LINGER で事前知識を活かす GRN ─ atlas 規模の外部データを転移する

Multiomics
2026.07.11
📚 この記事について
GRN 推論スポークの締めです。LINGER で、atlas 規模の外部バルクを転移学習して single-cell multiome の GRN を作り、発現データだけから TF 活性・駆動 TF まで出します。専門用語はその都度説明します。
🔙 前の記事：Dictys で動的な GRN（前の記事）
🔜 次の記事：「decoupler・PROGENy で経路活性」（下流ブロック）
📌 前提：ペアの multiome（RNA + ATAC）と細胞型ラベル。配布された一般 GRN（外部バルク）。LINGER（PyTorch）。

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）の GRN 推論は、データ不足という壁があります。この記事では、LINGER が atlas 規模の外部データを転移学習してこれを補い、GRN と TF 活性を出す流れを見ます。

1. LINGER の考え方 ─ 外部データを転移する

GRN 推論の難しさは、独立なデータが限られることにあります。single-cell は細胞数こそ多いものの、独立な条件は多くありません。LINGER（LIfelong neural Network for GEne Regulation）は、これをatlas 規模の外部バルクデータの転移学習で補う手法です（Yuan & Duren, Nat. Biotechnol., 2025）。

図：LINGER の転移学習。多様な文脈の外部バルクで NN（TF・領域 → 遺伝子発現）を事前学習し、その知識を保持したまま（継続学習）、手元の single-cell multiome で追加学習する。
図：LINGER の転移学習。多様な文脈の外部バルクで NN（TF・領域 → 遺伝子発現）を事前学習し、その知識を保持したまま（継続学習）、手元の single-cell multiome で追加学習する。
💡 転移学習（lifelong learning）とは
LINGER はまず多様な文脈の外部バルクデータで、TF 発現・領域アクセシビリティから遺伝子発現を予測するニューラルネットを事前学習します。その知識を保持したまま（継続学習）、手元の single-cell multiome で追加学習します。さらに TF-モチーフの事前知識を manifold 正則化として組み込みます。これにより、少ないデータでも精度が上がります。

2. データの準備と疑似バルク

入力は、10x multiome の行列と細胞型ラベルです。RNA/ATAC の AnnData を作り、フィルタしたあと、疑似バルク（遺伝子＝TG、領域＝RE）を作ります。

python
import scanpy as sc
from LingerGRN.preprocess import get_adata
from LingerGRN.pseudo_bulk import pseudo_bulk

# 10x multiome + 細胞型ラベル → RNA/ATAC の AnnData
adata_RNA, adata_ATAC = get_adata(matrix, features, barcodes, label)
sc.pp.filter_genes(adata_RNA, min_cells=3)
sc.pp.filter_genes(adata_ATAC, min_cells=3)

# 疑似バルク（TG=遺伝子, RE=領域）を作る
TG_pseudobulk, RE_pseudobulk = pseudo_bulk(adata_RNA, adata_ATAC, singlepseudobulk)
⚠️ 注意点：ペアと細胞型ラベルが前提
LINGER はペア（同一細胞の RNA+ATAC）を前提とし、細胞型特異的 GRN には細胞型ラベルが要ります。疑似バルクは、細胞を少数ずつまとめて統計を安定させる工程です。

3. 継続学習で GRN を作る

次に、配布された一般 GRN（外部バルク由来の事前学習）と手元の疑似バルクを突き合わせ、継続学習でモデルを仕上げます。

図：LINGER の流れ。multiome から AnnData と疑似バルクを作り、事前学習 GRN を継続学習し、細胞集団・細胞型 GRN と TF 活性・駆動 TF を得る。
図：LINGER の流れ。multiome から AnnData と疑似バルクを作り、事前学習 GRN を継続学習し、細胞集団・細胞型 GRN と TF 活性・駆動 TF を得る。
python
from LingerGRN.preprocess import preprocess
import LingerGRN.LINGER_tr as LINGER_tr

GRNdir = "data_bulk/"     # 配布された atlas 規模の事前学習・モチーフ事前知識
method = "LINGER"         # 継続学習で外部バルクの知識を取り込む（"baseline" もある）

preprocess(TG_pseudobulk, RE_pseudobulk, GRNdir, "hg38", method, outdir)

# 事前学習モデルを、自分の single-cell データで継続学習
LINGER_tr.training(GRNdir, method, outdir, "ReLU", "Human")
⚠️ 注意点：事前学習データと計算
LINGER は配布物の「一般 GRN」（atlas 規模の事前学習・モチーフ事前知識）のダウンロードが必須です。学習は PyTorch ベースで計算資源を要します。baseline（外部バルクを使わない簡易版）と LINGER（継続学習あり）の2モードがあり、精度重視なら LINGER です。

4. 3つの GRN と TF 活性・駆動 TF

学習後は、3階層の GRN（細胞集団 → 細胞型特異的 → 細胞レベル）と、trans（TF→遺伝子）・cis（領域→遺伝子）のネットワークが得られます。さらに LINGER の特長として、発現データだけから TF 活性を推定し、駆動 TF を同定できます。

python
import LingerGRN.LL_net as LL_net
from LingerGRN.TF_activity import regulon, master_regulator

# 細胞集団の trans 制御ネットワーク（TF → 遺伝子スコア）
LL_net.trans_reg(GRNdir, method, outdir, "hg38")

# 学習済み GRN を使い、発現データだけから TF 活性を推定
network = "cell population"
TF_activity = regulon(outdir, adata_RNA, GRNdir, network, "hg38")

# t 検定で細胞型の駆動 TF（driver regulator）を同定
drivers = master_regulator(TF_activity, adata_RNA, "CD56 (bright) NK cells")
図：LINGER の出力。細胞集団 → 細胞型特異的 → 細胞レベルの GRN が階層で得られ、さらに発現データだけから TF 活性を推定して駆動 TF を同定できる。
図：LINGER の出力。細胞集団 → 細胞型特異的 → 細胞レベルの GRN が階層で得られ、さらに発現データだけから TF 活性を推定して駆動 TF を同定できる。
💡 TF 活性から駆動 TF へ
TF の発現量は活性の代理にすぎません。LINGER は学習済み GRN を使って、発現データ（sc でも bulk でも）だけから TF 活性を推定します。GRN 構造が個体間で共通と仮定すれば、case/control で TF 活性を比べて駆動 TFを見つけられます。multiome がない他コホートの RNA-seq にも適用できる強みです。

5. GRN 4手法の使い分け

これで GRN の主要4手法が出そろいました。狙いで選べるよう整理します。

💡 SCENIC+・CellOracle・Dictys・LINGER
SCENIC+：エンハンサー駆動 eRegulon（モチーフ濃縮・静的）。
CellOracle：GRN で TF 摂動をシミュレート（細胞状態シフト）。
Dictys：フットプリント＋軌跡で動的 GRN・調節活性カーブ。
LINGER：atlas 規模の外部データを転移し、少データでも高精度。発現だけで TF 活性・駆動 TF。
データが少ない/他コホートへ広げたいなら LINGER、時間変化なら Dictys、摂動予測なら CellOracle、エンハンサー地図なら SCENIC+ が目安です。

統合と GRN で、マルチオミクスの「なぜ」に迫る道具が揃いました。次のブロックからは、統合後の下流解析 ─ 経路活性・細胞間相互作用・速度・基盤モデル ─ へ広げます。

まとめ

  • LINGER は、atlas 規模の外部バルクを転移学習（継続学習）して、限られた multiome の GRN を高精度に作る。
  • TF-モチーフの事前知識を manifold 正則化として組み込み、少データの弱点を補う。
  • 出力は3階層（集団 → 細胞型 → 細胞レベル）＋ trans / cis ネットワーク。
  • 学習済み GRN で発現データだけから TF 活性を推定し、case/control の駆動 TF を同定できる（他コホートにも適用可）。
  • 配布の一般 GRN と計算資源が必要。GRN 4手法（SCENIC+/CellOracle/Dictys/LINGER）は狙いで使い分け。

関連記事

参考文献

  • Yuan, Q., & Duren, Z. (2025). Inferring gene regulatory networks from single-cell multiome data using atlas-scale external data. Nature Biotechnology, 43(2), 247–257. doi:10.1038/s41587-024-02182-7
  • 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
  • Kamimoto, K., Stringa, B., Hoffmann, C. M., et al. (2023). Dissecting cell identity via network inference and in silico gene perturbation. Nature, 614(7949), 742–751. doi:10.1038/s41586-022-05688-9
  • Wang, L., Trasanidis, N., Wu, T., et al. (2023). Dictys: dynamic gene regulatory network dissects developmental continuum with single-cell multiomics. Nature Methods, 20(9), 1368–1378. doi:10.1038/s41592-023-01971-3

コメント

タイトルとURLをコピーしました