scRNA-seq解析：下流解析の全体像

scRNA-seq
2026.06.28

📚 この記事について：「scRNA-seq解析 実践シリーズ」下流解析編の全体像です。前処理（QC・正規化・統合）とアノテーションを終えたデータから、どんな生物学的問いに、どの解析で答えるかの地図を示します。各解析の詳しい使い方は、この後の個別記事で扱います。

前提：クラスタリング・細胞型アノテーション済みのデータ（→アノテーション手法の全体像）。Python の基本。

この記事のゴール

scRNA-seq の下流解析にどんな種類があるか、そして問い（何を知りたいか）に応じてどれを選ぶかを、全体像として掴むこと。個々の手法に入る前の「地図」です。

下流解析とは ― どこに位置するか

下流解析とは、前処理（QC・正規化・次元削減・統合）とクラスタリング・アノテーションを終えた注釈済みデータから、生物学的な意味を引き出す段階を指します。「細胞型が分かった、その先に何を言えるか」を担うパートです。

解析全体の中での下流解析の位置。生データ→前処理（QC・正規化・統合）→クラスタリング・アノテーション、までが土台。その上で行う「差次的発現・軌道・細胞間相互作用…」が下流解析であり、本シリーズの対象。
解析全体の中での下流解析の位置。生データ→前処理（QC・正規化・統合）→クラスタリング・アノテーション、までが土台。その上で行う「差次的発現・軌道・細胞間相互作用…」が下流解析であり、本シリーズの対象。

💡 下流解析はアノテーションの上に乗る
下流解析の結果は、前段（QC・統合・アノテーション）の品質に強く依存します。おかしな結果が出たら、まず前処理・アノテーションを疑うのが鉄則です。

下流解析の地図（問いで分類）

ベストプラクティスでは、下流解析は大きく「細胞レベル（集団・状態がどう動くか）」と「遺伝子レベル（何が・なぜ変わるか）」、そして「細胞間（どう連携するか）」に分けて捉えると整理できます。

下流解析の地図。注釈済みデータから、遺伝子レベル（差次的発現→機能エンリッチメント、GRN・TF活性、遺伝子プログラム）、細胞レベル（細胞組成の差、軌道・擬時間、RNA velocity・運命）、細胞間（細胞間相互作用）へと分岐する。CNV・摂動・代謝・系譜は文脈特化。
下流解析の地図。注釈済みデータから、遺伝子レベル（差次的発現→機能エンリッチメント、GRN・TF活性、遺伝子プログラム）、細胞レベル（細胞組成の差、軌道・擬時間、RNA velocity・運命）、細胞間（細胞間相互作用）へと分岐する。CNV・摂動・代謝・系譜は文脈特化。
  • 遺伝子レベル：どの遺伝子が・なぜ変化するか。差次的発現（DE）、機能エンリッチメント、遺伝子制御ネットワーク（GRN）・TF活性、遺伝子プログラム。
  • 細胞レベル：細胞集団や状態がどう動くか。細胞組成の差、軌道・擬時間、RNA velocity・運命予測。
  • 細胞間：細胞どうしの連携。細胞間相互作用（リガンド–受容体）。

主要な下流解析の早見表

解析 答える問い 代表ツール（★=Python） 位置
差次的発現（DE） 条件間で発現が変わる遺伝子は？ ★scanpy rank_genes_groups／★PyDESeq2・★decoupler（pseudobulk） 遺伝子
機能エンリッチメント その遺伝子群の生物学的意味は？ ★GSEApy・★decoupler（PROGENy/CollecTRI）・Enrichr 遺伝子
GRN・TF活性 どの転写因子・制御が効くか？ ★pySCENIC・★CellOracle・★decoupler 遺伝子
遺伝子プログラム 協調して動く遺伝子群は？ ★cNMF・★Hotspot（R: hdWGCNA） 遺伝子
細胞組成の差 細胞型の割合は条件で変わる？ ★scCODA・★Milo(milopy)・propeller(R) 細胞
軌道・擬時間 分化など連続過程の順序は？ ★PAGA・★DPT・★Palantir（R: Slingshot/Monocle3） 細胞
RNA velocity・運命 細胞はどこへ向かう？ ★scVelo・★veloVI・★CellRank 細胞
細胞間相互作用 どの細胞がどの細胞に働きかける？ ★LIANA(liana-py)・★CellPhoneDB（R: CellChat） 細胞間

文脈特化（特定の実験・対象）として、CNV推定（がん：★inferCNVpy・Numbat）、摂動解析（Perturb-seq：★Mixscape/pertpy）、代謝フラックス（★Compass・★scFEA）、リネージトレーシング（★CoSpar）などがあります。

どれを選ぶか（問い → 解析）

💡 多くの研究は複数の下流解析を組み合わせます。たとえば「DE → エンリッチメント」「軌道 → 軌道に沿ったDE」「アノテーション → 細胞組成の差＋細胞間相互作用」のように、問いを重ねて生物像を描きます。

共通の落とし穴

⚠️ 下流解析で共通して効く注意点
– DE は細胞を独立サンプル扱いすると偽陽性が爆発します。条件間比較は、個体（生物学的反復）ごとに集約する pseudobulk が推奨です（Squair et al., 2021）。
– 軌道・RNA velocity は仮定に依存し、手法も多数あります。1つの結果を鵜呑みにせず、複数手法・既知マーカーで検証します。
– アノテーション品質が前提：下流の結果が変なら、まず QC・統合・アノテーションを点検。
– 多重比較補正と効果量：統計的有意 ≠ 生物学的に重要。logFC など効果量も併せて見る。
– バッチ・技術要因の交絡：条件と技術要因（処理日・サンプル）が混ざっていないか確認。

このシリーズの予定

下流解析編は、上の地図に沿って個別記事を用意していきます（順次公開）。

まとめ

  • 下流解析は、注釈済みデータから生物学的洞察を引き出す段階。前処理・アノテーションの品質が前提。
  • 大きく遺伝子レベル（DE・エンリッチメント・GRN・プログラム）、細胞レベル（組成・軌道・velocity）、細胞間（相互作用）に分かれる。
  • 問い（何を知りたいか）で解析を選ぶ。多くの研究は複数を組み合わせる。
  • 共通の注意：DE は pseudobulk、軌道/velocity は検証必須、多重比較・交絡に注意。

関連記事

下流解析の前段（土台）

下流解析が乗るデータ形式・基盤

軌道・velocity をまとめて捉えるなら

参考文献

  • Heumos, L., Schaar, A. C., Lance, C., et al. (2023). Best practices for single-cell analysis across modalities. Nature Reviews Genetics, 24, 550–572. doi:10.1038/s41576-023-00586-w
  • Luecken, M. D., & Theis, F. J. (2019). Current best practices in single-cell RNA-seq analysis: a tutorial. Molecular Systems Biology, 15, e8746. doi:10.15252/msb.20188746
  • Squair, J. W., Gautier, M., Kathe, C., et al. (2021). Confronting false discoveries in single-cell differential expression. Nature Communications, 12, 5692. doi:10.1038/s41467-021-25960-2
  • Saelens, W., Cannoodt, R., Todorov, H., & Saeys, Y. (2019). A comparison of single-cell trajectory inference methods. Nature Biotechnology, 37, 547–554. doi:10.1038/s41587-019-0071-9
  • Bergen, V., Lange, M., Peidli, S., Wolf, F. A., & Theis, F. J. (2020). Generalizing RNA velocity to transient cell states through dynamical modeling. Nature Biotechnology, 38, 1408–1414. doi:10.1038/s41587-020-0591-3
  • Dimitrov, D., Türei, D., Garrido-Rodriguez, M., et al. (2022). Comparison of methods and resources for cell-cell communication inference from single-cell RNA-Seq data. Nature Communications, 13, 3224. doi:10.1038/s41467-022-30755-0

 

コメント

タイトルとURLをコピーしました