シーケンス型空間トランスクリプトーム：スライス整列と 3D 再構成

📚 この記事について
連続切片を物理的に重ね合わせ、3D として扱う工程を扱います。なぜ座標だけでは重ならないのか、発現をどう手がかりに使うのか、そして積み上げた 3D に何を期待してよいのかを整理します。
🔙 前の記事：シーケンス型空間トランスクリプトーム：複数スライスの統合
🔜 次の記事：シーケンス型空間トランスクリプトーム：空間マルチオミクス
📌 前提：複数スライスの統合／データ読み込みとデータ構造

空間トランスクリプトーム解析（spatial transcriptomics）のうちシーケンス型（Visium・Stereo-seq など NGS で読み出す方式）は、2次元の切片からデータを得ます。連続した切片を重ねれば 3 次元にできるはずですが、実際には切片どうしが同じ形をしていません。切る・貼る・染めるという工程で、組織は必ず変形します。だから、平行移動と回転だけでは重なりません。

1. 切片は、形が保たれていない
2. 発現も手がかりに使う
3. 3D にするか、1枚にまとめるか
4. 積み上げた 3D は、思ったより粗い
5. 整列がうまくいったかを、どう確かめるか
6. チェックリスト
まとめ
関連記事
参考文献

1. 切片は、形が保たれていない

変形：切る過程で伸びる、縮む、ねじれる。
裂けや欠け：切片の一部が失われる。
向きの違い：スライドに載せるときの角度が毎回違う。
写る範囲の違い：切る位置が進むにつれて、組織の断面そのものが変わる。

⚠️ 全体が重なることを前提にした整列は、そこで破れる
PASTE2 の論文（Liu, Zeira & Raphael, Genome Research, 2023）は、既存の手法の多くが「切片間で組織の形態がおおむね保たれている」と仮定しているが、この仮定は生物学的にも技術的にも、しばしば破れると指摘しています。切片ごとに固有の領域があってよい、重なりは部分的でよいという立場をとる手法が必要になります。

2. 発現も手がかりに使う

PASTE（Zeira et al., Nature Methods, 2022）は、発現の類似度と物理的な距離の両方を使って、隣り合う切片のフィーチャどうしを対応づけます。最適輸送の枠組みで、この対応を確率的に解きます。

原論文は、発現だけ、あるいは座標だけを使うより、両方を使うほうが正確に対応づけられることを示しています。形が崩れていても、発現が手がかりとして残っているからです。

python
import paste as pst
import numpy as np

# 隣り合う2枚を対応づける
#   alpha は「発現をどれだけ重く見るか」。0 なら座標だけ
pi = pst.pairwise_align(slice1, slice2, alpha=0.1)
print(pi.shape)   # (スライス1のフィーチャ数, スライス2のフィーチャ数)

# 対応づけをもとに、座標を重ねる
aligned = pst.stack_slices_pairwise([slice1, slice2], [pi])

# alpha を振って、対応づけがどう変わるかを見る
for a in [0.0, 0.1, 0.5]:
    pi_a = pst.pairwise_align(slice1, slice2, alpha=a)
    print(a, "対応の集中度:", round(float((pi_a > 1e-6).mean()), 4))

💡 パラメータを振って、安定性を見る
発現と座標の重みを決めるパラメータがあります。値を振って、対応づけがどう変わるかを見てください。大きく変わるなら、その整列は信用できません。どの値でも似た対応になるなら、それは組織の構造を捉えている証拠になります。

3. 3D にするか、1枚にまとめるか

やり方	得られるもの	向いている場面
順に積み上げる	3D の構造	組織の立体的な形を見たい
代表切片にまとめる	1枚に集約された高品質なデータ	検出力を上げたい

python
# 3D にせず、1枚の代表切片にまとめるという道もある
#   複数枚の情報が1枚に集まるので、統計が強くなる
init = slice1.copy()
center, pis = pst.center_align(
    init, [slice1, slice2, slice3], alpha=0.1,
)
print(center.shape)

# 代表切片の上で、クラスタリングや差次発現を行う
#   1枚ずつ解析するより、検出力が上がる

💡 1枚にまとめると、統計が強くなる
複数の切片の情報を1枚に集約すると、細胞型の同定や差次発現の検出が改善することがPASTE の原論文で示されています。3D の形を見ることをあきらめる代わりに、1枚あたりのデータの質が上がる、という取引です。問いが「立体構造」でないなら、こちらのほうが有利なことがあります。

4. 積み上げた 3D は、思ったより粗い

ここは、はっきり理解しておく必要があります。

⚠️ 切片の厚みは、フィーチャの間隔よりずっと小さい
PASTE の原論文自身が、この限界を述べています。各層の厚みは、フィーチャの大きさやフィーチャ間の距離に比べて非常に小さいため、積み上げて得られる 3D 構造には限りがある、というものです。面内が 100 µm 間隔で、切片が 10 µm 厚なら、縦方向にはごく薄い層が並ぶだけです。等方的な 3D ボリュームにはなりません。

python
# 複数枚を順に対応づけて、積み上げる
slices = [s1, s2, s3, s4]
pis = [pst.pairwise_align(slices[i], slices[i + 1], alpha=0.1)
       for i in range(len(slices) - 1)]
new_slices = pst.stack_slices_pairwise(slices, pis)

# z 座標を与える。切片の厚みが、そのまま面と面の間隔になる
thickness = 10.0   # µm
for i, sl in enumerate(new_slices):
    xy = sl.obsm["spatial"]
    z = np.full((xy.shape[0], 1), i * thickness)
    sl.obsm["spatial3d"] = np.hstack([xy, z])

# 面内の間隔と、面と面の間隔を比べる
print("面内の間隔:", 100, "µm ／ 面の間隔:", thickness, "µm")
# 桁が違うことを、図にする前に理解しておく

それでも、大きな構造の連続性は追えます。血管が何枚の切片にまたがっているか、腫瘍巣が奥行き方向にどう広がっているか。サブミクロン解像度のデータを多数の切片で取った例では、胚のような複雑な立体構造の再構成が実際に行われています。

5. 整列がうまくいったかを、どう確かめるか

既知の構造を重ねる。血管や大きな腺管が、切片をまたいで連続するか。
組織像を重ねる。整列後の座標で H&E 画像を並べ、目で見る。
パラメータを振る。重みを変えても対応が保たれるか。
ドメインの連続性を見る。同じドメインが、隣の切片の同じ位置に来るか。

⚠️ 整列は、対応する点があることを前提にしている
連続切片には、そもそも同じ細胞はいません。10 µm 離れた別の断面を見ています。対応づけているのは「似た組成の場所どうし」であって、「同じ細胞」ではありません。この区別は、結果を解釈するときに効いてきます。とくに細胞レベルの結論を 3D で語るときは、慎重になってください。

6. チェックリスト

切片が変形していることを前提に手法を選んだか
重なりが部分的でよい手法が必要な状況か、判断したか
発現と座標の両方を使ったか
パラメータを振って、対応の安定性を見たか
3D にするか、1枚にまとめるかを、問いから決めたか
面内の間隔と面の間隔の桁の違いを理解しているか
既知の構造の連続性で、整列を確かめたか
「同じ細胞」ではないことを、解釈に織り込んでいるか

まとめ

連続切片は同じ形をしていない。伸び・縮み・裂け・向きの違いがある。
全体が重なる前提の整列は破れる。重なりが部分的でよいという立場の手法がある（Liu et al., 2023）。
発現と座標の両方を使うほうが正確（Zeira et al., 2022）。形が崩れても、発現が手がかりとして残る。
パラメータを振って、対応の安定性を確かめる。
3D にするか、1枚にまとめるかを問いから決める。後者は検出力が上がる。
切片の厚みは、フィーチャの間隔よりずっと小さい。積み上げた 3D は等方的なボリュームにはならない。
整列しているのは「同じ細胞」ではない。似た組成の場所どうしを対応づけている。

シーケンス型空間トランスクリプトーム：複数スライスの統合
シーケンス型空間トランスクリプトーム：空間マルチオミクス
シーケンス型空間トランスクリプトーム：データ読み込みとデータ構造
シーケンス型空間トランスクリプトーム：空間ドメイン同定
scRNA-seq解析：サンプル統合とバッチ補正 ─ Harmony
scRNA-seq解析：下流解析の全体像
scRNA-seq解析：正規化・特徴選択・次元削減・クラスタリング
scRNA-seq解析の土台：AnnData のデータ構造をリレーショナルDBの発想で理解する

参考文献

Zeira, R., Land, M., Strzalkowski, A., & Raphael, B. J. (2022). Alignment and integration of spatial transcriptomics data. Nature Methods, 19(5), 567–575. doi:10.1038/s41592-022-01459-6
Liu, X., Zeira, R., & Raphael, B. J. (2023). Partial alignment of multislice spatially resolved transcriptomics data. Genome Research, 33(7), 1124–1132. doi:10.1101/gr.277670.123
Chen, A., Liao, S., Cheng, M., et al. (2022). Spatiotemporal transcriptomic atlas of mouse organogenesis using DNA nanoball-patterned arrays. Cell, 185(10), 1777–1792. doi:10.1016/j.cell.2022.04.003
Palla, G., Spitzer, H., Klein, M., et al. (2022). Squidpy: a scalable framework for spatial omics analysis. Nature Methods, 19(2), 171–178. doi:10.1038/s41592-021-01358-2
Marconato, L., Palla, G., Yamauchi, K. A., et al. (2025). SpatialData: an open and universal data framework for spatial omics. Nature Methods, 22(1), 58–62. doi:10.1038/s41592-024-02212-x
Kleshchevnikov, V., Shmatko, A., Dann, E., et al. (2022). Cell2location maps fine-grained cell types in spatial transcriptomics. Nature Biotechnology, 40(5), 661–671. doi:10.1038/s41587-021-01139-4
Singhal, V., Chou, N., Lee, J., et al. (2024). BANKSY unifies cell typing and tissue domain segmentation for scalable spatial omics data analysis. Nature Genetics, 56(3), 431–441. doi:10.1038/s41588-024-01664-3
Ståhl, P. L., Salmén, F., Vickovic, S., et al. (2016). Visualization and analysis of gene expression in tissue sections by spatial transcriptomics. Science, 353(6294), 78–82. doi:10.1126/science.aaf2403
Wolf, F. A., Angerer, P., & Theis, F. J. (2018). SCANPY: large-scale single-cell gene expression data analysis. Genome Biology, 19, 15. doi:10.1186/s13059-017-1382-0