技術要約: scGTN - 単一細胞RNAシーケンシング・クラスタリングのための深層シャミーズ・グラフ・トランスフォーマー・ネットワーク

1. 問題定義

単一細胞RNAシーケンシング（scRNA-seq）は、細胞レベルでの遺伝子発現プロファイルを解析するための極めて重要な技術であり、細胞型の特定や細胞の不均一性の理解を可能にする。この領域における中心的なタスクは、細胞を発現パターンに基づいて生物学的に意味のあるグループへと整理する細胞クラスタリングである。

進展は見られるものの、既存の手法には主に2つの課題が存在する：

1. スパース性とノイズ: scRNA-seqデータは、広範なドロップアウト効果と測定ノイズに悩まされており、その結果、高次元でスパースな行列となる。これが信頼性の高い細胞間の関係構築を困難にし、しばしば非常にスパースでノイズの多いグラフをもたらす。
2. 構造的活用の限界: 現行のグラフニューラルネットワーク（GNN）アプローチは、主に局所的な近傍集約に焦点を当てている。これらは、最短経路やノード間の距離といった、細胞グラフに埋め込まれたより豊かな構造的手がかりを見落としがちである。その結果、グラフ固有の情報が十分に活用されず、細胞の類似性が高度に均質化し、区別が困難になる。

2. 手法: scGTNフレームワーク

著者らは、遺伝子発現プロファイルと細胞間の構造的依存関係を明示的に統合するフレームワークであるscGTN（Deep Siamese Graph Transformer Network）を提案している。そのアーキテクチャは、以下の3つの主要モジュールで構成される：

2.1 二重拡張モジュール（Dual Augmentation Module）

スパース性とノイズを軽減するために、本手法はデータの2つの相補的なビューを生成する：

• 遺伝子発現摂動: 自然な変動をシミュレートするために、遺伝子発現プロファイル（$X$）にガウスノイズを加える。これは $\tilde{X} = \{x_i \odot m\}$ と定式化される（ここで $m$ はガウス分布からのランダムなマスクである）。
• 細胞間グラフ構造拡張: 初期のk近傍（kNN）グラフから、2つの異なるグラフビューを構築する：
  • ビュー1（精緻化/Refinement）: 生物学的に関連のある接続を保持するために、ペアごとのコサイン類似性に基づいて不要なエッジを除去する。
  • ビュー2（拡散/Diffusion）: グラフ拡散を適用してグラフ全体に情報を伝播させ、意味のある接続を強化する。

2.2 シャミーズ・グラフ・トランスフォーマー・ネットワークによる融合

重み共有エンコーダを持つシャミーズ（Siamese）アーキテクチャが、拡張された2つのビューを処理する。標準的なGNNとは異なり、このモジュールは構造的情報を明示的に組み込んでいる：

• 遺伝子発現埋め込み: シャミーズ・グラフエンコーダが、摂動を与えられた遺伝子行列（$\tilde{X}$）と隣接行列（$\tilde{A}$）を処理し、初期の埋め込みを生成する。
• 明示的な構造埋め込み: 複雑な関係を捉えるために、モデルは以下を統合する：
  • 位置埋め込み（Position Embeddings）: 中心ノードに対する近傍の親密度に基づく。
  • 最短経路埋め込み（Shortest Path Embeddings）: ノード間の接続構造を明示的にモデリングする。
• トランスフォーマーによる精緻化: これらの埋め込み（遺伝子 + 位置 + 最短経路）は融合され、フィードフォワードネットワーク（FFN）および残差接続を備えたマルチヘッド自己注意メカニズムを通じて処理される。
• 相関損失（Correlation Loss）: 2つのビュー間の特徴崩壊と冗長性を防ぐため、対角要素の相関を最大化し、非対角要素の相関を最小化する特定の損失（$L_{cor}$）が導入される。

2.3 最適輸送クラスタリング（Optimal Transport Clustering）

クラスタリングタスクは、自己教師あり学習戦略を用いた分布整列問題として定式化される：

• クラスター割り当て: 細胞埋め込みとクラスター中心の間の類似性は、スチューデントのt分布を用いてモデル化される。
• ターゲット分布: 割り当て確率を鋭利化（sharpening）することで、ターゲット分布を作成する。
• 最適輸送: 予測されたクラスター分布を混合比率に適合させるために最適輸送戦略を用い、堅牢なクラスタリングを実現し、退化解（例：すべての細胞が単一のラベルにマッピングされる現象）を防ぐ。これは、エントロピー制約を伴うシンクホーン（Sinkhorn）距離法を用いて最適化される。

2.4 全体的な最適化

最終的な目的関数は、以下の4つのコンポーネントを組み合わせたものである：
$$L = L_{clu} + \alpha L_{cor} + \beta L_{rec} + \gamma L_{ZINB}$$
ここで、$L_{clu}$ はクラスタリング損失、$L_{cor}$ は相関損失、$L_{rec}$ はグラフ構造を保持するための再構成損失（MSE）、そして $L_{ZINB}$ はデータのスパース性と過分散をモデル化するためのゼロ膨張負二項（Zero-Inflated Negative Binomial）損失である。

3. 主な貢献

本論文は、3つの主要な貢献を概説している：

1. 新しい視点: 本研究は、単純な特徴レベルの類似性を超えて、遺伝子発現プロファイルと細胞グラフ構造を共同で考慮することにより、scRNA-seqクラスタリングに対処している。これにより、相補的な細胞間情報を活用している。
2. 斬新な手法: シャミーズ・グラフ・トランスフォーマー・ネットワークを利用したフレームワークであるscGTNの導入。これは、より識別力の高い細胞表現を学習するために、最短経路やノード間の距離といった、より豊かな構造的情報を明示的に組み込んでいる。
3. 広範な実験: 複数のベンチマークデータセットを用いた包括的な評価により、既存の手法に対する本フレームワークの優れた性能を実証している。

4. 実験結果

著者らは、7つの公開ベンチマークデータセット（ヒトおよびマウスの膵臓、肝臓、免疫細胞をカバー）において、伝統的な手法（k-means、階層的クラスタリング）、ディープラーニング手法（DEC、scDeepCluster）、およびグラフベースの手法（scGNN、scDSC）を含む10のベースラインと比較して、scGTNを評価した。

• 定量的性能: scGTNは、7つの全データセットにおいて、3つの指標（Accuracy、NMI、ARI）すべてで最高の性能を達成した。平均して、第2位の手法に対し、ACCで3.00%、NNMIで2.42%、**ARIで2.30%**上回った。
• 可視化: ヒト肝臓データセットにおけるUMAP可視化では、ベースライン手法がサブタイプの混合や拡散した分布を示したのに対し、scGTNは非常にコンパクトなクラスターと明確な境界を生成した。
• 生物学的検証:
  • 微分発現遺伝子（DEG）: scGTNによって生成されたクラスターは、上位100個のDEGに基づくグラウンドトゥルース（正解）の細胞型と高い重複（>90%）を示した。scGTNによって特定された上位5つのマーカー遺伝子（例：膵臓PP細胞に対する PPY）は、ゴールドスタンダードのランキングと正確に一致した。
  • KEGGパスウェイ濃縮: 本手法は、$\beta$細胞における「インスリン分泌」パスウェイや、腺胞細胞における「リボソーム」パスウェイといった、明確な機能的サブポピュレーションを正常に特定しており、生物学的な解釈可能性を裏付けている。

5. 意義と主張

本論文は、scGTNが局所的な近傍集域を超えてグローバルな構造的依存関係を捉えることで、現行の手法の決定的な限界に対処していると主張している。シャミーズ・グラフ・トランスフォーマーを介して最短経路情報とノード間の距離を明示的に統合することにより、モデルはより識別力が高く堅牢な埋め込みを学習する。著者らは、このアプローチがscRNA-seqデータ固有のスパース性とノイズを効果的に処理し、既存のグラフベースおよびディープラーニングによるクラスタリングフレームワークと比較して、より正確な細胞型特定と生物学的解釈のためのツールを提供すると断言している。