Privacy-preserving federated tensor decomposition of single-cell immune data: recovering multicellular programs across institutions

技術要約：単一細胞免疫データのプライバシー保護型フェデレーテッド・テンソル分解

問題提起
単一細胞RNAシーケンシング・アトラスは、複数の機関、祖先、バイオバンクを横断して構築されつつある。中心的なテンソル分解（具体的にはscITDフレームワーク）は、「マルチセルラー・プログラム（多細胞プログラム）」（疾患を層別化する、複数の細胞型にまたがる転写変動の協調的な軸）を復元する上で有効であることが証明されているが、これらの手法は生のデータを集約することを必要とする。実際には、患者由来の単一細胞プロファイルは、厳格な同意およびデータ保護の制約の下にあり、データの集約を阻むことが多い。既存のフェデレーテッド単一細胞手法は、バッチ補正、細胞型分類、またはQTLマッピングに対処しているが、テンソル分解によるマルチセルラー・プログラムの復元、特にサイト間で観察される細胞型が異なる設定（垂直型フェデレーテッド学習）に対処するものは存在しない。

手法
著者らは、ドナー $\times$ 細胞型 $\times$ 遺伝子のテンソル上で動作する、マルチセルラー・テンソル分解のためのフェデレーテッド推定器を提案している。データは擬似バルク発現（ドナーあたりの細胞型ごとの合計UMIカウント）として表され、正規化および中心化されている。

1. 完全パネル・フェデレーション（水平型FL）：

   • プロトコル： 各サイト $s$ はドナーのサブセットを保持する。各サイトは、局所的かつグローバルに中心化されたデータ行列 ($X_s - \bar{x}$) に対して、切断特異値分解（SVD）を実行することで、局所的な低次元プログラム部分空間を計算する。
   • 集約： サイトは生の細胞やドナー・スコアを共有する代わりに、スケーリングされたローディング ($M_s = \Sigma^{(K)}_s V^{(K)\top}_s$) のみを送信する。コーディネーターはこれらをスタックしてマージし、グローバルなSVDを実行する。
   • 中心化： 重要な構成要素は、フェデレーテッド・グローバル平均中心化である。サイトはまず、サイトごとの平均値を交換してグローバル平均 $\bar{x}$ を計算し、その後、この $\bar{x}$ を用いて局所データを中心化する。この操作は、切断誤差を除いて中心的な分解と等価であることが証明されており、サイト間のラベルの偏り（例：あるサイトの症例割合が極端に高い場合）に対する堅牢性を確保する。
   • プライバシー： 集約は加算処理であるため、セキュア集約（SecAgg）との互換性があり、コーディネーターは個々のサイトの寄与ではなく、集約された結果のみを閲覧できる。

2. 不完全パネル・フェデレーション（垂直型FL）：

   • シナリオ： サイトはドナーを共有しているが、観察される細胞型の集合が互いに素（特徴量が分割されている）である。固定特徴量のフェデレーテッドPCAはここでは適用できない。
   • プロトコル： サイトは、特定の細胞型カラムにわたる局所的な「ドナー・グラム」ブロック $G_s = (X_s - \bar{x})(X_s - \bar{x})^\top$ を計算する。
   • 集約： コーディネーターは、これらのブロックを合計して ($G = \sum G_s$)、完全な中心化グラム行列を再構成する。$G$ の固有値分解により、共有ドナー・スコアが得られる。その後、サイトは自身の細胞型に対応するローディングを計算し、それらを結合して完全なプログラムを形成する。
   • プライバシー： ドナー・グラム行列を公開することは、ドナーレベルの構造を露呈させる（最大級のリークとなる）。プライバシーを維持するためには、結合（加算と固有値分解）を準同型暗号（HE）またはマルチパーティ計算（MPC）の下で行い、最終的なプログラム・ローディングのみを公開する必要がある。

主な貢献

1. 垂直型FLの復元： 単一のサイトがいずれの細胞型もすべてを観察していない場合に、ドナー・モードの結合を利用して、観察されていない細胞型を跨いで完全なマルチセルラー・プログラムを復元する初めての手法。
2. 交絡に強い推定器： グローバル平均中心化を用いたフェデレーテッド・マージ戦略により、サイト間のラベルの偏りが激しい場合（例：一方のサイトに症例が90%含まれる場合）でも、プログラムの質が低下するのを防ぐ。これは、ナイーブなサイトごとの中心化における失敗モードである。
3. プライバシー評価： メンバーシップ推論攻撃（MIA）による厳格な評価を行い、リーク量を定量化した。研究では、各サイトの部分空間を公開したりドナー・グラムを公開したりすると非常に高いリークが発生する一方で（MIA AUC $\approx$ 0.9–1.0）、完全パネル・スキームでセキュア集約を使用するか、不完全パネル・スキームでHE/MPCを使用することで、リークをランダムに近いレベルまで低減できることを示している（MIA AUC $\approx$ 0.61）。
4. 組織横断的有用性マップ： マルチセルラーな復元が単一細胞型解析に対して予測上の優位性を持つ条件を実証的に定義し、強力な細胞型間の協調作用を持つ組織（線維化疾患）において、本手法が単一細胞ベースラインを上回ることを特定した。

結果

• 忠実な復元： 261ドナーの全身性エリテマトーデス（SLE）アトラスにおいて、フェデレーテッド推定器は標準的なインターフェロン・マルチセルラー・プログラムを、部分空間相関0.967、表現型分離AUC 0.958という精度で復元した。これは、中心的な分解の結果と統計的に区別がつかない（$\Delta$AUC = -0.000）。
• 堅牢性： 本手法は、多民族の分割および敵対的なプロセシング・コホートの分割（0% vs 90% 症例）においても性能を維持した。3つの英国の機関に分かれた現実世界のCOVID-19アトラスにおいて、フェデレーテッド部分空間相関は0.989であった。
• 不完全パネル： SLEの細胞型を互いに素なパネルに分割した場合でも、ドナー・グラム結合により完全なプログラムが復元された（構成上、相関は1.000）。これは、固定特徴量のフェデレーテッドPCAでは不可能な成果である。
• 予測的有用性：
  • 間質性肺疾患（ILD）： マルチセルラー・プログラムは、最良の単一細胞型を大幅に上回った（AUC 0.959 vs 0.910）。これは、約24の細胞型にまたがる線維化軸を捉えている。
  • 線維性胆管症（肝臓）： ILDの知見を裏付けたが、小規模なコホート（$n=16$）であるため、決定的な主張には限界がある。
  • その他の組織： 単一のコンパートメントが信号を支配することが多い血液（SLE, COVID）、腸、腎臓、心臓のコホートでは、マルチセルラー・プログラムは最良の単一細胞型と同等の性能を示したが、それを上回ることはなかった。
• プライバシー： セキュア集約により、メンバーシップ推論AUCは、各サイトの部分空間を閲覧できる「好奇心旺盛なコーディネーター」がいる場合（0.906）から、マージされた部分空間のみの場合（0.609）へと減少した。

意義と主張
本論文は、マルチセルラー・テンソル分解の生物学的有用性と、マルチインスティテューショナルなデータのガバナンス上の制約との間のギャップを埋めるものである。主要な貢献は、忠実かつプライベートなフェデレーテッド復元である。著者らは、本手法が「コストに見合う（＝単一細胞解析よりも予測的な利点を提供する）」のは、強力な細胞型間の協調作用を持つ組織（線維化組織）においてであると明言している。

本研究は、現在のコホートサイズにおける形式的な差分プライバシー（DP）の解決を目指すものではない。統計的に意味のあるプライベートな部分空間復元には、現在の単一細胞アトラスを超えるサンプルサイズ（$n$）が必要であることを認めている。代わりに、セキュア集約とメンバーシップ推論評価を用いることで、実用的なプライバシー保証を提供している。本研究は、公開オブジェクト（部分空間 vs グラム vs スコア）の分類と、それに伴うプライバシーリスクを確立しており、生の細胞を共有することなく、組織横断的かつ多民族的な免疫プログラム解析への実用的な経路を提示している。