この記事のゴール
「細胞が連続的に変化する過程」を扱う3つの解析――軌道・擬時間（順序）／RNA velocity（方向）／CellRank（運命）――が、それぞれ何を答え、どう関係するかを理解すること。
3つの問い ― 順序・方向・運命
連続過程（分化など）を解析するとき、問いは3層に分かれます。
- ① 軌道・擬時間（順序）：細胞を過程に沿って並べる。0（起点）〜1（終点）の相対時間を付与。
- ② RNA velocity（方向）：各細胞がどちらへ向かっているかを出す。
- ③ 運命（CellRank）：細胞がどこへ行き着くか（終着状態・運命確率）を出す。
① 軌道・擬時間（順序）
連続過程に沿って細胞を並べ、擬似時間を付けます。発現の類似性にもとづくため、それ自体は向き（どちらが起点か）を決めません。起点（根）を自分で指定して初めて方向が決まります。そのため、起点が分かる正常発生などに向きます。具体的な手法（PAGA／DPT／Palantir）は個別記事で扱います。
- 何が分かる：分化の順序、分岐、擬時間に沿う遺伝子変化。
- 何が要る：根（起点）の指定。
② RNA velocity（方向）
未スプライス（新規転写）と成熟 mRNA の比から、各遺伝子が増加中か減少中かを推定し、細胞がどちらへ向かうか（方向）を出します。擬似時間と違い、根の指定が不要で向きが出るのが強みです。実装（scVelo）と検証はRNA velocity と運命予測で詳述します。
- 何が分かる：各細胞の方向（将来状態へのベクトル）。
- 注意：モデルの仮定（転写動態など）に依存し、仮定が破れると方向が外れることがあります（後述の個別記事で詳述）。
③ 運命予測（CellRank）
CellRank は、類似性・RNA velocity・擬似時間・実時間などを「カーネル」として受け取り、細胞間の遷移行列（Markov 連鎖）を作って、起点・終着状態・運命確率を推定します。RNA velocity 単体より頑健で、velocity が信頼できない場面では擬似時間など別のカーネルで補完できます（CellRank 2 で多カーネル化）。実行はRNA velocity と運命予測で扱います。
- 何が分かる：終着状態（どの成熟状態に到達するか）、各細胞の運命確率、系統ドライバー遺伝子。
- 立ち位置：軌道推定の頑健さと velocity の方向情報を統合する枠組み。
どう使い分ける／組み合わせるか
- 起点が明確な正常発生：軌道・擬時間（PAGA/DPT/Palantir）でまず順序を見る。
- 向きを直接知りたい：RNA velocity（scVelo）。ただし検証必須。
- 終着状態・運命確率がほしい：CellRank。velocity・擬時間などをカーネルとして組み合わせる。
💡 3つは排他ではなく層
「順序（擬時間）→ 方向（velocity）→ 運命（CellRank）」は重なり合う層です。多くの研究は複数を併用し、互いに突き合わせて結論の頑健さを確かめます。
共通の注意
⚠️ 連続過程の解析に共通する注意
– 検証が必須：軌道も velocity も仮定に依存します。結果は既知のマーカー・既知の系統で必ず裏取りを。
– 前段の品質が前提：QC・統合・アノテーションが崩れると、順序も方向も崩れます。
– 手法が多数：特に軌道推定は多くの手法があり、結果が割れることがあります（複数手法で確認）。
– 「連続」かどうか：そもそも連続過程でない（離散的な）データに無理に軌道を引かない。
まとめ
- 連続過程の解析は3層：① 軌道・擬時間（順序）、② RNA velocity（方向）、③ CellRank（運命）。
- 軌道・擬時間は順序を出すが向きは自分で与える（根が必要）。RNA velocityは方向を出す（根不要・ただし仮定依存）。CellRankは両者などをカーネルとして統合し終着状態・運命確率を出す。
- 3つは排他でなく層。併用と相互検証で頑健性を確かめる。
このサブシリーズの予定：このあと「軌道推定・擬似時間（PAGA/DPT/Palantir）」と「RNA velocity と運命予測（scVelo/CellRank）」の個別記事に進みます。
関連記事
この地図の続き（個別記事）
- 📖 軌道推定・擬似時間（trajectory／pseudotime）：順序を出す（PAGA/DPT/Palantir）
- 📖 RNA velocity と運命予測：方向と運命を出す（scVelo/CellRank）
位置づけ・前段
- 📖 下流解析の全体像：下流解析全体の地図
- 📖 アノテーション手法の全体像：連続過程解析の前段（細胞型を決める）
参考文献
- 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
- Haghverdi, L., Büttner, M., Wolf, F. A., Buettner, F., & Theis, F. J. (2016). Diffusion pseudotime robustly reconstructs lineage branching. Nature Methods, 13, 845–848. doi:10.1038/nmeth.3971
- Setty, M., Kiseliovas, V., Levine, J., et al. (2019). Characterization of cell fate probabilities in single-cell data with Palantir. Nature Biotechnology, 37, 451–460. doi:10.1038/s41587-019-0068-4
- La Manno, G., Soldatov, R., Zeisel, A., et al. (2018). RNA velocity of single cells. Nature, 560, 494–498. doi:10.1038/s41586-018-0414-6
- 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
- Bergen, V., Soldatov, R. A., Kharchenko, P. V., & Theis, F. J. (2021). RNA velocity—current challenges and future perspectives. Molecular Systems Biology, 17, e10282. doi:10.15252/msb.202110282
- Lange, M., Bergen, V., Klein, M., et al. (2022). CellRank for directed single-cell fate mapping. Nature Methods, 19, 159–170. doi:10.1038/s41592-021-01346-6
- Weiler, P., Lange, M., Klein, M., Pe’er, D., & Theis, F. J. (2024). CellRank 2: unified fate mapping in multiview single-cell data. Nature Methods, 21, 1196–1205. doi:10.1038/s41592-024-02303-9
コメント