技術概要：scShapeBench

問題定義

高次元の単細胞 RNA シーケンシング（scRNAseq）データおよび他の科学的点群は、適切な下流分析パイプラインを決定する内在的な低次元構造（形状）を有している。現在の分析ワークフローは、しばしば特定のデータトポロジーを前提としている。標準的なパイプラインである Seurat はクラスタリングされたデータを前提とし、Monocle や SPADE のようなツールは木状の分岐軌道を前提とし、フローモデルは連続的な遷移を前提としている。しかし、正しいパイプラインを選択することは通常、バイオインフォマティシャンによる手動の視覚的検査に依存しており、このプロセスは主観的であり、スケーラブルではなく、デフォルトのクラスタリング仮定が適用された場合、軌道、サイクル、またはハイブリッド幾何学に符号化されたシグナルを見逃す傾向がある。

本論文は、単細胞形状検出問題を、基底となる潜在トポロジー $G$ を反映するように、高次元点雲 $X$ から縮小グラフ $S$ を復元する問題として定義する。目標は、データの幾何学に関する事前仮定なしに、データが離散的なクラスタ、連続的な軌道、分岐構造、または原型形状（単体）のいずれに組織化されているかを特定するプロセスを自動化することである。

手法

1. SCSHAPEBENCH ベンチマーク

形状検出の標準化された評価の欠如に対処するため、著者らは 5 つのコンポーネントからなる包括的なベンチマークフレームワーク SCSHAPEBENCH を導入する。

• 合成データセット: 既知のトポロジーを持つ「スケルトングラフ」から生成された点群のコレクション。これらのグラフは、クラスタ、単一軌道、多分岐木、および原型の 4 つの形状クラスにまたがる。データセットには、難易度領域全体での堅牢性をテストするために、ノイズスケール、特徴の分離、サンプリング密度、特徴の厚さの制御された変動が含まれる。
• 専門家による注釈付き scRNAseq コーパス: 公開リポジトリ（CELLxGENE、10x Genomics、Broad Institute、EMBL-EBI）からの 102 の実世界の scRNAseq データセットのキュレーションされたコレクション。9 人の専門家生物学者およびバイオインフォマティシャンが、2D PHATE および UMAP 埋め込みに基づいて各データセットの形状に注釈を付けた。注釈スキームは、生物学的複雑性を反映するために複数の形状クラス（例：クラスタと軌道）でデータセットにラベルを付けることを可能にする、ユニオン集約戦略を使用する。
• トポロジー認識評価指標:
  • 合成データ用: 著者らは、回復されたグラフと真のグラフの永続図を比較するWasserstein 永続類似性と、組み合わせ的合意を測定するための**グラフ編集距離（GED）**を使用する。
  • 実データ用: 真のグラフが利用できないため、評価は間接的である。回復されたグラフは、2 つの読み取りモデルに入力される。永続画像を特徴として使用する**トポロジカル読み取り（PI-MLP）と、グラフニューラルネットワークを使用する接続性読み取り（GNN）**である。これらのモデルは、専門家による注釈付きの形状ラベルを予測する。
• 標準化プロトコル: 点群を受け取りグラフを出力する統一インターフェース。比較可能性を確保するために、均一な前処理（Scanpy パイプライン、固定された 50,000 細胞数）を行う。

2. scReebTower ベースライン手法

著者らは、拡散幾何学から Reeb グラフを構築する自動化された形状検出のための新しいベースライン手法 scReebTower を提案する。アルゴリズムは以下のように進行する。

1. グラフ構築: 入力点雲から $k$-近傍グラフを構築する。
2. 拡散演算子: 適応的ガウスカーネルを使用して拡散演算子 $P$ を計算する。
3. モース関数: $P$ の最初の非自明な固有ベクトルである Fiedler ベクトルを離散モース関数 $f$ として使用する。
4. Reeb グラフ構築: アルゴリズムは、グラフ全体にわたって $f$ のレベルセットの連結成分を追跡する。関数値が増加するにつれて、成分は結合または分割される。これらの成分はノードに縮約され、エッジはそれらの進化を追跡して Reeb グラフを形成する。
5. 縮約: 次数 2 の頂点の最大経路を縮約することでグラフを縮小し、サイクルと分岐点を保持する。
6. マルチスケール拡張: この手法は、データポイントを拡散近傍の加重平均に置き換えて粗粒度化された Reeb グラフの階層を作成する拡散凝縮を使用して反復的に適用できる。

主要な結果

• 合成データのパフォーマンス: 合成トラックにおいて、scReebTower は最高 Wasserstein 永続類似性（0.3199）および最低グラフ編集距離（13.3216）を達成し、PAGA や Mapper などのベースラインを上回った。マルチスケール版（拡散凝縮付き）は、ベース手法をわずかに上回った。PAGA は永続類似性において競争力があったが、より高い編集距離に苦しんだ一方、Mapper は両方の指標で著しく劣った。
• 実世界のパフォーマンス: scRNAseq トラックにおいて、scReebTower は GNN および MLP 読み取りを通じて評価された際、異なる形状クラス（クラスタ、単一軌道、多分岐、原型）全体で最高の精度および F1 スコアを示した。これらの結果は、多様なアーキテクチャ制約および注釈の複雑さの下でも性能の違いを解決するベンチマークの能力を検証した。

意義と主張

本論文は、SCSHAPEBENCH が、単細胞形状検出の問題に対する最初の形式的数学的フレームワークおよび標準化された評価プロトコルを提供すると主張している。その意義は以下の点にある。

1. パイプライン選択の自動化: 内在的なトポロジーを検出する手法を提供することで、生物学における「エージェント型 AI 科学者」の展開にとって重要な分析パイプラインの選択における手動のボトルネックを除去することを目指す。
2. 診断および開発的有用性: このベンチマークは単なる診断的なものではなく、scReebTower の最先端のパフォーマンスが示すように、より良い手法の開発を可能にすることを著者らは実証している。
3. トポロジー非依存性: 特定の形状（例：木またはクラスタ）を前提とする既存のツールとは異なり、scReebTower はトポロジー非依存であり、事前のバイアスなしにクラスタ、サイクル、および分岐を復元できる。
4. スケーラビリティ: このフレームワークは成長するように設計されており、多様な生物学的データセットの長期的なカバレッジを確保するために、時間とともに専門家による注釈付きコーパスを拡張するための専用 Web インターフェースを備えている。

著者らは、現在の形状語彙が一般的な scRNAseq 構造に限定されており、高次元の特徴やネストされた構造をまだカバーしていないという制限について謙虚さを保ち、指摘している。また、ベンチマークのパフォーマンスと改善された生物学的発見との間の相関関係は、依然として開かれた経験的課題であることを認めている。