Tweet

Pocket

空間トランスクリプトミクス（ST）の多くは、1スポットが複数の細胞を混在した バルク的なシグナル を持っています。
そのため、「スポット内にどの細胞型がどれくらい存在するか」 を推定する技術が不可欠です。

この推定が デコンボリューション（Deconvolution） であり、
scRNA-seq の高解像度データを参照しながら ST の解釈力を一気に引き上げます。

1. デコンボリューションが必要な理由

■ 1スポット＝単一細胞ではない（Visiumでは直径約55 µm）

• 実際には 5〜20個の細胞が混在
• mRNA量も細胞ごとに大きく異なるため、細胞型の混合比は不明

■ scRNA-seq は「細胞型のライブラリ」を提供する

• 各細胞型固有の遺伝子発現プロファイル
• ST のスポット発現は、これらプロファイルの線形和とみなせる

→ scRNA-seq を教師データとして ST を分解するのがデコンボリューション

2. デコンボリューションの原理：線形モデル

ST スポットの発現ベクトル Y は、
scRNA-seq で得られた細胞型の平均発現 X と、混合比 W の積で表される：$$Y \approx XW$$Y≈XW

• Y：STスポット（遺伝子 × スポット）
• X：scRNA-seq の「細胞型 × 遺伝子」発現
• W：推定したい「スポット × 細胞型構成比」

各手法で最適化方法は異なるが、本質的にはこの線形モデルを解く問題。

3. 主要デコンボリューション手法（比較付き）

🔹 Cell2location（scVIベースのベイズモデル）

現時点で最も広く使われる手法の一つ。

• scRNA-seq と ST のバッチ差を階層ベイズでモデル化
• 空間内で細胞が存在しうる「確率密度」を推定
• 空間内ニッチ解析にも強い

強み：発現量差やバッチ補正にきわめて強い
弱み：GPU が推奨、計算が重い

🔹 RCTD（Robust Cell Type Decomposition）

• scRNA-seq を参照し、ST スポットの細胞型混合比を推定
• シンプルな統計モデルでロバスト

強み：高速で導入が簡単
弱み：細胞型が似ている場合は分離が難しい

🔹 SPOTlight（NMF + Deconvolution）

• 事前に NMF（行列分解）で特徴マトリクスを作る
• Seuratとの統合が容易

強み：使いやすく、多くのワークフローに組み込みやすい
弱み：NMFの事前処理が結果に影響

🔹 Tangram（深層学習ベース）

• scRNA-seq の細胞を ST へ “マッピング”
• 空間的に最も整合的な細胞配置を探す
• 細胞単位で座標を割り当てる点が革新的

強み：単一細胞空間再構築ができる
弱み：解釈性は限定的、ハイリソ計算が必要

🔹 DestVI（scVIフレームワーク）

• スポット中の細胞型だけでなく
  細胞型内部の状態変化（substates）も推定
• 病態モデルで強みがある

強み：細胞型の“状態”まで空間で解析可能
弱み：実装・解釈がやや難しい

4. デコンボリューション実装の実際（解析フロー）

ステップ 1：scRNA-seq で細胞型アノテーション

• クラスタリング（Seurat/Scanpy）
• マーカー遺伝子で精密に細胞型同定
• サブタイプ整理（例：腫瘍細胞クラスターは1つにまとめる等）

ステップ 2：scRNA-seq 発現マトリクスを「参照」化

よくやる処理：

• 低品質細胞の除去
• 細胞型ごとの pseudobulk を作成
• 必要に応じて DEGs を抽出

ステップ 3：ST データの前処理

• 正規化
• スポット品質のフィルタリング
• 高可変遺伝子の選択

ステップ 4：デコンボリューション実行

例：Cell2location（python/scanpy）
例：RCTD、SPOTlight（R/Seurat）

ステップ 5：可視化

• 細胞型存在確率ヒートマップ
• スポット上の細胞型割合マップ
• 隣接する細胞の量的関係を見る（第6回の内容につながる）

5. デコンボリューションの注意点（実験計画にも重要）

1. scRNA-seq の細胞型バイアス

腫瘍などでは酵素処理が強いと、上皮系が生き残りにくい
→ scRNA-seq の参照に上皮が少ない → デコンボリューションに影響

2. scRNA と ST のプラットフォーム差

• 10x scRNA vs 10x Visium は比較的相性良い
• Smart-seq2 vs Visium はバッチ差が大きい
• Cell2location のようなバッチ補正が必須

3. 遺伝子の「ドロップアウト」

scRNA-seq はドロップアウトが多いため、
低発現遺伝子を使うと誤推定される可能性がある

4. 空間的に“存在しない”細胞が混ざるケース

例：血液細胞、脈管系細胞は局所的にしか存在しない
→ モデルが誤って全域に割り当てることがある
→ cell2location が比較的解決しやすい

6. デコンボリューションで研究がどう変わるか？（応用例）

■ がん腫瘍微小環境（TME）の構築図が得られる

• CAF、内皮、マクロファージなどの局在
• 腫瘍細胞の分布と相互作用

■ niche の境界が分かる

例：

• 肝臓：門脈域 vs 中間帯 vs 中心静脈帯
• 腸管：crypt vs villus

■ scRNA-seq では得られない spatial signature

デコンボリューションは
「細胞型 × 空間位置」の新しい軸を作る
→ 第6回の「近接解析」、第7回の「空間パスウェイ解析」へ直接つながる

まとめ

デコンボリューションとは：

• 空間データのスポットに対して
  「どの細胞型がどれだけ存在するか」を推定する技術
• scRNA-seq を参照として用い、線形モデル or ベイズモデルで推定
• cell2location、RCTD、SPOTlight、Tangram、DestVI など多数の手法がある
• 空間生物学の基盤であり、
  TME解析、ニッチ解析、がん幹細胞探索、臓器アトラス構築などに必須