scPyviewer: a Python-native interactive viewer from AnnData single-cell data

ここ10年、生物学の研究室では革命が起きています。科学者は今や個々の細胞を一つずつ観察し、各細胞に何をすべきかを指示する遺伝的命令を読み取ることができるようになりました。これにより、生命の探求は巨大なデータ問題へと変貌しました。一つの実験だけで数十万もの細胞に関する情報を生成でき、組織がいかに構築され、疾患の中でどのように変化するかを示すデジタルマップを作成できます。しかし、このデータの氾濫は新たな問題を生み出しました。それは、「誰がその地図を見ることができるのか？」という問いです。実験を行う人々、すなわち細胞を育てたり患者を治療したりする生物学者たちは、これらのマップを探索するために必要なコンピュータコードを書く方法を知らないことがよくあります。長年、解決策は「受け渡し」でした。計算の専門家が作業を完了させ、結果を特定の形式にパッケージ化して、別のプログラマーグループによって構築された別個のソフトウェアツールへと渡すのです。このツールにより、生物学者はコードを一行も書くことなく、クリック操作で細胞の集団をズームインしたり、「どの細胞がこのタンパク質を作っているのか？」といった質問を投げかけたりできるようになります。

しかし、二つのグループの間には静かな言語の壁が生じていました。これら細胞マップを分析するための主要なソフトウェアはPythonと呼ばれるプログラミング言語で書かれており、これが現代の生物学における標準となっています。ところが、非プログラマーが結果を探索するためのインタラクティブなツールは、異なる言語であるRに基づいて構築されています。これらのツールを使用するためには、Pythonで研究を行っているラボは、まずデータセット全体をRの形式に翻訳しなければなりません。この翻訳ステップは遅く、エラーが発生しやすく、最新かつ最も複雑なタイプのデータに対しては不可能なことも珍しくありません。これは、英語で書かれた図書ライブラリーを持っているのに、要約を読む前にすべての本をフランス語に翻訳しなければならないと言われているようなものです。多くのラボにとって、これは彼らが知見を簡単に共有できないか、あるいは探索を実行するためにプログラマーに頼るしかないことを意味しています。

ある研究チームが、この溝を埋めるための新しいツールを開発しました。彼らはscPyviewerと呼ばれるソフトウェアアプリケーションを作成し、科学者がPython環境から離れることなく、データを翻訳することなく、これらの複雑な細胞マップを直接探索できるように設計しました。研究者たちは、この新ツールを現在研究所で使用されている最も人気のある既存のツール3つと比較検証しました。その結果、新ツールは従来のツールができることはすべて実行できるものの、より高速で、コンピュータのメモリへの負荷も大幅に少ないことが分かりました。22,000個から300,000個以上の細胞を含むデータセットを用いたテストにおいて、新ツールは高速かつ応答性を維持していました。対照的に、翻訳ステップに依存する古いツールは、最大のデータセットに直面した際にメモリ不足となり、クラッシュしました。新ツールはデータをネイティブに扱うだけでなく、異なる実験を並べて比較する機能も備えていますが、著者らは、性質の異なる入力に対するこの種間の比較に関する専用のストレス・テストについては今後の課題であると述べています。

この研究の核心は、シンプルながら強力なアイデアにあります。「ツールはデータと同じ言語を話すべきである」ということです。研究者たちは、Pythonにおけるシングルセル・データの標準的なコンテナであるAnnDataと呼ばれる特定ファイル形式を直接読み取るようにアプリケーションを構築しました。このツールはこの形式を直接読み込むため、翻訳ステップは必要ありません。アプリケーションはStreamletと呼ばれるウェブフレームワーク上に構築されており、Webブラウザ上で動作します。つまり、生物学者はリンクを開いてデータセットをロードするだけで、すぐに探索を開始できます。細胞のクラスターをクリックして活性化している遺伝子を確認したり、表示をフィルタリングして特定の条件を確認したり、あるいは二つの異なる実験を比較して細胞型がどのように一致するかを確認したりすることができます。ツールには、細胞の位置のマップ、遺伝子の活動を示すチャート、および各細胞型の重要なマーカーをリスト化したテーブルなど、科学者が期待する標準的な機能がすべて含まれています。

このアプローチが有効であることを証明するために、研究者たちは厳格なテストを実施しました。彼らは異なる種や組織からの3つの実世界のデータセットを使用しました。第一は、約22,000個の細胞を含む、発達中のニワトリの心臓のマップです。第二は、約78,000個の細胞を含む、緑猿の肺とリンパ節のマップです。第三は、313,000個近い細胞を含む、ヒトの肺疾患の大規模調査です。彼らはデータのロード時間と各ビューを描画する時間を測定し、新ツールを、旧来のRベースのツールの基盤となっているエンジンと直接比較しました。最小のデータセットにおいて、新ツールは1秒未満でデータをロードしましたが、古いエンジンは3倍以上の時間がかかりました。また、描画速度も有意に速く、多くの場合2倍から3倍の差がありました。

データの増大に伴い、その差はさらに劇的になりました。モンキーのデータセットにおいては、新ツールは依然としてロードにおいて3倍速く、あらゆる種類のチャート作成においても一貫して迅速でした。しかし、313,000個の細胞を含む人間の肺のデータセットにおいては、古いエンジンは完全に失敗しました。利用可能なコンピュータメモリを使い果たし、単一のビューすら完成させることができませんでした。一方、新ツールは全データセットをロードし、各ビューの描画をチャットあたり2秒未満で完了しました。研究者らは、古いツールが小さなデータセットを処理するには8GBのメモリが必要であった一方で、最大級のデータセットには対応できなかったことを指摘しています。新ツールは同じマシン上で、従来のアプローチよりも極めてわずかなメモリ量を用いて、この最大級のデータセットを管理できました。

スピード以外にも、新ツールは既存のツールにはない能力を備えています。Pythonデータとネイティブに連携しているため、たとえ異なる種や異なる実験デザインによるものであっても、二つの異なる実験を直接比較することができます。研究者らは、これら三つのデータセットを扱えることを示しましたが、ゲノムセット、注釈（アノテーション）の語彙、正規化の手順などが異なる真に異質な入力に対するクロススピーシーズ（種間）比較モジュールの専用のストレス・テストはまだ行われておらず、今後の課題であると明記しています。また、彼らはハードドライブから直接読み取ることで、コンピュータのメモリに完全に入り切らないほど大きなファイルを扱えることも示しており、この機能によって大規模な人間の肺のファイルをクラッシュさせることなく処理することが可能となりました。これは、ツールがデータの成長と共に進化し、現在のラボが通常生産するものよりも遥かに大きなデータセットをも扱えることを意味します。

研究者たちはまた、公開インターフェースも構築しており、Pythonの設定を持つ誰もが簡単にインストールして使用できるようにしました。論文発表用の画像やテーブルをツールから直接生成する方法を提供することで、インタラクティブな探索が再現可能な結果につながるよう配慮しています。コードはオープンであり、誰でも利用または改良可能です。チームは、ツールが軽量かつ高速になるよう作られている一方で、最大級のデータセットに対しても堅牢であるように設計されている点を強調しました。特別なグラフィックスハードウェアのない標準的なコンピュータでのテストを通じて、高性能な探索には高価な機器は不要であることを証明しました。

この研究は、生物学的データの共有と探索の方法における転換を象徴しています。長年、計算解析と生物学的解釈の間の障壁となっていたのは、言語間のデータの翻訳の必要性でした。その翻訳ステップを取り除くことで、この新しいツールは、分析から生物学へ直接データが流れるようにしました。生物学者が新しい言語を学ぶ必要もなく、計算の専門家が自身のワークフローを変更する必要もありません。代わりに、モダンな生物学の標準であるPython環境の中に寄り添う形をとっています。その結果、より高速で効率的であるだけでなく、より包括的なシステムを実現しました。これにより、非プログラマーであっても、それらを作り出したエキスパートと同じ容易さで複雑なデータセットを探索することができるようになったのです。

このツールの成功は、生物学的データの探索の未来が、翻訳ではなくネイティブな統合にある可能性を示唆しています。データセットのサイズと複雑さが拡大し続ける中で、クラッシュや低速化なしにそれらを扱う能力は不可欠となります。研究者たちは、ネイティブな形式に従うことで、以前の翻訳ベースのアプローチでは到底及ばないパフォーマンスを達成できることを示しました。これは古いツールが無用であることを意味するのではなく、Pythonで作業しているラボにとって、現在は自らのデータを理解するためのより直接的で優れた経路が存在することを物語っています。ツールはすでに利用可能であり、他の人々がこれを基に発展させていけるよう、研究者たちはコードをオープンにしています。データが増加するスピードに対し、それを処理するハードウェアが追いつかない状況にある分野において、負荷がかかっても壊れないツールは、大きな前進といえます。

この仕事の影響は、単なるスピード向上にとどまりません。データの探索を容易にすることで、このツールはより多くの科学者が自分たちの結果に関与することを促します。生物学者がデータセットを通り抜け、パターンを自身で見つけることができるとき、彼らはより多くの新しい疑問を持ち、予期せぬつながりを発見する可能性が高まります。異なる実験を並べて比較できる能力は、研究に新たな可能性を切り開き、科学者が異なる種や疾病状態間で細胞タイプがどのように振る舞うかを見ることを可能にします。ツールはこの機能を導入していますが、著者は、異質な入力を比較するための潜在能力を最大限に引き出すにはさらなる専用のテストが必要であると考えています。このような比較は、単一のデータセットに限られていた従来のツールでは困難でした。新ツールはその制限を取り除き、より広い視野での生物学的システムの把握を可能にするのです。

結局のところ、この論文はある実践的な問題に対する解決策を提示しています。データの言語間の翻訳の必要性は摩擦の源となっており、それが研究を遅らせ、探索に参加できる人を限定してきました。データと同じ言語を話すツールを構築することで、研究者たちはその摩擦を取り除きました。得られた成果は、より高速で信頼性が高く、現代の生物学を定義づける膨大なデータセットを扱う能力を備えたシステムです。これは時として、最善の前進とは全く新しいものをゼロから作り上げることではなく、人々が既に行っている働き方に適合するものを作ることである、という教訓を残しています。ツールは準備されており、データもあり、そして理解への道筋はこれまで以上に明確になっています。