Training-Free Correction of Gene Expression Predictions Using Cancer-Specific and Spatial Priors

技術要約：がん特異的および空間的事前分布を用いた遺伝子発現予測の学習フリーな補正

問題提起
ヘマトキシリン・エオシン（H&E）染色組織画像からスポットレベルの遺伝子発現を予測することは、追加のウェットラボによるシーケンシングなしに、日常的な病理アーカイブへの空間的分子プロファイリングを拡張することを目的としている。近年の画像から空間トランスクリプトミクス（ST）への予測手法は、より優れた画像表現やマルチモーダル・モデリングを通じて改善されてきたが、これらは通常、画像条件付き尤度 $p_\theta(y | x)$ を最適化することに焦点を当てている。この焦点により、以下の2つの重要な構造的特性が十分に活用されていない。

1. がん特異的な遺伝子の共発現: 高変動遺伝子（HVG）は、組織組成や微小環境プログラム（免疫、間質、上皮モジュールなど）を反映した構造的な共分散パターンを示す。遺伝子ごとの精度を最適化するように設計された予測器は、これらの結合的な発現制約を強制することに失敗する場合が多い。
2. スライドレベルの空間的平滑性: 隣接する組織スポットは、共通の微小環境コンテキストを共有している。グラフ層やアテンションを用いて空間情報を組み込むアーキテクチャはあるものの、特にスポット単位の出力を生成するモデルにおいては、明示的な座標ベースの平滑性が依然として十分に活用されていないことが多い。

既存の手法は、アーキテクチャの再設計や損失関数の変更によってこれらの問題に対処しようとするが、最先端（SOTA）の予測器における相当量の残留誤差は、訓練データに含まれる生物学的構造が既存のモデルによって十分に符号化されていないことを示唆している。

手法：マルチプライヤー・ポステリア・ガイダンス（Multi-Prior Posterior Guidance）
著者らは、推論時に適用される、学習フリーでモデルに依存しない補正手法であるマルチプライヤー・ポスターリア・ガイダンスを導入している。この手法は、任意のスポットレベル遺伝子予測器の初期出力（$\hat{y}_{model}$）を、訓練データのみから推定された2つの構造的事前分布へと投影することで洗練させる。この補正は、単一の閉形式のチホノフ正則化ステップによって行われる：

$$\hat{y}_{MP} = \hat{y}_{model} - \lambda_{bio} (\hat{y}_{model} - \mu_c) \Sigma_c^{-1} - \lambda_{sp} (\hat{y}_{model} - \bar{y}_{N})$$

ここで：

• Bio Prior（がん特異的ガウス分布）: 遺伝子の共発現構造を符号化する。特定の癌種 $c$ に対して、事前分布は訓練セットにおけるHVGの経験的平均 $\mu_c$ と共分散行列 $\Sigma_c$ を用いて $N(\mu_c, \Sigma_c)$ と定義される。精度行列 $\Sigma_c^{-1}$ は部分相関を捉え、共調節された遺伝子が連動して動くように強制する。
• Spatial Prior (ガウス・マルコフ確率場): スポット座標から構築された $k$ 近傍（k-NN）グラフ上で局所的な平滑性を強制する。項 $(\hat{y}_{model} - \bar{y}_{N})$ は、あるスポットの予測値と、その空間的な隣接スポットの平均との偏差を表す。
• ハイパーパラメータ: $\lambda_{bio}$ と $\lambda_{sp}$ は検証フォールドで調整されるが、ベースライン間で固定される。この手法は、非反復的予測器に対しては事後的に、反復的なフロー・マッチング・モデルに対してはサンプリング時のガイダンスとして適用される。

主な貢献

1. 推論時の補正: 再学習やアーキテクチャの変更を必要とせず、多様なアーキテクチャ（線形、CNN、GNN、Transformer、Flow-Matching）を改善できる、汎用的でプラグアンドプレイな手法である。
2. 未利用構造の活用: 現在の予測器における残留誤差が、主に訓練データが示しているもののモデルが符号化できていない生物学的共発現および空間組織化を反映していることを実証した。
3. クロスコーホート転移: フルカバレッジのソースコーホート（HEST-bench）で推定された事前分布が、部分カバレッジのターゲットコーホート（STimage-1K4M）へ効果的に転移することを示し、ターゲットデータにおける遺伝子モダリティの欠落に起因する問題を回避した。
4. メカニズム的洞察: パフォーマンスの向上は、単に予測値を平均に近づけることではなく、精度行列の非対角構造（部分相関）によって駆動されていることを特定した。

結果
本手法は、7つの異なるアーキテクチャのベースライン（Ridge, ST-Net, GCN, SEPAL, HisToGene, STPath, STFlow）を用い、2つのVisiumコーホートで評価された：

• HEST-bench: 10種類のがん、72スライド。
• STimage-1K4M: 8種類のがん、186スライド（クロスコーホート転移）。

パフォーマンス指標:

• 一律の改善: 補正により、すべての 14（ベースライン、コーホート）の組み合わせにおいて、ピアソン相関係数（PCC）の利得（$\Delta$）が得られた。
• 統計的有意性: 14組のうち11組がボンフェローニ補正後の有意水準（$p < 0.05$）に達した。
• 規模: 利得は $+0.0024$（STimageにおけるSEPAL）から $+0.0326$（HEST-benchにおけるGCN）の範囲であった。
• ベースラインへの依存性:
  • 明示的な空間的帰納バイアスを欠くベースライン（例：Ridge, ST-Net）は、空間的事前分布から大きな恩恵を受けた。
  • すでに空間構造を符号化しているベースライン（例：GCN, SEPAL, STFlow）は、空間的利得は小さかったものの、Bio Priorからは恩恵を受けた。
  • Bio Priorは、14組中12組において利得の主要な要因であった。
• 転移可能性: HEST-benchで訓練された事前分布は、STimageコーホートに特化して訓練された事前分布よりも優れた性能を示した（STimageではHVGのカバレッジ不足やゼロパディングのアーティファクトが生じていた）。これは、がんモードの共発現構造がコーホート間で保存されていることを裏付けている。

意義と主張
本論文は、現在の画像からSTへの予測器と真の測定値との間のギャップの大部分は、推論時に安価に回収可能であると主張している。著者らは以下のように述べている：

• 残留誤差は構造的である: SOTAモデルにおける残りの誤差は単なるノイズではなく、モデル化されていない生物学的共発現および空間的組織化を反映している。
• 明示的なモデリングが必要である: 将来のモデルは、周辺的な遺伝子ごとの予測損失に頼ってこれらを暗黙的に回復させるのではなく、結合的な生物学的共発現と空間的組織化を明示的にモデル化すべきである。
• 解釈可能性: 注入された構造は解釈可能である。精度行列における上位の部分相関は、既知の細胞型共発現プログラム（例：内皮細胞、T細胞、ケラチノサイトのマーカー）を、精査されたマーカーリストと10〜40%の重複で回収している。
• 実用的な有用性: 本手法は、訓練データからの事前計算された統計量のみを必要とし、多様なモデルファミリーにおける現在の公開SOTAを改善する、実用的かつ普遍的なキャリブレーションツールを提供する。

著者らは限界についても謙虚に述べており、本手法には事前に分類されたがん種が必要であること、現在は50個のHVGパネルに限定されていること、およびVisium以外のプラットフォーム（例：Stereo-seq, Slide-seq v2）ではまだテストされていないことを指摘している。また、特定のベースライン/コーホートの組み合わせ（STimageにおけるSTPathおよびSTFlow）については、結果はポジティブであったものの、補正後に統計的有意性に達しなかった点についても認めている。