マルチオミクス解析：どのデータで、どの手法を、どの順に使うか

Multiomics
2026.07.12
📚 この記事について
マルチオミクス統合シリーズの総括です。前処理から統合・GRN・下流解析まで、これまでの記事を1枚のフローにまとめ、「自分のデータでは何を使えばよいか」を判断できるようにします。各手法の詳細記事へも案内します。
🔙 前の記事：基盤モデル（scGPT / Geneformer）（前の記事）
🔜 次の記事：（シリーズ完結）
📌 前提：特になし。シリーズの各記事への入口としてお使いください。

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、手法が多く、どれをいつ使うか迷いがちです。この記事では、シリーズ全体を1枚のフローに整理し、手元のデータから手法を選べるようにします。

1. 全体フロー ─ 1枚で見る

マルチオミクス解析は、大きく前処理 → 統合 → GRN／下流の3段です。分岐するのは入口（ペアか非ペアか）だけで、統合後の道は共通になります（Argelaguet et al., Nat. Biotechnol., 2021）。

図：全体フロー。前処理のあと、ペアか非ペアかで統合手法が分かれ、共通の潜在空間に合流する。以降は、目的（制御・活性・相互作用・動き）に応じて下流へ進む。
図：全体フロー。前処理のあと、ペアか非ペアかで統合手法が分かれ、共通の潜在空間に合流する。以降は、目的（制御・活性・相互作用・動き）に応じて下流へ進む。
💡 最初に決めるのは1つだけ
同じ細胞から RNA と ATAC の両方を測ったか（ペア）、それとも別々の細胞で測ったか（非ペア）。この1点で統合手法が決まります。ペアなら MultiVI（R で完結したいなら WNN）、非ペアなら scGLUE。以降の下流は、どちらの経路でも同じです。

2. 前処理 ─ 統合を壊さないための3原則

統合の成否は前処理でほぼ決まります。シリーズを通して繰り返した原則が3つあります。

  • 生カウントを壊さない：正規化の前に .layers[‘counts’] へ退避（MultiVI / scVI / PeakVI は生カウント入力）。
  • QC はモダリティごと：RNA は総カウント・遺伝子数・ミト率、ATAC は TSS 濃縮・ヌクレオソーム・フラグメント数。ダブレットも別手法（Scrublet / AMULET）。
  • ペアなら細胞をそろえる：モダリティ側でフィルタしたら update／intersect_obs で同期（MuData）。
⚠️ つまずきやすい点
正規化した .X をモデルに渡す（→ 生カウントを退避しておく）、ATAC の LSI 第1成分を残す（→ 深度と相関するので除く）、フィルタ後に同期を忘れる（→ obs 不一致エラー）。この3つが定番の詰まりどころです。

3. 統合 ─ ペアと非ペア

統合3手法の使い分けです。

手法 データ 特徴 言語
MultiVI ペア（モザイク可） VAE で共通潜在空間。欠損モダリティの補完も可 Python
scGLUE 非ペア guidance graph（遺伝子↔ピーク）で橋渡し Python
WNN ペア 細胞ごとの重みで近傍グラフ。生成モデルではない R（Seurat）
💡 迷ったら
10x Multiome（ペア）なら MultiVI（Ashuach et al., 2023）が第一候補。別々に測った RNA と ATACなら scGLUE（Cao & Gao, 2022）。すでに Seurat で解析しているなら WNN が手早いです。統合後の潜在空間は、いずれもクラスタリング・アノテーション・下流の共通入力になります。

4. GRN ─ 4手法の選び方

統合の最大の果実が GRN（遺伝子制御ネットワーク）です。エンハンサーの開閉は ATAC でしか測れないため、マルチオミクスが本質的に効きます（Bravo González-Blas et al., Nat. Methods, 2023）。目的で選びます。

図：GRN 4手法の選び方。エンハンサー地図なら SCENIC+、摂動なら CellOracle、時間変化・因果なら Dictys、少データ・転移なら LINGER。
図：GRN 4手法の選び方。エンハンサー地図なら SCENIC+、摂動なら CellOracle、時間変化・因果なら Dictys、少データ・転移なら LINGER。
やりたいこと 手法 要点
エンハンサー駆動の制御地図 SCENIC+ eRegulon（TF→エンハンサー→遺伝子）。モチーフ濃縮
TF を止めたら何が起きるか CellOracle GRN で in silico 摂動。細胞状態シフトを予測
制御の時間変化・因果 Dictys フットプリント＋軌跡で動的 GRN・調節活性カーブ
データが少ない／他コホートへ LINGER atlas 規模の転移学習。発現だけで TF 活性も

5. 下流 ─ 問いから手法へ

下流は「何を知りたいか」から選びます。手法を先に決めず、問いを先に決めるのが要点です。

図：問いから手法への地図。経路・TF 活性なら decoupler、細胞間シグナルなら NicheNet、細胞の動きなら MultiVelo。基盤モデルは検証してから。
図：問いから手法への地図。経路・TF 活性なら decoupler、細胞間シグナルなら NicheNet、細胞の動きなら MultiVelo。基盤モデルは検証してから。
💡 下流はつながっている
GRN ブロックで作ったネットワーク（SCENIC+ / LINGER）は、decoupler の net として渡せます。また NicheNet で見つけた上流シグナルと、decoupler の TF 活性を突き合わせれば、外部シグナル → 内部制御 → 細胞の動きまで一本の物語として描けます。
⚠️ 基盤モデルの扱い
scGPT / Geneformer は有望ですが、zero-shot では従来法に劣るという独立評価もあります。MultiVI / scVI をベースラインに置き、自分のデータで上回るかを確かめてから採用してください。

6. シリーズ記事一覧

各手法の詳細は、以下の記事にあります。

単一モダリティの基礎から確認したい場合は、scRNA-seq 前処理の全体像 と scATAC-seq 解析の全体像 が出発点です。深層生成モデルの土台は scvi-tools の全体像、RNA 単独の GRN は scRNA-seq の GRN・転写因子活性 にまとめてあります。

まとめ

  • 流れは前処理 → 統合 → GRN／下流。分岐は入口（ペア／非ペア）だけで、統合後は共通。
  • 前処理3原則：生カウントを退避／QC はモダリティごと／ペアは細胞をそろえる。
  • 統合：ペア＝MultiVI（R なら WNN）、非ペア＝scGLUE。
  • GRN：地図＝SCENIC+、摂動＝CellOracle、時間＝Dictys、少データ＝LINGER。作った GRN は decoupler で活性化できる。
  • 下流は問いが先、手法は後。基盤モデルはベースラインと比較してから採用する。

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
  • 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
  • Cao, Z.-J., & Gao, G. (2022). Multi-omics single-cell data integration and regulatory inference with graph-linked embedding. Nature Biotechnology, 40(10), 1458–1466. doi:10.1038/s41587-022-01284-4
  • 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

コメント

タイトルとURLをコピーしました