シーケンス型 空間トランスクリプトーム：まとめ

Spatial transcriptome
📚 この記事について
シーケンス型トラックの全記事を、1枚の地図としてまとめます。各ブロックが何を扱ったのか、シリーズを通じて何度も出てきた原則は何か、そしてどこから読み始めるとよいのかを示します。
🔙 前の記事：シーケンス型 空間トランスクリプトーム：空間の基盤モデル
🔜 次の記事：イメージング型 空間トランスクリプトーム解析の全体像
📌 前提：シーケンス型 空間トランスクリプトーム解析の全体像

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、1つのフィーチャに複数の細胞が混ざるという特徴を持ちます。この1点から、解析のほぼすべての判断が導かれます。このシリーズでは、その判断を1つずつ追ってきました。ここでは全体を1枚の地図にまとめ、繰り返し現れた原則を取り出します。

1. シリーズの地図

図：シーケンス型トラックの全体地図
図：シーケンス型トラックの全体地図
ブロック 扱ったこと 中心の問い
入口 何を測る技術か、解析はどう進むか この技術で何が分かるのか
前処理 読み込み・QC・解析単位・正規化 どの単位で解析するか
細胞型を割り当てる デコンボリューションと、レジームごとの扱い 混合をどう分けるか
下流解析 ドメイン・SVG・ニッチ・会話・活性・CNV 空間から何が言えるか
統合と発展 複数スライス・3D・マルチオミクス・予測・基盤モデル 複数のデータをどうつなぐか
💡 どのブロックも、前のブロックの判断を引き継ぐ
解析単位をどう選んだかが、細胞型の割り当て方を決めます。正規化をどうしたかが、ドメイン同定や空間可変遺伝子の結果に効きます。デコンボリューションの質が、ニッチも空間 CNV も左右します。前処理でどれだけ考えたかが、最後の結論の強さを決めます。

2. 繰り返し出てきた3つの原則

図：シリーズを通じて繰り返し出てきた3つの原則
図：シリーズを通じて繰り返し出てきた3つの原則

3. 原則1 ─ 総カウントには、生物学が入っている

1フィーチャの総カウントには、そこにいる細胞の数という組織の情報が含まれています（Bhuva et al., Genome Biology, 2024）。単一細胞のつもりでライブラリサイズを補正すると、この情報まで消えます。

場面 どう効いたか
正規化 強く補正すると、組織ドメインの情報が失われる
ドメイン同定 補正の強さで、同定の精度が変わる
空間可変遺伝子 正規化のやり方で、検出結果が変わる
パスウェイ活性 正規化が、活性の値にそのまま伝わる

対処は共通しています。生カウントを残しておき、目的ごとに正規化を選び直す。空間を考慮した正規化を使えば、技術的な変動と生物学的な変動を分けられます（Salim et al., Genome Biology, 2025）。

4. 原則2 ─ 解析単位が、問いを決める

1フィーチャに何個の細胞が入るかで、解くべき問題そのものが変わります。

レジーム 1フィーチャ 細胞型の決め方
マルチセル 多数の細胞 デコンボリューション（割合を推定）
準単一細胞 1〜2 細胞 ダブレット分離（最大2型に振り分け）
サブセル 1細胞が複数に割れる 細胞に組み立てる、または segmentation-free

この選択は下流にも波及します。リガンド–受容体解析で送り手と受け手を分けられないのも、空間 CNV の信号が薄まるのも、パスウェイ活性が混合の平均になるのも、すべて同じ原因です。

💡 解像度は、高ければよいわけではない
細かい単位にすれば、1フィーチャあたりのカウントは減ります。細胞型を決められないほど薄くなれば、意味がありません。問いに必要な解像度とそこで確保できるカウントの釣り合いで決めます。画像が使えないなら、細胞に組み立てずに構造を読む道もあります（Si et al., Nature Methods, 2024）。

5. 原則3 ─ 割合には、合計 1 の制約がある

デコンボリューションが返すのは割合です。各フィーチャで合計が 1 になるので、ある型が増えれば、他は必ず減ります。この関係は、生物学とは無関係に定義から生じます。

場面 誤りうる結論
ニッチ・共局在 「この2つは排除し合っている」
複数スライスの比較 「この条件で T細胞が増えた」
腫瘍微小環境 「腫瘍が免疫細胞を排除している」

対処は、絶対量でも確かめることです。細胞数そのものを推定する手法を使えば、この制約から自由になります（Kleshchevnikov et al., Nature Biotechnology, 2022）。符号が変わる組があれば、そこは制約の影響が強く出ていた場所です。

6. もう1つの通奏低音 ─ 検証の作法

原則ではありませんが、ほぼすべての記事で同じことを書いてきました。

  • 組織像と重ねる。空間データには外部の基準がある。数字だけで判断しない。
  • 手法を変えて、結論が保たれるかを見る。デコンボリューション、正規化、クラスタリングの解像度。
  • 独立な経路で同じ答えに至るかを確かめる。発現からのドメインと、割合からのドメイン。
  • 単純な方法と比べる。空間を使わないクラスタリング、平均を答えるベースライン。
💡 これらは、そのまま論文に書ける
「正規化を2通りで行い、ドメインが一致することを確認した」「デコンボリューションを2手法で行い、共局在の順位が保たれた」と書ければ、その結論が計算の産物でないことの根拠になります。査読で問われやすい点を、先に潰しておくことにもなります。

7. どこから読むか

図：どこから読むか ─ 3つの入口
図：どこから読むか ─ 3つの入口
読み手 おすすめの順番
はじめて触る 入口 → 前処理を順に → 細胞型の全体像まで
手元にデータがある 解析単位の決め方 → 自分の装置の記事 → 下流へ
特定の問いがある 下流の該当記事 → 前提の記事へさかのぼる
⚠️ 解析単位の記事だけは、先に読む
全部を順に読む必要はありません。各記事の冒頭に、前提となる記事を書いてあります。ただし解析単位の決め方だけは例外です。そこでの選択が、他のすべての記事の前提になっているからです。

8. このトラックの記事一覧

まとめ

  • シーケンス型の解析は、1フィーチャが混合であるという1点から、ほぼすべての判断が導かれる。
  • 原則1：総カウントには生物学が入っている。生カウントを残し、目的ごとに正規化を選び直す。
  • 原則2：解析単位が問いを決める。レジームが変われば、解くべき問題そのものが変わる。
  • 原則3：割合には合計 1 の制約がある。絶対量でも確かめる。
  • 検証の作法は共通。組織像と重ねる・手法を変える・独立な経路で確かめる・単純な方法と比べる。
  • 全部を順に読む必要はないが、解析単位の記事だけは先に読む。

関連記事

参考文献

  • Ståhl, P. L., Salmén, F., Vickovic, S., et al. (2016). Visualization and analysis of gene expression in tissue sections by spatial transcriptomics. Science, 353(6294), 78–82. doi:10.1126/science.aaf2403
  • Chen, A., Liao, S., Cheng, M., et al. (2022). Spatiotemporal transcriptomic atlas of mouse organogenesis using DNA nanoball-patterned arrays. Cell, 185(10), 1777–1792. doi:10.1016/j.cell.2022.04.003
  • Bhuva, D. D., Tan, C. W., Salim, A., et al. (2024). Library size confounds biology in spatial transcriptomics data. Genome Biology, 25, 99. doi:10.1186/s13059-024-03241-7
  • Salim, A., Bhuva, D. D., Chen, C., et al. (2025). SpaNorm: spatially-aware normalization for spatial transcriptomics data. Genome Biology, 26, 109. doi:10.1186/s13059-025-03565-y
  • 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
  • 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
  • Si, Y., Lee, C., Hwang, Y., et al. (2024). FICTURE: scalable segmentation-free analysis of submicron-resolution spatial transcriptomics. Nature Methods, 21(10), 1843–1854. doi:10.1038/s41592-024-02415-2
  • Zhao, E., Stone, M. R., Ren, X., et al. (2021). Spatial transcriptomics at subspot resolution with BayesSpace. Nature Biotechnology, 39(11), 1375–1384. doi:10.1038/s41587-021-00935-2
  • Zeira, R., Land, M., Strzalkowski, A., & Raphael, B. J. (2022). Alignment and integration of spatial transcriptomics data. Nature Methods, 19(5), 567–575. doi:10.1038/s41592-022-01459-6
  • Marconato, L., Palla, G., Yamauchi, K. A., et al. (2025). SpatialData: an open and universal data framework for spatial omics. Nature Methods, 22(1), 58–62. doi:10.1038/s41592-024-02212-x
  • 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

コメント

タイトルとURLをコピーしました