SCENIC+ でエンハンサー駆動 GRN ─ TF・エンハンサー・遺伝子をつなぐ

Multiomics
2026.07.11
📚 この記事について
GRN 推論スポークの本命です。マルチオミクスから、TF → エンハンサー → 遺伝子の「エンハンサー駆動 GRN（eGRN）」を SCENIC+ で組み立てます。専門用語はその都度説明します。
🔙 前の記事：WNN（Seurat・R）の位置づけ（前の記事）
🔜 次の記事：「CellOracle で in silico 摂動」
📌 前提：統合済み or ペアの multiome（RNA + ATAC）。SCENIC+ とデータベース（モチーフ・cisTarget）、計算資源。

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、統合の先で遺伝子制御ネットワーク（GRN）へ進みます。この記事では、SCENIC+ でエンハンサー駆動の GRN（eGRN）を組み立てます。

1. eGRN・eRegulon とは（TF → エンハンサー → 遺伝子）

統合の次の果実が 遺伝子制御ネットワーク（GRN）推論です。SCENIC+ は、マルチオミクスからエンハンサー駆動の GRN（eGRN）を組み立てる本命ツールです（Bravo González-Blas et al., Nat. Methods, 2023）。出力の単位は eRegulon ─ 1つの TF と、それが結合するエンハンサー、そしてその先の標的遺伝子のまとまりです。

図：eRegulon の構造。1つの TF（発現＝RNA）が、結合するエンハンサー（開閉＝ATAC）を介して標的遺伝子（発現＝RNA）を制御する。このまとまりが eRegulon で、その集合が eGRN。
図：eRegulon の構造。1つの TF（発現＝RNA）が、結合するエンハンサー（開閉＝ATAC）を介して標的遺伝子（発現＝RNA）を制御する。このまとまりが eRegulon で、その集合が eGRN。
💡 なぜエンハンサーが要るのか
ハブで述べたとおり、GRN の3要素のうちエンハンサーの開閉は ATAC でしか測れません。RNA 単独の GRN（SCENIC；Aibar et al., 2017）が TF↔遺伝子の共発現で推定するのに対し、SCENIC+ は「どのエンハンサーを介するか」まで踏み込みます。これがマルチオミクスの GRN の本質的な違いです。

2. SCENIC+ の3ステップ

SCENIC+ は3ステップの workflow です。ATAC から候補エンハンサーを見つけ、そこにどの TF が結合するか（モチーフ濃縮）を調べ、最後に領域アクセシビリティ・TF/遺伝子発現・結合情報を統合して eRegulon を作ります。

図：SCENIC+ の3ステップ。① pycisTopic で候補エンハンサー、② pycisTarget でモチーフ濃縮（cistrome）、③ SCENIC+ で領域・TF・遺伝子を統合して eRegulon を推論する。
図：SCENIC+ の3ステップ。① pycisTopic で候補エンハンサー、② pycisTarget でモチーフ濃縮（cistrome）、③ SCENIC+ で領域・TF・遺伝子を統合して eRegulon を推論する。
💡 3ステップの役割
① pycisTopic：ATAC のピークをトピックモデル（LDA）でまとめ、候補エンハンサー（トピック・DAR）を抽出。
② pycisTarget：候補領域でモチーフ濃縮を行い、どの TF がどの領域に結合するか（cistrome）を決める（大規模モチーフコレクションを使用；Weirauch et al., 2014）。
③ SCENIC+：領域アクセシビリティ・TF/遺伝子発現・cistrome を統合し、TF → 領域 → 遺伝子の eRegulon を推論する。

3. パイプラインを実行する

実行は、公式が用意する Snakemake パイプラインで回すのが標準です。前処理済みの ATAC（pycisTopic）と RNA、そしてモチーフ・cisTarget データベースを config に記述し、ワークフローを実行します。

bash
# SCENIC+ は Snakemake パイプラインで実行するのが公式推奨。
# 前処理済み ATAC（pycisTopic）・RNA と、モチーフ / cisTarget DB を
# config.yaml に記述してから、用意されたワークフローを回す：
snakemake --cores 20 --configfile config.yaml
⚠️ 注意点：データベースと計算資源
SCENIC+ は種ごとのモチーフ・cisTarget データベース（ヒト・マウス・ハエは配布あり）が必須です。トピックモデリングとモチーフ濃縮は計算量が大きく、大メモリ・複数コア（可能なら GPU）が要ります。各ステップには Python API もありますが、手順とキー名はバージョンで変わるため、必ず公式ドキュメントの当該バージョンに従ってください。

4. 出力を読む（eRegulon 活性）

パイプラインの出力には、eRegulon の一覧（TF → 領域 → 遺伝子）と、細胞ごとの eRegulon 活性（AUC）が含まれます。活性を細胞型ごとに見ると、どの TF がどの細胞型を駆動しているかが読めます。

python
import mudata as mu

# パイプラインの出力（eRegulon を含む MuData）を読み込む
scplus = mu.read("scplus_pipeline/scplusmdata.h5mu")

# eRegulon（TF → 領域 → 遺伝子）の一覧
scplus.uns["direct_e_regulon_metadata"].head()

# 細胞ごとの eRegulon 活性（AUC）は modality の obsm に入る
scplus.mod["scRNA_counts"].obsm.keys()
図：eRegulon 活性のヒートマップ（細胞型 × eRegulon）。濃いほど活性が高い。細胞型ごとに活性化する TF（eRegulon）が読み取れる。
図：eRegulon 活性のヒートマップ（細胞型 × eRegulon）。濃いほど活性が高い。細胞型ごとに活性化する TF（eRegulon）が読み取れる。
💡 eRegulon 活性の読み方
eRegulon 活性（AUC）は「その細胞でその eRegulon の標的がどれだけ協調して発現・アクセス可能か」を表します。細胞型 × eRegulon のヒートマップにすると細胞型特異的な TFが浮かびます。ここから、次のブロックのin silico 摂動（TF を操作したら細胞状態がどう動くか）へ進めます。

5. SCENIC（RNA 単独）との違い・使い分け

SCENIC+ は SCENIC（RNA 単独）の後継・拡張です。使い分けの目安を整理します。

💡 SCENIC と SCENIC+ の違い
SCENIC（Aibar et al., 2017）は RNA 単独で、TF↔遺伝子の共発現＋プロモーターのモチーフから regulon を作ります。SCENIC+ は ATAC を加え、エンハンサー（遠位の制御領域）を明示的に介する eRegulonを作ります。RNA しかなければ SCENIC、マルチオミクスがあれば SCENIC+ が、より因果に近い制御を捉えます。

eGRN が組み上がれば、それを使って問いに答える下流へ進めます。次は、この GRN を使った in silico 摂動（CellOracle）です。

まとめ

  • SCENIC+ は、マルチオミクスからエンハンサー駆動 GRN（eGRN）を作る本命。単位は eRegulon（TF→エンハンサー→遺伝子）。
  • 3ステップ：pycisTopic（候補エンハンサー）→ pycisTarget（モチーフ濃縮＝cistrome）→ SCENIC+（統合して eRegulon）。
  • エンハンサー層は ATAC でしか測れないため、RNA 単独の SCENIC より因果に近い制御を捉える。
  • 実行は Snakemake が標準。モチーフ・cisTarget DB と大きな計算資源が必要。API/キーはバージョン依存。
  • 出力は eRegulon 一覧と細胞ごとの活性（AUC）。細胞型特異的な TF が読める。次は in silico 摂動へ。

関連記事

参考文献

  • Bravo González-Blas, C., De Winter, S., Hulselmans, G., et al. (2023). SCENIC+: single-cell multiomic inference of enhancers and gene regulatory networks. Nature Methods, 20(9), 1355–1367. doi:10.1038/s41592-023-01938-4
  • Aibar, S., González-Blas, C. B., Moerman, T., et al. (2017). SCENIC: single-cell regulatory network inference and clustering. Nature Methods, 14(11), 1083–1086. doi:10.1038/nmeth.4463
  • Weirauch, M. T., Yang, A., Albu, M., et al. (2014). Determination and inference of eukaryotic transcription factor sequence specificity. Cell, 158(6), 1431–1443. doi:10.1016/j.cell.2014.08.009
  • Cusanovich, D. A., Daza, R., Adey, A., et al. (2015). Multiplex single-cell profiling of chromatin accessibility by combinatorial cellular indexing. Science, 348(6237), 910–914. doi:10.1126/science.aab1601
  • 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