Conformal inference for cell type annotation with graph-structured constraints

技術要約：グラフ構造の制約を用いた細胞型アノテーションのための共形推論（Conformal Inference）

問題提起
シングルセル・トランスクリプトミクスは、細胞型の予測において、特に不確実性の定量化に関して大きな課題に直面している。従来の参照ベースのアプローチは、多くの場合、点予測（最も確率の高い単一のラベルを割り当てること）に依存しており、これは、複数の細胞型が同程度の確率を持つ場合に、モデル固有の不確実性を捉えることができない。共形予測（Conformal Prediction）は、有限標本における保証を持つ有効な予測集合を生成する枠組みを提供するが、シングルセル・ゲノミクスへの適用は未開拓のままである。さらに、標準的な共形手法は、生物学的階層内で意味的に遠い、あるいは無関係なラベル（例：特定のT細胞と間質細胞の両方を予測するなど）を含む予測集合を生成してしまうことがあり、解釈を困難にしている。加えて、現実世界のアプリケーションでは、分布シフト、具体的には参照データ（訓練/較正用）とテストデータの間の細胞型組成が異なる「ラベルシフト」に頻繁に遭遇し、これが標準的な共形推論に求められる交換可能性の仮定を損なうことになる。

手法
著者らは、共形リスク制御（Conformal Risk Control）と細胞オントロジーのグラフ構造の制約を統合した新しいフレームワークを提案している。

1. グラフ構造による共形リスク制御:

   • オントロジーの統合: 本手法は、リーフノード（末端ノード）が特定の細胞型を表し、内部ノードがより広範なカテゴリを表す有向非巡回グラフ（DAG）として細胞オントロジーを利用する。
   • スコアの構築: 予測されたクラス $\hat{y}(x)$ に対して、祖先ノード $v$ に対するスコア $g(v, x)$ を計算する。これは、$v$ のすべてのリーフの子孫の予測確率の合計として定義される。
   • 予測集合の構築: 分散したリーフノードを返す代わりに、本アルゴリズムは、予測されたクラスの最も具体的な祖先 $v$ を特定する。ここで、$v$ の累積スコアが閾値 $\lambda$ を超えるものとする。予測集合 $C_\lambda(x)$ は、この祖先のすべてのリーフの子孫と、リスク制御に必要な入れ子構造（nesting property）を確保するために、スコアが $\lambda$ 未満である他の祖先のリーフの子孫で構成される。
   • 損失関数: 本手法は誤被覆損失関数を採用しており、真のラベルが予測集合から外れる確率が、ユーザーが指定した誤差率 $\alpha$ 以下になることを保証する。

2. 分布シフト（ラベルシフト）への対処:

   • 細胞型の組成が参照データセットとテストデータセットの間で異なる可能性があることを認識し、著者らは2段階のアプローチを提案している。まず、技術的および生物学的な共変量シフトは既存の統合手法（例：Harmony, LIGER）によって緩和されると仮定する。
   • 次に、ラベルシフト（細胞型の頻度の違い）に対処するため、再サンプリング戦略を導入する。テストデータを2つのサブセット（$S_1, S_2$）に分割する。参照データ上でモデルを訓練し、$S_1$ 上で確率を推定する。その後、較正セットを、これらの推定された確率に従って、テスト分布に一致するように再サンプリングする。この再サンプリングされたセットを使用して、$S_2$ のための予測集合を較正する。このプロセスは役割を入れ替えて繰り返される。この戦略は、テスト分布に関する事前知識を必要とせずに、ラベルシフト下での有効な被覆を実現するために必要な重要度重み付き期待値を近似する。

主な貢献

• グラフ制約付き予測集合: 論文は、細胞オントロジーの階層構造を利用して、意味的に一貫した予測集合を生成する共形アルゴリズムを導入している。分散したラベルではなく、本手法は特定の祖先とその子孫に対応する集合を出力し、不確実性を要約する単一の解釈可能なラベルを提供する。
• ラベルシフトの補正: 著者らは、シングルセル・アノテーションにおけるラベルシフトを補正するための実用的な再サンプリング手法を提供し、参照データとテストデータの組成が異なる場合でも、有効な被覆保証を回復させる。
• 実装: 本手法は、オープンソースのRパッケージ scConform（Bioconductor経由で利用可能）として実装されており、ゲノミクスコミュニティへのアクセシビリティを高めている。

結果
著者らは、2つのデータセットを用いて手法を評価した：

1. Merfish マウス腸間膜（Ileum）データセット:
   • 標準的な分割共形推論と比較して、グラフ構造を用いた手法は、集合内の距離（intra-set distances）が低い（平均距離 1.148 対 1.616）予測集合を生成した。これは、より高い意味的一貫性を示している。
   • グラフベースの集合は平均的にやや大きくなる傾向があるものの、信頼度が高い場合には頻繁に単一ラベルの予測を生成した。
   • 決定的な点として、参照データに存在しないカテゴリ（例：「Myenteric Plexus」）に属する細胞に対して、グラフベースの手法は正しく「判定不能（inconclusive）」な集合（15個のラベルすべてを含む）を生成した。これに対し、標準的な共形推論は、特定の参照ラベルを誤って割り当ててしまい、データの分布外（out-of-distribution）の性質をフラグ立てすることに失敗した。
2. COVID-19 患者データセット:
   • 細胞型分布が不均衡な現実的な臨床環境において、提案された再サンプリング戦略は、被覆不足の問題を正常に補正した。
   • 再サンプリングを行わない場合、経験的な被覆率は公称レベルを超過（過剰被覆）した。再サンプリング補正（オラクルおよび推定の両方）を用いることで、被覆率は目標値である 0.9 に近づいた。
   • 本手法は、微細な予測を生物学的に意味のある祖先に集約することに成功した（例：プラズマ細胞のサブタイプを「抗体分泌細胞」の下にグループ化する）。これは、解釈性の向上を示している。

意義と主張
本論文は、共形推論にグラフ構造の制約を組み込むことが、シングルセルデータにおける細胞型予測の解釈性を大幅に向上させると主張している。予測集合を生物学的階層に合わせることで、本手法は分散したラベルの曖昧さを回避し、モデルの不確実性をより直感的に要約する。

著者らは、本アプローチが基礎となる分類器の精度に関わらず、有限標本における妥当性の保証を提供することを強調している。エラーをツリーの下方に伝播させる階列的分類法とは異なり、本手法は、報告された集合が規定された確率（$1-\alpha$）で真の細胞型を含むことを保証する。さらに、提案された再サンプリング戦略は、ゲノミクスにおけるラベルシフトという一般的な問題に対する原理的な解決策を提供し、参照データセットとテストデータセットの組成が異なる場合でも、信頼性の高い不確実性の定量化を可能にする。本研究は、共形推論を堅牢なダウンストリーム解析ツールとして位置づけ、研究者が潜在的に誤解を招く可能性のある点推定に頼るのではなく、モデルの不確実性を明示的に組み込めるようにするものである。