spaGFM is a scalable graph foundation model for spatial transcriptomics analyses
本論文は、ランダムウォークと自己教師あり学習を活用することで、空間トランスクリプトームデータの堅牢かつ転移可能な表現を生成し、多様な生物学的コンテキストにおける複雑な組織構成と機能的帰結の解析を可能にする、スケーラブルなグラフ基盤モデルであるspaGFMを導入するものである。
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
生物学は長い間、組織の断片を顕微鏡で観察し、そこに見える細胞を数えることに依存してきましたが、この手法では全体像を見落としてしまうことがよくあります。単一の細胞は真空の中に存在するのではなく、その振る舞いは周囲の環境によって左右されます。生きた臓器において、細胞の機能は、隣にいるのが感染症と戦っている細胞なのか、あるいは静かに損傷を修復している細胞なのかによって変化します。組織がどのように機能し、なぜ疾患において破綻するのかを理解するために、科学者たちは個々のプレイヤーだけでなく、それらが形成する複雑で変化し続ける「近隣地域（ネイバーフッド）」を見る必要があります。近年、「空間トランスクリプトミクス」と呼ばれる新しい技術が登場し、組織サンプル内のあらゆる遺伝子がどこでオンになっているかを正確にマッピングすることで、住民のリストとともに、その近隣地域の地図を保存することを可能にしました。しかし、これらの地図はあまりに膨大かつ詳細になりつつあり、コンピュータが読み取るのが困難になっています。データは単なる単語のリストや一直線のコードではなく、細胞間の距離や関係性が細胞そのものよりも重要となる、複雑に絡み合った接続の網（ウェブ）なのです。
ある研究チームは、これら複雑な細胞の近隣地域を理解するために設計された、「spaGFM」と呼ばれる新しいツールを導入しました。これは、細胞を単独で見るのではなく、細胞間の経路を辿ることによって組織の物語を読み解くことを学習するシステムだと考えてください。研究者たちは、このシステムを膨大なデータのコレクションを用いて訓練しました。そこには、肺、肝臓、脳を含むヒトおよびマウスの体の様々な部位から採取された、約4400万個の細胞を含む132種類の異なる組織サンプルが含まれており、これらは異なる高解像度イメージング装置を使用してキャプチャされたものです。この巨大なライブラリを学習することで、システムは細胞がどのように機能的なグループへと組織化されるかというパターンを認識することを学びました。システムは、組織を「接続された点のマップ」として扱うことでこれを行います。ここで、各点は一つの細胞です。マップ全体を一度に処理しようとする代わりに、システムはマップ上を「歩き回り」、一つの細胞からその隣の細胞へ、そしてその隣のまた隣の細胞へと飛び移っていきます。システムはこれらの旅路をステップのシーケンスとして記録することで、ある特定の細胞の局所的な環境を、その直近の周囲から、それが属するより広い近隣地域に至るまで理解することができるのです。
このアプローチの威力は、3つの非常に異なる生物学的課題においてテストされ、それぞれにおいて、システムが学んだことを新しい状況にいかに適用できるかが明らかになりました。第一に、研究者たちは、システムが「三次リンパ構造」として知られる特定の免疫構造を見つけ出すことができるかどうかを問いかけました。これらは慢性的な炎症や癌の際に組織内に形成される、高度に組織化された免疫細胞の小さなクラスターであり、その存在はしばしば患者の治療への反応性を予測します。これらを特定することは、特に細胞の境界が曖昧な古い低解像度のイメージングデータにおいては、非常に困難であることで知られています。高解像度の画像のみで訓練されたこのシステムは、肺や腎臓の癌サンプルからの低解像度データにおいても、これらの構造を正常に特定することができました。これは、新しいデータに対して再学習を行うことなく、以前に学習した空間パターンを認識することによって実現されました。結果として、システムは、データが全く異なるタイプの装置から来た場合でも、従来のメソッドよりも正確に、これらの免疫クラスターを周囲の腫瘍組織から区別できることが示されました。
次に、チームは免疫環境が癌細胞に与える影響を、システムがどのように理解しているかを探求しました。マウスの腫瘍を用いた遺伝子実験の研究では、研究者が癌細胞の反応を見るために、特定の遺伝子をあらかじめ改変していました。問いは、癌細胞の反応が、近くにT細胞（免疫細胞の一種）がいるかいないかに依存するかどうかでした。システムは、癌細胞の遺伝子変化を観察することで、どの細胞がT細胞の近くにあり、どの細胞が遠くにいるかを、単に遺伝子活動のパターンを分析するだけで正しく予測することができました。より重要なことに、システムは、見たことがない遺伝子変化に対して癌細胞がどのように反応するかを、それが免疫細胞への近接性に依存する場合に限り、予測することができました。これは、システムが単に遺伝子の振る舞いのリストを暗記したのではなく、細胞が隣人とどのように対話するかというルールを真に学習したことを示唆しています。
最後に、研究者たちはこのツールを、糖尿病性腎症患者のヒト腎生検試料に適用しました。この疾患では、腎臓の微細な濾過ユニットである「糸球体」が損傷し、硬化していきます。病理医は、この損傷を軽度から重度まで判定しますが、目視で行うことは困難であり、主観的です。システムは、組織を観察し、人間の専門家が割り当てたグレードと一致するように、細胞を正しい損傷カテゴリーへと自動的にグループ化することができました。さらに、システムは、初期の人間によるレビューで見落とされていたが、後に特定の分子マーカーの存在によって確認された、損傷した糸球体のように見える新しい領域をも特定しました。また、システムは、損傷が悪化するにつれて、近隣地域の構成が予測可能な形で変化し、特定の保護的な細胞が消失して他の細胞に取って代わられる様子も明らかにしました。
この研究の意義は、その「スケールアップ」する能力にあります。これらの細胞マップを分析する従来の手法は、データが大きすぎたり複雑すぎたりすると、膨大な数の接続に足を取られて停滞してしまうことがよくありました。この新しいアプローチは、細胞間の複雑な接続の網を、現代のコンピュータが効率的に処理できる形式に変換することで、それらの限界を回避します。これにより、科学者は、異なる臓器や異なる疾患においても成立する、組織がどのように構築され、どのように崩壊するかについての一般的なルールを学ぶことができます。このシステムは、人間の専門家に取って代わる魔法のような解決策ではありませんが、微視的世界を眺めるための強力な新しいレンズを提供します。それは、数十億の細胞の混沌とした混迷を、組織化された読み取り可能な物語へと変え、生命と疾患の根本的な原理を理解するためのより明確な道筋を示すものです。
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。