CellPace: A temporal diffusion-forcing framework for simulation, interpolation and forecasting of single-cell dynamics

CellPace は、トランスフォーマーベースの時間的拡散モデルを用いて単一細胞オミクスデータの連続的な時間的ダイナミクスを学習・生成し、欠損や不規則なサンプリングに対処しながら、シミュレーション、補間、予測において最先端の性能を発揮するフレームワークである。

要約

この論文は、**「CellPace（セルペース）」**という新しい AI ツールについて紹介しています。

一言で言うと、これは**「細胞の成長物語を、欠けたページから読み解き、未来のページまで書き足すことができる魔法の物語作成機」**のようなものです。

以下に、専門用語を使わず、身近な例えを使って分かりやすく解説します。

---

1. 従来の問題点：「スナップショット写真」の限界

生物の細胞は、時間とともに変化し、成長していきます（例えば、受精卵から赤ちゃんの細胞になる過程など）。
しかし、現在の技術では、細胞を一度調べると壊れてしまうため、「連続した動画」ではなく、「断片的な写真（スナップショット）」しか撮れません。

• 従来の方法： 1 歳、3 歳、5 歳の写真しかありません。
  • 「2 歳や 4 歳はどうだった？」と聞かれても、写真がないので推測が難しく、**「1 歳と 3 歳の間は飛んでしまった」**という状態になります。
  • 「6 歳以降はどうなる？」と未来を予測することも、これまでの写真がバラバラだと難しいのです。
  • 多くの AI は、「1 歳」「3 歳」「5 歳」という**「ラベル（名前）」だけを見て、そのラベルに合う写真を作るのが得意でしたが、「時間という流れ」そのものを理解して、欠けた部分や未来を埋めることは苦手**でした。

2. CellPace の仕組み：「時を操る物語作成機」

CellPace は、この「欠けた時間」を埋め、未来を予測するために作られました。その仕組みを 3 つのステップで説明します。

① 写真の整理（暗号化）

まず、CellPace は大量の細胞の遺伝子データ（写真）を、AI が理解しやすい「暗号（潜在空間）」に変換します。これは、膨大な写真アルバムを、コンパクトな「物語の要約ノート」にまとめるようなものです。

② 時間の感覚を教える（ギャップ認識）

ここが CellPace の最大の特徴です。
従来の AI は「1 歳→2 歳→3 歳」と均等に並んでいると仮定していましたが、現実の生物学では「1 歳からいきなり 10 歳まで飛んでいる」こともあります。
CellPace は、**「どのくらい時間が空いているか（ギャップ）」**を正確に計算して学習します。

• 例え話： 映画の編集者が、カットされたシーン（欠けた時間）を埋める際、「前のシーンと次のシーンの間が 1 秒なのか、1 年なのか」を正確に計算して、自然なつなぎ目を作るようなものです。CellPace はこの「時間の感覚」を AI に教え込みました。

③ 未来を描く（拡散モデル）

CellPace は、ノイズ（白紙の状態）から始めて、学習した「時間の流れ」を頼りに、細胞がどう変化していくかを一つずつ描き出します。

• 挿入（Interpolation）： 「1 歳と 3 歳の間（2 歳）」を、欠けたページとして自然に作り出します。
• 予測（Extrapolation）： 「5 歳までのデータしかない」場合でも、その成長の勢いから「6 歳や 7 歳」の姿を予測して描き出します。

3. 何がすごいのか？（実力テスト）

研究者たちは、マウスの目の細胞や胎児の成長データを使って、CellPace の能力を試しました。

• リアルな成長： 作られた細胞は、実在する細胞と見分けがつかないほど自然で、遺伝子の動きも正しい順序で変化していました。
• 欠けたページの復元： 実験で「ある時期のデータ」を隠してテストすると、CellPace はその時期の細胞の姿を、まるで実際に観測していたかのように正確に再現しました。
• 未来の予測： 実験が終わった時点（5 歳）から先の未来（6 歳）を予測しても、実際の成長パターンとほぼ一致しました。
• 場所の特定： 細胞が体の「どこ」にあるべきか（例えば、胃の近くか、背骨の近くか）も、作られたデータから正しく読み取れました。

さらに、RNA（遺伝子の設計図）と ATAC（遺伝子のスイッチ）という2 つの異なるデータを同時に扱うこともでき、より複雑な成長過程も再現できました。

4. まとめ：なぜこれが重要なのか？

CellPace は、単に「欠けたデータを補う」だけでなく、「細胞が時間とともにどう変化するか」という「物語の全体像」を AI が理解し、創作できることを示しました。

• 従来の AI： 「1 歳の写真」と「3 歳の写真」を別々に作る。
• CellPace： 「1 歳から 3 歳へ、そして 5 歳へと続く、滑らかな成長の動画」を、欠けた部分や未来も含めて作り出す。

これは、病気の進行を予測したり、新しい薬が細胞にどう影響するかをシミュレーションしたりする際に、非常に強力なツールになるでしょう。まるで、**「細胞の成長という映画の、欠けたシーンや未来の結末を、AI が自然な形で書き足してくれる」**ような技術なのです。

技術概要

以下は、提示された論文「CellPace: A temporal diffusion-forcing framework for simulation, interpolation and forecasting of single-cell dynamics」の技術的な要約です。

1. 背景と課題 (Problem)

単細胞オミクス技術は、細胞の不均一性を高解像度で解明しますが、実験は本質的に破壊的であり、連続的な発生過程の断片的なスナップショット（静的なデータ）しか提供しません。

• 既存手法の限界:
  • 軌道推定（Trajectory Inference）: 既存の細胞を順序付けたり遷移を推定したりすることはできますが、欠落した状態の分子プロファイルを「生成」したり、観測されていない未来の段階を予測したりすることはできません。
  • 連続時間モデル（ODE/SDE）: 時間軸を連続的に扱いますが、通常は初期状態として「実細胞」が必要であり、ノイズからの生成（シミュレーション）が困難です。また、集団レベルの相互作用を捉えきれない場合があります。
  • 拡散モデル・フローマッチング: 最近の生成モデル（scDiffusion, CFGen など）はノイズから細胞を生成できますが、時間を「離散的なカテゴリ（ラベル）」として扱っています。そのため、時間的な連続性や段階間の距離を学習できず、欠落した中間段階の補間（Interpolation）や、将来の段階への外挿（Extrapolation/Forecasting）が困難です。

課題: 不規則にサンプリングされた、あるいは欠落した時間点を含む単細胞データから、連続的な発生ダイナミクスを学習し、任意の時間点（観測済み・未観測・未来）で現実的な細胞状態を生成できるフレームワークの必要性。

2. 手法 (Methodology)

著者らは、CellPace という新しい生成モデルを提案しました。これは、Transformer ベースの「Temporal Diffusion Forcing (TDiF)」アーキテクチャを採用しています。

• 基本アーキテクチャ:

  1. 潜在空間学習 (Latent Learning): 事前学習された変分オートエンコーダー（VAE、scRNA-seq の場合は scVI、マルチオミクスの場合は MultiVI）を用いて、高次元の遺伝子発現データを低次元の潜在空間（Latent Space）にエンコードします。
  2. TDiF (Temporal Diffusion Forcing):
     • 連続的な時間エンコーディング: 従来の位置エンコーディング（整数インデックス）の代わりに、**「ギャップを考慮した連続的な時間特徴量」**を使用します。各ステップには、(1) 正規化された発生の相対位置、(2) 前段階からの経過時間（ギャップ）の 2 次元ベクトルを付与します。これにより、不規則なサンプリング間隔を明示的にモデル化します。
     • 因果的マスクとアダプティブレイヤーノーマライゼーション (AdaLN): Transformer 背骨に因果的アテンションマスクを適用し、未来の状態から過去への情報漏洩を防ぎます。時間特徴量は AdaLN を通じて各レイヤーの活性化を調節し、時間的間隔に応じたノイズ除去ダイナミクスを学習させます。
     • 個別ノイズレベル: 従来の拡散モデルがシーケンス全体に共通のノイズレベルを適用するのに対し、TDiF は各時間位置に対して独立してノイズレベルをサンプリングします。これにより、過去のクリーンな状態をコンテキストとして利用しつつ、未来のノイズの多い状態を予測する「連続的マスク」メカニズムを実現します。

• 推論プロセス:

  • ピラミッドスケジューリング: 生成時に、過去の状態を先に高精度に復元し、それをコンテキストとして未来の状態を生成する非対称なノイズ除去スケジュールを採用します。
  • スライドウィンドウ: 学習ウィンドウを超える長さのシーケンスを生成するために、生成された潜在ベクトルをコンテキストとして次々とウィンドウをずらしながら生成します。
  • 出力: 生成された潜在ベクトルを VAE デコーダに通し、遺伝子発現カウント（または ATAC アクセシビリティ）に変換します。

3. 主な貢献 (Key Contributions)

• 初の拡散ベースの連続時間生成フレームワーク: 単細胞データ（およびマルチオミクスデータ）において、ノイズからのシミュレーション、欠落段階の補間、未来段階の外挿を同時にサポートする最初の拡散モデルです。
• 不規則サンプリングへの対応: 時間間隔を離散カテゴリではなく連続変数として扱うことで、生物学的に意味のある時間的ギャップをモデルに学習させ、補間・外挿の精度を向上させました。
• マルチモーダル対応: VAE を MultiVI に置き換えることで、scRNA-seq と scATAC-seq のペアデータを同時にモデル化し、連続的なマルチオミクスダイナミクスを生成可能にしました。
• 疑似時間（Pseudotime）の活用: 明確な時間ラベルがないスナップショットデータに対しても、疑似時間軸を構築して同様の分析が可能であることを示しました。

4. 結果 (Results)

マウスの発生過程に関する複数のデータセット（網膜前駆細胞、後部胚、上皮細胞、血管内皮細胞、口蓋発生のマルチオミクスデータ）を用いて評価されました。

• シミュレーション性能: 観測済みの時間点において、CellPace は既存の拡散モデル、フローマッチング、ODE/SDE ベースのモデル（scDiffusion, CFGen, scIMF など）を上回る性能を示し、実データとの分布一致度（Wasserstein 距離など）と生物学的構造の保持において最高水準でした。
• 補間と外挿:
  • 補間: 学習データから完全に除外された中間段階（例：ソミット数 12, 15, 18）において、CellPace は実データと重なる多様体（Manifold）を正確に生成しました。他のモデルは中間段階や外挿段階で性能が大幅に低下しました。
  • 外挿: 学習範囲を超えた未来の段階（例：ソミット数 33, 34）の予測においても、CellPace は最も低い分布距離と高い miLISI（混合指標）を達成しました。
• 生物学的妥当性の維持:
  • マーカー遺伝子: 発生段階に応じた遺伝子発現パターン（例：網膜色素上皮マーカーの時間的増加）を正確に再現しました。
  • 空間的位置情報: 生成された細胞を空間トランスクリプトミクスデータ（MOSTA アトラス）にマッピングした際、実細胞と同様に解剖学的に正しい領域に局在しました。
  • 遺伝子制御ネットワーク (GRN): 生成データから推定された GRN は、実データのトポロジーや転写因子の活性パターン（例：Etv4 の低下、Hoxa10 の上昇）を忠実に再現しました。
• マルチオミクス: 口蓋発生の RNA-ATAC データにおいて、CellPace は CFGen を上回る性能で、特に外挿タスクにおいて複雑な分岐構造を保持することに成功しました。

5. 意義と展望 (Significance)

CellPace は、単細胞データ解析における「静的なスナップショット」と「連続的な生物学的過程」の間のギャップを埋める重要なステップです。

• 予測的ツール: 実験的に観測が困難な中間段階や将来の発生段階を、計算機的に高精度にシミュレーション・予測できるため、実験計画の最適化や仮説検証に貢献します。
• 汎用性: 時間ラベルが不完全なデータや、マルチオミクスデータ、疑似時間に基づくデータなど、多様な単細胞データセットに適用可能です。
• 将来の展開: 空間的解像度の統合、種間転移学習、タンパク質やエピジェネティクスなど多層的な情報の統合への拡張が期待されます。

総じて、CellPace は単細胞生物学において、時間的連続性を明示的にモデル化する強力な基盤技術として位置づけられます。