Pretrained gene representations transfer mean expression more broadly than spatial patterns in virtual spatial transcriptomics
本研究は、仮想的な空間トランスクリプトミクスにおいて、学習済み遺伝子表現が、遺伝子の空間的な変動よりもむしろ組織間における平均発現量の予測を主に強化することを示しており、これは、遺伝子間の汎化が特定の空間パターンの復元よりも、広範な発現転移によって駆動されていることを明らかにしている。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
あらゆる建物が秘密の図書室を抱えており、その図書室の中では何千冊もの本がそれぞれ異なるページを開いている、そんな街を想像してみてください。人体において、これらの建物は細胞であり、本は遺伝子です。数十年にわたり、科学者たちは単一の細胞の中でどの本が開かれているかを読み取ることができましたが、それらの細胞が臓器の複雑な組織内のどこに位置しているかを知ることには苦労してきました。遺伝子の活動の完全な地図を得るために、研究者は伝統的に、組織の物理的な切片を採取し、高価で時間のかかるテストを行う必要がありました。これにより、一度にどれだけの身体の部分を研究できるかが制限されてしまいます。「バーチャル空間トランスクリプトミクス」と呼ばれる新しい手法は、人工知能を用いることでこの問題を解決しようとしています。すべての遺伝子に対して新しいテストを実行する代わりに、コンピュータは組織の標準的な写真を見て、どの遺伝子が活性化しているかを予測します。コンピュータに組織画像のパターンを認識させることで、見たことがない遺伝子の場所をも推測させ、新たな実験作業なしに地図を新しい領域へと拡張できることが期待されています。
研究者が投げかけた核心的な問いは、これらのコンピュータモデルが、組織全体にわたる遺伝子活動の複雑で変化するパターンを真に学習しているのか、それとも単に存在する遺伝子の平均量を推測するのが非常に上手くなっているだけなのか、という点でした。モデルがある遺伝子の位置を予測するとき、それは二つのことを同時に行っています。すなわち、組織におけるその遺伝子の全体的なレベルを推定することと、そのレベルが場所ごとにどのように変化するかを突き止めることです。モデルは、すべての場所に同じ平均値を割り当てるだけで、優れた予測であるかのように振る舞うことができます。これは、総量については正確な予測に見えますが、その遺伝子が実際にどこに集中しているかという複雑な詳細を捉えることには失敗しています。真実を見出すために、研究者たちはこれら二つの能力を分離できるシステムを構築しました。彼らは、モデルが未知の遺伝子に対して、その遺伝子の平均レベルと特定の空間パターンを依然として予測できるかどうかを検証するために、モデルをテストしました。
研究者たちは、脳の3つの異なる領域と一種の乳がんを含む、4つの異なるヒト組織サンプルを用いて、自分たちのアイデアをテストしました。彼らは大規模な遺伝子セットを用いてモデルを学習させ、その後、システムにとって完全に新しい数百の遺伝子の挙動を予測するという課題を課しました。彼らは、二種類の「事前学習済み遺伝子表現」を使用しました。これらは、膨大な生物学的データから導き出された、遺伝子のアイデンティティのデジタルな要約です。一方の要約は遺伝子周囲のDNA配列に由来し、もう一方は単一細胞内での遺伝子の振る舞いに由来します。モデルが新しい遺伝子を予測しようとした結果、パフォーマンスに明確な差が見られました。モデルは、これら未知の遺伝子の平均発現レベルを予測することには極めて成功していました。実際、モデルの全体的な精度が向上したとき、その向上の90パーセント以上は、単に遺伝子の平均量を正しく予測できたことによるものでした。
しかし、特定の空間パターン、つまり遺伝子活動の「どこ」を復元する能力は、はるかに限定的でした。研究者たちは、モデルが空間予測を向上させることができたのは、訓練データにおいてすでに高い変動性を示していた遺伝子に限られることを発見しました。ほとんどの遺伝子について、コンピュータは「その遺伝子がどれくらい存在するか」という平均量は教えることができましたが、「その遺伝子が組織内のどこに集中しているか」を信頼性高く伝えることはできませんでした。モデルが組織画像を使用してこれらのパターンを見つけ出しているのではないことを証明するために、研究者たちは第二のテストを実施しました。彼らは、遺伝子のデジタルな要約のみを参照し、組織の写真を完全に無視する、簡略化されたバージョンのモデルを構築しました。驚くべきことに、この画像を用いないモデルは、フルモデルが達成した平均遺伝子レベルの予測における向上の大部分を維持していました。これは、事前学習済みの遺伝子要約が遺伝子の平均レベルに関する情報を運んでいた一方で、組織画像は未知のターゲットに対する遺伝子の特定の場所に関する新しい情報をほとんど追加していなかったことを示しています。
この研究はまた、遺伝子の表現の種類が空間パターンに影響を与えることも明らかにしました。どちらの要約も平均レベルの予測には役立ちましたが、どちらの要約が特定の空間的な正確性を向上させるかは遺伝子によって異なっていました。ある遺伝子は一方の要約の恩恵を受け、別の遺伝子はもう一方の恩恵を受けていました。これは、既知の遺伝子から新しい遺伝子へと知識を転移させる能力が、単一で均一なスキルではないことを示唆しています。むしろ、それは二つの異なる能力の組み合わせなのです。すなわち、遺伝子がどれくらい存在するかを推定するという広範な能力と、その正確な位置をマッピングするという選択的で困難な能力です。研究者たちは、これらのバーチャルツールは研究できる遺伝子のリストを拡張するには強力であるが、すべての遺伝子について組織の複雑な空間構造を完全に捉えているわけではない、と結論付けました。平均レベルを予測することにおけるこれらのモデルの成功は重要な前進ですが、新しい遺伝子の詳細な空間パターンを正確に再構成するという課題は、依然として進行中の課題です。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。