cit_gsa: gene set analysis for scRNA-seq with covariate adjustment

技術要約：cit gsa: 共変量調整を伴う scRNA-seq 用の遺伝子セット解析

問題提起
シングルセルRNAシーケンシング（scRNA-seq）は高解像度の遺伝子発現解析を可能にするが、高次元性、ドロップアウト事象、および細胞と遺伝子の間の複雑な依存関係といった課題を抱えている。遺伝子レベルでの差分的発現解析（DEA）は一般的であるが、遺伝子セットの解析はより高い統計的検出力と生物学的解釈性を提供する。しかし、既存のシングルセル遺伝子セット解析手法には、以下のような重大な限界がある：

1. 2段階アプローチ： 多くの手法は、遺伝子レベルの解析に続く濃縮ステップに依存しており、これはエラーを伝播させたり情報を失わせたりする可能性がある。
2. 限定的な実験デザイン： ほとんどの手法は2群比較に制限されており、3つ以上の条件や連続変数を取り扱うことが困難である。
3. 共変量調整の欠如： 既存のツールは、共変量（例：細胞型）の調整に失敗することが多く、これが生物学的な不均一性に起因する偽の関連性を引き起こす可能性がある。
4. 分布の仮定： 一部の手法は特定のカウント分布（例：負の二項分布）に依存しており、モードの変化のような複雑な発現パターンを捉えきれない場合がある。

手法：cit gsa
著者らは、scRNA-seq データ向けに特別に設計された、新しい自己完結型のワンステップ遺伝子セット DEA 手法である cit gsa を導入する。

• 統計的枠組み： 本手法は、単一遺伝子に対する citcdf (Gauthier et al., 2021) のアプローチを遺伝子セットへと拡張したものである。これは、ある集合内の遺伝子発現のベクトル ($Y$) と、関心のある因子 ($X$) との間の、一連の共変量 ($Z$) を与えた下での条件付き独立性の帰無仮説をテストする。形式的には、$H_0: Y_g \perp X | Z$ （集合内のすべての遺伝子 $g$ について）となる。
• 条件付き分布のテスト： 平均の発現をモデル化する代わりに、cit gsa は条件付き累積分布関数（cdf）の等価性をテストする：$H_0: F_{Y_g|X,Z} = F_{Y_g|Z}$。これにより、平均だけでなく、モードの変化を含む発現分布全体の変化を検出することが可能になる。
• 実装：
  • 本手法は、順序付けられた閾値（$\omega_j$）のシーケンスを用いて発現空間を離散化する。
  • 条件付き期待値を、一連のロジスティック回帰を用いて推定する：$h(E[1\{Y_{ig} \leq \omega_j\} | X_i, Z_i]) = \beta_{0jg} + X_i\beta^X_{jg} + Z_i\beta^Z_{jg}$。
  • 帰無仮説は、関心のある因子に関連する係数（$\beta^X$）をスコアテスト統計量（$\hat{S}_n$）を用いて集計することでテストされる。
  • 得られる p 値は、集合内の遺伝子間の共分散構造を考慮した $\chi^2_1$ 分布の混合と比較することによって導出される。
• 柔軟性： 本手法は多変量の関心因子と共変量をサポートしており、強いパラメトリックな仮定なしに離散変数と連続変数の両方を扱うことができる。

主な貢献

1. ワンステップの自己完結型解析： 競合的または2段階の手法とは異なり、cit gsa は単一のステップで遺伝子セットのテストを行い、遺伝子セットの結合分布を直接テストする。
2. 共変量調整： 共変量（例：細胞サブポピュレーション）を明示的にモデル化し調整することで、検出された関連が既知の生物学的変数によって混乱させられないようにする。
3. 複雑なシナリオへの対応： 本手法は、単純なペア比較を超えて、3つ以上の実験条件や連続変数を扱うように設計されている。
4. 分布変化への堅牢性： 平均回帰ではなく条件付き cdf に依存することで、本手法は、遺伝子発現分布のモードの変化を含む複雑な分布パターンの検出が可能である。

結果

• シミュレーション研究：
  • 比較： cit gsa は、globaltest（回帰ベースの自己完結型手法）、GSEA、および hypergeometric test（競合的手法）と比較検証された。
  • シナリオ： シミュレーションは、変動する遺伝子相関を伴う「平均の差」（DMean）および「モードの差」（DMod）のシナリオをカバーした。
  • 知見： DMean シナリオにおいて、cit gsa は globaltest と同等の性能を示した。しかし、DMod シナリオ（分布のモード数が変化する場合）において、cit gsa は優れた検出力を示した。競合的な手法は、自己完結型の帰無仮説の理論的な制約性と一致して、一般に低い検出力を示した。
• 実データへの適用（樹状細胞）：
  • データセット： 活性化マーカー CD83 に関連する遺伝子セットを特定するために、Villانيら (2017) による 539 個の単一樹状細胞 (DC) の解析を行った。
  • 共変量： DC サブポピュレーションを共変量として含めた。
  • 知見： 共変量調整を行わない場合、259 個中 237 個の Blood Transcription Modules (BTMs) が CD83 と有意に関連していた。DC サブポピュレーションで調整した後、有意な遺伝子セットはわずか 12 個となった。これは、多くの見かけ上の関連が CD83 の発現そのものではなく、DC サブセット間の違いによって駆動されていたことを示しており、正確な生物学的解釈における共変量調整の必要性を浮き彫りにしている。

意義と主張
本論文は、実験デザインの複雑さと混乱要因に関する現在の手法の限界に対処することにより、cit gsa が scRNA-seq の遺伝子セット解析の精度と解釈性を向上させるツールであることを位置づけている。著者らは以下の通り主張している：

• 共変量調整は、真の生物学的信号と細胞の不均一性に起因するアーティファクトを区別するために極めて重要である。
• 自己完結型の手法は、競合的な手法よりも、遺伝子セットの関連を検出する上で統計的に解釈しやすく、強力である。
• 分布の非線形な変化（モード）を検出できる能力により、本手法は複雑な性質を持つシングルセルデータに特に適している。
• 現在は scRNA-seq に焦点を当てているが、このノンパラメトリックなアプローチの性質により、バルク RNA-seq データへの適用も可能である。

著者らは現在の限界として、本手法はまだ同一の生物学的サンプルに由来する細胞間の相関（マルチサンプル相関）を考慮していないことを認め、これを扱うためのフレームワークの拡張が今後の課題であると述べている。