が付与され、腫瘍内異質性や免疫細胞のセグメントなど実際に複雑な領域や技術的ノイズが疑われる部分を地図上で確認できる。

研究チームは遺伝子発現、タンパク質、クロマチンアクセス性、組織画像、ヒストン修飾、代謝物などを含む8種類のデータ型と10種類の組織、9つのプラットフォームの19のデータセットでモデルを評価した。比較可能なマウス脳空間ATAC–RNAと脾臓SPOTSデータでは、Seurat v5、MOFA+ 1.13.0、MultiVI v1、SpatialGlue v1よりも空間領域検出、分子層保存、特徴再構成、再現性が全体的に高かった。他の方法は一部の大規模データで400GBを超えるCPUメモリと2日間の実行時間でも結果を出せなかったと報告している。

SCIGMAはグラフサンプリングで10x Visium HDの2マイクロメートル解像度データを含む100万個を超える空間位置を処理した。5か月齢マウス脳のSpatial-Mux-seqデータではRNA、タンパク質、ATAC、H3K27ac、H3K27me3などの5種類の情報を同時に統合した。個別の分子層では曖昧だった大脳皮質層、脳梁膝部、尾側帯状核、外側視床と前結合皮質が共通表現で解剖学的セグメントに分離された。Nature Genetics論文はこの構造が5種類を超える今後のプラットフォームにも拡張可能であると説明している。

意義と展望

SCIGMAは空間マルチオミクス分析の3つの問題である分子層ごとの信号保存、超大規模データの計算拡張性、結果の信頼性表示を単一のフレームワークで解決した。特に座標ごとに不確実性を提示する点は、モデルが生成したクラスタを無条件に受け入れず、病理学的レビューまたは追加実験が必要な領域を選定する助けになる。ソフトウェアと再現用の分析コードは公開されている。

ただし、不確実性値は生物学的異質性と技術的変動が混ざった指標である。高い値だけで新しい細胞状態や疾患境界を確定することはできず、組織染色と独立したマーカーの検証が必要である。性能優位性も正解アノテーションがあるか、競合法が実行可能な一部データでのみ評価されたという制約が残る。臨床検体の配置差、欠損分子層、異なる解像度をどれだけ安定して処理できるかも前向き検証対象である。