DANST は深層ドメイン逆行ニューラルネットワークを用いて空間トランスクリプトミクスの細胞型分解を可能にする

近傍にいる細胞を可視化する

ヒト組織は多種の細胞が混在する群衆のようなもので、それぞれに役割があります。新しい「空間トランスクリプトミクス」技術は組織切片上でどの遺伝子が活性化しているかを測定できますが、多くの場合、各測定は近傍にいる複数の細胞からの信号が混ざったものです。本論文はその混合を分解する賢い計算手法、DANST を紹介します。どの細胞型がどこに存在するかを示すことで、臓器や腫瘍の構造、疾患の広がり、治療のあり方をより深く理解する助けになります。

細胞の群れを解きほぐす困難さ

現代の遺伝子読み取りツールは、単一細胞を非常に精密に見るものと、組織全体の配置を捉えるものに大きく分かれ、両方を同時に満たすことは稀です。一般的な空間技術は比較的大きな「スポット」で遺伝子発現を記録し、そこには複数の細胞が含まれます。これは合唱を聞いて誰がどの音を出しているか分からないような状況に似ています。これを解釈するには、各スポットに対して各細胞型がどれだけ寄与しているかを推定する「デコンボリューション」手法が必要です。既存の多くのアプローチは参照として単一細胞データを用いますが、両者は異なる実験で得られ、品質・ノイズ・解像度が一致しないため苦戦します。

データ世界の橋を構築する

DANST は単一細胞データと空間データの不一致に対処するため、両者をつなぐ橋を作ります。まず、詳細な単一細胞プロファイルを用いて、既知の細胞型比率を持つ多数の人工的な混合スポットをシミュレートします。同時に、実際の空間スポットを組織内の位置や遺伝子パターンに基づいてクラスタリングし、これらのグループへの距離を用いて各シミュレートスポットに“疑似”位置を割り当てます。このステップにより、人工スポットと実スポットが共通の空間枠に結び付けられ、特定の組織近傍で混合信号がどのように見えるかを学習できるようになります。

信号の浄化とドメイン整合

この結合マップが整った後、DANST は変分オートエンコーダと呼ばれる深層学習の一種を適用します。このネットワークは実データとシミュレートデータの両方からの遺伝子パターンを圧縮して洗練された内部表現に変換し、再構築を試みることでデータのノイズを除去し重要な特徴を強調します。さらに、その上に敵対的（アドバーサリアル）な要素を加えます：二つ目のネットワークが洗練された特徴が実際の空間データ由来かシミュレート由来かを判別しようとし、特徴抽出器はその判別を騙そうと学習します。この「綱引き」によりモデルは両方のデータソースで有用な特徴へと導かれ、既知の細胞型比率を持つシミュレートスポットから得た知見を、組成が不明な実際の組織スポットへ確実に移転できるようになります。

心臓、脳、腫瘍での検証

研究チームは人工ベンチマークとマウス・ヒトの実際の生物試料の両方で DANST を検証しました。複数の主要手法と比較して、DANST は合成データセット上で細胞型比率をより正確に復元し、非常に異なる組織やプラットフォームでも優位性を保ちました。マウス脳データセットでは皮質の層構造を明瞭に再構築し、専門家が定義した解剖学的領域と一致しました。別のマウス脳切片では海馬などの領域における細かなパターンを捉えました。特にヒト乳がん組織では、さまざまな免疫細胞や支持細胞、ホルモン感受性の有棘上皮（ルミナル）細胞が腫瘍領域内外でどのように配置されているかをたどり、既知の生物学と整合しつつ、ホルモン依存性や特定の免疫細胞が乏しい領域での予後不良の可能性といった臨床的に重要な特徴を示唆しました。

生物学と医療にとっての意義

専門外の人にとって、DANST はぼやけて重なった信号を組織内でどの細胞がどこにいるかの明確な図に変える強力な通訳者と見なせます。空間的に細胞型を確実に分離することで、健常組織の構造や疾患による再編がどのように起こるかをより鮮明に描き出します。がん領域では、腫瘍細胞と免疫細胞が特定領域でどのように相互作用しているかを明らかにし、標的療法の方針決定や患者転帰の予測に資する可能性があります。今後さらに多くの空間および単一細胞データセットが利用可能になるにつれ、DANST のようなツールは健康と疾患を支える細胞の近隣関係を解読するうえで不可欠になると期待されます。

引用: Zhang, X., Wu, Z., Wang, T. et al. DANST enables cell-type deconvolution in spatial transcriptomics using deep domain adversarial neural networks. Commun Biol 9, 388 (2026). https://doi.org/10.1038/s42003-026-09659-y

キーワード: 空間トランスクリプトミクス, 細胞型分解, 深層学習, 腫瘍微小環境, 単一細胞RNAシーケンシング