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、細胞の状態だけでなく、細胞の動きも読めます。この記事では、RNA velocity をクロマチンで拡張する MultiVelo を扱います。
1. RNA velocity とマルチオミクスへの拡張
細胞の「状態」だけでなく、動き（どちらへ分化するか）も読めます。それが RNA velocity です。未成熟（unspliced）と成熟（spliced）mRNA の比から、各遺伝子が増えつつあるか減りつつあるかを推定します（La Manno et al., 2018／scVelo は Bergen et al., 2020）。MultiVelo は、これにクロマチンアクセシビリティを足して拡張した手法です（Li et al., Nat. Biotechnol., 2023）。
遺伝子が転写されると、まず未成熟 mRNA（u）が増え、少し遅れて成熟 mRNA（s）に変わります。ある瞬間に u が s に対して多ければ「これから s が増える（誘導中）」、少なければ「減っていく（抑制中）」と読めます。この方向を細胞ごとに集めると、分化の矢印（速度）になります。MultiVelo は上流にクロマチン cを加え、c → u → s の連鎖でモデル化します。
2. クロマチンは転写に先行する（priming）
MultiVelo の核心は、クロマチンの開閉と RNA の変化に時間差があることを捉える点です。多くの場合、クロマチンが先に開き（priming）、少し遅れて転写が立ち上がります。
MultiVelo は、クロマチンと転写の関係から遺伝子・細胞を4状態に分けます：priming（開き始め、まだ転写少）／coupled-on（開いて転写も増加）／decoupled（ずれ）／coupled-off（閉じて転写も減少）。さらに、クロマチンが転写より先に閉じるか後に閉じるかで遺伝子を2群に分けられます。発現だけでは見えない、エピゲノムと転写のタイミングのずれが読めます。
3. MultiVelo を回す
実行の前提は、spliced/unspliced を数えた RNA と、遺伝子ごとに集約したアクセシビリティ（近傍ピーク / Cicero）を、ペアで用意し、WNN/KNN で平滑化しておくことです。
python
import scvelo as scv
import multivelo as mv
# 前提：
# adata_rna : spliced/unspliced を持つ RNA（velocyto 等で計数）
# ATAC は遺伝子ごとに集約し、平滑化して adata_rna の層に持たせる
# spliced/unspliced の近傍平均（モーメント）を計算
scv.pp.moments(adata_rna, n_neighbors=30)
準備ができたら、c → u → s の動態モデルを当てはめます。
python
# クロマチン・未成熟・成熟の動態モデル（c → u → s）を当てはめる
adata_result = mv.recover_dynamics_chrom(
adata_rna,
max_iter=5,
init_mode="invert",
)
MultiVelo は前処理が重めです。RNA は spliced/unspliced のカウント（velocyto 等）が必須、ATAC はピークを遺伝子に集約してアクセシビリティにします。ペア（同一細胞）が前提で、WNN などで平滑化してから当てはめます。fit は遺伝子ごとに ODE を解くため時間がかかります。
4. 速度を可視化する（運命予測）
当てはめが済むと、各細胞・各遺伝子について dc/dt・du/dt・ds/dt（クロマチン・未成熟・成熟の速度）が得られます。これを埋め込み上のストリームにすると、細胞運命の方向が見えます。
python
# 速度グラフ → 埋め込み上のストリームで運命を可視化
mv.velocity_graph(adata_result)
mv.velocity_embedding_stream(adata_result, basis="umap")
# 潜在時間（分化の進行度）
mv.latent_time(adata_result)
クロマチンを足すことで、RNA 単独より運命予測が正確になります（とくに、転写が始まる前にクロマチンが開く priming を捉えられるため）。潜在時間で分化の進行度を並べたり、遺伝子ごとの位相図（c-u-s）で状態を確認したりできます。
5. 使いどころ・注意点
最後に、使いどころと注意です。
分化・発生のように連続的に状態が動く系で力を発揮します。定常状態や、分裂が主の系では velocity 自体が向きません。RNA velocity は可視化パラメータや遺伝子選択に敏感で、ストリームの見た目だけで結論しないよう注意します（scVelo でも同様）。重要な運命の主張は、系統追跡や摂動で裏づけます。
これで、状態・制御・相互作用・動きと、マルチオミクスの下流が広くそろいました。次は、大規模事前学習で解析を底上げする基盤モデル（scGPT / Geneformer）に進みます。
まとめ
- RNA velocity は unspliced/spliced 比から分化の向き（速度）を推定する。MultiVelo はクロマチンを足して c→u→s に拡張。
- クロマチンは転写に先行しやすい（priming）。開閉と転写のずれから4状態（primed/coupled-on/decoupled/coupled-off）を判定。
- 前処理：RNA は spliced/unspliced カウント、ATAC は遺伝子集約、ペアで WNN 平滑化 → recover_dynamics_chrom で当てはめ。
- dc/dt・du/dt・ds/dt を得て、埋め込みのストリームで運命を可視化。RNA 単独より運命予測が正確。
- 連続的に動く系向き。可視化パラメータに敏感。重要な結論は系統追跡・摂動で検証。
関連記事
- 📖 NicheNet で細胞間相互作用 … 細胞間のシグナル
- 📖 WNN（Seurat・R）の位置づけ … 平滑化に使う WNN
- 📖 scATAC-seq の co-accessibility … Cicero（ATAC の遺伝子集約）
- 📖 scRNA-seq 前処理の全体像 … 入力データの準備
参考文献
- Li, C., Virgilio, M. C., Collins, K. L., & Welch, J. D. (2023). Multi-omic single-cell velocity models epigenome–transcriptome interactions and improves cell fate prediction. Nature Biotechnology, 41(3), 387–398. doi:10.1038/s41587-022-01476-y
- 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(12), 1408–1414. doi:10.1038/s41587-020-0591-3
- La Manno, G., Soldatov, R., Zeisel, A., et al. (2018). RNA velocity of single cells. Nature, 560(7719), 494–498. doi:10.1038/s41586-018-0414-6
- 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