A transcriptomics-native foundation model for universal cell representation and virtual cell synthesis

本研究は、バッチ効果の低減と生物学的多様性の保持を両立する表現学習と、生データと区別がつかない仮想細胞の生成を可能にする転写オミクスネイティブな基盤モデル「xVERSE」を開発し、少量データ解析やクロスモーダル予測の精度向上を実現したことを報告しています。

要約

この論文は、**「xVERSE（エックスバース）」**という、新しい人工知能（AI）モデルについて紹介しています。

これを一言で言うと、**「細胞の『言語』をネイティブに理解し、欠けた情報を完璧に補い、さらに『見えない細胞』まで作り出すことができる、超高性能なデジタル・シミュレーター」**です。

これまでの AI は、細胞のデータを「単語の羅列」として扱っていましたが、xVERSE は細胞の「生きた確率の動き」そのものを理解しています。

以下に、難しい専門用語を使わず、日常の例え話で解説します。

---

1. 従来の AI と xVERSE の違い：辞書 vs 料理人

これまでの細胞解析 AI（scGPT など）は、**「辞書」**のようなものでした。
細胞の遺伝子データを「単語」として覚えさせ、「次の単語は何か？」を予測する仕組み（言語モデル）を使っていました。

• 例え話： 料理のレシピ本を暗記している人です。「卵を使ったら次に小麦粉」という順序は覚えますが、実際の料理の「味」や「食感（生化学的な性質）」までは理解していません。そのため、新しい食材（新しい実験データ）が出ると、うまく対応できないことがありました。

一方、xVERSEは**「天才料理人」です。
単に順序を覚えるだけでなく、「卵が火を通すとどう変化するか」「材料の量と味のバランス」**という、料理そのものの「確率と分布」を深く理解しています。

• メリット： 材料が少し足りなくても（遺伝子データが一部しかなくても）、完璧な味（細胞の姿）を再現したり、新しいレシピ（新しい病気の細胞）をゼロから生み出したりできます。

2. xVERSE ができる 3 つのすごいこと

この AI は、主に 3 つの魔法のようなことができます。

① 「ノイズ」を消して、細胞の正体を見抜く（バッチ効果の除去）

実験室 A と実験室 B で同じ細胞を測っても、機械の違いや日付の違いでデータが少しズレることがあります（これを「バッチ効果」と呼びます）。

• 例え話： 2 人の写真屋さんが同じ人を撮っても、照明やカメラの違いで顔色が違って写ります。xVERSE は、**「照明の違いを無視して、その人の『本当の顔』だけを見抜く」**ことができます。
• 結果： 異なる実験や病院のデータを混ぜ合わせても、細胞の種類を正確に分類できます。

② 「見えない細胞」を、本物そっくりにつくる（バーチャル細胞の合成）

これが最も革新的な部分です。xVERSE は、実在しない「仮想細胞（バーチャル・セル）」を、本物と区別がつかないレベルで作り出せます。

• 例え話： 本物の「リンゴ」のデータから、AI が**「デジタル・リンゴ」**を生成します。このデジタル・リンゴは、味、重さ、見た目、すべてが本物と全く同じです。
• すごい点： 研究者が「希少で、見つけるのが難しい細胞（例：がんの初期の細胞）」を調べる際、実物が見つからなくても、この AI が**「見えない細胞」を何千個も作り出し**、それを研究に使えます。まるで、**「実験室で新しい細胞を無から生み出している」**ようなものです。

③ 欠けたパズルのピースを、完璧に埋める（遺伝子の補完）

空間トランスクリプトミクス（細胞の場所と遺伝子を同時に見る技術）では、一度に測れる遺伝子の数が限られています（パズルのピースが足りない状態）。

• 例え話： 1000 ピースあるパズルが、実際には 100 ピースしか手元にないとします。従来の AI は「たぶんここには青い空が入るだろう」と適当に埋めますが、xVERSE は**「このパズルの完成図を頭の中で描き、欠けている 900 枚のピースを、元の絵が崩れないように完璧に復元」**します。
• 結果： 限られたデータから、細胞の全貌を鮮明に描き出すことができます。

3. なぜこれが重要なのか？（現実世界への影響）

この技術は、医療や生物学の研究を劇的に変える可能性があります。

• 少ないデータでも分析できる：
  患者さんのサンプルがたった 4 つしかないような「希少な病気」の研究でも、AI がデータを増幅（拡張）してくれるため、統計的に意味のある分析が可能になります。
• 新しい治療法の発見：
  「正常な状態」と「病気の状態」のデータを AI が繋ぎ合わせ、**「病気が進行する過程で細胞がどう変化するか」**をシミュレーションできます。これにより、新しい薬のターゲットを見つけやすくなります。
• コストと時間の削減：
  実験室で新しい細胞を育てるには時間とお金がかかりますが、xVERSE なら**「コンピューター上で実験」**ができるため、研究のスピードが格段に上がります。

まとめ

xVERSE は、単なる「データ分析ツール」ではなく、**「細胞の言語をネイティブに話し、欠けた部分を補い、未来の細胞さえもシミュレートできる、生物学のための新しい『創造のエンジン』」**です。

これにより、研究者は「データが足りないからできない」という制約から解放され、これまで見えなかった生命の謎に挑むことができるようになるでしょう。

技術概要

論文タイトル: A transcriptomics-native foundation model for universal cell representation and virtual cell synthesis

モデル名: xVERSE
著者: Xiaohui Jiang, Jichun Xie (Duke University)

1. 背景と課題 (Problem)

近年、単一細胞および空間シーケンシング技術の急速な発展により、組織、発生段階、疾患にわたる大規模な細胞プロファイルの地図（アトラス）が生成されています。これらを統合し、普遍的な細胞・遺伝子表現を学習すること、および高忠実度な仮想細胞を合成してデータ拡張を行うことは、次世代の解析において極めて重要です。

しかし、既存のトランスクリプトミクス基盤モデル（scGPT, Geneformer, Nicheformer など）には以下の重大な限界がありました：

• アーキテクチャのミスマッチ: これらのモデルは、自然言語処理（NLP）で成功した大規模言語モデル（LLM: BERT, GPT など）のアーキテクチャを転用しています。しかし、遺伝子発現データは「順序性を持たない（unordered）」高次元かつ疎なデータであり、言語モデルが前提とする「逐次的な順序（sequential priors）」はトランスクリプトミクスデータの分布特性を捉えるのに不適切です。
• 生成能力の欠如: 既存モデルの主な目的はマスクされたトークンの予測による表現学習であり、遺伝子発現の完全な確率分布を明示的にモデル化して、生物学的に忠実な仮想細胞を合成する能力には欠けています。
• タスク特化型手法への劣勢: 計算コストが高いにもかかわらず、バッチ効果補正や遺伝子補完、小規模データからの推論などの特定タスクにおいて、従来の専門的な手法（Harmony, SpaGE など）よりも性能が劣るケースが多く見られました。

2. 提案手法：xVERSE (Methodology)

著者らは、これらの限界を克服するため、xVERSE という「トランスクリプトミクスネイティブ」な深層生成基盤モデルを提案しました。xVERSE は、表現学習と確率的なトランスクリプトーム再構成を統合し、以下の 4 つの主要なアーキテクチャ的革新を採用しています。

1. 順序構造の排除と生データのカウントモデル化:

   • 既存の Transformer ベースモデルが遺伝子を「トークンの列」として扱うのに対し、xVERSE は遺伝子発現の「生カウント（raw gene counts）」を直接モデル化します。これにより、トランスクリプトミクスデータの本質的な「順序性のない・高次元・疎」な性質を尊重します。
   • 細胞・遺伝子固有のポアソン分布を用いて、遺伝子発現の確率分布を直接学習します。

2. パネル対応の確率的遺伝子マスキング:

   • 異なる遺伝子パネル（空間トランスクリプトミクスなどで使用される限定的なパネル）に対応するため、自己教師あり学習において、遺伝子パネルの構成に応じた動的なランダムマスキング戦略を採用しています。

3. 勾配反転層（GRL）によるバッチ不変性の学習:

   • 生物学的変動と技術的交絡因子（バッチ効果、プラットフォームの違い）を明示的に分離するため、勾配反転層（Gradient Reversal Layer）を使用します。これにより、バッチや技術に依存しない頑健な細胞表現（バッチ不変な潜在空間）を学習します。

4. 双ストリームデコーダーとポアソン再構成:

   • 潜在表現から、細胞固有の生物学的シグナルと技術的アーティファクトを分離して再構成する双ストリームデコーダーを持ちます。
   • 入力された細胞埋め込み（完全なパネルまたは部分的なパネルから得られる）に基づき、任意の細胞に対する遺伝子発現の確率分布（ポアソン分布のパラメータ）を出力し、未測定遺伝子の補完や仮想細胞の合成を可能にします。

学習データ:
CellxGene Census（8900 万以上の細胞、64 組織、138 疾患状態）および 10x Genomics Xenium, CosMx, Vizgen MERFISH などの空間トランスクリプトミクスデータ（1900 万細胞、13 組織）を含む大規模なパン・トissue・パン・疾患・クロス・テクノロジーデータセットで事前学習されています。

3. 主要な貢献と結果 (Key Contributions & Results)

A. 汎用的な細胞・遺伝子表現の学習

• ゼロショット性能: 事前学習済みの xVERSE をファインチューニングなしで適用したところ、既存の基盤モデル（scGPT, Nicheformer, Geneformer）およびバッチ補正特化手法（Harmony）を凌駕しました。
  • 細胞タイプごとの平均シルエット幅（ASW）スコアで、2 位の基盤モデル（scGPT）より17.9%、Harmony より11.4% 高い性能を達成しました。
  • 限られた遺伝子パネル（Xenium Prime の 5,000 遺伝子や組織特異的パネル）入力時にも同様の優位性を示しました。
• 計算効率: 推論速度は 2 位のモデルより59.7% 高速でした。

B. 高忠実度な仮想細胞合成 (Virtual Cell Synthesis)

• xVERSE は、生物学的細胞とトランスクリプトーム的に区別できない「仮想細胞」を合成する初の基盤モデルです。
• 判別不可能性: 生物細胞と仮想細胞を区別するバイナリ分類器を訓練した結果、xVERSE 生成細胞の AUROC は0.5（ランダム推測）となり、生物データと区別できませんでした。一方、scVI などの既存生成モデルは AUROC 0.7 以上となり、容易に検出可能でした。
• 分布の忠実性: 遺伝子発現カウントの分布（スパース性やダイナミックレンジ）および遺伝子発現ランクの相関において、生物データと高い一致を示しました。

C. 空間トランスクリプトミクスにおける遺伝子補完

• 参照データ不要の補完: 既存の手法（SpaGE, gimVI）は外部の単一細胞参照データに依存し、参照データ選択によって性能が不安定になる問題がありましたが、xVERSE はゼロショットまたはファインチューニングのみで参照データなしで高精度な補完を可能にします。
• 性能: 既存の専門手法（2 位）より平均34.3% 高い補完精度を達成しました。特に、予測が最も困難な遺伝子においても、既存手法が負の相関（破綻）を起こす状況でも、xVERSE は正の相関を維持する堅牢性を示しました。

D. 低データ量環境での生物学的信号の増幅

• 希少細胞種の検出: 細胞数が極めて少ないデータセット（例：全 60 細胞中、希少集団が 4〜10 細胞）において、xVERSE で合成した仮想細胞（1 生物細胞あたり 5 個）を追加することで、標準的なクラスタリング手法（Leiden）では検出できなかった希少細胞種を正確に分離・同定できました。
• DEG 解析の回復: 極端に少ない細胞数（例：樹状細胞が 4 細胞のみ）のデータセットでも、仮想細胞によるデータ拡張を行うことで、対照群（オーバーサンプリング）と比較して、差発現遺伝子（DEG）の検出感度（Recall）が大幅に向上しました。

E. 機械学習モデルの汎化性能向上

• クロスモダリティ予測: 正常なドナーのデータのみで訓練されたモデルを、移植後の病理状態（CAV, NGD）のデータでテストするタスクにおいて、xVERSE による仮想細胞でのデータ拡張がモデルの汎化性能を大幅に向上させました。
  • ADT タンパク質予測、B セルアイソタイプ分類、T セル系統分類などにおいて、MSE の削減や AUROC の向上（最大 31.3% の CE 削減、20% 以上の AUROC 向上）が確認されました。

F. 生物学的解釈性とパネル設計 (Gene2Cell Score)

• 学習された「Gene2Cell スコア」は、各遺伝子が細胞表現にどれだけ寄与するかを定量化します。
• このスコアが高い遺伝子のみを使用しても、全遺伝子パネルを用いた場合と同様、あるいはそれ以上の細胞分離精度（ASW）が得られました。これは、空間トランスクリプトミクスにおけるプローブ設計（最小限の遺伝子パネルで最大限の情報を得る）をデータ駆動で最適化する指針となります。

4. 意義と結論 (Significance)

xVERSE は、単一細胞解析の枠組みを根本的に変える基盤モデルです。

1. 生成モデルとしてのパラダイムシフト: 単なる表現学習器ではなく、生物学的に忠実なトランスクリプトーム分布を学習・生成する「生成エンジン」として機能します。
2. 実験的制約の克服: 希少細胞や小規模サンプルの統計的検出力を、湿式実験（wet-lab）を伴わずに計算機上で拡張することを可能にし、研究コストと時間を削減します。
3. 汎用性と堅牢性: バッチ効果や技術的差異に左右されず、多様なプラットフォームや遺伝子パネルに対応できるため、次世代の単一細胞および空間オミクス解析の標準的な基盤として機能します。
4. 生物学的発見の加速: 仮想細胞を用いたデータ拡張により、従来検出困難だった希少細胞種の同定や、病理状態へのモデルの一般化を可能にし、複雑な生物学的メカニズムの解明を加速させます。

本論文は、xVERSE が従来のモデルを超えた分析能力を unlocked することを示し、大規模ゲノミクス時代におけるデータ駆動型発見の新たなパラダイムを確立しました。