pysigscore: gene signatures scoring across bulk and single-cell transcriptomics

技術要約：pysigscore: バルクおよびシングルセル・トランスクリプトミクスにおける遺伝子シグネチャー・スコアリング

問題提起
ハイスループット・トランスクリプトミクスは、診断、予後、および生物学的機能の特性評価において、遺伝子シグネチャーを遺伝子発現データを解釈するための中心的なツールとして確立してきました。しかし、シグネチャーの活性を定量化し、その堅牢性を評価することは依然として困難です。既存のスコアリング手法は、背景分布、堅牢性、および統計的基礎（単純な要約、Z統計量、またはランクベースのアプローチなど）に関する異なる仮定に依存しています。その結果、すべてのデータセットや生物学的な問いに対して普遍的に最適な単一のスコアリング・アプローチは存在しません。研究者が複数のスコアリング手法を計算、比較、およびベンチマークしつつ、その統計的有意性と信頼性を評価できる、統一されたフレームワークが明確に求められています。

手法
著者らは、バルクおよびシングルセルRNA-seq（scRNA-seq）データの両方に適した遺伝子セット・スコアリングのためのPythonフレームワークである pysigscore を提示しています。このフレームワークは、データの前処理、スコア計算、信頼性評価、および可視化を含む統一されたワークフローを管理する Scorer() オブジェクトによって調整されます。

• 入力および前処理: 本システムは、発現行列（DataFrameまたはAnnDataオブジェクト）および遺伝子セット（辞書またはバイナリ行列）を受け入れます。ログ変換、標準化、Min-Maxスケーリング、k-近傍法（k-NN）による平滑化、およびステップ/分位点変換を含む広範な前処理をサポートしています。
• スコアリング・エンジン: コア機能は compute_scores() 関数によって駆動され、行がサンプル/細胞、列が遺伝子セットを表すスコア行列を生成します。本フレームワークは、以下の3つのファミリーに分類される18種類の組み込みスコアリング手法を実装しています。
  1. 直接統計量 (14手法): Sum、WeightedSum、Mean、Median、Mode、および堅牢な統計量であるIQR、MAD、AADを含みます。これらは、シグネチャー遺伝子の値から直接、スカラー要約を計算します。
  2. Zスコア (1手法): サンプル内の全発現プロファイルに対する遺伝子セットの平均発現を標準化します。
  3. ランクベースの手法 (3手法): AUCell、ssGSEA、およびGSVAを含み、サンプル内の高ランク遺伝子の中にシグネチャー遺伝子がどの程度濃縮されているかを評価します。
• カスタマイズ性: 主要な機能は カスタム・スコラー（Custom Scorer） であり、これによりユーザーはライブラリのソースコードを変更することなく、Pythonコードを介して新しいスコアリング関数を定義できます。これらの関数は、シグネチャー遺伝子の発現ベクトルと、全サンプルの発現ベクトルを受け取る必要があります。
• 信頼性と有意性:
  • P値の推定: 直接的な手法については、サイズを一致させたランダムな遺伝子セットを用いて置換テストを行い、null分布を生成することで有意性を推定し、プラスワン補正を適用します。Zスコアは、標準正規分布からの解析的な両側P値を使用します。ランクベースの手法は、経験的な手順またはバックエンドの実装を利用します。
  • Leave-One-Out (LOO) 実験: シグネチャー内の各遺伝子を反復的に除去した後にスコアを再計算することで、堅牢性を評価します。偏差は、特定の「ハブ」遺伝子への依存性を特定するために、平均絶対誤差（MAE）、平均二乗誤差（MSE）、または平均絶対パーセント誤差（MAPE）を用いて定量化されます。
• カスタマイズ: ユーザーは、既存のアプローチと比較するために、独自のスコアリング関数を実装、ベンチマーク、および直接比較することができます。

主な貢献
本論文は、先行研究（Rパッケージの sigscores や sigQC など）を拡張する5つの主要な貢献を主張しています。

1. scRNA-seq手法の統合: シングルセル・トランスクリプトミクス用に特別に開発された新しいアプローチを取り入れ、組み込みメソッドの数を18に拡大しました。
2. 統一されたカスタマイズ性: 柔軟な組み込みカスタム・スコラーを提供することで、ユーザーが単一のライブラリ内で独自のスコアリング関数を実装、ベンチマーク、および既存のアプローチと直接比較できるようにしました。
3. 遺伝子レベルの寄与分析: LOO実験を通じて、シグネチャーの活性に対する個々の遺伝子の寄与の評価を容易にします。
4. スケーラビリティ: 大規模なトランスクリプトーム・データセットを効率的に処理するように最適化されています。
5. 相互運用性: 主要なRNA-seq解析フレームワーク（例：AnnData）と直接互換性があり、既存のパイプラインへのシームレスな統合を保証します。

結果
著者らは、CCLE、TCGA、およびPBMCデータセットを用いて pysigscore を検証しました。検証により、肝臓、低酸素、炎症、および細胞周期のシグネチャーにおける期待される生物学的濃縮を回復する本フレームワークの能力が示されました。結果は、本フレームワークが多様なデータタイプを正常に処理し、異なる実験設定において一貫した解釈可能なスコアを提供できることを裏付けています。

意義
本論文は、pysigscore を単なる計算ツールとしてではなく、方法論的な比較のための再現可能なフレームワークとして位置付けています。異なるスコアリング手法を同時に計算、比較、および評価することを可能にすることで、「単一のアプローチがすべての文脈において最適である」という限界に対処しています。このツールは、研究者が事前に「最良」の手法を一つ選ぶのではなく、特定の生物学的な問いやデータセットの特性に最も適合するスコアリング戦略を、データに基づいた決定を下せるようにするものです。