マルチオミクスのデータ構造 ─ AnnData から MuData / muon へ

Multiomics
2026.07.11
📚 この記事について
前処理ブロックの最初の技術記事です。マルチオミクスを扱う土台となるデータ構造 ─ 単独解析で使う AnnData と、それを束ねる MuData / muon ─ を、実際のコードとともに理解します。専門用語はその都度説明します。
🔙 前の記事：マルチオミクス前処理の全体像（前処理ハブ）
🔜 次の記事：「scRNA-seq 側の前処理 ─ 統合に向けて」
📌 前提：Python の基本。AnnData を触ったことがなくても本記事で説明します。

シングルセル・マルチオミクス（single-cell multiomics／scRNA-seq と scATAC-seq の統合解析）は、まず2つのモダリティを1つのデータ構造にまとめるところから始まります。この記事では、単独解析で使う AnnData と、それを束ねる MuData / muon を、実際のコードとともに理解します。

1. AnnData ─ 1モダリティの入れ物

マルチオミクスも、土台は単独解析と同じ AnnData です。AnnData は1つのモダリティ（例：RNA）を1つのオブジェクトに収めた入れ物で、データ行列とそのメタデータをまとめて持ちます（Scanpy の基盤データ構造；Wolf et al., Genome Biol., 2018）。

図：AnnData の構造。中心のデータ行列 .X（cells × features）に、行方向の .obs（細胞メタデータ）、列方向の .var（特徴メタデータ）、生カウントなどの別行列 .layers、埋め込み .obsm が付随する。
図：AnnData の構造。中心のデータ行列 .X（cells × features）に、行方向の .obs（細胞メタデータ）、列方向の .var（特徴メタデータ）、生カウントなどの別行列 .layers、埋め込み .obsm が付随する。
💡 AnnData の主な引き出し
.X＝データ行列（cells × features）。.obs＝細胞ごとのメタデータ（行）。.var＝特徴ごとのメタデータ（列）。.layers＝生カウントなど別の行列を同じ形で保持。.obsm＝UMAP / PCA などの埋め込み。.uns＝その他の情報。

実際に中身を確かめます。

python
import scanpy as sc

# 1モダリティ = AnnData を読み込む
adata = sc.read_h5ad("rna.h5ad")

adata.shape             # (n_cells, n_genes)
adata.obs.head()        # 細胞ごとのメタデータ（行）
adata.var.head()        # 特徴（遺伝子）ごとのメタデータ（列）
adata.layers["counts"]  # 生カウントなどの別行列
adata.obsm["X_umap"]    # 埋め込み（UMAP など）

この6つの引き出し（.X／.obs／.var／.layers／.obsm／.uns）を押さえれば AnnData は難しくありません。マルチオミクスでは、これを2つ束ねます。

2. MuData ─ 2つのモダリティを束ねる

MuData は、複数の AnnData を1つに束ねるコンテナです（Bredikhin et al., Genome Biol., 2022）。各モダリティは mod[‘rna’]／mod[‘atac’] として中に入り、全体の細胞情報は MuData 自身の .obs が持ちます。

図：MuData の構造。全体（グローバル）の .obs が細胞をまとめ、.obsm の対応マップで各モダリティの細胞と結びつく。mod['rna']・mod['atac'] はそれぞれ独立した AnnData として保持される。
図：MuData の構造。全体（グローバル）の .obs が細胞をまとめ、.obsm の対応マップで各モダリティの細胞と結びつく。mod[‘rna’]・mod[‘atac’] はそれぞれ独立した AnnData として保持される。
💡 MuData の要点
各モダリティは .mod[‘名前’] の中の AnnData として保持されます。全体（グローバル）の .obs が細胞をまとめ、どの細胞がどのモダリティにあるかは .obsm の対応マップ（モダリティごとの真偽値）で管理されます。ペアならこのマップで細胞がそろい、非ペアなら別々の集団を並べて持てます。

作成とアクセスはこうです。

python
from muon import MuData

# 2つの AnnData を1つに束ねる
mdata = MuData({"rna": adata_rna, "atac": adata_atac})

mdata               # MuData（2モダリティ）
mdata.mod["rna"]    # RNA 側の AnnData
mdata["atac"]       # ATAC 側（省略記法）
mdata.obs.head()    # 全体（グローバル）の obs

3. データを読み込む ─ ペア（10x Multiome）と非ペア

ペア（10x Multiome）は、muon の読み込み関数を使うと、RNA と ATAC を含む MuData がそのまま得られます。この関数は内部で Scanpy の 10x リーダーを呼び、ピークのゲノム区間（interval）やフラグメント情報も補います。

python
import muon as mu

# 10x Multiome（ペア）→ "rna" と "atac" を含む MuData
mdata = mu.read_10x_h5("filtered_feature_bc_matrix.h5")

mdata["rna"].shape                    # (n_cells, n_genes)
mdata["atac"].shape                   # (n_cells, n_peaks)
mdata["atac"].var["interval"].head()  # ピークのゲノム区間

一方 非ペアは、別々に用意した2つの AnnData を MuData に束ねます。細胞バーコードは共有されないため、行（細胞）は対応しません。

図：細胞の対応。ペアは同じ細胞が両モダリティに並ぶため行が対応し（合同 QC 可）、非ペアは別々の細胞集団なので行は対応しない。
図：細胞の対応。ペアは同じ細胞が両モダリティに並ぶため行が対応し（合同 QC 可）、非ペアは別々の細胞集団なので行は対応しない。
python
from muon import MuData

# 非ペア：別々に測った2つの AnnData（細胞は対応しない）
mdata = MuData({"rna": adata_rna, "atac": adata_atac})

mdata["rna"].obs_names[:3]    # RNA 側の細胞バーコード
mdata["atac"].obs_names[:3]   # ATAC 側は別のバーコード
💡 ペアと非ペアで .obs 軸が変わる
ペアは同じ細胞が両モダリティに並ぶので、全体の .obs が両方に対応します（合同 QC ができます）。非ペアは別々の細胞集団なので .obs は共有されません。この違いが、次の同期の扱いに効いてきます。

4. モダリティ間の同期 ─ obs 軸と update / intersect_obs

MuData を使ううえで最も間違えやすいのが、モダリティ側で細胞を削ったあとの同期です。片方の AnnData をフィルタしても、全体（グローバル）の .obs は自動では縮みません。

python
import scanpy as sc
import muon as mu

# モダリティ側でフィルタしたら、全体の obs を同期
sc.pp.filter_cells(mdata["rna"], min_genes=200)
mdata.update()

# ペアなら、両モダリティに共通する細胞だけを残す
mu.pp.intersect_obs(mdata)
⚠️ 注意点：フィルタ後は update / intersect_obs
モダリティ側で filter_cells などを実行したら、mdata.update() を呼んで全体の .obs を同期します。ペアデータで両モダリティに共通する細胞だけを残したいときは mu.pp.intersect_obs(mdata) を使います。同期を忘れると、後段で行数（obs）の不一致エラーが出ます。

5. 生カウントの置き場所（.layers）

前処理ハブで述べたとおり、MultiVI や scVI は生カウントを入力に取ります（Lopez et al., Nat. Methods, 2018／Ashuach et al., Nat. Methods, 2023）。正規化で .X を上書きする前に、生カウントを .layers に退避しておきます。

python
# 正規化の前に、生カウントを別レイヤーへ退避
adata = mdata["rna"]
adata.layers["counts"] = adata.X.copy()

# 以降 .X は可視化用に正規化してよい（生は .layers に残る）
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)
⚠️ 注意点：生カウントを先に退避
normalize_total や log1p は .X を書き換えます。先に .layers[‘counts’] へ生カウントをコピーしておけば、可視化用の正規化と、モデル入力用の生カウントを1つのオブジェクトで両立できます。ATAC 側も同様に、生のピークカウントを残します。

6. 保存と読み込み（.h5mu）

整えた MuData は、.h5mu 形式で保存できます。.h5ad と同じ HDF5 ベースで、階層的に各モダリティを格納します。1モダリティだけを直接読み書きすることもできます。

python
import mudata as md

# 保存（.h5mu）
mdata.write("multiome.h5mu")

# 読み込み
mdata = md.read("multiome.h5mu")
adata_rna = md.read("multiome.h5mu/rna")   # 1モダリティだけ読む

これで、前処理を始める土台（RNA・ATAC を束ねた MuData）が整いました。次回は、この上で RNA 側の前処理を具体的に進めます。

まとめ

  • 土台は AnnData（1モダリティ）と、それを束ねる MuData（複数モダリティ）。
  • AnnData の引き出しは .X／.obs／.var／.layers／.obsm／.uns。MuData は各モダリティを .mod に持ち、全体の .obs でまとめる。
  • ペアは mu.read_10x_h5 で1発、非ペアは2つの AnnData を MuData に束ねる。ペアは細胞がそろい、非ペアはそろわない。
  • モダリティ側でフィルタしたら mdata.update()／共通細胞は mu.pp.intersect_obs。同期忘れは obs 不一致エラーの原因。
  • 生カウントは正規化前に .layers[‘counts’] へ退避（MultiVI / scVI 用）。保存は .h5mu。

関連記事

参考文献

  • Bredikhin, D., Kats, I., & Stegle, O. (2022). MUON: multimodal omics analysis framework. Genome Biology, 23, 42. doi:10.1186/s13059-021-02577-8
  • 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
  • Lopez, R., Regier, J., Cole, M. B., Jordan, M. I., & Yosef, N. (2018). Deep generative modeling for single-cell transcriptomics. Nature Methods, 15(12), 1053–1058. doi:10.1038/s41592-018-0229-2
  • Ashuach, T., Gabitto, M. I., Koodli, R. V., et al. (2023). MultiVI: deep generative model for the integration of multimodal data. Nature Methods, 20(8), 1222–1231. doi:10.1038/s41592-023-01909-9

コメント

タイトルとURLをコピーしました