Single-cell perturbation prediction near experimental reproducibility with GENESIS
本論文は、実験的な再現性に迫る精度で単一細胞の摂動応答を予測する生成エネルギーベースのフレームワークであるGENESISを紹介しており、これにより、網羅的な実験アトラスの作成が不可能であることを克服するための、計算による推論によって補完された広範かつ低深度な測定という相補的な戦略を可能にする。
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
細胞は生命の基本単位であり、その一つ一つの内部では、複雑な分子機械が絶えず自らの指示書を書き換えています。この指示書は「トランスクリプトーム」として知られ、細胞がいかに振る舞い、何になり、そして周囲の世界に対してどのように反応するかを決定づけます。科学者が新しい薬やウイルス、あるいは環境の変化を導入すると、細胞はこれらの指示を変化させることで反応します。これらの反応を理解するために、研究者たちは、異なる条件下における数百万個の個々の細胞の分子状態を記録した、膨大なライブラリ、すなわち「アトラス（地図集）」を構築してきました。しかし、薬、細胞型、および投与量の組み合わせの数はあまりに膨大であるため、あらゆるシナリオを実験室でテストすることは不可能です。この実験空間のあまりの規模の大きさは、科学者が測定できる条件がある一方で、観察されていない条件が無数に存在することを意味します。ここに決定的な空白が生じます。すなわち、まだ試したことのない治療に対して、細胞がどのように反応するかを、私たちはどのようにして知ることができるのでしょうか。
ある研究チームが、この空白を埋めるための「GENESIS」と呼ばれる新しい計算ツールを開発しました。GENESISは、あらゆる可能性を測定しようとするのではなく、既に持っているデータから学習することで、未測定のシナリオで何が起こるかを予測します。研究者たちは、数百種類の異なる薬剤で処理された癌細胞株を含む1億個以上の細胞のデータセットと、様々なシグナル分子に曝露された約1,000万個の免疫細胞のデータセットという、2つの巨大なデータセットを用いてGENESISを訓練しました。このシステムは、特定の薬剤や特定の細胞型といった特定の要因にさらされた際に、細胞がどのように変化するかという統計的なパターンを学習することで機能します。予測を行う前に細胞のコントロール群（対照群）を見る必要はなく、代わりに、実験の既知の変数――細胞株、薬剤、用量、および実験設定――を用いて、もし測定された場合に細胞がどのようになるかという現実的なプロファイルを生成します。
この研究の最も重要な発見は、GENESISが、実験自体の自然な限界に匹唱するレベルの精度で細胞の反応を予測できることです。科学において、二つの実験が完全に同一であることは決してありません。同じ薬剤を同じ細胞に対して同じラボでテストしたとしても、サンプリングのランダム性や実験条件によって、わずかな差異が生じます。研究者たちは、これら繰り返される実験間の自然な変動を成功のベンチマークとして使用しました。その結果、GENESISの予測は、多くの場合、二つの独立した別々の実験が互いにどれほど近いかというレベルに達していることが分かりました。多くの場合、コンピュータによって生成されたプロファイルは、もし科学者がラボでテストを行っていた場合に観察されたであろうものと区別がつかないものでした。これは、このツールが単に推測しているのではなく、細胞がどのように反応するかという真の生物学的現実を捉えている段階に達していることを示唆しています。
このツールはまた、高い精度を実現するために、従来の手法よりもはるかに少ないデータを必要とするという、極めて高い効率性も証明しました。研究者たちは、利用可能なデータのわずか一部で訓練しても、GENESISが依然として機能するかどうかをテストしました。その結果、訓練細胞のわずか5パーセントのみを使用した場合でも、GENESISは全データセットへのアクセスを持つ他の高度なモデルを凌駕することが分かりました。さらに、この研究は、将来の実験を設計する方法に関する直感に反する洞察を明らかにしました。すなわち、一つの条件につき非常に深く測定するよりも、より多くの条件を幅広く、浅く測定する方が価値が高い場合が多いということです。データをより多くのシナリオに分散させることで、システムは細胞の振る舞いの根本的なルールをより効果的に学習でき、それによって測定されなかった条件に対する空白を埋めることが可能になります。
単に数値を予測するだけでなく、このシステムは変化の背後にある生物学的な意味をも捉えます。研究者たちは、生成されたプロファイルが、どの内部シグナル経路がオンまたはオフになっているかを正しく識別できるかどうかをテストしました。その結果、GENESISは、異なる細胞間で共有される反応と、特定の遺伝的背景に固有の反応を区別できることが判明しました。例えば、同じ変異を持つ二つの異なる癌細胞株において、特定の薬剤が両方の細胞において増殖経路を抑制する一方で、それぞれの細胞に対して相反する炎症反応を引き起こすことを、システムは正確に予測しました。この、共有された反応とコンテキスト依存の反応を区別する能力は、なぜある治療がある患者には効果があり、別の患者には効果がないのかを理解する上で極めて重要です。本研究は、広範かつ浅い測定とこの予測フレームワークを組み合わせることで、科学者が物理的にすべての組み合わせをテストすることなく、より広大な生物学的可能性の領域を探索できることを結論付けています。
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。