VirtualSkin integrates skin-cell identity with intervention-response prediction

技術要約：VirtualSkin

問題提起
ヒト皮膚のアトラスは、発生段階、解剖学的部位、および疾患コンテキストにおける多様な細胞状態を解明することに成功してきた。しかし、ある細胞の現在の状態を記述することと、特定の介入（例：薬物、遺伝子摂動、または物理的治療）に対するその状態の変化を予測することとの間には、決定的なギャップが依然として存在する。既存のシングルセル基盤モデルの多くは、独立してサンプリングされた組織間で細胞のアイデンティティを維持することと、介入条件付きの応答予測を同時にサポートすることの両立に苦慮している。さらに、公開されている皮膚データセットは、細胞キャプチャの不均一性、アノテーションの解像度、および生物学的リプリケートと同一ドナーからの反復測定の区別に関する課題を抱えている。実験的なショートカットに依存したり、研究の境界を越えて汎化に失敗したりすることなく、皮膚の細胞アイデンティティ、生物学的言語、および介入応答を連結する統一されたフレームワークが必要とされている。

手法
著者らは、皮膚のトランスクリプトームを生物学的記述と整合させ、介入応答を予測するように設計された細胞・言語モデルであるVirtualSkinを提示する。

• アーキテクチャ： VirtualSkinは、デュアルブランチ・トランスフォーマー・アーキテクチャを採用している。分子ブランチは遺伝子のアイデンティティと発現値を共同でエンコードし、テキストブランチは生物学的記述を処理する。両方のブランチは、個別のパラメータを持つnorm-firstトランスフォーマー層を利用し、細胞表現とテキスト表現を共有の長さ正規化された空間へと投影する。
• 学習目的： モデルは、以下の組み合わせによる複合的な目的関数を用いて学習される：
  1. 分子再構成： 測定された分子の変動を保持するための、マスクされた発現の再構成。
  2. オントロジー分類： 宣言された細胞アイデンティティへの表現の連結。
  3. 対称的な細胞・テキスト整合： 細胞とそれに対応する記述の結合。
• 堅牢性メカニズム： ペアとなる記述の変動性を扱うため、モデルはペア信頼性重み付け（プロベナンスと品質に基づく）、オントロジー認識マスク（生物学的に関連するラベルがインバッチのネガティブとして機能するのを防ぐため）、および現在のバッチを超えてネガティブセットを拡張するためのFIFOキューを組み込んでいる。検索拡張は、固定された学習可能なドキュメントインデックスから文脈的な記述を提供する。
• 介入予測： 応答予測のために、モデルは曝露前の細胞状態、介入のアイデンティティ、および測定された用量または経過時間に条件付けられる。出力は、静的な細胞ラベルではなく、曝露に関連する変化を予測する。
• 評価フレームワーク： 著者らは、健康な表皮、老化、炎症性疾患、線維症、リンパ腫、および癌を含む、コホート解決型の厳格な評価フレームワークを構築した。決定的なことに、評価デザインでは、学習中に特定のドナー、研究、摂動、または介入ターゲットを隠蔽することで、汎化性能をテストしている。比較は、一致した入力とパーティションを用いて、強力なベースライン（Geneformer, scGPT, LangCell, GEARS, CPAなど）に対して行われる。

主な貢献と結果

1. 細胞アイデンティティの保持と研究の統合：

   • VirtualSkinは、Geneformer, scGPT, LangCellと比較して、研究に関連するバッチ効果を低減しつつ、明確な皮膚細胞クラス（基底層/有棘層ケラチノサイト、線維芽細胞、T細胞）を保持する優れた能力を示した。
   • 炎症性皮膚のアノテーションにおいて、VirtualSkinは最強の比較対象に対してマクロF1スコアを0.056ポイント向上させた。
   • 皮膚T細胞リンパ腫の少ショット設定（クラスあたり1〜10個のラベル付き細胞）において、VirtualSkinは、最良のベースラインの0.501に対し、0.598の正規化されたサポートサイズ下の曲線下面積（AUC）を達成した。
   • 白斑へのゼロショット転移（微細なラベルを学習から除外）において、VirtualSkinは階層的マクロF1スコア0.549を達成し、LangCell (0.392) および scMulan (0.423) を上回った。

2. 細胞・言語の整合性と堅牢性：

   • VirtualSkinは、保持された炎症性皮膚における細胞・テキスト検索において、Recall@10 = 0.73を達成し、scMulanに対して0.12ポイントの改善を示した。
   • モデルは不完全な分子入力に対して耐性を示し、50%の遺伝子マスキングにおいても、最強の比較対象の78%に対し、未マスク時のスコアの**88%**を保持した。
   • 細胞と記述のペアリングが50%破壊された場合でも、ベースライン性能の**82%**を維持しており、不完全なペアリングに対する堅牢性を示した。

3. 外部転移：

   • モデルは、疾患状態（全身性強皮症、リンパ腫）、解剖学的部位（掌、足底、臀部）、および老化コンテキストを横断して正常に転移し、ドナーレベルのAUROCおよび部位特異的なマクロF1指標において、一貫して比較対象を上回った。
   • 基底細胞癌アッセイにおける空間局在化により、ストローマ、腫瘍コア、インターフェース、および上皮の状態を異なる組織コンパートメントに正しく割り当てた。

4. 介入応答予測：

   • 5つの保持された介入コホート（遺伝子スクリーニング、薬物曝露、光線力学的療法、機械的拡張）において、VirtualSkinは最良のベースラインに対して応答予測スコアを0.03〜0.09ポイント向上させた。
   • 摂動ランキングの平均適合率（Mean Average Precision）は0.559（最良のベースラインの0.489に対し）、符号精度（sign accuracy）は0.794を達成した。
   • 分子忠実度は、予測された擬似バルクの対数フォールドチェンジと実測値との間の高いピアソン相関（0.877）、および上位の差分的発現遺伝子の強力な回収を通じて確認された。
   • 組織介入におけるペアドナー・トラジェトリにおいて、モデルは時間の経過に伴う免疫再構築および再生スコアの方向性を正しく再現した。

5. 信頼性と不確実性：

   • VirtualSkinの予測区間は、より優れた較正（平均絶対被覆誤差 0.017 vs 比較対象の 0.045）を示した。
   • 不確実性の推定値は絶対誤差と高い相関（Spearman相関 0.912）を示し、選択的予測を可能にした。すなわち、最も不確実性の低いユニットに予測を限定することで、カバー率55%において応答スコアを0.59から0.78に向上させた。

意義と主張
本論文は、VirtualSkinが共通の評価フレームワーク内で、皮膚細胞の認識と介入応答予測を連結することを主張している。その主要な貢献は単一のスコアではなく、厳格かつ独立した評価条件下での表現学習、アノテーション、および応答予測を検証する統一されたアプローチである。

著者らは、ベースラインの状態には存在しない変化を回復する能力は、既存の細胞をアノテーションする能力とは別物であることを強調している。彼らは、結果が実験の優先順位付けにどのように情報を与え得るか、特に分布シフトの下で予測を保留するための不確実性推定の使用を通じて、予測の条件を定義していると主張している。また、本モデルは仮説生成や優先順位付けを支援するものであるが、因果経路の媒介や臨床的有効性を確立するものではないことを謙虚に述べており、その範囲は現在、非悪性皮膚介入データの可用性とカバーされている特定の解剖学的部位によって制限されている。本研究は、一致したコントロールと不確実性分析に裏付けられた、皮膚の分子アイデンティティからテスト可能な応答仮説への統合されたルートを提供するものである。