🧬 biology

PACE: Geometry-Aware Bridge Transport for Single-Cell Trajectory Inference

PACE は、異方性リーマン計量を学習し、時間横断的な結合の精緻化とニューラルブリッジの適合を交互に行うことで、破壊的な時間経過スナップショットから連続的な単一細胞の軌跡を再構築する幾何学的に意識的なフレームワークであり、明示的な細胞対の作成や系統追跡を必要とせずに、優れた再構築精度と RNA バイロシティの整合性を実現する。

原著者： Chenglei Yu*, Chuanrui Wang*, Bangyan Liao, Tailin Wu

公開日 2026-05-19

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Chenglei Yu*, Chuanrui Wang*, Bangyan Liao, Tailin Wu

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ⚕️ これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。免責事項の全文を読む

あなたが映画の物語を解き明かそうとしているが、手元にあるのは映画から切り取られた数枚の散らばったランダムなフレームだけだと想像してみてください。どのフレームでどの俳優が誰なのかはわからず、台本もなく、ましてやその間のシーンも手元にはありません。これが、単細胞生物学を研究する科学者が直面するまさにその問題です。

彼らは異なる時点で数百万の細胞の「スナップショット」を取得します。細胞を観察する過程で細胞が破壊されてしまうため、ある瞬間から次の瞬間へと同じ細胞を追跡することは決してできません。彼らが見るのは、時刻 A における細胞の雲、時刻 B における別の雲、そして時刻 C におけるまた別の雲に過ぎません。大きな問いは、細胞が一つの状態から別の状態へと変化する連続的な旅を見出すために、どのように点と点を結びつけるのかという点です。

既存の大多数の手法は、スナップショット内で最も似ている細胞同士を直線で結ぶことでこの問題を解決しようとしています。しかし、この論文の著者であるPACEは、これを地図上の 2 点を直線で結んで曲がりくねった山道をナビゲートしようとするようなものだと主張します。道が曲がっているという事実を無視しており、地図上で「最も近い」点が、実は全く別の山の上にある可能性さえあるからです。

以下に、簡単なアナロジーを用いて PACE がどのようにこの問題を解決するかを示します。

1. 問題：「直線」の罠

森（生物学的状態空間）を移動するハイカー（細胞）のグループを想像してください。

従来の手法: 13 時と 14 時にハイカーを撮影したとします。従来の手法は、2 枚目の写真であなたに最も近いハイカーが、1 枚目の写真で見たハイカーであると仮定します。そして、彼らの間に直線を引きます。
欠陥: 森の中での道は直線ではありません。あるハイカーは広場（「停滞」状態）に取り残されている一方、他のハイカーは丘を駆け上がっているかもしれません。直線は、丘の麓にいるハイカーと頂上にいるハイカーを結び、彼らが実際に取った曲がりくねった道筋を飛び越えてしまいます。これにより、混乱し、分断された物語が生まれます。

2. 解決策：PACE（「地形を認識する」ナビゲーター）

PACE は、ある細胞から別の細胞へ移動する際の「コスト」に対する新しい考え方を導入します。単に距離を測るのではなく、局所的な地形に基づいて経路の妥当性を測定します。

ステップ A: 「足跡」の読み取り（幾何学）

PACE は、スナップショット内の細胞の局所的な近傍を観察します。「私がここに立っているなら、他の細胞はどの方向へ移動しているように見えるか？」と問うのです。

接線方向（道）: これらは細胞が自然に流れている方向です。PACE は、「この方向へ移動するのは安価で容易だ」と言います。
法線方向（崖）: これらは自然な流れを横切ったり、「道」から飛び降りたりする方向です。PACE は、「この方向へ移動するのは高価で、あり得ない」と言います。

これは、トレイルの位置を知る地図を持ったハイカーのようなものです。トレイルに沿って歩くのはエネルギー 1 単位ですが、崖を真っ直ぐ登ろうとするとエネルギー 100 単位かかります。PACE は、トレイルから外れることを罰する「コストマップ」を構築します。

ステップ B: 「橋」（点と点を結ぶ）

PACE は、スナップショット間に「橋」を架けます。しかし、単に直線の橋を架けるわけではありません。先ほどマッピングした地形に沿った曲がった橋を架けます。

時刻 A の細胞と時刻 B の細胞を結びつけようとします。
直線が崖からのジャンプ（生物学的に不可能なジャンプ）を必要とする場合、PACE はそれが悪い接続であると認識します。
次に、滑らかで曲がった経路を「トレイル」上に保つことができる、異なる細胞のペアを試みます。

ステップ C: 「改善ループ」（賢くなる）

PACE は最初から正解を出すわけではありません。巧妙なループを実行します。

推測: 「これらの細胞を結びつけてみよう」。
構築: 「よし、彼らの間に橋を架けよう。待てよ、この橋は崖を登らなければならない。それは難しすぎる」。
再推測: 「わかった、ではこれらの異なる細胞を結びつけてみよう。この橋は平坦なトレイル上に留まる」。
反復: 接続を交換し、橋の形状を再形成し続け、最も滑らかで論理的な移動の流れを見つけるまでこれを繰り返します。

3. 結果：連続的な映画

PACE が最適な接続と最適な曲がった経路を特定すると、そのすべての情報を単一の速度場に凝縮します。

これら個々の橋すべてを取り出し、それらを滑らかにして単一の流れる川にすると想像してください。
こうすれば、この川の中の任意の場所に、任意の時点で「細胞」（水滴）を落とせば、その特定の細胞を以前に一度も見たことがなくても、次にどこへ流れるかを正確に予測できます。

なぜこれが重要なのか（論文によると）

著者らは PACE を 7 つの異なるデータセットでテストしました。これには以下が含まれます。

合成データ: 正解がわかっている、作りかけの「海流」や「分岐する木」。
実際の生物学: マウスのリプログラミング、ヒトの幹細胞、および胚発生。

主張:
PACE は他のすべての手法を一貫して上回りました。平均して、誤差を約**23.7%**削減しました。

映画の「欠落した」フレームの再構築において優れていました。
既知の生物学的方向（RNA 速度など、細胞にとっての「風向き」指標として機能するもの）との整合性がより高かったです。
決定的なことに、どの細胞がどの細胞かを事前に知る必要も、家系図を追跡する必要も、細胞をラベル付けするための追加実験も不要で、これらすべてを達成しました。それはデータの「形状」を理解することによってのみ、それを解き明かしたのです。

まとめ

PACEは、細胞生物学のための賢い GPS のようなものです。他の手法が地形を無視して最も近い点同士を直線で結ぶのに対し、PACE は局所的な景観を読み取り、生命の自然な流れに沿った曲がった橋を架け、細胞が一つの状態から別の状態へ移動するための最も論理的で滑らかな経路を見つけるまで、地図を絶えず改善します。

技術的概要：PACE – 単一細胞軌道推論のための幾何学的認識ブリッジ輸送

1. 問題定式化

単一細胞軌道推論は、破壊的な時系列スナップショットから連続的な細胞状態の進化を再構築することを目的としている。この分野における根本的な課題は、この問題が不適切（ill-posed）であることである。すなわち、時間を超えた細胞間の対応関係も、スナップショット間の連続的な経路も観測されない。したがって、観測されたスナップショット分布のみでは、基礎となるダイナミクスを一意に決定することはできない。

既存の最適輸送（OT）およびフローベースの手法は、通常、観測された時計時間におけるユークリッド距離の近接性に基づいて結合を推定する。このアプローチは、同じ実験時間でサンプリングされた細胞が類似した発達段階を占めていると仮定している。しかし、非同期な生物学的プロセス（例えば、リプログラミングや分化）において、同じ時計時間に存在する細胞は、異なる潜在偽時間段階または異なる運命分岐に位置している可能性がある。ユークリッド距離のみに依存することは、整合性の取れない軌道をもたらす可能性があり、互換性のない発達プログラムからの細胞を結合する（例えば、アポトーシス細胞を急速に増殖する幹細胞に結びつける）か、細胞状態多様体に沿った曲線的で異方性のある運動を捉え損なうことになる。

2. 手法：PACE フレームワーク

著者らは、非対の（unpaired）スナップショットから幾何学的に整合する連続的な輸送ダイナミクスを選択するフレームワークであるPACE（幾何学的認識ブリッジ輸送）を提案する。核心的な直感は、真の細胞アイデンティティは観測されないが、局所的な時空間近傍が許容される運動方向に関する弱い事前分布を提供するという点にある。すなわち、局所的に支持される接線方向に沿った運動は、観測された多様体構造に直交する運動よりもより妥当である。

PACE は、3 つの結合されたコンポーネントを通じて動作する。

A. 時間および状態依存の異方性リーマン計量

PACE は、固定されたユークリッドコストを、計量テンソル $G_k(x, t)$ によって誘導されるリーマン経路作用に置き換える。

局所幾何学の推定: 各観測細胞について、PACE は同じスナップショット内の最近傍共分散分析を用いて、局所的な接空間と法空間を推定する。
計量の構築: 計量は $G_k(x, t) = I + \alpha C^{(k)}_N(x, t)$ と定義される。ここで、 $C^{(k)}_N$ は局所法線射影の時空間補間場である。
コスト関数: 経路 $\gamma$ のコストは、計量によって重み付けされた速度の二乗の積分である：
$A_{G_k}[\gamma] = \int_0^1 \dot{\gamma}(\tau)^\top G_k(\gamma(\tau), t_{k,\tau}) \dot{\gamma}(\tau) d\tau$
この定式化は、局所的に推定された法線方向の速度成分に高いコスト（ペナルティ）を課し、接線方向の運動については低いコストを維持する。

B. 交互ブリッジおよび結合最適化

結果として生じる無限次元の輸送問題を解くために、PACE は有限次元の交互最適化手順を採用する。

ブリッジ学習（固定結合）: 時間を超えた結合 $\pi_k$ が与えられた場合、PACE は端点保存型ニューラルブリッジ $\gamma_\theta(x, y, \tau)$ を訓練する。このブリッジは、直線に $\tau(1-\tau)$ でスケーリングされたニューラル補正項を加えた形でパラメータ化され、 $\gamma_\theta(x, y, 0)=x$ および $\gamma_\theta(x, y, 1)=y$ となることを保証する。ネットワークは、計量 $G_k$ によって定義される異方性経路作用損失を最小化するように訓練される。
結合の洗練（固定ブリッジ）: 学習されたブリッジを用いて、PACE はすべての候補端点ペア間の経路作用コストを計算する。その後、ユークリッド距離ではなく総経路作用を最小化するよう、最適輸送問題を解いて結合 $\pi_k$ を更新する。
これにより、より良い結合がブリッジに対するより良い端点教師信号を提供し、より良いブリッジが結合を洗練するための幾何学的認識コストを提供するというブートストラップメカニズムが生まれる。

C. 速度場の蒸留

端点条件付きブリッジはペア固有のものである。グローバルな軌道推論を可能にするために、PACE は学習されたブリッジダイナミクスをグローバルな連続時間速度場 $v_\phi(x, t)$ に蒸留する。この場は、任意の状態および時間におけるニューラルブリッジの速度と一致するように訓練され、任意の初期分布からの ODE 積分による連続的な軌道の生成を可能にする。

3. 主要な貢献

幾何学的認識計量: 局所的な時空間接空間射影に基づく、時間および状態依存のリーマン計量の導入。これは、単純なユークリッド端点近接性を超えて結合を選択する経路作用コストを提供する。
反復的ブリッジ輸送手順: 同じ幾何学的認識作用の下で、時間を超えた対応関係と補間経路を共同で洗練する交互最適化スキームの開発。固定された端点ペアリングを必要としない。
グローバル速度蒸留: 明示的な細胞ペアリングまたは系統追跡なしに連続的な軌道生成を行うための、端点条件付きニューラルブリッジをグローバル速度場に蒸留する手法。

4. 実験結果

PACE は、9 つのホールドアウト再構築実験を網羅する 7 つのデータセット（制御された合成データおよび生物学的データ）で評価された。

制御された 2D ベンチマーク: 「Ocean」（回転非勾配）および「Two-Branch」ベンチマークにおいて、PACE は最も強力な全体的な再構築性能を達成した。速度の教師信号なしに、滑らかな回転運動と分岐構造を正常に回復した。
生物学的ベンチマーク:
- EB PHATE: PACE は、ホールドアウトされた周辺再構築（MMD、W1、W2）を改善し、トレーニング中に RNA 速度が使用されなかったにもかかわらず、ベースラインと比較してRNA 速度の整合性が 15.4% 向上したことを示した。
- iPSC-Liu および Schiebinger2019: PACE は、分化およびリプログラミングタスクにおいて、ベースライン（Action Matching、Aligned CFM、CURLY、DMSB、MFM、OT-CFM）を一貫して上回った。
定量的な改善: すべてのデータセットにおいて、PACE は最も強力な競合ベースラインに対して、MMD、W1、および W2 を平均**23.7%**削減した。
高次元性能: ユークリッド距離が集中効果の影響を受ける高次元設定（10D、50D、100D PCA）において、PACE はグローバルな分離ではなく局所的な異方性を活用することで、堅牢な性能を維持した。
アブレーション研究: 結合の再マッチング、異方性計量ペナルティ（ $\alpha=0$ ）、または空間/時間カーネル平滑化などのコンポーネントを除去すると性能が低下し、これらの要素の組み合わせによって改善が得られることを確認した。

5. 意義と主張

本論文は、局所幾何学が、破壊的なスナップショットからの軌道再構築にとって有用な帰納的バイアスとして機能すると主張している。ユークリッドコストを幾何学的認識経路作用に置き換えることで、PACE は以下のものを必要とせずに、軌道推論の根本的な曖昧さに対処する。

明示的な細胞ペアリングまたは系統追跡。
トレーニング中の RNA 速度の教師信号。
同期した発達の仮定。

著者らは、基礎となる問題が不適切であるため、PACE は真の細胞履歴ではなく、妥当で幾何学的に整合する再構築を提供すると強調している。この手法は、局所的な時空間近傍から許容される方向を推論することが、単一細胞生物学における集団レベルのダイナミクス推論の精度を大幅に向上させるのに十分であることを実証している。