scMD: cell type deconvolution using single-cell DNA methylation references

https://www.biorxiv.org/content/10.1101/2023.08.03.551733v1

1. 本研究の学術的背景，研究課題の核心をなす学術的「問い」は？

• 一細胞RNAシーケンシングデータの増加により、細胞の分解処理が広く使用され、バルクデータからの細胞タイプ固有の情報の抽出が可能になりました。ただし、これらの進歩は主に転写ゲノムデータに限られています。一方で、一細胞DNAメチル化（scDNAm）の最近の開発により、バルクDNAmデータを分解処理するための新たな道が開かれていますが、特に細胞タイプリファレンスの欠如を持つ脳のような固形組織にとっては、その円滑な適用は課題となっています。現在のscDNAmシーケンスは技術的な制約から、一つ一つの細胞に対する全ゲノムのごく一部をしか表現できないため、これをどのように階層解析するかが本研究の核心となる問いとなります。

1. 本研究の目的及び学術的独自性と創造性は？

• 本研究の目的は、「scMD（一細胞メチル化解析）」という新たな解析フレームワークを導入して、組織レベルのDNAmデータから細胞の種類毎の比率を信頼性高く推定することです。scMDは、統計的アプローチを使用して大規模で複雑なscDNAmデータを細胞クラスターレベルで集約し、細胞タイプマーカーDNAmサイトを特定し、先進的なソート細胞やRNA派生リファレンスを超越する高精度な細胞タイプシグネチャ行列を作成します。

1. 本研究の着想に至った経緯や，関連する国内外の研究動向と本研究の位置づけは？

• 一細胞RNAシーケンシングデータが増加し、いくつかの重要な医学的進歩を達成するにつれて、これと同じアプローチを一細胞DNAメチル化（scDNAm）データに適用することが求められるようになりました。しかし、現行の方法では一細胞ごとの全ゲノムのごく一部しか表現できず、それらの検出領域は細胞間で異なるため、これらのデータは超高次元で超スパース（非常にまばら）なすべてのゲノム部位を解析するのが困難でした。当然のことながら、この問題を解決するための新しいフレームワークが強く求められていました。

1. 本研究で何をどのように，どこまで明らかにした？

• 私たちはscMDという新たなフレームワークを開発し、これを用いて大規模な複雑なscDNAmデータを細胞クラスターレベルで集約し、細胞タイプマーカーのDNAmサイトを特定し、高精度な細胞タイプシグネチャ行列を作成しました。そしてさらに、いくつかのデータセットでベンチマーキングを行い、バルクDNAmデータからの細胞比率の推定におけるscMDの優れた性能を示しました。

1. 本研究の有効性はどのように検証した？

• 本研究の有効性は、いくつかのデータセットでベンチマーキングを行い、scMDのバルクDNAmデータからの細胞比率推定が優れていることを示すことで検証しました。また、scMDによって推定された細胞比率を利用して、アルツハイマー病に関連する細胞タイプの比率と細胞タイプ固有の差異メチル化シトシンを特定しました。