🧬 biology

SEMA: A Framework of Spatial-Aware Enrichment for Multi-pathway Analysis

SEMAは、空間的コンテキストをパスウェイ解析に統合する新しいフレームワークであり、多様な組織および癌のデータセットにおいて、三次リンパ構造付近の代謝活動や線維芽細胞による免疫調節といった重要な空間解像度の生物学的知見を明らかにするという点で、既存の手法を凌駕しています。

原著者： Xiaokai Fan

公開日 2026-07-20

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Xiaokai Fan

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

ドローンで巨大で賑やかな都市を見下ろしているところを想像してみてください。もし、各建物の中にいる人数を数えるだけなら、「ここに100人、あそこに50人」といった数字のリストが得られるだけでしょう。それは従来の遺伝子シーケンシングと同じです。それはどの遺伝子がサンプル内で活性化しているかを科学者に教えますが、すべての細胞を真空の中に浮いているかのように扱い、その隣人（隣接する細胞）を無視してしまいます。しかし、都市は単なる建物のリストではありません。都市はその建物同士がどのように相互作用するかによって定義されます。コーヒーショップが図書館の隣にあれば、建設現場の隣にある場合とは異なる雰囲気になります。生物学において、この「都市」とはあなたの体の組織であり、「建物」は細胞です。

最近、科学者たちはこれらの細胞の都市の写真を撮る新しい方法、**空間トランスクリプトミクス（spatial transcriptomics）**を開発しました。これは単に遺伝子のリストを作るのではなく、組織のレイアウト内のどこで各遺伝子がオンになっているかを正確にマッピングする技術です。しかし、一つ問題があります。これらのマップを分析するために使われるほとんどのツールは、まだ文章の意味を理解せずに単語のリストを読んでいるような状態なのです。それらは単一の細胞を見て、「この細胞は何をしているのか？」と問いかけますが、その細胞がすぐ隣の細胞とどのように「おしゃべり」をしているかという大きな絵を見落としています。この論文は、この盲点を修正するための新しいツールを紹介しており、研究者が「誰が部屋にいるか」だけでなく、「部屋がどのように配置されているか」、そして「その配置が何を意味するか」を理解する手助けをします。

新しい地図作成者：SEMAとの出会い

SEMA（Spatial-Aware Enrichment for Multi-pathway Analysis）をご紹介しましょう。SEMAを、単に一つの家を見るだけでなく、ブロック全体をチェックして実際に何が起きているのかを理解しようとする、非常に賢い近所の見守り役だと考えてください。

従来の方法では、もし科学者が特定の遺伝子グループ（「パスウェイ」）が組織内で活性化しているかどうかを知りたい場合、単一の地点を見てスコアを算出していました。それは、パーティーの一角にいる一人だけを見て、パーティー全体の様子を判断するようなものでした。もしその人が踊っていたら、パーティー全体が盛り上がっていると判断するかもしれません。しかし、もしその人が、他の全員が眠っている間に一人で踊っていただけだとしたらどうでしょう？従来のメソッドはこの間違いを犯しやすく、生物学的な現象は孤立してではなく、近隣地域（ネイバーフッド）の中で起きているという事実を見落としてきました。

SEMAは「近隣ルール」を用いることで、ゲームのルールを変えます。特定の細胞のスコアを計算するとき、SEMAは単にその細胞の遺伝子を見るだけではありません。周囲にある細胞の遺伝子も観察し、隣人の活動にわずかな重みを与えます。これは、もし隣人がクッキーを焼いていたら、たとえ自分のキッチンが空っぽであっても、その匂い（信号）はおそらく隣の家から来ているのだろう、と気づくことに似ています。細胞自身の活動と隣人の活動を融合させることで、SEMAは生物学的プロセスが実際にどこで行われているかについて、より明確で滑らかなマップを作成します。

SEMAの実証テスト

著者たちは単にこのツールを作っただけでなく、既存の手法よりも実際に優れているかどうかを確認するために、過酷なテストを行いました。彼らは、非常に異なる3つの「都市」でテストを実施しました。

整理された都市（脳）： 彼らはマウスの脳とヒトの前頭前皮質を調査しました。これらの領域には、非常に明確で組織化された近隣地域（視覚野や海馬など）が存在します。遺伝子活動を用いてこれらの特定の領域を見つけ出そうとした際、SEMAは他のツールよりもはるかに優れた精度で境界線を描くことができました。他のツールが少し曖昧だった一方で、SEMAは「ここは間違いなく図書館であり、あちらは間違いなく公園である」と、二つの隣接する脳領域を高い精度で区別することができました。
小さな村（リンパ節）： 彼らはリンパ節内部にある、ジャーミナル・センター（胚中心）と呼ばれる非常に小さく複雑な構造にズームアップしました。これらは免疫細胞が集まって感染と戦う、密集した小さなエリアです。これらの領域は非常に小さく密集しているため、古いツールでは特定するのが困難です。しかし、SE米はこれらを明確に特定し、他の高度な手法で見つかった実際の細胞数とほぼ完璧に一致しました。
隠れた要塞（三次リンパ様構造）： 腫瘍の中で、体は時として癌と戦うために「三次リンパ様構造（TLS）」と呼ばれる「要塞」を構築します。これらは周囲の腫瘍組織に似ているため、発見が困難です。SEMAはこれらの構造を特定する上で最も優れており、競合するツールよりも正確に、かつ少ないコンピュータ資源（メモリと時間）を使用してこれらを見つけ出しました。

癌におけるSEMAの発見

著者たちがSEMAを最高の地図作成者であると確信した後、彼らは93の乳癌サンプルと、その他の様々な癌からの123のサンプルを用いて探索を行いました。そこで得られた知見は以下の通りです。

代謝とのつながり：
彼らは、「機能的な」TLS（これら免疫要塞の活動的なバージョン）と、アラキドン酸代謝と呼ばれる特定の代謝プロセスとの間に、強い空間的な関連性があることを発見しました。それはまるで、免疫要塞がフル稼働しているときには、その周辺の近隣地域が特定の種類の化学エネルギーで活気づいていることを突き止めたかのようです。これは、この代謝経路が免疫の戦いに燃料を供給している可能性を示唆しており、以前は明らかではなかった手がかりです。

秘密の握手：
彼らはまた、細胞同士が会話するために使う「リガンド・受容体ペア」、いわば「秘密の握手」についても調べました。誰もがこれらの免疫要塞における有名な握手である「CXCL13-CXCR5」については知っていましたが、SEMAは別の、同じくらい重要なペアであるCXCL13-CXCR3を浮き彫りにしました。このペアは、免疫要塞が最も強固な場所で非常に活発であることが分かりました。著者らは、このペアが免疫応答を組織化する鍵となるプレイヤーである可能性があり、この信号レベルが高い患者は生存率が高い傾向にあると示唆しています。

偉大なる壁 vs 混ざり合った群衆：
おそらく最も驚くべき発見は、多くの異なる癌において、異なる細胞タイプがどのように配置されているかを調べた際に得られました。著者らは、線維芽細胞（支持細胞の一種）が、腫瘍都市における「接着剤」または中央のハブとして機能していることを見出しました。これらは通常、癌細胞に最も近い隣人となります。

しかし、その「配置」が極めて重要です。チームは二つの明確なパターンを見つけました。

混ざり合った群衆： 一部の腫瘍では、線維芽細胞と癌細胞が混沌とした混合状態で入り混じっています。
隔離された都市： 他の腫瘍では、明確で鋭い境界が存在します。線維芽細胞が癌細胞の周囲に明確なリングや壁を形成し、それらを免疫細胞から分離させています。

この論文は、線維芽細胞が明確な境界を形成している「隔離された」パターンこそが、実は良い兆候であることを示唆しています。この明確な分離を持つ患者は、より強力な免疫活動と良好な生存率を示す傾向がありました。サポート細胞が整然とした境界を形成しているとき、免疫システムはより効果的にその役割を果たすことができるようです。対照的に、すべてが混ざり合っているときには、免疫システムは効果が薄れているように見えます。

なぜこれが重要なのか

この論文は、癌を治療したり生命の謎を解明したりすることを主張しているわけではありません。代わりに、地図の読み方としてより優れた方法を提示しています。細胞は近隣に住んでおり、その場所がアイデンティティと同じくらい重要であることを認めることで、SEMAはノイズの中に隠されていたパターンを科学者が目にすることを可能にします。腫瘍の物理的なレイアウト、つまり細胞がどのように組織され、分離されているかということが、疾患がどのように振る舞い、患者が治療にどのように反応するかを理解するための極めて重要な手がかりになる可能性があることを、この研究は示唆しています。これは、生物学においても、都市と同様に、単に「誰がそこに住んでいるか」だけでなく、「彼らがどのように配置されているか」が重要であるということを思い出させてくれます。

技術要約：SEMA – マルチパスウェイ解析のための空間認識型エンリッチメント・フレームワーク

問題提起

空間トランスクリプトミクス（ST）技術は、バルクレベルの解像度からシングルセル精度へと進化し、組織構造、細胞間相互作用、および三次リンパ構造（TLS）のような機能的ニッチの特性評価を可能にしている。遺伝子セットエンリッチメント解析（GSEA）は、バルクおよびシングルセルRNA-seqデータの解釈における標準的なツールであるが、現在のST手法はしばしば明示的な空間コンテキストを無視している。従来のアプローチは、スポットや細胞を孤立したデータポイントとして扱い、局所的な遺伝子発現のみに基づいてエンリッチメントスコアを算出する。これは、生物学的機能が空間的に断絶した場所に誤って割り当てられるという、誤解を招く可能性がある。物理的な細胞相互作用から生じる組織機能性を正確に解読するためには、物理的な空間的近接性をパスウェイエンリッチメントに統合する手法が不可欠であるが、現在、その手法には決定的なギャップが存在する。

メソドロジー

著者らは、空間的な近傍情報をパスウェイスコアリングに統合するフレームワークであるSEMA (Spatial-Aware Enrichment for Multi-pathway Analysis) を開発した。このメソドロジーは以下のステップで進行する：

生スコア（Raw Score）の計算: 与えられた遺伝子セット $G$ に対して、各スポットまたは細胞 $i$ の生スコア ( $S_i^{raw}$ ) は、当該遺伝子セットと発現行列の両方に存在する遺伝子の平均発現量として計算される。
空間グラフの構築: ユークリッド空間座標を用いて、k-最近傍（KNN）グラフを構築する。近傍は最も近い $k$ 個の細胞によって定義される無向隣接行列が形成される。
重み付き平滑化（Weighted Smoothing）:
- 空間的な影響の減衰を制御するために、距離に基づくガウスカーネル帯域幅 ( $\sigma$ ) が、 $k'$ -番目の最近傍への距離に基づいて自動的に推定される。
- ガウスカーネル重み ( $w_{ij}$ ) は、空間距離 ( $d_{ij}$ ) に基づいてエッジに割り当てられる： $w_{ij} = \exp(-d_{ij}^2 / 2\sigma^2)$ 。
- これらの重みは、重み付き隣接行列 $\tilde{W}$ を作成するために行正規化される。
空間認識型スコアの計算: 最終的な空間認識型スコア ( $S_i^{spatial}$ ) は、スポット自身の生スコアと、近傍の生スコアの重み付き平均との凸結合である：
$S_i^{spatial} = (1 - \lambda) \cdot S_i^{raw} + \lambda \cdot \sum_j \tilde{W}_{ij} S_j^{raw}$
ここで、 $\lambda \in [0,1]$ は空間重みパラメータである。
空間相関解析: パスウェイ間または細胞型間の関係を調査するために、著者らは二変量Moran's Iを採用している。この統計量は、SEMAスコアを用いてグローバルな空間相関を測定し、2つの遺伝子セット間の共局在（正の相関）または空間的排除（負の相関）を特定する。

本フレームワークは、AddModuleScore、AUCell、UCell、およびssGSEAを含む確立された手法と比較してベンチマークが行われた。

主な貢献と結果

1. ベンチマークと性能

SEMAは複数のデータセットとタスクにわたって厳格に評価され、精度、特異性、および効率において既存の主要な手法を一貫して上回った：

解剖学的再構成: マウス脳冠状切片およびヒト背外側前頭前野（DLPFC）のデータセットにおいて、SEMAは、細かな領域マーカー遺伝子セットの信号を回収する際、AddModuleScore、ssGSEA、UCell、およびAUCellと比較して、より高いAUC（Area Under the ROC Curve）および精度・再現率AUC（PRAUC）を達成した。
微細構造の検出: ヒットヒトリンパ節データにおいて、SEMAは、B細胞、濾胞樹状細胞（FDC）、およびT濾胞ヘルパー（Tfh）マーカーに基づく胚中心（GC）における信号検出において優れた能力を示した。これは、デコンボリューション手法（cell2locationおよびCARD）によって推論された細胞型存在量との高い一致を示し、10x Xeniumデータにおける病理医注釈付きのリンパ増殖部および胚中心の特定において、より高いAUC（0.707）を達成した。
TLSの同定: 透明細胞型腎細胞癌（ccRCC）データに対し、3つの異なるTLSシグネチャ遺伝子セットを用いた解析において、SEMAはより高いAUC/PRAUCとより低い偽陽性率をもって、TLS陽性スポットを区別する優れた性能を示した。
効率性: SEMAは比較対象の手法よりも大幅に少ない計算時間とメモリを必要とし、大規模なアプリケーションへの適用に適している。

2. 生物学的知見：乳癌と機能的TLS

93の乳癌空間トランスクリプトミクスデータセットにSEMAを適用した結果、以下のことが明らかになった：

代謝相関: 機能的TLS（CXCL13、CD3D、MS4A1などのマーカーで定義される）と、アラキドン酸代謝パスウェイとの間に強い空間相関が特定された。この知見は、KEGGおよびReactomeの両方の遺伝子セットにおいて一貫しており、バルクRNA-seqデータ（4,148サンプル）でも検証されている。
リガンド・受容体ペア: 機能的TLS内におけるリガンド・受容体ペアの解析により、CXCL13-CXCR3がトップランクのペアとして浮上し、機能的TLSシグネチャとの強い空間的共局在を示した。このペアはTCGA-BRCAおよびMETABRICコホートにおいて患者の生存率向上と関連しており、従来のCXCL13-CXCR5軸を超えた、TLS活性における潜在的に過小評価されている役割を示唆している。

3. パンキャンサーにおける細胞組織化

123の空間トランスクリプトミクスサンプル（TNBC、OV、LC、HCC、ccRCC）を用いたパンキャンサー解析により、細胞組織化の一般的原理が明らかになった：

線維芽細胞ハブ: 線維芽細胞は中心的な空間ハブとして浮上し、免疫細胞（B細胞、形質細胞、CD4+ T細胞、マクロファージ）と一貫して強い空間的関連を示し、上皮/癌細胞に最も近い細胞型として機能している。
分離 vs 混合: 線維芽細胞と上皮/癌細胞の間の空間関係（二変量Moran's I）に基づいてサンプルを層別化した。
- 分離状態（Segregated State）: 線維芽細胞と腫瘍細胞の間の空間的分離（明確な境界）がより顕著なサンプルは、免疫関連パスウェイの発現（例：抗体産生）が高く、複数のコホートにわたって患者の生存率が有意に改善していた。
- 混合状態（Mixed State）: 混合した空間パターンを持つサンプルは、異なる癌関連線維芽細胞（CAF）サブタイプと相関していた。具体的には、分離状態は抗原提示型（apCAFs）、マトリックス型（mCAFs）、分裂型（dCAFs）、および網状型（rCAFs）のサブタイプに関連していたのに対し、混合状態は代謝型CAF（meCAFs）と相関していた。

重要性と主張

著者らは、SEMAを、空間的に解像されたパスウェイ活性を解明するための強力かつ効率的なツールとして位置づけている。論文では、空間コンテキストを明示的に組み込むことで、空間データを孤立した点として扱う手法に内在する誤解を回避できると主張している。

本研究の重要性は、以下の能力にある：

空間構造の解読: 細胞機能の物理的な実行空間を考慮することで、組織における生物学的機能のより忠実な表現を提供する。
大規模解析の実現: 急速に拡大する空間トランスクリプトミクスデータセットの規模に適した、計算効率の高いソリューションを提供する。
新規生物学的仮説の生成: アラキドン酸代謝とTLSの関連や、線維芽細胞と腫瘍細胞の分離の予後価値といった特定の空間的関連を明らかにすることで、腫瘍微小環境の再構築戦略に資する知見を提供する。

著者らは限界についても認めており、代謝およびリガンド・受容体の知見は遺伝子発現に基づいているため、将来的な空間メタボロミクスや機能的アッセイによる検証が必要であるとしている。同様に、細胞型の分布はマーカー遺伝子セットから推論されたものであり、将来的なシングルセル解像度のデータとの統合が、これらの相互作用マップをさらに精緻化できるとしている。