🧬 biology

CellBRIDGE: Learning Cellular Trajectories via Interaction-Aware Alignment

CellBRIDGEは、リガンド・受容体介在性の細胞間コミュニケーションコストを最適輸送へと統合することにより、単一細胞RNAシーケンシングにおける軌跡推論を強化し、細胞ダイナミクスの再構成の精度を向上させ、メカニズム的に解釈可能なin silico摂動を可能にする新しいフレームワークである。

原著者： Silas Ruhrberg Estévez, Nicolas Huynh, Tennison Liu, Roderik M. Kortlever, Gerard I. Evan, David L. Bentley, Mihaela van der Schaar

公開日 2026-06-01

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Silas Ruhrberg Estévez, Nicolas Huynh, Tennison Liu, Roderik M. Kortlever, Gerard I. Evan, David L. Bentley, Mihaela van der Schaar

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

あなたは、ある群衆の人生の物語を解き明かそうとしているところだと想像してください。しかし、手元にあるのは、異なる時間に撮影された、わずか数枚のぼやけたスナップショットだけです。この実験では、写真を撮ることがその人を破壊してしまうため（これはシングルセルRNAシーケンシングの仕組みであり、遺伝子を読み取るためには細胞を死なせなければなりません）、一人の人物が次の写真へと移動する様子を観察することはできません。

あなたの目標は、点と点を結ぶことです。「最初の写真に写っていた人は誰だったのか？彼らはどこへ行ったのか？そして、どのような経路を辿ったのか？」

これがCellBRIDGEの挑戦です。以下では、論文の内容を分かりやすい比喩を用いて説明します。

問題点：「最小作用」という間違い

従来、科学者たちは、人々（細胞）が写真の間を最短かつ最も滑らかな経路で移動すると仮定することで、この問題を解決しようとしてきました。もしある人が次の写真にいる誰かに少し似ていれば、その人が移動したのだと考えるのです。これは、群衆の中の誰もが目的地に向かって直線的に歩いていると想定することに似ています。

欠陥： これは、人々が実際にどのように相互作用しているかを無視しています。実際の群衆において、人々はただランダムに歩いているわけではありません。彼らは互いに話をしたり、押し合ったり、あるいはリーダーに従ったりします。生物学においても、細胞はリガンド・受容体ペアと呼ばれる化学的な「握手（ハンドシェイク）」を通じて互いに会話をしています。ある細胞が信号（リガンド）を送り、それに応じた受容体を持つ別の細胞に対して、その振る舞いを変えるよう指示することがあります。

もしこれらの会話を無視してしまうと、間違った人物同士を結びつけてしまう可能性があります。例えば、細胞Aが単に見た目が似ているからといって細胞Bへと移動したと判断してしまうかもしれません。しかし実際には、細胞Aは細胞Cからの信号によって、その場所に押し出されたのかもしれません。

解決策： CellBRIDGE（「会話の地図」）

著者らは、CellBRIDGEと呼ばれる新しいツールを作成しました。これは、単に二つの細胞がどれほど似ているか（その「顔」）を見るのではなく、彼らが誰と会話しているかも見るものです。

これは、二枚の舞踏会の写真の中でダンサーを特定しようとするようなものです：

従来の方法（特徴量のみ）： 衣装に基づいてダンサーを一致させます。「写真1で赤いスーツを着ているこの男は、写真2で赤いスーツを着ているあの男に違いない」
CellBRIDGE： 衣装だけでなく、誰と手を繋いでいるかに基づいて一致させます。「写真1で赤いスーツを着ていた男は、青いドレスを着た女性と手を繋いでいた。写真2でも、赤いスーツの男はまだ青いドレスの女性と手を繋いでいる。したがって、彼らは間違いなく同じペアである」

CellBRIDGEは、各スナップショットに対して「会話の地図」を構築します。どの細胞がどの細胞に信号を送っているかを特定するのです。そして、ある時点から次の時点へと細胞をマッチングさせる際、その会話のパターンが一貫していることを確認します。もし写真1で細胞Aが細胞Bと話していたなら、ツールは写真2において、新しい細胞Aが依然として新しい細胞Bと話している状態を探し出します。

仕組み（「架け橋」）

この論文では、**最適輸送（Optimal Transport）**という数学的概念を使用しています（これは、基本的には砂の山をある場所から別の場所へ移動させる最も効率的な方法を見つける手法です）。

「砂」： 細胞。
「コスト」： 細胞がある状態から別の状態へ移動するために必要な労力。
「架け橋」： CellBRIDGEは、このコストに新しいルールを加えます。それは、「見た目が似ていれば移動のコストは低いが、会話のネットワークを壊す場合は、非常に高価（不適切なマッチング）になる」というルールです。

これら二つのルール（見た目の類似性＋会話の維持）のバランスを取ることで、ツールはスナップショット同士をより正確に結びつける、より精度の高い「架け橋」を構築します。

得られた知見

研究者らは、偽のデータ（答えが分かっているもの）と、実際の生物学的データ（肺がんや免疫細胞など）の両方でこのツールをテストしました。

より優れた地図： CellBRIDGEを使用した際、見た目だけを見た場合よりも、細胞間の接続がはるかに正確でした。
将来の予測（イン・シリコ）： ツールはコミュニケーションのメカニズム（誰が誰と話すか）を理解しているため、「もしも」のシミュレーションを実行することができました。
- 実験： 彼らはコンピュータにこう命じました。「細胞Aが細胞Bへの信号送信を停止したと仮定してください」
- 結果： コンピュータは、細胞の進むべき経路が変化することを予測しました。
- 検証： 実世界の肺がんデータを確認したところ、シミュレーションにおいて特定の信号（EGFRやALK経路など）を抑制すると、細胞が方向を変えることが分かりました。これは、これらの経路をブロックする薬がどのように作用するかという、現実世界の医学的知識と一致していました。

まとめ

CellBRIDGEは、細胞の人生の物語を再構成するための新しい方法です。このツールは、細胞が孤立して進化するのではなく、互いに会話することによって進化するという事実を認識しています。その会話に耳を傾けることで、私たちはがんのような疾患がどのように発展し、細胞が治療に対してどのように反応し得るかについて、より明確な全体像を描くことができるのです。

重要な注意点： この論文では、この手法は「会話のパターン」が調査対象の期間中にある程度安定している場合に最も効果的であると明記されています。もし細胞の変化があまりにも速く、その社会的なネットワークが瞬時に崩壊して再構築されるような場合（非常に急速な胚発生など、長い時間間隔を伴う場合）、地図上の道路が毎秒消えたり現れたりするのと同様に、ツールは混乱してしまう可能性があります。

技術要約: CellBRIDGE

問題提起

集団のスナップショットから細胞ダイナミクスを推論することは、単一細胞RNAシーケンシング（scRNA-seq）における根本的な課題である。scRNA-seqによる測定は破壊的であるため、個々の細胞を時間経過とともに追跡することはできず、軌跡推論は決定不全な問題となる。最適輸送（Optimal Transport; OT）は、時点間の分布を整列させるための原理的な枠組みを提供するが、標準的な手法は遺伝子発現の距離のみに依存している。これらの手法は、細胞を独立した粒子として暗黙的に扱っており、発生や疾患を駆動することが知られているリガンド・受容体（LR）シグナリングを介した構造化された細胞間コミュニケーション（CCI）を無視している。その結果、OTにおけるコスト関数の選択が、生物学的に意味のある結合（coupling）を生成する上でのボトルネックとなっている。

手法: CellBRIDGE

著者らは、特徴量ベースのOTに、LR活性から導出された有向かつ型付けされた相互作用コストを付加したフレームワークであるCellBRIDGE（Cell-Based Regularized Interaction-Driven Gene Expression）を提案する。

1. 相互作用を考慮したコスト構築

空間座標（解離したscRNA-seqでは利用不可能）に頼わる代わりに、CellBRIDGEは各スナップショット内でプロキシ（代理）となる通信ネットワークを構築する。

前処理: 遺伝子発現カウントを正規化し、受容体の占有効果を捉えるためにヒル飽和関数を用いて $[0, 1]$ にマッピングする。
スコアリング: $P$ 個のリガンド・受容体ペアの集合に対し、有向で非負のCCIテンソル $G \in \mathbb{R}^{n \times n \times P}_{\geq 0}$ を構築する。センド細胞 $i$ とレシーブ細胞 $j$ の間の相互作用スコアは、 $i$ におけるリガンド発現と $j$ における受容体発現の積として計算される。
構造: これにより、多チャネルかつ有向の細胞間コミュニケーション表現が得られる。

2. 融合Gromov–Wasserstein (FGW) 定式化

CellBRIDGEは、結合 $\Gamma$ を求める問題を、以下の2つの項の重み付き和を最小化する融合Gromov–Wasserstein (FGW) 最適化問題として定式化する。

特徴量コスト ( $F$ ): 遺伝子発現空間における標準的な輸送コスト（例：二乗ユークリッド距離）であり、転写状態の滑らかな進化を強制する。
構造コスト ( $S$ ): ソースとターゲットの細胞ペア間の、有向かつ多チャネルの相互作用プロファイルの不一致を測定する歪み項。

目的関数は以下の通りである：
$\min_{\Gamma \in \Pi(a,b)} (1-\alpha) \langle \Gamma, C \rangle_F + \alpha \sum_{i,k,j,l} \phi(g^{(0)}_{i \to k}, g^{(1)}_{j \to l}) \Gamma_{ij} \Gamma_{kl}$
ここで、 $\alpha \in [0, 1]$ は特徴量の類似性と構造の保存のバランスを取り、 $\phi$ はLRチャネルベクトル間の類似度指標（デフォルトは二乗ユークリッド距離）である。

3. モジュール性とダウンストリームへの統合

主要な設計原則は、相互作用の事前分布が結合レベルでのみ注入されることである。得られた結合 $\Gamma^*$ は、以下の多様な連続時間軌跡モデルへのプラグアンドプレイな入力として機能する。

条件付きフローマッチング (Conditional Flow Matching; CFM): 決定論的な速度場を学習する。
メトリックフローマッチング (Metric Flow Matching; MFM): データ依存のリーマン多様体上のフローを学習する。
確率的シュレディンガー・ブリッジ (Stochastic Schrödinger Bridges; SF2M): 確率的ダイナミクスをモデル化する。
アンバランスOT (Unbalanced OT): 集団の質量変化（増殖/アポトーシス）を考慮する。

本フレームワークは、カスタマイズされた条件付き勾配（Frank-Wolfe）ルーチンを用いて非凸のFGW問題を解き、特徴量項と構造項が同等のスケールになるように正規化スキームを採用している。

主な貢献

コスト関数の視点: 本論文は、スナップショットの整列におけるOTコスト設計が重要なレバーであることを特定し、遺伝子発現における最小作用の原理とは直交する、有向かつ型付けされた細胞間コミュニケーションの滑らかさを、生物学的に根拠のある事前分布として提案している。
型付け・有向FGW: 著者らは、LRシグナリングから導出された多関係（ベクトル値）の有向相互作用構造を扱うために、FGWを一般化した。これにより、相互作用を考慮した結合が得られる。
幅広い適用性: 本手法は、多様なフレームワーク（CFM, MFM, SF2M, UOT）において、相互作用を考慮した結合が軌跡推論を改善することを実証しており、CCI構造が汎用的な事前分布であることを確立している。
メカニスティックな解釈可能性: LRカタログに基づいて動作することで、CellBRIDGEはin silico（コンピュータ上）の摂動を可能にする。カタログ内の特定のLRペアをサイレンシングすると、経路阻害の予想される生物学的効果を再現するような軌跡の変化が誘発される。

実験結果

著者らは、合成データおよび6つの実世界のscRNA-seqデータセット（肺腫瘍、V1皮質、樹状細胞刺激、マウス胚発生を含む）を用いてCellBRIDGEを評価した。

結合の品質: 真の輸送マップを持つ合成データにおいて、相互作用構造を組み込むこと（ $\alpha > 0$ ）で真の輸送マップが有意に回収された。一方で、特徴量のみのOT（ $\alpha=0$ ）は、発現は似ているがシグナリングの役割が異なるクラスターの不整合により失敗した。
軌跡推論: 実世界のデータ全体を通じて、CellBRIDGEは最先端のベースライン（例：TrajectoryNet, DSB, Moscot, OT-CFM）と比較して、一貫して補間誤差（Wasserstein-1およびWasserstein-2距離）を減少させた。最高のパフォーマンスは通常、バランスの取れた設定（ $\alpha \approx 0.5$ ）で得られたが、一部のデータセット（例：樹状細胞刺激）では構造のみの設定（ $\alpha=1$ ）が有利であった。
生物学的根拠: アブレーション研究により、得られた利得が整合性のあるLR構造によって駆動されていることが確認された。LRカタログをランダム化するか、CCIテンソルのエントリーをシャッフルすると、性能が低下した。
In Silico 摂動: 肺がんデータにおいて、特定のLRペア（EGFR, ALK, MET）をサイレンシングすると、既知の治療経路阻害と一致する軌跡の変化が誘発された。一方で、無関係な心腎経路への編集は、無視できる程度の影響しか与えなかった。
限界: 本手法は、相互作用の幾何学がスナップショット間で近似的に持続するという仮定に依存している。急速に再構成されるシステムで時間間隔が大きい場合（例：6日間にわたるマウス胚発生）、相互作用の事前分布は情報を持たなくなり、特徴量のみのOTと比較して性能が向上しなかった。

意義と主張

本論文は、リガンド・受容体コミュニケーションの滑らかな進化という生物学的な帰納バイアスを注入することで、軌跡推論の決定不全な性質に対処していると主張している。構造的事前分布をダイナミクスモデルから切り離すことで、CellBRIDGEは、整列の忠実度を向上させ、メカニズム固有の反事実的解析を可能にするモジュール化された解釈可能なアプローチを提供する。著者らは、本手法が空間データを必要としないため、標準的な解離scRNA-seqに適用可能であり、エンドポイントの対応問題（endpoint correspondence problem）を精緻化することで、既存の生成モデルの進展を補完するものであることを強調している。

問題点： 「最小作用」という間違い