シーケンス型 空間トランスクリプトーム：手法比較（CARD・RCTD・Tangram）─ ベンチマークの結論はなぜ食い違うのか

空間トランスクリプトーム解析（spatial transcriptomics）のうちシーケンス型（Visium・Stereo-seq など NGS で読み出す方式）は、デコンボリューション手法が 20 以上あります。「どれがいちばん良いのか」を知りたくなりますが、大規模なベンチマークを3本読んでも、答えは一致しません。これは誰かが間違っているからではなく、測っている能力が違うからです。この記事では、その食い違いの正体を解いたうえで、手法の選び方を示します。

1. ベンチマークの結論は、一致していない

3本すべてに名前が挙がっているのは cell2location だけです。RCTD は2本、CARD と Tangram は1本ずつ。「最強の手法」を探しても、見つかりません。

2. なぜ食い違うのか ─ 指標が違えば、勝者が変わる

ベンチマークは、それぞれ違う指標で「正しさ」を測っています。

「いる細胞型はすべて見つけるが、割合がずれる」手法と、「見つけた細胞型の割合は正確だが、稀な細胞型を見逃す」手法。この2つは、指標を変えれば順位が入れ替わります。

3. もう1つの軸 ─ ロバスト性

Li et al.（Nature Communications, 2023）は、精度だけでなく条件を変えたときの安定性も評価しました。解像度、スポット数、遺伝子数を変えても性能が保たれるか、という視点です。

• CARD、cell2location、Tangram、SD2 が、条件を変えても最も安定していた。
• cell2location と DestVI は、シミュレーションでも実データでも安定して良い成績だった。
• cell2location、SpatialDecon、Tangram は、スポット数の多い大きな組織でも扱えた。

4. RCTD ─ モードをレジームで選ぶ

RCTD（Cable et al., Nature Biotechnology, 2022）の特徴は、プラットフォーム効果を明示的にモデル化することと、3つのモードを持つことです。

rコピー
# RCTD は R が本家（Bioconductor の spacexr）
library(SpatialExperiment)
library(spacexr)

# 空間データと参照 scRNA-seq を、どちらも生カウントで渡す
rctd_data <- createRctd(spatial_spe, reference_se, cell_type_col = "cell_type")

# モードは、フィーチャに何個の細胞が入るかで決める
#   doublet : 1フィーチャに最大2細胞型（Visium HD、Curio Seeker など）
#   full    : 制限なし（Visium の 55 µm スポット）
#   multi   : 有限個（3〜4）に制限する
res <- runRctd(rctd_data, rctd_mode = "full", max_cores = 4)

# 割合は assay に入る（行が細胞型、列がフィーチャ）
w <- assay(res, "weights")
print(dim(w))

RCTD は R が本家です。Python 中心で解析している場合は、GPU 対応の移植版があります。

bashコピー
# Python から使いたい場合は、GPU 対応の移植版がある
pip install rctd-py

# R の spacexr と検証されており、優勢な細胞型の判定は 99% 台で一致する
# ただし本家は R 実装。結果が疑わしいときは R で確認する

5. CARD ─ 空間相関を使う

CARD（Ma & Zhou, Nature Biotechnology, 2022）の特徴は、「空間的に近い場所は、細胞型の組成も似ている」という仮定をモデルに組み込むことです。

この効果は2つあります。1つは、参照 scRNA-seq がミスマッチでも精度が保たれること。隣の場所から組成の情報を借りられるので、参照が多少ずれていても踏ん張れます。

もう1つは、測っていない位置の組成を補間できること。スポットとスポットの隙間を埋めて、元のデータより高い解像度の地図を作れます。

rコピー
library(CARD)

# 空間相関を使うので、空間座標が必須
card_obj <- createCARDObject(
  sc_count = sc_count, sc_meta = sc_meta,
  spatial_count = spatial_count, spatial_location = spatial_location,
  ct.varname = "cell_type", ct.select = ct_list,
  sample.varname = "sample",
  minCountGene = 0, minCountSpot = 0,
)

card_obj <- CARD_deconvolution(CARD_object = card_obj)
prop <- card_obj@Proportion_CARD

# 空間相関を使えるので、測っていない位置の組成を補間できる
card_obj <- CARD.imputation(card_obj, NumGrids = 2000, ineibor = 10)

6. Tangram ─ これはデコンボリューションではない

Tangram（Biancalani et al., Nature Methods, 2021）は、他の2つとはやっていることが根本的に違います。

デコンボリューションは、観測を再現するように重みを解く問題でした。観測との誤差が、そのまま制約になります。勝手な答えは返せません。

Tangram がやるのは写像です。参照 scRNA-seq の細胞を、空間の上のどこに置けばよいかを学習します。だから単一細胞の解像度が得られますし、細胞を置いてしまえば、その細胞が持つ全遺伝子を空間に持ち込める。測っていない遺伝子の予測が得意なのは、この構造のためです。

実際、Li et al.（Nature Methods, 2022）でも、測っていない遺伝子の空間分布を予測する課題で Tangram は上位に来ました。

pythonコピー
import tangram as tg
import scanpy as sc

# 学習に使う遺伝子（マーカー）を選ぶ。ここの質が結果を左右する
sc.tl.rank_genes_groups(adata_sc, groupby="cell_type", method="wilcoxon")
markers = sc.get.rank_genes_groups_df(adata_sc, group=None)
markers = markers[markers["pvals_adj"] < 0.01].groupby("group").head(100)
genes = markers["names"].unique().tolist()

# 共通遺伝子をそろえ、密度事前分布を計算する
tg.pp_adatas(adata_sc, adata_sp, genes=genes)

# mode='clusters' は、細胞型ごとに平均してから写像する（軽い）
ad_map = tg.map_cells_to_space(
    adata_sc, adata_sp,
    mode="clusters", cluster_label="cell_type",
    density_prior="rna_count_based", device="cuda:0",
)

# 細胞型の割合を空間データへ書き戻す
tg.project_cell_annotations(ad_map, adata_sp, annotation="cell_type")
print(adata_sp.obsm["tangram_ct_pred"].head())

# 測っていない遺伝子を、空間に持ち込む（Tangram の本領）
ad_ge = tg.project_genes(ad_map, adata_sc, cluster_label="cell_type")

7. 3手法の使い分け

8. 実務 ─ 複数走らせて、一致を見る

ベンチマークが割れる以上、1つの手法だけを信じるのは合理的ではありません。現実的なやり方は、性格の違う複数の手法を走らせて、結果を比べることです。

pythonコピー
import numpy as np
import pandas as pd

# 複数手法の結果を、同じ形にそろえて比べる
methods = {"cell2location": prop_c2l, "RCTD": prop_rctd, "Tangram": prop_tg}

# 細胞型ごとに、手法間の相関を見る
for ct in prop_c2l.columns:
    vals = pd.DataFrame({m: d[ct] for m, d in methods.items()})
    print(ct, vals.corr().round(2).to_dict())

# 一致しないフィーチャに印を付けて、空間の上で見る
stack = np.stack([d.values for d in methods.values()])
spread = stack.std(axis=0).max(axis=1)
adata.obs["disagreement"] = spread
sq.pl.spatial_scatter(adata, color="disagreement")
# 手法が割れる場所は、境界か、参照が合っていない場所であることが多い

見るべきは、手法が一致する場所ではなく、一致しない場所です。手法が割れるフィーチャには、たいてい理由があります。

まとめ

• ベンチマーク3本の結論は一致しない。3本すべてに名前が挙がるのは cell2location だけ。
• 食い違うのは、測っている能力が違うから。「存在を検出できる（AUPRC）」ことと「割合を当てる（JSD・RMSE）」ことは別。
• 自分の問いがどちらかを先に決める。順位表だけを見て選ばない。
• RCTD はモードを解析単位に合わせる。55 µm スポットなら full、細胞に近いフィーチャなら doublet。
• CARD は空間相関を使う。参照ミスマッチに強いが、鋭い境界を鈍らせる。既定のフィルタにも注意。
• Tangram はデコンボリューションではなく写像。測っていない遺伝子を予測できるが、観測を再現する制約はゆるい。
• 複数手法を走らせ、一致しない場所を見る。ただし一致は正しさの保証ではない。最後はマーカーで確認する。

関連記事

• シーケンス型 空間トランスクリプトーム：デコンボリューションの原理と手法分類
• シーケンス型 空間トランスクリプトーム：cell2location 実践
• シーケンス型 空間トランスクリプトーム：解析単位の決め方
• シーケンス型 空間トランスクリプトーム：Curio Seeker と doublet モード
• scRNA-seq解析：細胞型アノテーション手法の全体像
• scVIだけじゃない：scvi-tools の全体像
• scRNA-seq解析：データの読み込みと品質管理（QC）
• scRNA-seq解析の土台：AnnData のデータ構造をリレーショナルDBの発想で理解する

参考文献

• Li, B., Zhang, W., Guo, C., et al. (2022). Benchmarking spatial and single-cell transcriptomics integration methods for transcript distribution prediction and cell type deconvolution. Nature Methods, 19(6), 662–670. doi:10.1038/s41592-022-01480-9
• Li, H., Zhou, J., Li, Z., et al. (2023). A comprehensive benchmarking with practical guidelines for cellular deconvolution of spatial transcriptomics. Nature Communications, 14(1), 1548. doi:10.1038/s41467-023-37168-7
• Sang-aram, C., Browaeys, R., Seurinck, R., & Saeys, Y. (2023). Spotless, a reproducible pipeline for benchmarking cell type deconvolution in spatial transcriptomics. eLife, 12, RP88431. doi:10.7554/eLife.88431
• Cable, D. M., Murray, E., Zou, L. S., et al. (2022). Robust decomposition of cell type mixtures in spatial transcriptomics. Nature Biotechnology, 40(4), 517–526. doi:10.1038/s41587-021-00830-w
• Ma, Y., & Zhou, X. (2022). Spatially informed cell-type deconvolution for spatial transcriptomics. Nature Biotechnology, 40(9), 1349–1359. doi:10.1038/s41587-022-01273-7
• Biancalani, T., Scalia, G., Buffoni, L., et al. (2021). Deep learning and alignment of spatially resolved single-cell transcriptomes with Tangram. Nature Methods, 18(11), 1352–1362. doi:10.1038/s41592-021-01264-7
• Kleshchevnikov, V., Shmatko, A., Dann, E., et al. (2022). Cell2location maps fine-grained cell types in spatial transcriptomics. Nature Biotechnology, 40(5), 661–671. doi:10.1038/s41587-021-01139-4
• Lopez, R., Li, B., Keren-Shaul, H., et al. (2022). DestVI identifies continuums of cell types in spatial transcriptomics data. Nature Biotechnology, 40(9), 1360–1369. doi:10.1038/s41587-022-01272-8
• Palla, G., Spitzer, H., Klein, M., et al. (2022). Squidpy: a scalable framework for spatial omics analysis. Nature Methods, 19(2), 171–178. doi:10.1038/s41592-021-01358-2
• Wolf, F. A., Angerer, P., & Theis, F. J. (2018). SCANPY: large-scale single-cell gene expression data analysis. Genome Biology, 19, 15. doi:10.1186/s13059-017-1382-0