scRNA-seq解析：コピー数異常（CNV）の推定

scRNA-seq
2026.06.28

📚 この記事について：「scRNA-seq解析 実践シリーズ」下流解析編の文脈特化回。主にがんで使う解析です。腫瘍細胞がもつ大規模なコピー数異常（CNA）を、scRNA-seq の発現から推定する方法（infercnvpy／CopyKAT）を解説します。

🔙 前の記事：「遺伝子プログラム・モジュール」　／　🔜 次の記事：摂動解析・Perturb-seq（文脈特化）

🧩 前提：正規化前のカウントと、参照とする正常細胞があること。Python の基本。

この記事のゴール

発現データから大規模なコピー数異常（染色体の増減）を推定する原理と、infercnvpy／CopyKAT の使い方、そして「発現由来＝間接推定」という限界を理解すること。

いつ使うか（文脈特化）

これは主にがんの解析です。腫瘍細胞は、染色体の増減（コピー数異常, CNA）を持つことが多く、これを使って腫瘍細胞と正常細胞を分ける・サブクローン構造を見ることができます。

⚠️ 適用範囲に注意
本シリーズの主対象である発生・正常組織では、通常この解析は使いません（正常細胞でアニュプロイディが問題になる特殊な文脈を除く）。腫瘍を含むデータのときの選択肢として押さえてください。

原理

DNA のコピー数が増えれば、その領域の遺伝子はまとめて発現が上がり、減ればまとめて下がる傾向があります。そこで、遺伝子を染色体上の位置順に並べ、近傍遺伝子の発現を平滑化し、参照（正常）細胞と比べた相対値から、領域ごとの増減（CNV）を推定します。

CNV 推定の原理。遺伝子を染色体位置順に並べ、近傍遺伝子の発現を平滑化して、参照正常細胞と比べた相対発現を領域ごとに見る。正常細胞群はほぼ一様（ニュートラル）だが、腫瘍細胞群では特定の染色体領域がまとまって増加（gain）または減少（loss）として現れ、腫瘍 vs 正常の分離やサブクローンの推定に使える。
CNV 推定の原理。遺伝子を染色体位置順に並べ、近傍遺伝子の発現を平滑化して、参照正常細胞と比べた相対発現を領域ごとに見る。正常細胞群はほぼ一様（ニュートラル）だが、腫瘍細胞群では特定の染色体領域がまとまって増加（gain）または減少（loss）として現れ、腫瘍 vs 正常の分離やサブクローンの推定に使える。

ツール

発現から CNV を推定する手法は、大きく2系統あります。

  • 発現のみ系：infercnvpy（Python・scanpy 親和・スケーラブル）、CopyKAT（ベイズ・5MB 解像度）、SCEVAN。発現行列だけで動く。
  • B-allele 併用系：Numbat、CaSpER。発現に加え対立遺伝子頻度（BAF）も使う。ベンチマークでは Numbat が総合上位、発現のみなら CopyKAT が推奨とされます。

コード（infercnvpy）

pythonimport infercnvpy as cnv
import scanpy as sc

# 前提：遺伝子に染色体位置（chromosome, start, end）を付与しておく
cnv.io.genomic_position_from_gtf("genes.gtf", adata)

# 参照（正常）細胞を指定して CNV を推定
cnv.tl.infercnv(
    adata,
    reference_key="cell_type",
    reference_cat=["Microglia", "Endothelial"],   # 正常と考えられる細胞型
    window_size=100,
)

# CNV プロファイルでクラスタリング → 染色体ヒートマップ
cnv.tl.pca(adata)
cnv.pp.neighbors(adata)
cnv.tl.leiden(adata)
cnv.pl.chromosome_heatmap(adata, groupby="cnv_leiden")

🔧 環境メモ：pip install infercnvpy。参照（正常）細胞の指定が肝で、結果はこの選び方に強く依存します。CopyKAT を使う場合は infercnvpy 経由で呼べますが、R と copykat パッケージが必要で、入力は対数変換前のカウントです。生物種に合った遺伝子位置情報を使ってください。

ツール早見表

ツール 言語 入力 ひとこと
infercnvpy Python 発現のみ scanpy 親和・スケーラブル（本記事の中心）
CopyKAT R（Pythonから可） 発現のみ ベイズ・5MB・腫瘍/正常分離
SCEVAN R 発現のみ クローン分割に強み
Numbat R 発現 ＋ BAF 総合で高精度・cnLOH 検出
CaSpER R 発現 ＋ BAF BAF 併用

落とし穴

⚠️ つまずきやすい点
– 発現由来＝間接推定：これは「発現から推定した CNV」で、真のゲノムコピー数ではありません。確定には DNA レベルの裏取りを。
– 参照正常細胞が必須：参照の選び方で結果が変わる。確実に正常な細胞型を選ぶ。
– cnLOH は検出不可：発現のみ系はコピー数中立の LOH（cnLOH）を捉えられない（必要なら BAF 併用系）。
– 生物種・遺伝子位置：正しい遺伝子位置情報（GTF）を生物種に合わせる。
– 正常細胞のアニュプロイディ：まれに正常細胞でも染色体異常がある点に注意。
– 腫瘍以外には通常使わない：発生・正常組織では適用場面が限られる。

まとめ

  • CNV 推定は主にがんの解析。遺伝子を染色体位置順に並べて平滑化し、参照正常細胞との比から領域ごとの増減を推定する。
  • Python では infercnvpy（発現のみ・scanpy 親和）。CopyKAT（ベイズ）も利用可。発現のみ系と BAF 併用系がある。
  • 発現由来＝間接推定で、参照正常細胞が必須、cnLOH は不可。確定には DNA レベルの裏取りを。

次の記事：摂動解析・Perturb-seq（文脈特化） — CRISPR スクリーンと scRNA-seq を組み合わせた摂動データの解析（pertpy／Mixscape）に進みます。

関連記事

参考文献

  • Patel, A. P., Tirosh, I., Trombetta, J. J., et al. (2014). Single-cell RNA-seq highlights intratumoral heterogeneity in primary glioblastoma. Science, 344, 1396–1401. doi:10.1126/science.1254257
  • Tirosh, I., Izar, B., Prakadan, S. M., et al. (2016). Dissecting the multicellular ecosystem of metastatic melanoma by single-cell RNA-seq. Science, 352, 189–196. doi:10.1126/science.aad0501
  • Gao, R., Bai, S., Henderson, Y. C., et al. (2021). Delineating copy number and clonal substructure in human tumors from single-cell transcriptomes. Nature Biotechnology, 39, 599–608. doi:10.1038/s41587-020-00795-2
  • Gao, T., Soldatov, R., Sarkar, H., et al. (2023). Haplotype-aware analysis of somatic copy number variations from single-cell transcriptomes (Numbat). Nature Biotechnology, 41, 417–426. doi:10.1038/s41587-022-01468-y

コメント

タイトルとURLをコピーしました