単一細胞データセットを大規模アトラスにマッピングすることは、サーバーの制約やプライバシーへの懸念によってしばしば妨げられる。本稿では、scRNA-seq Foundation Models (scFM) を完全にブラウザ内で実行できるフレームワーク、CytoVerse を紹介する。このフレームワークは、(1) サーバーサイドコンピューティングなしで ONNX 経由でモデルを展開すること、(2) 圧縮インデックス (IVFPQ) を使用してクライアントから 2,000 万以上のリファレンスセルを検索すること、(3) 生データを公開することなくコンソーシアム間で埋め込み情報を共有するための軽量プロトコル、という 3 つの主要な貢献によって実現されている。CytoVerse は、分散型シングルセル解析のためのスケーラブルでプライバシー保護されたフレームワークを提供する。
インストール
Github
git clone https://github.com/braingeneers/cytoverse.git
cd cytoverse
uv venv
source .venv/bin/activate
uv sync
npm install
npx playwright install
データベース
30GBほどある。
cd cytoverse
mkdir -p data/models/scimilarity
cd data/models/scimilarity
wget -c https://zenodo.org/records/10685499/files/model_v1.1.tar.gz
tar -xzf model_v1.1.tar.gz
model_v1.1/

発現プロファイルを埋め込みベクトルに変換するためのSCimilarityの学習済みモデル、細胞メタデータ、近傍検索用データなどが含まれている。学習済みモデル本体だけでなく、約2,340万細胞規模の参照用埋め込み、メタデータ、k-NNグラフなども入っている(参照アトラスは 23,381,150細胞、412研究から構成されている)。つまり、別のヒトscRNA-seqデータをQueryとして入れて、同じ参照空間に埋め込み、近い参照細胞にもとづいて細胞タイプを推定する用途にも使用することができる。
テストラン
小規模なSCimilarity参照データ一式を自動生成する
cd ../../
make scimilarity-subset
SCimilarityモデルをONNX形式で書き出し、参照データの先頭1万細胞について既存の埋め込みとラベルを抽出し、類似細胞検索用インデックスの構築とUMAP表示用モデルの生成まで一括して行う。
ローカルサーバー起動
npm run dev

表示された。参照データの1万細胞とクエリのsample.h5ad(1000細胞)がプロットされている。

STARTをクリックすると、読み込んだsample.h5adの各細胞について、参照細胞に基づいて細胞タイプが推定される。
暗い点が参照細胞で、クエリの細胞も初期は暗くプロットされている。STARTをクリックすると、クエリの細胞ごとに細胞型が推定され、クエリのプロットが順次明るくなっていく(並列処理されるので、まとまった単位で進む)。

自分のデータを既知細胞マップに重ねることで、細胞集団の特徴や細胞タイプを直感的に確認できるよう設計されている。GPUモードだと20秒ほどかかった(RTX3070Ti)。
予測結果に基づいて細胞タイプごとに色付けされる。

scRNA-seqでは、対象組織によっては数十種類以上の細胞タイプに分けることも珍しくないとされる。特に腎臓や脳のように細胞多様性が高い組織では、数十〜100近い細胞タイプ・サブタイプに細分化されることもある。今回使用した テストデータは1000細胞の軽量セットなので、フルの結果ではない。
Studyにすると、どの研究由来かを示すラベルに切り替わる。

=>出力例

拡大

この細胞はどの研究から来たものかで色分けされる。ここでは全て単一のGSE。
クエリのプロットをクリックすると、その細胞についてどの遺伝子がSCimilarityの埋め込みに強く効いているかが計算される。

点をクリックすると、その細胞の発現データを使って遺伝子重要度解析が開始される。テストデータでは1分ほどかかった。
SCimilarityの埋め込みを決めるのに重要だった遺伝子のランキングが表示される。

論文(プレプリント)では、胎児脳由来の約60万細胞からなるSSPsyGene参照アトラスに、別の研究データ(クエリ)の10,000個のNGN2ニューロンを重ねて細胞タイプを推定している。
(論文より転載)
ユーザーの.h5ad (Scanpyなどで作ったもの) は左上から読み込める。

Help

論文より
- シングルセルRNAシーケンシング(scRNA-seq)において、シングルセル・トランスクリプトーム・データセットを精選されたリファレンス・アトラスにマッピングすることは、細胞型の注釈付けや解釈を行う上で中心的な役割を果たすようになっている [1, 2]。Azimuth [3]、SIMS-Web Streamlit [4, 5]、MapMyCells [6]、ArchMap [7] といった既存のウェブベース・プラットフォームは、リファレンスに基づく注釈付けへのアクセスを拡大してきたが、依然としてサーバーサイドの処理形態に依存している。このアーキテクチャは、以下の3つのボトルネックを生じさせている。(1) 特定の言語や事前に統合されたリファレンスに縛られるエコシステムの固定化(ロックイン)、(2) 反復的な探索を妨げるファイルサイズ制限や非同期処理、そして (3) 未発表データや機密データをアップロードする際のデータプライバシーへの懸念。
- 現在のサーバーベースのアーキテクチャでは、ユーザーが参照モデルをfine-tuningしたり、自分のデータに適応させたりできない。この制約は、特にperturbation study(:摂動実験: 細胞に何か意図的な変化を加えて、その影響を見る実験)では問題になりつつある。遺伝子摂動や薬剤などによる化学的摂動は、学習データに存在しない新しい細胞状態を生み出すことがある。その場合、モデルは本来未知であるout-of-distribution(OOD)の細胞状態を、既存のラベルのどれかに無理に割り当ててしまい、生物学的な解釈性が低下する。
- 近年開発された教師なしscRNA-seq基盤モデル(scFM)[12, 13]は、大規模言語モデルと同様に機能し、膨大かつ多様な公開リポジトリ上で自己教師あり学習を行うことで、細胞生物学に普遍的な表現を獲得する。これらのモデルは、アノテーション、命名法、バッチ補正に関する根強い課題に対処することで、複数研究から構成されるアトラス間で、オントロジーを考慮した堅牢な比較を可能にする。
-
CytoVerseは、以下の3つの仕組みにより、scFMをサーバーパイプラインからブラウザーネイティブなワークフローへと移行させるプラットフォームである。
(1) ONNXを用いて、高パラメータ数の基盤モデル(例:SCimilarity [14])をブラウザー上に直接展開する。これにより、一般的なscRNA-seq解析ソフトウェア環境をインストールする必要がなくなる。
(2) Inverted File with Product Quantization(IVFPQ)[15]を適用する。これは検索精度を維持しながらインデックスサイズを削減する圧縮手法であり、サーバー側の計算コストを発生させることなく、2,000万細胞を超える大規模な参照データに対する高スループットなマッピングを可能にする。
(3) 軽量な潜在空間共有機構を導入する。これにより、生データ転送に伴うプライバシー上の負担や帯域幅の負担を生じさせることなく、コンソーシアム規模での共同研究が可能になる。
-
CytoVerseの利点は、scRNA-seqの細胞型推定を、重い解析環境やサーバーを用意せずブラウザー上で実行できる点にある。入力はFASTQのような生データではなく、遺伝子×細胞の発現行列を含む.h5ad ファイルで、これを読み込むとSCimilarityを使って各細胞を埋め込み空間へ配置し、大規模な参照細胞と比較して細胞タイプを推定する。
従来であれば、ScanpyやSCimilarity、PyTorchなどの環境構築やGPUサーバーの準備が必要だった処理を、CytoVerseではONNXを利用してブラウザー内で実行できる *1。また、IVFPQによる圧縮検索を使うことで、2,000万細胞を超える大規模な参照データに対しても高速な類似細胞検索が可能になっている。
さらに、ユーザーの.h5adはローカルから直接読み込まれ、基本的な解析はブラウザー内で完結するため、生のシングルセルデータを外部サーバーへ送る必要がない。そのため、プライバシー面やデータ転送量の点でも利点がある。
引用
CytoVerse: Single-Cell AI Foundation Models in the Browser
Robert Currie, Jesus Gonzalez Ferrer, Mohammed A Mostajo-Radji, David Haussler
bioRxiv, Posted January 30, 2026.
関連
*1
scRNA-seq解析では、通常、FASTQ生データからCell Rangerなどを使って細胞ごとの遺伝子発現量を数え、遺伝子×細胞の発現行列を作成し、ScanpyやSeuratなどでQC・正規化・次元削減を行う。さらに細胞型推定用のモデルや参照データを用意して解析を行う。CytoVerseでは、発現行列を作成し、 .h5ad に保存してブラウザーで読み込むことで、細胞型推定から可視化までブラウザー上で自動で実行できる。
