技術要約: Nanotransfer

問題提起

標準的なシングルセルおよび空間ゲノミクス・パイプラインは、体細胞組織における細胞間水平DNA転送（HDT）を検出することに失敗している。近年の実験的証拠（Ly et al., Wu et al.）は、ゲノムストレス下にある細胞が、タネルリング・ナノチューブ（TNT）を介して完全なDNA断片、染色体外環状DNA（ecDNA）、および核の断片を交換することを裏付けているが、既存のバイオインフォマティクスツールはこれらのイベントを誤分類してしまう。

この失敗は、現在のワークフローにおける主に2つの制限に起因している：

1. 次元削減とクラスタリング: SeuratやScanpyのようなアルゴリズムは、低次元空間に細胞を投影するために多様体平滑化（manifold smoothing）を使用する。レシピエント細胞がドナー由来の転写産物をわずかな割合（0.01%–0.1%）取得した場合、これら非系統のリードは技術的なノイズとして処理され、結果としてレシピエント細胞は背景のストロマクラスターへと統合されてしまう。
2. ダブレット検出: ScrubletやDoubletFinderのようなツールは、液滴への共封入アーティファクト（2つの細胞が1つの液滴にトラップされた状態）を特定するように設計されている。これらのツールは、約2倍のUMIカウントやハイブリッドな発現プロファイルに基づいて動作する。しかし、HDTレシピエントは正常な転写産物カウント、細胞サイズ、およびベースラインマーカーを維持しているため、ダブレット分類器はこれらを誤って正常なシングレットとしてランク付けしてしまう。

このギャップは、重大な生物学的リスクをもたらす。例えば、固形腫瘍における細胞系譜を越えた薬剤耐性の急速な拡散や、細胞療法（例：CAR-T細胞へのオンコジーンの転移）における安全性への懸念などが挙げられる。

方法論

Nanotransferは、専用のタグやウェットラボでのラベル付けを必要とせず、標準的なシングルセルRNA-seq（scRNA-seq）および空間トランスクリプトミクス（10x Visium）のマトリックスから直接HDTレシピエントを検出するために設計された、マルチモーダルな計算フレームワークである。本フレームワークは、ベンジャミニ・ホックバーグ偽発見率（FDR）補正（$q < 0.05$）およびStouffer Zスコア収束モデルの下で、4つの異なる検出チャネルを統合している。

細胞は、少なくとも2つの収束するモダリティによって支持された場合にのみ、検証済みのHDTレシピエントとして分類される（$m \ge 2$）。

4つの検出モダリティ

1. ゲノムモザイク検出器 (GMD):

   • クラスター固有のリファレンス・ベースラインに対する、特定のドナー遺伝子セットの非クローナルな発現を測定する。
   • 性別メタデータによってベースラインを層別化する（例：女性レシピエントに対し、男性ドナーのY染色体転写産物である RPS4Y1, DDX3Y, UTY を比較する）。
   • アウトライヤーを特定するために、クラスター平均およびフロア付き標準偏差に対する発現Zスコアを算出する。

2. 空間相関アナライザー (SCA):

   • 物理的な組織座標を用いたk-近傍空間グラフ（$k=6$）を構築する。
   • 局所的なMoran's I空間自己相関を算出する。
   • ガウス型マイクロクラスターサイズ関数 $\gamma(S) = \exp(-(S-3)^2/8)$ を適用し、物理的な接触規模（2〜5個の細胞）に特化して重み付けを行う一方で、大きなクローン増殖（>10個の細胞）にはペナルティを課す。これは、ナノチューブ接触の物理的スケールに適合させるためである。

3. ecDNA転送スコア (ETS):

   • 既知の染色体外環状オンコジーン増幅領域（MYC, EGFR, MDM2, CDK4）にわたるペアワイズの転写産物コサイン類似度を計算する。
   • 隣接する細胞間における共有された非クローナルな増幅シグネチャーを特定する。

4. アレル特異的転送検出器 (ASTD):

   • ヘテロ接合型の単一塩基多型（SNP）遺伝子座におけるBアレル頻度（BAF）のシフトを追跡する。
   • $|BAF - 0.5| > 0.35$ を示す、あるいは外来DNAの統合を示唆するマルチアレル遺伝子座パターンを示す細胞をフラグ立てする。

統合

個々のモダリティのp値は、Stoufferの加重Zスコア法を用いて結合される。最終的な統合スコアは、統計的有意性（$q < 0.05$）を確保するためにフィルタリングされる。本フレームワークはPythonで実装されており、スケーラビリティのためにベクトル化アルゴリズム（NumPy, SciPy, Numba）を利用している。

主な結果

1. 合成グラウンドトゥルース・ベンチマーク（Y染色体共培養）

• データセット: 5,000個のデジタル細胞を共培養（女性レシピエント、男性ドナー）し、100個の真の転送イベント（発生率2.0%）を含む。
• 性能:
  • 感度 (Sensitivity): 89.80%
  • 適合率 (Precision): 95.65%
  • 偽発見率 (FDR): 4.35%
  • F1スコア: 0.926
• 比較: 標準的なLeidenクラスタリングは、真のレシピエントの98%をベースラインのストロマに統合した。Scrubletは、ほぼすべてのレシピエントをシングレットとして分類した。NanotransferはAUC 0.942を達成し、GMD単独（AUC 0.760）やダブレット分類器（AUC 0.518）を大幅に上回った。

2. 特異性ベンチマーク（健康なPBMC）

• データセット: 健康なドナー由来の3,500個の一次ヒト末梢血単核細胞（PBMC）。
• 結果: Nanotransferはゼロの偽陽性コール（偽陽性率 0.00%）を生成した。
• CAR-Tの安全性: CAR-T細胞とホスト腫瘍細胞の共培養において、本ツールは真の細胞間転送とアンビエントRNA汚染を正常に区別し、非接触コントロールに対して0.00%の偽陽性ベースラインを維持した。

3. 臨床応用（膠芽腫空間トランスクリプトミクス）

• データセット: ヒト膠芽腫患者の10x Visium空間データセット（4,880スポット）。
• 知見:
  • 本フレームワークは、2つの転送スポット（全組織面積の0.04%）を分離した。
  • これらのスポットは、浸潤性腫瘍-ストロマ境界において連続的なマイクロクラスターを形成していた。
  • このクラスターは、顕著な局所空間自己相関（Moran's I = 0.018, $p = 0.0320$）を示した。
  • 組織学的レビューにより、これらのスポットが浸潤する膠芽腫細胞と神経ストロマとの間の活動的な接触ゾーンと一致していることが確認された。

4. スケーラビリティ

• ベクトル化されたコアアルゴリズムは、標準的なハードウェア上で100,000細胞の空間マトリックスを10分未満で処理した。

重要性と主張

本論文は、Nanotransferが標準的なシーケンシングデータから水平DNA転送を検出するための初の専用エンジンを提供することで、計算腫瘍ゲノミクスにおける決定的なギャップを埋めるものであると主張している。その重要性は以下の点にある：

• 誤分類の修正: 標準的なクラスタリングアルゴリズムによって、稀な転送イベントがノイズへと「平滑化」されるのを防ぐ。
• 高い精度: 95.65%の適合率という高い特異性を達成しつつ、健康なクローナル組織においてゼロの偽陽性率を実現しており、従来の手法の信頼性に関する懸念に対処している。
• 臨床的関連性: 腫瘍-ストロマ境界や細胞療法における転送イベントを特定することで、薬剤耐性のメカニズムや免疫療法の安全性リスクを研究するためのツールを提供する。
• アクセシビリティ: 本ツールはオープンソースのPythonパッケージ（pip install nanotransfer）および3D可視化機能を備えたエンタープライズ・ウェブプラットフォームとして公開されている。

著者は、Nanotransferをウェットラボによる検証の代替物としてではなく、シングルセルおよび空間ゲノミクス研究におけるさらなる生物学的調査のための候補細胞を特定するための、必要な計算フィルタとして位置づけている。