Multiome

一行要約

Multiome は同一細胞 (単一核) から RNA 発現とクロマチンアクセシビリティ (ATAC-seq) を同時測定する single-cell multi-modal 技術であり、cis-regulatory element と標的遺伝子の直接的対応付けによる gene regulatory network (GRN) 推定を可能にし、がん領域では Lineage-plasticity の epigenomic basis (Marjanovic et al. CancerCell 2020 の high-plasticity cell state)、SCLC-molecular-subtypes 間の NE-to-non-NE 遷移における chromatin reprogramming (Wang et al. CellRepMed 2026)、Drug-tolerant-persister 獲得時の epigenetic remodeling の追跡、TME cell state classification の multi-modal refinement に不可欠な enabling tool であり、CITE-seq (protein + RNA) / TEA-seq (ATAC + RNA + protein) 等の parallel multi-modal 技術と共に single-cell multi-omics ecosystem を形成する。

原理

10x Multiome (Chromium Single Cell Multiome ATAC + Gene Expression)

基本ワークフロー:

1. 核単離: 組織 / 細胞を lysis buffer で処理し、単一核 (single nucleus) を調製。核膜内の RNA と genomic DNA を同時に保持
2. Tn5 tagmentation: 核内 DNA に対して pre-loaded Tn5 transposase による tagmentation を実施。Accessible chromatin region に Tn5 adapter が挿入される (= ATAC-seq library の基盤)
3. GEM formation: Tagmented nuclei を 10x Chromium controller に投入 → GEM (Gel Bead-in-Emulsion) 内で個別核が barcoded gel bead と encapsulate
4. 同一 barcode 下での dual library 構築: GEM 内で逆転写 (RNA → cDNA) と ATAC fragment の adapter ligation が同一 cell barcode 下で進行。これにより同一核の RNA と ATAC data が barcode で紐付けられる
5. Library splitting: GEM 破壊後、cDNA (gene expression library) と tagmented DNA (ATAC library) を別々に精製・amplify → 独立した sequencing library として Illumina sequencing

技術的要件: 細胞数 500-10,000 nuclei / sample が推奨。Fresh frozen tissue が最適だが、nuclei isolation protocol の改善により一部 FFPE 対応が検討中。Sequencing depth は RNA side に 20,000 reads/cell、ATAC side に 25,000 fragments/cell が目安。

SHARE-seq / SNARE-seq / PAIRED-seq

10x Multiome 以外の joint RNA + ATAC profiling 手法:

• SHARE-seq (Simultaneous High-throughput ATAC and RNA Expression with Sequencing) : Buenrostro lab が開発。Split-pool combinatorial barcoding 方式で数十万細胞規模の joint profiling を実現。10x Multiome に比べ高い throughput / 低コストだが、protocol の技術的ハードルが高い
• SNARE-seq (Single-Nucleus Chromatin Accessibility and mRNA Expression Sequencing) : Droplet-based。核内 RNA capture + Tn5 tagmentation を sequential に実施
• PAIRED-seq: Plate-based で少数細胞の deep profiling に適する

CITE-seq / REAP-seq (Protein + RNA)

Multi-modal の別軸: Multiome (RNA + ATAC) と parallel に発展する protein-level multi-omics:

• CITE-seq (Cellular Indexing of Transcriptomes and Epitopes by Sequencing) : 抗体に oligonucleotide tag (ADT: Antibody-Derived Tag) を conjugate し、scRNA-seq と同時に 100-200+ surface protein を定量。TotalSeq antibody panel (BioLegend) が標準
• REAP-seq: CITE-seq と同様の原理。New York Genome Center が開発
• TEA-seq (Transcription, Epitope, Accessibility sequencing) : RNA + protein + ATAC の 3 modality を同一細胞から同時取得。最も情報量の多い single-cell multi-modal platform だが技術的 complexity が高い

データ統合手法

Multi-modal data の統合解析は専用の計算手法を要する:

• WNN (Weighted Nearest Neighbor) : Seurat v4 で実装。各 modality の neighbor graph を weighted combination して joint embedding を構築。Modality ごとの informativeness に基づく adaptive weighting
• MOFA+ (Multi-Omics Factor Analysis) : Bayesian factor analysis で latent factor を multi-modal data から jointly 推定。Modality 間の shared / private variation を分離
• ArchR / Signac: scATAC-seq specialized package が Multiome data の ATAC side の peak calling / gene activity score 算出に使用。ArchR の gene score は promoter / distal element の accessibility をウェイト付き集約
• scGLUE / MultiVI: Deep learning-based integration。Variational autoencoder (VAE) で RNA + ATAC の joint latent space を学習。Unpaired data の integration にも対応

Gene Regulatory Network (GRN) 推定

Multiome の最大の利点は同一細胞の RNA + ATAC data から GRN を直接推定できる点:

1. Peak-to-gene linkage: ATAC peak accessibility と近傍 (/ 遠位) 遺伝子の RNA 発現の相関を cell-level で計算 → putative enhancer-gene pair を同定
2. TF motif enrichment: Linked enhancer 内の TF binding motif を JASPAR / HOCOMOCO で scan → candidate upstream TF を推定
3. TF expression × target gene expression の相関: TF の RNA 発現と putative target gene の発現相関で GRN edge を validate
4. SCENIC+ / Pando / CellOracle: GRN reconstruction 専用 pipeline。SCENIC+ は cisTarget motif database と Multiome data を統合して regulon を推定

別アプローチ (separate scRNA + scATAC) との比較

特徴	Joint profiling (Multiome)	Separate (scRNA + scATAC)
細胞紐付け	Exact (同一核)	Computational (label transfer / co-embedding)
GRN 推定	Direct correlation (cell-level)	Inferred (population-level aggregate)
RNA quality	Nuclear RNA のみ (cytoplasmic mRNA 欠落)	Full mRNA (scRNA-seq)
コスト	約2× scRNA-seq	2 experiments 分
Artifact	Nuclear RNA bias / ATAC-RNA sync assumption	Integration artifact (misalignment)
Sample 要件	Fresh frozen / fresh nuclei	各 modality 独立に最適化可能

Multiome の核由来 RNA は cytoplasmic mature mRNA を一部欠くため、mitochondrial gene / splicing 情報が限定的。ただし nuclear RNA には nascent transcript (pre-mRNA) が含まれ、RNA velocity / splicing analysis に有利な側面もある。

主要エビデンス / 適用領域

Lineage Plasticity のエピゲノム基盤

腫瘍の Lineage-plasticity (治療圧下でのリネージ転換) は chromatin accessibility の dynamic reprogramming に依存し、Multiome がその解読に不可欠:

• Marjanovic et al. CancerCell 2020 は KP マウス肺癌モデルで high-plasticity cell state (HPCS) を同定。HPCS は transcriptomic に multi-lineage potential を保持し、この状態の epigenomic basis (bivalent chromatin domain の拡大) は ChIP-seq + ATAC-seq 統合で示唆された。Multiome により同一細胞レベルでの chromatin-transcriptome coupling の解析が可能に
• Chan et al. Nature 2026 は HPCS のヒト肺癌での validation。Multi-omics approach で clinical relevance を確立
• Pillai et al. CancerDiscov 2026 は LKB1 変異肺癌の tumor plasticity を spatial multi-omics で解析し、LIF 誘導性 lineage plasticity の epigenomic driver を同定

SCLC Subtype 遷移と Neuroendocrine Plasticity

SCLC-molecular-subtypes 間の NE → non-NE 遷移は epigenomic reprogramming に駆動され、Multiome が transition intermediate の同定に力を発揮:

• Wang et al. CellRepMed 2026 は combined SCLC の spatial multi-omics 解析 (Multiome + spatial transcriptomics) で monoclonal origin からの NE plasticity と microenvironment niche の関連を解明
• Liu et al. Cell 2024 は SCLC の proteogenomic characterization で subtype-specific epigenomic landscape を記述し、Multiome 統合によるサブタイプ therapeutic vulnerability の同定に貢献

治療耐性のエピゲノム追跡

Drug-tolerant persister (DTP) / 獲得耐性の epigenomic basis を Multiome で追跡:

• Kashima et al. CancerRes 2021 は EGFR-TKI 耐性の diverse mechanisms を single-cell 解析で明らかにし、transcriptomic heterogeneity と chromatin remodeling の関連を示唆。Multiome による直接的 chromatin-expression coupling 解析の必要性を提起
• 治療前後の paired sample で Multiome を実施 → 耐性獲得に伴う enhancer activation / silencing を cell state-resolved に追跡 → 耐性メカニズムの early detection marker 開発への応用

TME Cell State の Multi-modal Classification

Multiome により TME 構成細胞の transcriptomic + epigenomic dual characterization が可能:

• T cell exhaustion gradient の epigenomic stratification: Tpex → Tex^int → Tex^term の遷移に伴う progressive chromatin closing / opening を同一細胞で追跡。TOX-dependent epigenetic remodeling の直接的証拠
• Macrophage polarization の regulatory landscape: M1 / M2 / TAM subset それぞれの enhancer activity pattern を Multiome で mapping → subset-specific GRN の構築
• Slyper et al. NatMed 2020 は frozen human tumor の snRNA-seq toolbox を確立し、Multiome への workflow 橋渡しの基盤を提供
• Sade-Feldman et al. Cell 2018 は checkpoint IO 応答に関連する T cell state を single-cell で定義し、multi-modal 拡張の conceptual basis を提供

Integrative Single-cell Analysis の方法論的基盤

• Stuart et al. NatRevGenet 2019 は single-cell data integration の方法論を体系的にレビューし、Multiome を含む multi-modal 統合の computational framework を整理した landmark review
• Nam et al. NatRevGenet 2021 はがん進展における genetic + non-genetic (epigenetic) determinant の統合を single-cell multi-omics の観点から展望
• Argelaguet et al. NatBiotechnol 2021 は single-cell data integration の computational principles と challenges を包括的に記述

Liquid Biopsy / cfDNA との接続

Multiome で得られた chromatin accessibility pattern は cfDNA fragmentomics の annotation に応用される:

• Penny et al. BiochemCellBiol 2024 は chromatin / nucleosome features の liquid biopsy 応用を整理し、Multiome データが cfDNA biomarker discovery の reference として有用であることを示唆
• Behrouzi et al. TrendsMolMed 2025 は SCLC の cfDNA / ecDNA profiling を展望し、subtype-specific chromatin landscape (Multiome 由来) の液体生検への translational potential を記述

限界と注意点

• 核 (nucleus) 由来 RNA の制約: cytoplasmic mature mRNA の一部が検出されず、特に short-lived / highly translated mRNA の underrepresentation が問題。Mitochondrial gene の含有率が低く、apoptotic cell の mixture 評価が困難
• ATAC data の sparsity: Single-cell ATAC-seq は本質的に binary / sparse であり (1 cell に 2 copy の allele → 0/1/2 の discrete readout)、peak calling / imputation の方法論が結果に大きく影響
• データ統合の計算コスト: 2 modality の joint embedding / GRN inference は計算量が大きく、GPU / cluster computing 環境が必要。大規模 cohort (>100 sample) の統合解析は依然チャレンジング
• 2 modality 間の技術的 dropout パターンの相違: RNA と ATAC で dropout mechanism が異なる (RNA = stochastic capture, ATAC = tagmentation efficiency) ため、naive correlation は artifact を生む。Appropriate normalization + statistical modeling が必要
• コスト: scRNA-seq 単独の約 2-3 倍のコスト (reagent + sequencing)。サンプルサイズとのトレードオフが生じ、power calculation での modality 選択の判断が重要
• Fresh frozen 必須: 10x Multiome は fresh frozen tissue を推奨。FFPE 対応は限定的であり、archival clinical specimen への適用が制約される
• Protein level の欠如: RNA + ATAC のみでは post-transcriptional / post-translational regulation を capture できない。CITE-seq / TEA-seq の追加が理想だが、triple-modal の技術的 complexity とコストが障壁
• Batch effect: Multi-modal data は single-modal に比べ batch effect の source が多い (Tn5 lot / GEM formation condition / sequencing run)。Harmony / Scanorama / scVI 等の batch correction の適用が必須

Open Questions

• Multiome の臨床 translation: Research tool としては確立されたが、clinical decision making に直結する応用 (treatment response prediction / residual disease detection) への path。Clinical-grade sample processing の標準化
• Temporal resolution: 現在の Multiome は snapshot (single time point) であり、chromatin-transcription coupling の dynamic aspect (temporal lag / burst kinetics) は capture 不能。Time-resolved multi-omics (metabolic labeling + Multiome 等) の開発
• Single-cell GRN の validation: Multiome-derived GRN は correlation-based であり、因果関係の証明には perturbation (CRISPR screen / enhancer deletion) との統合が必要。Perturb-seq + Multiome の統合 pipeline
• FFPE 対応: Archival clinical specimen からの Multiome 取得は未解決。Spatial multi-omics (10x Xenium + Visium HD) が FFPE に対応しつつあり、indirect な multi-modal annotation strategy の発展
• Protein-level integration の routine 化: TEA-seq (RNA + ATAC + protein) の throughput 改善と commercial platform 化。Epigenome-transcriptome-proteome の 3-layer GRN
• Inter-patient integration と atlas construction: Patient-specific batch effect を克服し、cancer-type-specific multi-modal cell atlas を構築するための computational methodology と community effort (Human Tumor Atlas Network 等)
• Cost-effectiveness: 大規模 clinical cohort に Multiome を deploy する場合の cost-benefit 最適化。scRNA-seq + bulk ATAC-seq で代替可能な question の triage

重要論文 Top 10

1. ★★★★★ Stuart et al. NatRevGenet 2019 — Single-cell multi-modal integration の computational framework 体系化、field-defining review
2. ★★★★★ Wang et al. CellRepMed 2026 — SCLC の spatial multi-omics で NE plasticity と microenvironment niche を解明
3. ★★★★ Nam et al. NatRevGenet 2021 — がん進展の genetic + epigenetic determinant を multi-omics で統合的に展望
4. ★★★★ Tagore et al. NatMed 2025 — NSCLC 脳転移の single-cell + spatial genomics landscape を multi-modal で解明
5. ★★★★ Liu et al. Cell 2024 — SCLC proteogenomics と multi-omics 統合による subtype therapeutic vulnerability

関連エンティティ

• scRNA-seq / ATAC-seq / ChIP-seq
• Lineage-plasticity / SCLC-molecular-subtypes
• Spatial-transcriptomics / In-situ-hybridization
• Bulk-RNA-seq / Methylation-profiling
• Drug-tolerant-persister / Cancer-stem-cell

関連論文

直近 30 件のみ表示中 (関連 41 件)。 全件は MOC ページ または Obsidian (source Markdown) から辿れます。

Basic-Brain metastasis

• Kudo et al. AnnOncol 2019 — Suppressed immune microenvironment and repertoire in brain metastases from patients with resected NSCLC
• Singhal et al. SciTranslMed 2021 — Temporal multi-omics identifies LRG1 as a vascular niche instructor of metastasis

Basic-Extracellular vesicles

• Yu et al. AnnOncol 2021 — Exosome-based liquid biopsies in cancer opportunities and challenges

Basic-Immunotherapy

• Keddar et al. JImmunotherCancer 2026 — Pan-cancer analysis in the real-world setting uncovers immunogenomic drivers of acquired resistance post-immunotherapy
• Wei et al. SciImmunol 2026 — Foxp3 drives context-dependent epigenetic programs that define regulatory t cell molecular identity and function

Basic-Liquid-biopsy

• Marquette et al. LancetRespirMed 2020 — Circulating tumour cells as a potential biomarker for lung cancer screening a prospective cohort study
• Nakamura et al. NatMed 2020 — Clinical utility of circulating tumor DNA sequencing in advanced gastrointestinal cancer SCRUM-japan GI-SCREEN and
• Bruhm et al. NatRevCancer 2025 — Genomic and fragmentomic landscapes of cell-free DNA for early cancer detection
• Moser et al. TrendsGenet 2023 — Bridging biological cfDNA features and machine learning approaches

Basic-Neutrophil and myeloid cell

• Lim et al. CellRep 2026 — Neutrophil-derived itaconate facilitates tiered pulmonary inflammation via kdm5b-associated epigenetic remodeling in
• Boesch et al. NatGenet 2026 — Integrated multi-omics identifies distinct macrophage alterations during progression of metabolic

Basic-Oncogene and genetics

• Xu et al. Cell 2020 — Integrative proteomic characterization of human lung adenocarcinoma
• Argelaguet et al. NatBiotechnol 2021 — Computational principles and challenges in single-cell data integration
• Black et al. NatRevCancer 2021 — Genetic and non-genetic clonal diversity in cancer evolution
• Nam et al. NatRevGenet 2021 — Integrating genetic and non-genetic determinants of cancer evolution by single-cell multi-omics
• Hung et al. Nature 2021 — ecDNA hubs drive cooperative intermolecular oncogene expression
• Wu et al. SignalTransductTargetTher 2022 — Multi-omics analysis reveals RNA splicing alterations and their biological and clinical implications in lung

Basic-Others

• Hao et al. Cell 2021 — Integrated analysis of multimodal single-cell data
• Laisne et al. NatRevCancer 2025 — Epigenomic heterogeneity as a source of tumour evolution
• Zeng et al. Nature 2026 — Human haematopoietic stem cells remember inflammatory stress

Basic-Tumor microenvironment

• Reyes et al. Cell 2026 — Oncogenic and tumor-suppressive forces converge on a progenitor niche at the benign-to-malignant transition
• Zhang et al. npjPrecisOncol 2026 — Multi-omics profiling reveals tumor microenvironment characteristics linked to immunotherapy response and prognosis in

Clinical-Mesothelioma

• Dungey et al. TrendsCancer 2026 — Mesothelioma a systemic therapy clinical trials snapshot

Clinical-Methodology

• Liu et al. NatRevCancer 2026 — Advancing AI for multi-omics and clinical data integration in basic and translational cancer research

Clinical-NEC

• Kawasaki et al. Cell 2020 — An organoid biobank of neuroendocrine neoplasms enables genotype-phenotype mapping

Clinical-NSCLC-Driver negative

• Hanahan et al. CancerDiscov 2022 — Hallmarks of cancer New Dimensions

Clinical-NSCLC-EGFR

• Kashima et al. CancerRes 2021 — Single-cell analyses reveal diverse mechanisms of resistance to EGFR tyrosine kinase inhibitors in lung cancer

Clinical-Others

• Medina et al. ClinCancerRes 2026 — AI-based pathology classifier predicts sensitivity to enzalutamide in metastatic hormone-sensitive prostate cancer A
• Chu et al. NatCancer 2026 — Integrated proteogenomic and metabolomic profiling of acute myeloid leukemias to identify molecular subtypes and

Clinical-SCLC

• Wang et al. CellRepMed 2026 — Spatial multi-omics unveils the monoclonal origin, neuroendocrine plasticity, and microenvironment niches in combined