Cell-level integration of gene expression and B cell receptor data captures complementary B cell information

人体内部では、免疫系が膨大かつ複雑な防御ネットワークを維持しており、その中でもB細胞は極めて重要な役割を果たしています。これらの細胞は、特定の侵入者を認識し、それらを無力化するための抗体を産生することができる、特化した偵察員であり工場としての役割を担っています。これらの細胞がどのように機能しているかを理解するために、科学者たちはしばしば、細胞内に保存されている2つの異なる種類の情報に着目します。1つ目は、細胞の現在の活動の記録、すなわち、ある特定の瞬間にどの遺伝子がオンまたはオフになっているかを示すスナップショットです。2つ目は、細胞の表面にある分子構造である受容体が持つ独自のコードであり、これがその細胞が何を認識するかを正確に決定します。研究者たちは長い間、遺伝子の活動を読み取ることができましたが、この独自の受容体コードは、しばに別のデータとして扱われてきました。課題は、これら2つの情報の流れを、どちらのソースに含まれる詳細も失うことなく、単一の首尾一貫した全体像へと統合することにあります。

最近のある研究は、B細胞におけるこれら2種類のデータを統合するための最善の方法について取り組んだものです。研究者たちは、どの手法が最も正確な免疫景観の地図を作成できるかを確認するために、いくつかの異なる方法をテストしました。彼らはまず、コンピュータが処理できる形式にするために、受容体の配列を、人間が使う言語の構造をコンピュータが学習するのと同様の高度な言語モデルを用いて翻訳することを試みました。そして、翻訳された配列を遺伝子活動のデータと組み合わせました。しかし、地図がこれらの言語モデルによる翻訳によって支配されてしまうと、異なる細胞型の間の関係性が歪んでしまうことが判明しました。その結果得られた図は、受容体コードに基づいて細胞をグループ化してしまいましたが、それは細胞の実際の機能や表面タンパク質に関して既知の事実と矛盾しており、細胞がどのように組織化されているかという生物学的な実態を事実上、覆い隠してしまったのです。

対照的に、研究者たちは、より単純なアプローチの方がはるかに明晰な視点をもたらすことを発見しました。受容体配列全体の複雑な翻訳に頼る代わりに、細胞が産生する抗体のクラス、蓄積された変異の数、受容体の特定の部位の長さといった、具体的で測定可能な受容体の特徴を選択しました。これらの特定の特性を遺伝子活動のデータに直接付加することで、彼らは細胞の自然なグループ分けを保持した統合された表現を構築しました。この手法により、地図は遺伝子活動によって定義される構造を維持しながら、同時に受容体が提供する独自の履歴とアイデンティティを取り入れることが可能になりました。その結果、細胞型は表面タンパク質の独立した測定結果と一致したまま、B細胞集団内の新たなサブグループをも明らかにする空間が実現しました。これは、遺伝子活動と受容体の特徴の両方によって裏付けられたものでした。

本研究は、B細胞を理解するための最も効果的な方法は、受容体のデータを複雑で抽象的な形式に強制することではなく、受容体の具体的で形のある特性を遺伝子活動と併せて統合することであると結論付けています。このアプローチは、両方のソースから相補的な情報を捉え、分析のためのより豊かな基盤を提供します。複雑な配列翻訳への過度な依存によって生じる歪みを回避することで、科学者は今や、これらの免疫細胞がどのように関連し、分化し、組織化されているかという、より正確な姿を見ることができるようになりました。この研究は、単一細胞解析において、B細胞の全容を解き明かす鍵は、その内部の指示（遺伝子活動）とその外部のアイデンティティ・マーカー（受容体）のバランスの取れた統合にあることを示唆しています。