単一細胞トランスクリプトミクス

単一細胞トランスクリプトミクス（たんいつさいぼうトランスクリプトミクス、英: single-cell transcriptomics）とは、個々の細胞に存在する転写産物、とくにメッセンジャーRNA（mRNA）の発現量を網羅的かつ定量的に測定することによって、同一集団内における細胞の不均一性、細胞状態の多様性、さらには分化や応答の連続的な過程を明らかにする研究分野および技術群の総称である。

従来のバルクRNAシーケンス（bulk RNA-seq）は組織や細胞集団の平均的な遺伝子発現しか捉えることができず、集団内に潜在する希少細胞集団や一過的な遷移状態を識別することは困難であった。これに対して単一細胞レベルでの測定は、個々の細胞の違いを直接的に把握できるため、分化系列の再構築、発生過程の動態解析、疾患における細胞状態の特定、さらには治療応答や抵抗性メカニズムの探索など、生命科学や医学研究の幅広い領域に新たな知見をもたらしているLuecken, Malte D.; Theis, Fabian J. (2019). “Current best practices in single-cell RNA-seq analysis: a tutorial”. Molecular Systems Biology 15 (6): e8746. doi:10.15252/msb.20188746.Heumos, Lukas (2023). “Best practices for single-cell analysis across modalities”. Nature Biotechnology 41 (9): 1470–1478. doi:10.1038/s41587-023-01733-8.。

概要 単一細胞トランスクリプトミクスは、従来のバルクRNAシーケンスでは平均化されて見えなかった細胞間の多様性や動態を直接的に明らかにできる点に大きな特徴がある。1細胞ごとの発現量のばらつきを捉えることで、未知の細胞型やサブタイプの同定、活性化や休止といった細胞状態の違いの解析、さらに分化や刺激応答が時間的にどのように進行するかの推定が可能となる。また、遺伝子間の共発現パターンを解析することにより、細胞内で機能する転写制御ネットワークや調節因子群を推測する研究にも活用されている。

一方で、単一細胞から得られるRNA量は極めて少なく、増幅過程に由来するバイアスや技術的ノイズの影響を強く受ける。そのため、解析の定量性を担保する工夫が不可欠であり、特に広く普及しているのがバーコード化とユニーク分子識別子（unique molecular identifier; UMI）の導入である。UMIはcDNA分子ごとに固有の短い配列タグを付与するもので、これによりPCR増幅によるコピー数の偏りを補正し、各分子の由来を追跡することが可能になる。この技術は、絶対的な分子数の推定や低発現遺伝子の検出精度向上に大きく貢献しているKivioja, Teemu (2012). “Counting absolute numbers of molecules using unique molecular identifiers”. Nature Methods 9: 72–74. doi:10.1038/nmeth.1778.Islam, Saiful (2014). “Quantitative single-cell RNA-seq with unique molecular identifiers”. Nature Methods 11 (2): 163–166. doi:10.1038/nmeth.2772. .。

歴史 単一細胞規模での網羅的なトランスクリプトーム解析は、2009年に中国・北京大学の唐福周（Tang Fuchou）らが発表した研究に端を発する。この研究では、マウス初期胚から得られた個々の細胞を対象にcDNAライブラリを構築し、次世代シーケンスによって全転写産物の解析を行う手法（mRNA-Seq）が報告されたTang, Fuchou (2009). “mRNA-Seq whole-transcriptome analysis of a single cell”. Nature Methods 6 (5): 377–382. doi:10.1038/nmeth.1315. .。

その後、2012年にRamsköldらによってSMART-Seq（Switching Mechanism at 5′ end of RNA Template sequencing）が開発され、さらに改良版のSMART-Seq2が登場した。この方式では全長cDNAを取得できるため、アイソフォームの同定や点変異解析にも適しており、従来法に比べて感度と網羅性が大幅に向上したRamsköld, Daniel (2012). “Full-length mRNA-Seq from single-cell levels of RNA and individual circulating tumor cells”. Nature Biotechnology 30 (8): 777–782. doi:10.1038/nbt.2282.。

2015年には、米国ハーバード大学とブロード研究所のグループにより、マイクロ流体ドロップレットを利用した高スループット手法Drop-seqとinDropが相次いで報告された。これらは細胞とバーコードビーズをナノリットルスケールの液滴中に閉じ込め、個別に転写産物をタグ付けする仕組みであり、数千から数万単位の細胞を同時に解析できる画期的な技術であったMacosko, Evan Z. (2015). “Highly parallel genome-wide expression profiling of individual cells using nanoliter droplets”. Cell 161 (5): 1202–1214. doi:10.1016/j.cell.2015.05.002. .Klein, Allon M. (2015). “Droplet barcoding for single-cell transcriptomics applied to embryonic stem cells”. Cell 161 (5): 1187–1201. doi:10.1016/j.cell.2015.04.044. .。

2017年には、米国企業10x Genomicsが商用プラットフォームChromiumを発売し、ドロップレット法を標準化した。これにより研究室間での再現性が高まり、単一細胞RNA-seqは世界的に急速に普及したZheng, Grace X. Y. (2017). “Massively parallel digital transcriptional profiling of single cells”. Nature Communications 8: 14049. doi:10.1038/ncomms14049.。

同年にはさらに、コロンビア大学のCaoらによってcombinatorial indexing（分割プール法）が提案された。これは細胞を物理的に一つひとつ分離するのではなく、固定化した細胞や核に対して複数ラウンドのバーコード付与を行う方式であり、大規模化と低コスト化を実現した。この原理に基づいて開発されたsci-RNA-seqや、2018年に報告されたSPLiT-seqは、専用装置を必要とせずに数十万細胞規模の解析を可能にしたCao, Junyue (2017). “Comprehensive single-cell transcriptional profiling of a multicellular organism”. Science 357 (6352): 661–667. doi:10.1126/science.aam8940.Rosenberg, Alexander B. (2018). “Single-cell profiling of the developing mouse brain and spinal cord with split-pool barcoding”. Science 360 (6385): 176–182. doi:10.1126/science.aam8999.。

このように、2009年の初報からわずか10年余りで、単一細胞トランスクリプトミクスは低スループットの実験的技術から、大規模な国際プロジェクト（Human Cell Atlasなど）を支える汎用的基盤技術へと急速に発展した。

実験ワークフロー 単一細胞トランスクリプトミクスの実験は、試料調製からデータ解析まで複数のステップで構成される。各段階では、細胞数が少なく分子量も極めて低いことに起因する技術的課題が存在するため、手法ごとに最適化が行われている。以下に代表的なワークフローを示す。 サムネイル|350x350ピクセル|単一細胞RNAシーケンスの代表的ワークフロー。試料調製、細胞分離、バーコード化とUMI付与、ライブラリ調製、シーケンス、データ解析までの流れを示す。出典: Seyfferth et al., 2021 Seyfferth C, Renema J, Wendrich JR, et al. "Advances and Opportunities in Single-Cell Transcriptomics for Plant Research". Annual Review of Plant Biology. 72:847–866. 2021. doi:10.1146/annurev-arplant-081720-010120.

細胞・核の単離 最初の工程は、生体組織から単一細胞あるいは単一核を分離することである。酵素消化や機械的解離によって組織を分散させ、その後に蛍光活性化セルソーター（FACS）やマイクロ流体デバイスを用いて細胞を個別に扱う手法が一般的に採用されている。凍結検体や強固な組織では、細胞膜を破り核のみを単離する単一核RNA-seq（snRNA-seq）が適している。この段階の品質は、下流で得られるデータの信頼性に直結するため、解離ストレスに伴うアーティファクトや細胞死を最小化する工夫が重要となるHafemeister, Christoph; Satija, Rahul (2019). “Normalization and variance stabilization of single-cell RNA-seq data using regularized negative binomial regression”. Genome Biology 20: 296. doi:10.1186/s13059-019-1874-1. .。

逆転写とcDNA合成 単離された細胞や核から抽出したmRNAは、逆転写酵素によってcDNAへと変換される。この過程では、各cDNAに細胞バーコードとユニーク分子識別子（UMI）が付与される。細胞バーコードは「どの細胞に由来するか」を示し、UMIは「同一分子か否か」を識別する短い配列タグである。UMIを導入することで、PCR増幅に伴うコピー数の偏りを補正し、分子数のより正確なカウントが可能になるKivioja, Teemu (2012). “Counting absolute numbers of molecules using unique molecular identifiers”. Nature Methods 9: 72–74. doi:10.1038/nmeth.1778.。

増幅とライブラリ化 得られたcDNAはごく微量であるため、PCRまたはin vitro転写（IVT）によって増幅が行われる。PCRは全長cDNAの取得に有利であるが配列依存的なバイアスが生じやすく、一方IVTは異なる種類のバイアスをもたらす。増幅後にはシーケンスアダプターを付与し、次世代シーケンサーで読み取れるライブラリが構築される。

シーケンシング 増幅ライブラリは、Illuminaなどの次世代シーケンサーを用いて解読される。ドロップレット法によるscRNA-seqでは、1細胞あたり数万から十万程度のリード数を確保するのが一般的であり、実験の目的に応じてシーケンス深度が調整される。

データ処理

得られた配列リードは、まずバーコードとUMIに基づいて整理され、リファレンスゲノムへのマッピングとUMI重複除去を経て、遺伝子発現の「細胞×遺伝子カウント行列」としてまとめられる。この行列は正規化やクラスタリングなど後続解析の基盤となる。UMIの利用により、PCR由来の重複バイアスが軽減され、より定量的な発現解析が可能になるHafemeister, Christoph; Satija, Rahul (2019). “Normalization and variance stabilization of single-cell RNA-seq data using regularized negative binomial regression”. Genome Biology 20: 296. doi:10.1186/s13059-019-1874-1. .Kivioja, Teemu (2012). “Counting absolute numbers of molecules using unique molecular identifiers”. Nature Methods 9: 72–74. doi:10.1038/nmeth.1778.。

代表的な技術プラットフォーム 単一細胞トランスクリプトミクスの測定技術は、使用する分離方式やライブラリ調製法により大きく三つの方式に分けられる。すなわち、（1）マイクロ流体を用いたドロップレット法、（2）マイクロプレートを利用したフルレングス法、（3）分割プール方式によるcombinatorial indexing法である。それぞれの方式は解析の目的やスループット、解像度に応じて使い分けられる。

ドロップレット法 ドロップレット法は、マイクロ流体技術を利用して油相中にナノリットルサイズの液滴を生成し、各液滴に単一の細胞とバーコード付きビーズを共封入する方式である。細胞が溶解するとmRNAはバーコードオリゴに捕捉され、逆転写を経てcDNA化される。代表的な実装にはDrop-seqMacosko, Evan Z. (2015). “Highly parallel genome-wide expression profiling of individual cells using nanoliter droplets”. Cell 161 (5): 1202–1214. doi:10.1016/j.cell.2015.05.002. .、inDropKlein, Allon M. (2015). “Droplet barcoding for single-cell transcriptomics applied to embryonic stem cells”. Cell 161 (5): 1187–1201. doi:10.1016/j.cell.2015.04.044. .、および10x Genomics社の商用プラットフォームChromiumZheng, Grace X. Y. (2017). “Massively parallel digital transcriptional profiling of single cells”. Nature Communications 8: 14049. doi:10.1038/ncomms14049.がある。ドロップレット法は数千から数十万の細胞を同時に解析可能であり、免疫細胞受容体配列の再構成や多様な拡張技術（例：CITE-seq）にも対応できる。一方で、液滴に複数細胞が封入される「ダブレット」や、溶出RNAによる「アンビエントRNA」の影響を受けやすいという課題も存在する。

フルレングス法（プレートベース） フルレングス法は、マイクロプレートに単一細胞を分注し、逆転写からPCR増幅までを各ウェル内で行う方式である。代表的な技術であるSMART-Seqおよび改良版のSMART-Seq2は、全長cDNAを取得できる点に特徴があるRamsköld, Daniel (2012). “Full-length mRNA-Seq from single-cell levels of RNA and individual circulating tumor cells”. Nature Biotechnology 30 (8): 777–782. doi:10.1038/nbt.2282.。これによりアイソフォームの同定やスプライシング解析、体細胞変異の検出が可能である。感度も高く、希少細胞や少数のサンプルに適している。一方で、スループットが数十から数千細胞程度に限られ、コストや作業負担が大きい点が制約となる。

分割プール法（Combinatorial Indexing） 分割プール法は、個々の細胞を物理的に単離するのではなく、固定化した細胞や核に対して複数ラウンドのバーコード付与を行う方式である。細胞をランダムに分割した後、各ウェルで異なるバーコードを付加し、これを繰り返すことで細胞ごとに一意のバーコード組み合わせが得られる。2017年に報告されたsci-RNA-seqCao, Junyue (2017). “Comprehensive single-cell transcriptional profiling of a multicellular organism”. Science 357 (6352): 661–667. doi:10.1126/science.aam8940.や、2018年のSPLiT-seqRosenberg, Alexander B. (2018). “Single-cell profiling of the developing mouse brain and spinal cord with split-pool barcoding”. Science 360 (6385): 176–182. doi:10.1126/science.aam8999.が代表例である。分割プール法は特殊な機器を必要とせず、数十万から百万規模の細胞解析も可能であり、大規模な組織アトラスの構築に適している。ただし、手順が複雑であり、固定条件やバーコード効率に影響を受けやすい。

マルチモーダル解析 単一細胞トランスクリプトミクスは当初、各細胞におけるmRNAの発現量のみを測定する技術であったが、その後の発展により、RNAに加えてタンパク質やエピゲノム情報を同時に取得するマルチモーダル解析が可能となった。これにより、細胞の表現型と機能をより包括的に理解できるようになり、細胞型の精密な分類、シグナル伝達経路の解明、分化や疾患に伴う複合的な分子変化の解析が進んでいる。

RNAとタンパク質の同時測定 2017年に報告されたCITE-seq（Cellular Indexing of Transcriptomes and Epitopes by sequencing）Stoeckius, Marlon (2017). “Simultaneous epitope and transcriptome measurement in single cells”. Nature Methods 14 (9): 865–868. doi:10.1038/nmeth.4380. .とREAP-seq（RNA Expression and Protein sequencing）Peterson, V. M. (2017). “Multiplexed quantification of proteins and transcripts in single cells”. Nature Biotechnology 35 (10): 936–939. doi:10.1038/nbt.3973.は、オリゴヌクレオチドで標識した抗体を用いることで、細胞表面タンパク質の発現量とmRNA発現プロファイルを同時に測定する手法である。これにより、RNA情報だけでは区別が難しい近縁細胞集団を高精度に識別でき、特に免疫細胞のサブタイプ分類や腫瘍微小環境の解析に応用されている。

RNAとクロマチンアクセスビリティの同時測定 次世代のマルチモーダル技術では、RNAと同時にエピゲノム情報を測定することが可能になった。代表例がASAP-seqおよびDOGMA-seqである。ASAP-seqは、scRNA-seqとATAC-seq（Assay for Transposase-Accessible Chromatin using sequencing）を統合し、同一細胞における転写活性とクロマチン開放状態を同時に記録する技術であるMimitou, Eleni P. (2021). “Scalable, multimodal profiling of chromatin accessibility, gene expression and protein levels in single cells”. Nature Biotechnology 39 (10): 1246–1258. doi:10.1038/s41587-021-00927-2.。DOGMA-seqは、これに加えてタンパク質の情報も含めた三者同時計測を実現しており、転写制御からタンパク質発現に至る分子機構を単一細胞レベルで統合的に解析できる。

サンプル多重化と実用的拡張 マルチモーダル解析を効率化するために、複数の試料を一度に処理し、後から計算的に識別するサンプル多重化（multiplexing）技術も発展している。これには、ハッシュタグ抗体を用いるCell Hashingや、脂質にオリゴを結合させて細胞膜に組み込むMULTI-seq、さらには遺伝型情報に基づくdemuxletなどがある。これらの方法はコストを削減するだけでなく、バッチ効果の抑制にも寄与する。

意義と課題 マルチモーダル解析は、従来の単一オミクス解析では得られなかった包括的な細胞像を描き出す強力な手段である。しかし、取得できる分子情報のスケールや感度はモダリティごとに異なり、また実験コストや計算資源の負担も大きい。そのため、得られたデータの正規化・統合には高度な統計モデルや機械学習手法が必要であり、今後も解析手法の改良が求められている。

空間トランスクリプトミクスとの接続 単一細胞RNAシーケンス（scRNA-seq）は個々の細胞の遺伝子発現プロファイルを高精度に得ることができるが、細胞がもともと組織内のどこに存在していたかという空間的コンテキストは失われる。一方で、空間トランスクリプトミクスは、組織切片上の位置情報を保持したまま遺伝子発現を測定する技術であり、細胞型や発現状態を地理的に対応づけることができる。両者を統合することで、特定の細胞型が組織内でどのように配置され、隣接する細胞との相互作用や微小環境を通じてどのような役割を果たしているのかを明らかにすることが可能となる。

主要なプラットフォーム 近年は、商用の空間トランスクリプトミクス技術が整備され、scRNA-seqとの統合解析に広く用いられている。

Xenium In Situ（10x Genomics）— 組織切片上で数百から数千の遺伝子を対象としたin situハイブリダイゼーションを行い、細胞内のサブセルラー解像度で発現を可視化する。これにより、細胞境界内での遺伝子局在や組織内での配置を同時に把握できる“Xenium In Situ Platform”. 10x Genomics. 2025年9月6日閲覧。。

CosMx Spatial Molecular Imager（NanoString）— 数千種類に及ぶ遺伝子やタンパク質の発現を組織切片上で高多重に検出できるシステムであり、免疫微小環境や腫瘍組織における細胞間相互作用の解析に適している“CosMx Spatial Molecular Imager”. NanoString. 2025年9月6日閲覧。。

これらのプラットフォームは、従来の空間解像度が粗い技術（数十μmスケールのスポット測定）を超えて、単一細胞あるいは細胞内局在レベルの解析を可能とした点で大きな進歩である。

統合解析の方法論 典型的な解析フローは、まずscRNA-seqデータから高精度な「細胞型辞書」を構築し、それを空間発現データに投影して組織内の細胞型配置を推定する、という手順である。具体的には、バルク的な空間スポットをデコンボリューションし、そこに含まれる細胞型の比率をscRNA-seqの参照プロファイルと照合する。また、in situ型のデータでは、細胞境界や位置情報を直接利用して細胞型を割り当てる。

意義と課題 scRNA-seqと空間トランスクリプトミクスの統合により、発生過程における細胞配置の時間的変化、腫瘍組織における免疫細胞やがん関連線維芽細胞の局在、神経組織における細胞回路構造など、従来は捉えられなかった空間的多様性が明らかになりつつある。一方で、空間技術は測定できる遺伝子数や感度に限界がある場合が多く、またデータ統合におけるバッチ効果や解像度差の補正が大きな課題となっている。そのため、今後は測定技術の改良とともに、より高度な統合アルゴリズムの開発が求められている。

データ解析 単一細胞トランスクリプトミクスで得られるデータは、数千から数百万細胞を対象にした巨大な遺伝子発現カウント行列である。このデータはノイズや技術的バイアスを多く含むため、適切な前処理と統計的手法を組み合わせた解析パイプラインが不可欠となる。以下では、一般的に用いられる解析手順を概説する。

前処理と品質管理（QC） 初期段階では、低品質細胞や技術的アーティファクトを検出・除去する。典型的なQC指標には、1細胞あたりのUMI総数、検出遺伝子数、ミトコンドリア遺伝子比率がある。複数細胞が誤って同一液滴に封入される「ダブレット」は、DoubletFinderやScrubletによって計算的に検出されるMcGinnis, Christopher S. (2019). “DoubletFinder: Doublet detection in single-cell RNA sequencing data using artificial nearest neighbors”. Cell Systems 8 (4): 329–337.e4. doi:10.1016/j.cels.2019.03.003. .Wolock, Samuel L. (2019). “Scrublet: Computational Identification of Cell Doublets in Single-Cell Transcriptomic Data”. Cell Systems 8 (4): 281–291.e9. doi:10.1016/j.cels.2019.03.003. .。また、溶出RNAが周囲の液滴に混入する「アンビエントRNA」は、SoupXやDecontXによって補正されるYoung, Matthew D. (2020). “SoupX removes ambient RNA contamination from droplet-based single-cell RNA sequencing data”. GigaScience 9 (12): giaa151. doi:10.1093/gigascience/giaa151. .Yang, Shiyi (2020). “Decontamination of ambient RNA in single-cell RNA-seq with DecontX”. Genome Biology 21: 57. doi:10.1186/s13059-020-1950-6. .。