MultiVI でペアデータを統合 ─ 10x Multiome を共通の潜在空間へ

📚 この記事について
統合スポークの1本目です。前処理済みのペアデータ（10x Multiome）を MultiVI で1つの共通の潜在空間へ統合し、可視化・クラスタリングまで進めます。専門用語はその都度説明します。
🔙 前の記事：scATAC-seq 側の前処理 ─ 統合に向けて（前の記事）
🔜 次の記事：「scGLUE で非ペアデータを統合」
📌 前提：前処理済みの MuData（RNA・ATAC の生カウントを .layers に保持）。scvi-tools の基礎。

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、前処理を終えたら統合に進みます。この記事では、ペア（同一細胞計測）のデータを MultiVI で共通の潜在空間へまとめます。

1. MultiVI とは ─ 共通の潜在空間へ
2. 入力データを整える（生カウントで結合）
3. MultiVI を設定して学習する
4. 潜在空間を取得して可視化する
5. 得られるもの・注意点・非ペアへの広がり
まとめ
関連記事
参考文献

1. MultiVI とは ─ 共通の潜在空間へ

MultiVI は、ペア（同一細胞計測）の RNA と ATAC を1つの共通の潜在空間にまとめる深層生成モデル（VAE）です（Ashuach et al., Nat. Methods, 2023）。scVI（RNA；Lopez et al., 2018）と PeakVI（ATAC；Ashuach et al., 2022）を土台に、両モダリティを1つのモデルで扱います。

図：MultiVI の構造。RNA（生カウント）と ATAC（ピーク生カウント）を共有エンコーダで1つの潜在空間 z に写し、そこから各モダリティを復元するよう学習する。片方だけの細胞（欠損）も混ぜられる。

💡 MultiVI の考え方
両モダリティを共有エンコーダで1つの潜在空間 zに写し、そこから各モダリティを復元するよう学習します。ペアデータでは同一細胞なので、RNA と ATAC は同じ点に統合されます。さらに、片方しか測っていない細胞（欠損）も一緒に扱える（モザイク統合）のが強みです。前処理で述べたとおり、入力は生カウントです。

2. 入力データを整える（生カウントで結合）

MultiVI は、遺伝子とピークを1つの AnnData に、遺伝子 → ピークの順で結合した形を入力に取ります。前処理で .layers[‘counts’] に退避しておいた生カウントを使います。

python
import scanpy as sc
import anndata as ad
import scvi

# 前処理済み MuData から、生カウントで RNA・ATAC を取り出す
rna = mdata["rna"].copy();   rna.X = rna.layers["counts"].copy()
atac = mdata["atac"].copy(); atac.X = atac.layers["counts"].copy()

# 遺伝子 → ピークの順に1つの AnnData へ結合（同じ細胞・ペア）
adata_mvi = ad.concat([rna, atac], axis=1, merge="same")
adata_mvi.var["modality"] = (
    ["Gene Expression"] * rna.n_vars + ["Peaks"] * atac.n_vars
)
adata_mvi.obs["modality"] = "paired"     # 全細胞がペア由来

⚠️ 注意点：生カウント・特徴の順序
MultiVI に渡すのは生カウントです（正規化した .X ではありません）。また特徴は遺伝子が先、ピークが後の順に並べる必要があります。var の modality 列で「Gene Expression」「Peaks」を区別し、この順序と個数を次のステップで指定します。

3. MultiVI を設定して学習する

入力ができたら、setup_anndata でモデルに登録し、遺伝子数（n_genes）とピーク数（n_regions）を指定して MultiVI を作り、学習します。

図：MultiVI の流れ。前処理済み MuData の生カウントを1つの AnnData に結合し、MULTIVI を設定・学習して、共通の潜在空間を取得。以降は近傍グラフ → UMAP → クラスタリングと進む。

python
# 低頻度の特徴を除く（ごく少数の細胞にしか出ない遺伝子・ピーク）
sc.pp.filter_genes(adata_mvi, min_cells=int(adata_mvi.n_obs * 0.01))

# batch_key は「モダリティ由来」を指す（MultiVI の要件）
scvi.model.MULTIVI.setup_anndata(adata_mvi, batch_key="modality")

model = scvi.model.MULTIVI(
    adata_mvi,
    n_genes=(adata_mvi.var["modality"] == "Gene Expression").sum(),
    n_regions=(adata_mvi.var["modality"] == "Peaks").sum(),
)
model.train()

💡 n_genes / n_regions と batch_key
MultiVI は「先頭 n_genes 個が遺伝子、続く n_regions 個がピーク」と仮定するので、この2つの指定が必須です。batch_key はモダリティ由来（ペア／RNA のみ／ATAC のみ）を指し、サンプルやドナーのバッチは categorical_covariate_keys で別に渡します（scvi-tools；Gayoso et al., 2022）。学習は GPU があると快適です。

4. 潜在空間を取得して可視化する

学習が済んだら、共通の潜在空間を取り出し、その上で近傍グラフ・UMAP・クラスタリングを行います。ここから先は、単一モダリティの解析と同じ手続きです。

python
# 共通の潜在空間を取得
adata_mvi.obsm["X_multivi"] = model.get_latent_representation()

# 潜在空間の上で近傍グラフ → UMAP → クラスタリング
sc.pp.neighbors(adata_mvi, use_rep="X_multivi")
sc.tl.umap(adata_mvi)
sc.tl.leiden(adata_mvi)

図：統合後の共通の潜在空間（UMAP）。ペアデータでは RNA と ATAC が同一細胞なので1点に統合され、細胞型ごとにまとまる。

💡 以降は潜在空間を使う
neighbors では use_rep=’X_multivi’ を指定し、PCA ではなく MultiVI の潜在空間を使います。得られた UMAP・Leiden クラスタは、RNA と ATAC の両方の情報を反映した統合的な細胞集団です（クラスタリングは Leiden；Traag et al., Sci. Rep., 2019）。アノテーションもこの上で行います。

5. 得られるもの・注意点・非ペアへの広がり

MultiVI からは潜在空間のほかに、正規化した発現・アクセシビリティや、欠損モダリティの補完（imputation）も得られます。統合後は、ペアと非ペアの区別なく共通の下流（アノテーション・GRN・摂動）へ進めます。

💡 ペア以外への広がり
MultiVI はペア＋片方だけ（モザイク）を1つのモデルで扱えます。一方、完全に非ペア（共有細胞がまったくなく特徴も噛み合わない）ケースは、guidance graph を使う scGLUE が向きます（次の記事）。手元のデータがペアか非ペアかで、まず入口が決まります（Argelaguet et al., Nat. Biotechnol., 2021）。

次回は、非ペアデータを scGLUE で統合します。統合された潜在空間から先は、どちらの経路でも共通です。

まとめ

MultiVI は、ペアの RNA・ATAC を1つの共通の潜在空間にまとめる VAE（scVI + PeakVI が土台）。
入力は生カウント。遺伝子 → ピークの順で1つの AnnData に結合する。
setup_anndata(batch_key=”modality”) → MULTIVI(n_genes, n_regions) → train。
潜在空間 X_multivi の上で neighbors(use_rep) → UMAP → Leiden。以降は単一モダリティと同じ。
モザイク（片方欠損）も可。完全な非ペアは scGLUE（次回）。統合後の下流は経路によらず共通。

📖 scATAC-seq 側の前処理 ─ 統合に向けて（前の記事） … ATAC 側の準備
📖 scvi-tools の全体像 … MultiVI / scVI / PeakVI の土台
📖 scRNA-seq 前処理の全体像 … RNA 側の前処理
📖 scATAC-seq 解析の全体像 … ATAC 単独の詳細

参考文献

Argelaguet, R., Cuomo, A. S. E., Stegle, O., & Marioni, J. C. (2021). Computational principles and challenges in single-cell data integration. Nature Biotechnology, 39(10), 1202–1215. doi:10.1038/s41587-021-00895-7
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., Reidenbach, D. A., Gayoso, A., & Yosef, N. (2022). PeakVI: A deep generative model for single-cell chromatin accessibility analysis. Cell Reports Methods, 2(3), 100182. doi:10.1016/j.crmeth.2022.100182
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
Gayoso, A., Lopez, R., Xing, G., et al. (2022). A Python library for probabilistic analysis of single-cell omics data. Nature Biotechnology, 40(2), 163–166. doi:10.1038/s41587-021-01206-w
Traag, V. A., Waltman, L., & van Eck, N. J. (2019). From Louvain to Leiden: guaranteeing well-connected communities. Scientific Reports, 9, 5233. doi:10.1038/s41598-019-41695-z