scATAC-seq 前処理の全体像 ─ QC からクラスタリングまで

📚 この記事について
scATAC-seq 前処理ブロックの入口です。読み込みからクラスタリングまでの流れを俯瞰し、各ステップの詳細記事へ橋渡しします。
🔙 前の記事：scATAC-seq 解析ツールの選び方
🔜 次の記事：scATAC-seq のデータ読み込みとデータ構造
📌 前提：scATAC-seq 解析の全体像を読んでいると流れが掴みやすいです

scATAC-seq（single-cell ATAC-seq／核を使う場合は snATAC-seq）の前処理は、生データを「クラスタリングできるきれいな低次元表現」に変える工程です。この記事では、その全体像と各ステップへの入口を示します。

1. 前処理のゴール
2. 前処理パイプライン
3. scRNA-seq 前処理との違い
4. 各ステップの入口
まとめ
関連記事
参考文献

1. 前処理のゴール

前処理の目的は一つ、生データを「クラスタリングできるきれいな低次元表現」に変えることです。入口はフラグメント（Tn5酵素がゲノムを切って生じるDNA断片）、出口は細胞のまとまり（クラスタ）。この間に、品質の悪い細胞を除き、特徴量（ピーク）を定義し、次元を圧縮します。

2. 前処理パイプライン

基本の流れは5ステップです。ダブレット検出とサンプル統合は、データに応じて挟む任意ステップです。

3. scRNA-seq 前処理との違い

scRNA-seq を経験していると、ほとんどの発想は流用できます。ただし4点だけ本質的に違うので、そこだけ意識すれば十分です。

観点	scRNA-seq	scATAC-seq
特徴量	遺伝子	ピーク（データから作る）
行列の性質	カウント（連続的）	ほぼ二値・超スパース
正規化	対数正規化	TF-IDF
次元削減	PCA	SVD（＝LSI）
主なQC指標	遺伝子数・ミト率	TSS濃縮・FRiP・ヌクレオソームシグナル

💡 なぜ正規化・次元削減が違うのか
ATACの行列は値がほぼ 0/1/2（二倍体はゲノム座位のコピーが2本だけ）で、極端に疎です。カウントの大小を前提とする対数正規化＋PCAが噛み合わないため、文書解析由来の TF-IDF＋SVD（＝LSI） を使います（scATACへの適用：Cusanovich et al., Science, 2015）。

4. 各ステップの入口

① 読み込みとデータ構造：フラグメントファイルとピーク行列を AnnData に読み込みます。RNAの細胞×遺伝子に対し、ここは細胞×ピークです。
→ scATAC-seq のデータ読み込みとデータ構造

② QC（品質管理）：ATAC固有の指標で低品質な細胞を除きます。主に TSS濃縮（転写開始点まわりにシグナルが集まるほど良い）、FRiP（ピーク内に入るフラグメントの割合）、ヌクレオソームシグナル（フラグメント長分布の周期性）、フラグメント総数です。
→ scATAC-seq の QC

③ ダブレット検出：2細胞が1つに混ざったノイズを除きます。ATACでは1座位あたり最大2コピーという性質を利用する AMULET などが使われます（Thibodeau et al., Genome Biology, 2021）。
→ scATAC-seq のダブレット検出

④ ピークコール：フラグメントが密集した領域をピークとして定義します。MACS3（MACS2の現行版）が標準で、SnapATAC2 内蔵の手法も使えます（MACS：Zhang et al., Genome Biology, 2008）。
→ scATAC-seq のピークコール

⑤ 次元削減・クラスタリング：TF-IDF で重み付けし、SVD（LSI）系で圧縮してからクラスタリングします。
→ scATAC-seq の次元削減とクラスタリング

⚠️ 次元削減で覚えておきたい点
LSIの第1成分は、細胞型ではなくシーケンス深度と強く相関しがちです。実装（SnapATAC2・Signac など）では慣例的に第1成分を除外します。これを忘れるとクラスタが深度で分かれてしまいます。

⑥ サンプル統合・バッチ補正：複数サンプルをまとめる際に、実験差（バッチ）を補正します。古典的な Harmony（Korsunsky et al., Nature Methods, 2019）と、深層学習の PeakVI（Ashuach et al., 2022）を対比して選びます。
→ scATAC-seq の統合・バッチ補正

まとめ

前処理のゴールは「フラグメント → クラスタリング可能な低次元表現」。
RNAとの本質的な違いは特徴量・行列の性質・正規化・次元削減の4点。
迷ったら SnapATAC2 で一貫させるのが最も楽。

参考文献

Cusanovich, D. A., Daza, R., Adey, A., et al. (2015). Multiplex single-cell profiling of chromatin accessibility by combinatorial cellular indexing. Science, 348(6237), 910–914. doi:10.1126/science.aab1601
Thibodeau, A., Eroglu, A., McGinnis, C. S., et al. (2021). AMULET: a novel read count-based method for effective multiplet detection from single nucleus ATAC-seq data. Genome Biology, 22, 252. doi:10.1186/s13059-021-02469-x
Zhang, Y., Liu, T., Meyer, C. A., et al. (2008). Model-based Analysis of ChIP-Seq (MACS). Genome Biology, 9(9), R137. doi:10.1186/gb-2008-9-9-r137
Korsunsky, I., Millard, N., Fan, J., et al. (2019). Fast, sensitive and accurate integration of single-cell data with Harmony. Nature Methods, 16(12), 1289–1296. doi:10.1038/s41592-019-0619-0
Zhang, K., Zemke, N. R., Armand, E. J., & Ren, B. (2024). A fast, scalable and versatile tool for analysis of single-cell omics data. Nature Methods, 21(2), 217–227. doi:10.1038/s41592-023-02139-9