scDisent: disentangled representation learning with causal structure for multi-omic single-cell analysis

scDisent は、単細胞マルチオミクスデータを発現関連変数と調節関連変数に分離し、疎な因果的マッピングで連結する生成フレームワークであり、既存の統合モデルを超えて生物学的解釈性と干渉解析への適性を大幅に向上させる手法です。

要約

🧬 従来の方法の「困った問題」

まず、これまでの技術が抱えていた問題を想像してみてください。

細胞には、**「どんな細胞か（免疫細胞か、神経細胞か）」を決める「アイデンティティ（正体）」と、「今どんな状態か（興奮しているか、休んでいるか）」を決める「調節（コントロール）」**の 2 つの側面があります。

これまでの AI は、これらをすべて**「一つの大きなカゴ」**に放り込んで分析していました。

• 例え話： 料理のレシピ（遺伝子）と、実際に出来上がった料理（細胞の状態）を、すべて混ぜ合わせて「ミックススープ」にして分析しているようなものです。
• 問題点： 「このスープが美味しいのは、なぜ？」と聞かれても、「塩分（調節）と具材（正体）が混ざり合っていて、どっちが効いているか分かりません」という状態でした。これでは、「もし塩を減らしたらどうなる？」という実験的な予測がしにくいのです。

✨ scDisent の「すごいアイデア」

scDisent は、この「ミックススープ」を**「正体」と「調節」の 2 つに分ける**という大胆なアプローチをとりました。

1. 2 つの部屋に分ける（解離）

AI の頭の中を、2 つの部屋に分けます。

• 部屋 A（正体部屋）： 「これは T 細胞だ」「これは脳細胞だ」という不変のアイデンティティだけを記録します。
• 部屋 B（調節部屋）： 「今は活発だ」「今は疲れている」という一時的な変化や、制御するスイッチだけを記録します。

これにより、細胞の「正体」を傷つけずに、「調節」の部分だけを取り出して分析できるようになりました。

2. 指揮者と演奏者の関係（因果関係）

ただ分けるだけでなく、**「部屋 B（調節）」が「部屋 A（正体）にどう影響を与えるか」という、「指揮者がオーケストラをどう動かすか」**のような関係性を AI が学習します。

• 例え話： 部屋 B にいる「指揮者（調節因子）」が、手を振る（スイッチを入れる）と、部屋 A の「演奏者（遺伝子発現）」がどう反応するかを、AI が**「スパース（無駄のない）な地図」**として描き出します。
• メリット： これにより、「もしこの指揮者が手を止めたら、どんな曲（細胞の状態）が聞こえなくなるか？」という**「もしも（シミュレーション）」**の質問に、答えやすくなります。

🧪 実際にはどんな成果が出た？

このツールを使って、人間の血液（免疫細胞）や脳、マウスの胎児のデータを分析しました。

• 分類の精度が向上： 細胞をグループ分けする能力（クラスタリング）は、既存の最高峰のツールよりも優れていました。
• 生物学的な発見：
  • 免疫細胞（B 細胞など）において、「特定のスイッチを入れると、抗原提示（ウイルスなどを攻撃する準備）の遺伝子が動く」といった、生物学的に意味のあるパターンを見つけました。
  • 脳細胞でも、「星状膠細胞（アストロサイト）」や「神経細胞」それぞれに特有の調節パターンが見つかりました。
• 無駄なノイズを排除： 2 つの部屋は、お互いに干渉しすぎないように設計されているため、必要な情報だけが残る「きれいな地図」ができました。

🎯 なぜこれが重要なのか？（まとめ）

これまでのツールは**「細胞を分類して、きれいに並べる」ことには長けていましたが、「なぜそうなるのか？」「もし操作したらどうなる？」という「メカニズム（仕組み）」**を解明するのは苦手でした。

scDisent は、「細胞の正体」と「細胞のスイッチ」を分けて、その間のつながりを明確にすることで、研究者が以下のような質問を投げかけやすくしました。

「この細胞の『正体』は変えずに、『スイッチ』だけを変えたら、どんな病気や状態になる可能性があるかな？」

つまり、単なる「写真（データ）」を整理するだけでなく、「未来のシミュレーション（仮説）」を立てるための強力な道具になったのです。

💡 一言で言うと

**「細胞という複雑な料理を、レシピ（正体）と味付け（調節）に分けて分析し、味付けを変えたらどうなるかを予測できる、新しい AI 料理研究ツール」**です。

これにより、新しい薬の開発や、病気の原因究明が、より効率的に進むことが期待されています。

技術概要

scDisent: 単細胞マルチオミクス解析のための因果構造を持つ解離表現学習

1. 背景と課題 (Problem)

単細胞マルチオミクス技術（例：scRNA-seq と scATAC-seq の同時計測）は、細胞の同一性（identity）と調節状態（regulatory state）の相補的な側面を捉えることを可能にしました。しかし、既存の統合モデル（scVI, MultiVI, scGLUE, WNN など）には以下の重大な限界があります。

• エンタングルメント（絡み合い）の問題: 従来のモデルは、細胞のアイデンティティ、系統、調節変異を単一の潜在空間（latent space）に圧縮して統合します。
• 解釈性の欠如: この絡み合った表現はクラスタリングには有効ですが、細胞のアイデンティティを維持したまま特定の調節因子を操作する「干渉（perturbation）」解析や、メカニズムに基づく解釈には不向きです。
• 仮説生成の困難さ: どの調節プログラムが隣接する系統や細胞状態を区別しているのかを明確に特定することが困難です。

既存の手法は「統合の質」を追求しますが、「アイデンティティ保存因子」と「調節指向因子」を明示的に分離し、それらを因果的な方向性で結びつけるアプローチを提供していません。

2. 提案手法：scDisent (Methodology)

scDisent は、単細胞マルチオミクスデータのための生成モデルであり、潜在空間を**「発現関連変数（$z_{expr}$）」と「調節関連変数（$z_{reg}$）」**の 2 つの枝（branch）に解離（disentangle）させ、それらを疎な有向マップで連結するフレームワークです。

2.1 モデルアーキテクチャ

モデルは以下の 4 つの主要コンポーネントで構成されます。

1. モダリティ固有のエンコーダ:
   • RNA 特徴量（HVGs）と ATAC 特徴量（ピーク）をそれぞれ独立してエンコードし、共有された潜在状態（$h_{fused}$）を生成します。
2. 双枝変分ヘッド（Dual-branch Variational Heads）:
   • 共有状態を 2 つの独立した潜在変数 $z_{expr}$（細胞アイデンティティの保存）と $z_{reg}$（調節変異の保存）に分割します。
3. 疎な因果マップ（Sparse Causal Mapping）:
   • $z_{reg}$ から $z_{expr}$ への方向性のあるマッピング（$\hat{z}_{expr} = z_{reg}(W \odot G)$）を導入します。
   • Gumbel-Softmaxを用いたバイナリゲートにより、エッジのオン/オフを学習可能にします（疎性の確保）。
   • Gradient Isolation (Detach): 因果損失の計算において、ターゲットとなる $z_{expr}$ をグラフから切り離す（detach）ことで、調節枝の学習がアイデンティティ枝の幾何構造を破壊するのを防ぎます。
4. デコーダ:
   • 連結された潜在変数 $[z_{expr}; z_{reg}]$ を入力として、RNA（ZINB 分布）と ATAC（ベルヌーイ/ガウス分布）を再構成します。
   • 補助的なタスクとして、$z_{expr}$ 単独でも RNA 再構成ができるようにし、アイデンティティの独立性を強化します。

2.2 目的関数と制約

モデルは以下の損失項の和を最小化します。

• 再構成損失: RNA と ATAC の両モダリティの再構成誤差。
• 解離制約:
  • KL 正則化: 事前分布への適合。
  • 全相関（Total Correlation, TC）: 潜在変数間の依存性を抑制（$\beta$-TCVAE）。
  • 直交性制約: $z_{expr}$ と $z_{reg}$ の間の相関を最小化（L2 ノルム）。
• 因果制約:
  • $z_{reg}$ から予測された $\hat{z}_{expr}$ と、detach された実際の $z_{expr}$ の間の MSE。
  • 疎性正則化（L1 ノルム）と DAG 制約（NOTEARS 風）による循環構造の防止。
• 対照的アライメント: RNA と ATAC の隠れ状態間の InfoNCE 損失（クロスモダリティの融合を安定化）。

2.3 段階的トレーニングスケジュール

最適化の安定化のため、3 つのフェーズで学習を行います。

1. フェーズ 1: 因果マップを凍結し、マルチモダリティの再構成と共有状態の安定化に集中。
2. フェーズ 2: 解離制約（KL, TC, 直交性）と対照的損失を有効化し、枝の分離を促進。
3. フェーズ 3: 因果マップをアンロックし、エンドツーエンドで微調整。これにより、安定した意味を持つ潜在空間上で因果構造を学習します。

3. 主要な貢献 (Key Contributions)

1. 双枝潜在アーキテクチャの導入: 細胞のアイデンティティ（$z_{expr}$）と調節変異（$z_{reg}$）を物理的に分離する構造を提案。
2. 方向性のある疎な因果インターフェース: 調節枝が発現枝にどのように影響するかを明示的にモデル化し、勾配の逆流を防ぐ「detach」機構により、アイデンティティの幾何構造を維持しながら調節の解釈を可能にしました。
3. 統合性能と解釈性の両立: ベンチマークデータセットにおいて、既存の最良の統合モデルと同等以上のクラスタリング性能を維持しつつ、生物学的に意味のある干渉仮説を生成できることを実証しました。

4. 結果 (Results)

PBMC 10k、Human Brain 3k、Mouse E18 の 3 つのマルチオミクスデータセットで評価されました。

• 統合性能:
  • scDisent はすべてのデータセットで、scVI, MultiVI, scGLUE, Seurat WNN などの競合モデルを上回る、または同等の ARI（Adjusted Rand Index）と NMI（Normalized Mutual Information）を達成しました（例：PBMC 10k で ARI 0.627）。
• 解離の定量的評価:
  • $z_{expr}$ と $z_{reg}$ の間の平均絶対相関は低く抑えられており（PBMC で 0.102）、両者は明確に分離されています。
  • クラスターラベルとの相互情報量は $z_{expr}$ に集中しており、$z_{reg}$ はラベルに直接依存しない構造化された残差信号を持っていることが示されました。
• 干渉解析（Perturbation Analysis）:
  • PBMC: B 細胞、NK 細胞、単球など、系統特異的な調節因子（例：B 細胞における $z_{reg\_30}$）を同定し、それらを抑制した際の遺伝子発現シフトが既知の生物学的マーカー（BACH2, NKG7 など）と整合的であることを示しました。
  • 脳・発生データ: 星状膠細胞や興奮性ニューロン、ラジアルグリアなど、系統特異的な調節プログラムを再発見しました。
• アブレーション研究:
  • 解離制約（TC + 直交性）を除去すると性能が最も大きく低下し、枝の分離が性能向上の主要因であることを示しました。
  • 因果マップの除去や勾配保護の欠如も性能低下を招きますが、解離の欠如ほど致命的ではありません。

5. 意義と結論 (Significance)

scDisent は、単細胞マルチオミクス解析のパラダイムを「単なる統合（Integration）」から「メカニズム指向の表現学習（Mechanism-oriented Representation Learning）」へと転換させるものです。

• 生物学的仮説生成: 従来のエンタングルモデルでは困難だった「特定の系統においてどの調節因子が活性か」「その因子を操作すると発現がどう変わるか」という問いに答えることを可能にします。
• 解釈可能性の向上: 学習された疎な因果マップは、単なる統計的相関ではなく、生物学的に検証可能な仮説空間を提供します。
• 将来展望: 本手法は、完全な因果推論を保証するものではありませんが、実験的な干渉実験の優先順位付けや、in silico 仮説生成のための強力なツールとなります。

結論として、scDisent は統合の質を損なうことなく、細胞アイデンティティと調節メカニズムを分離した表現を学習することで、単細胞データからの生物学的洞察を深めるための新しい計算論的基盤を提供します。