細胞ダイナミクスの生成モデル：Neural ODEsからフローマッチングへ

時間とともに変化する細胞を観察する

私たちの体の各器官は、かつてほとんど同じ見た目だった細胞群から作られ、そこから徐々に異なる役割を担うようになりました。生物学者は各細胞がリアルタイムでどう変化するかを見たいと考えていますが、現在の測定法は細胞を破壊してしまうため、それができません。本レビューでは、Neural Ordinary Differential Equations（Neural ODEs）と呼ばれる新しい種類の人工知能ツールが、静止したスナップショットからこうした隠れた変化の物語を再構築するのにどう役立つかを探ります。これにより、発生、病気、治療の作用機序に関する理解が深まる可能性があります。

スナップショットから生きた動画へ

最新のシングルセルシーケンシング技術は、個々の細胞で何千もの遺伝子の活動を測定でき、大規模な数値表を生成します。各行は細胞、各列は遺伝子に対応します。しかし各細胞は一度しか測定されないため、研究者が得るのは一つの細胞が時間とともにどう変わるかを示す動画ではなく、静止写真の集まりにすぎません。初期のアプローチは「擬似時間」を用いて、遺伝子活動パターンの類似性に基づいて細胞を発生経路上に合理的に並べようとしました。これにより大まかな分化経路は明らかになりましたが、細胞が複数の運命に分岐したり複雑なループ経路をたどる場合には不十分でした。

ランドスケープ上の運動としての細胞変化の記述

単純な配列を超えるために、研究者は細胞をランドスケープ（景観）を移動する点として記述します：位置は現在の遺伝子活動状態を符号化し、「運動量」はその状態がどのように変化しているかを反映します。RNA velocityのような古典的手法は、細胞内の異なる形態のRNAを比較して次に向かう方向を推定します。他の手法はベクトル場を再構築し、この空間の各点で予想される運動方向を矢印で示します。これらの方法は、遺伝子ネットワークが細胞を特定の運命へと導くしくみや、ランドスケープの不安定な領域が近づく決定を示唆することを明らかにし始めました。しかし、多くのモデルは遺伝子間相互作用について強い単純化を行っており、複数時点の集団データに一致する完全に連続した経路を生成できないことがしばしばあります。

Neural ODEs：変化のルールを学ぶ

Neural ODEsは、このランドスケープ上での細胞運動を支配する根本的なルールを柔軟に学習する手段を提供します。事前に式を定めるのではなく、ニューラルネットワークが任意の細胞状態に対してその状態が次にどのように変化するかを示す関数を学びます。次にODEソルバーが時間に沿った完全な軌跡をたどります。この枠組みは、発生経路の推定、分岐イベントの強調、不安定または「準備された（primed）」状態の同定、さらには遺伝子調節ネットワーク――遺伝子同士が互いの発現をオン／オフする因果関係――の復元など、いくつかのシングルセル課題に適用されています。学習されたルールに単純さやスパース性を促すことで、実験的に検証しやすいより簡潔な調節図を提案できる手法もあります。

生成的フロー：時間を越えた集団の対応づけ

別の研究の流れは、個々の細胞を追うのではなく集団レベルの問題として扱います。ここでの目標は、ある時点の細胞状態の分布が後の時点の分布にどのように変換されるかを学ぶことです。もともとある形から別の形へ質量を最も安く移動させる方法を見つけるために開発された最適輸送の技術は、Neural ODEsや関連する「フロー」モデルと組み合わされています。連続正規化フロー（continuous normalizing flows）や、より新しく効率的な「フローマッチング」手法は、学習中に高価なシミュレーションを繰り返すことなく、ある細胞集団を別の集団へ移動させるベクトル場を直接学びます。これらのアプローチは、不規則なサンプリング、ノイズのある測定、さらには確率的（部分的にランダムな）ダイナミクスにも対処でき、現実的な将来の集団をシミュレートしたり、あり得る過去の状態を再構築したりする生成モデルを提供します。

機会と未解決の問い

期待される一方で、これらのモデルはいくつかの重要な課題に直面しています。遺伝子ネットワークにおいて、単なる相関と真正の因果関係を区別することは難しく、特に影響力のある要因が観測されていない場合は困難です。研究者たちはまた、Neural ODEsが見ているデータに単に適合することを超えて、遺伝子ノックアウトや薬物処理といった新しい条件への反応を予測できる真の一般則を学ぶよう押し進めています。ノイズやランダム性、多くの重なり合うデータ型（遺伝子活動と空間位置や他の分子レイヤーを組み合わせるなど）を扱うことは依然として活発な研究分野です。それでも、同じ考え方はゲノミクスを超えて、心臓のダイナミクス、体内での薬物の挙動、医療の時系列データなどにも既に応用されています。

健康と病気にとっての意義

専門外の読者にとっての重要なメッセージは、Neural ODEsとフローマッチングモデルが、静的な細胞測定から動的な物語を引き出すことを可能にする点です。いくつかの孤立した段階で細胞がどう見えるかを知るだけでなく、これらのツールは細胞が発生ランドスケープを通ってどう移動しそうか、どの遺伝子回路の切り替えがその移動を引き起こすか、介入がそれらをどのように方向付けるかを推論するのに役立ちます。長期的には、こうしたモデルにより、幹細胞を望ましい型に誘導する方法、腫瘍の細胞集団が治療下でどのように進化するか、複雑な治療が細胞エコシステム全体にどう影響するかを予測するインシリコ実験が可能になり、シングルセルレベルでの機構的かつ予測的な理解に近づくことが期待されます。

引用: Richter, T., Wang, W., Palma, A. et al. Generative models of cell dynamics: from Neural ODEs to flow matching. Commun Biol 9, 352 (2026). https://doi.org/10.1038/s42003-026-09758-w

キーワード: シングルセルダイナミクス, ニューラルODE, 細胞分化, 生成モデル, 最適輸送