
基盤モデルを、自分のデータで動かす
ゼロショット・ファインチューニング・PEFT、そして「評価設計」という最重要工程
▼この記事でわかること(3行サマリー)
scGPT・Geneformerを自分のデータで動かすまでの手順(環境、AnnData形式、遺伝子名の対応づけ)がわかる
ゼロショット/フルファインチューニング/PEFT(scPEFT)の使い分けと、それぞれのコストがわかる
「動いた」を「信頼できる」に変える評価設計——ベースライン比較・データ分割・指標選択——が身につく
前回(第1回)は、基盤モデルがゼロショットでは従来手法に劣るというベンチマーク結果を扱いました。では使わないのか——そうではありません。使いどころを見極め、正しく評価すれば有力な選択肢になります。今回は、その「動かし方」と「評価のしかた」を具体的に扱います。
「動いた」と「正しい」は、まったく違う
基盤モデルを自分のデータで試すこと自体は、実はそれほど難しくありません。公式リポジトリの手順どおりに進めれば、数時間で埋め込みが取り出せ、UMAPを描けば、それらしく細胞集団が分かれた図が出てきます。
問題はそこからです。その図が正しい保証は、どこにもありません。
シングルセル解析では、前処理を少し変えるだけでクラスタの数も形も変わります。基盤モデルを使えばなおさらで、「きれいに分かれたから成功」という判断は、しばしば間違いを見逃します。第1回で強調したとおり、比較対象のない結果は判断材料になりません。
そこでこの回では、導入手順を押さえたうえで、評価をどう設計するかに最も多くの紙幅を割きます。ここを外すと、時間をかけた解析が「動いたけれど正しいか分からない」まま終わってしまうからです。
まず、土台をそろえる
データ形式は AnnData に統一する
Python系のシングルセル解析は、事実上 AnnData(.h5ad)が共通言語になっています。細胞×遺伝子の行列に加えて、細胞のメタデータ(.obs)、遺伝子のメタデータ(.var)、埋め込み(.obsm)を一つのオブジェクトに束ねる形式です。
前処理は Scanpy(Wolf et al., Genome Biology 2018)で行うのが標準的です。QC(ミトコンドリア遺伝子割合、検出遺伝子数によるフィルタ)→ 正規化(sc.pp.normalize_total)→ 対数変換(sc.pp.log1p)→ 高発現変動遺伝子の選択(sc.pp.highly_variable_genes)という流れは、基盤モデルを使う場合でも基本的に変わりません。
なお、モデルによって期待する入力が違う点は要注意です。生の整数カウントを求めるモデルもあれば、正規化後の値を前提とするモデルもあります。Geneformerのように発現量ではなく「遺伝子の順位」を入力とする設計もあります。公式ドキュメントの前処理仕様は、必ず自分で確認してください。ここを取り違えると、性能が出ない原因が永遠に分かりません。
重みの入手と、計算資源
scGPT は公式リポジトリ(bowang-lab/scGPT)から導入します。かつては高速化ライブラリ flash-attn の導入がつまずきどころでしたが、2023年11月以降はオプション扱いになり、CPU/GPU/flash-attnのいずれのバックエンドでも同じ関数で重みを読み込めるようになりました。事前学習済みモデルは全ヒト版のほか臓器別版も公開されており、汎用には全ヒト版が推奨されています。
Geneformer は Hugging Face(ctheodoris/Geneformer)で配布されており、Transformers系のエコシステムに慣れていれば扱いやすい構成です。
計算資源については、ゼロショットで埋め込みを取り出すだけなら小規模GPUでも動きますが、ファインチューニングとなるとGPUメモリが一気に効いてきます。後述するPEFTは、まさにこの制約への回答です。
遺伝子名の対応づけ——地味だが、致命的
見落とされがちですが、実務で最も効くのがここです。モデルは固有の「遺伝子語彙」を持っており、自分のデータの遺伝子名がそれと一致しなければ、その遺伝子は単純に捨てられます。
原因はたいてい単純です。Ensembl ID(ENSG…)と遺伝子シンボル(CD3E)の混在、旧シンボルと新シンボルのずれ、リファレンスのバージョン差。これらを放置すると、語彙にマッチした遺伝子だけでモデルが動き、性能低下の原因が見えなくなります。
対策も単純です。マッチした遺伝子の割合を必ず数えて記録すること。8割を切るようなら、まず名前の正規化を疑ってください。精度の議論はその後です。
三つの使い方と、そのコスト
基盤モデルの使い方は、大きく三つに分かれます(図1)。

図1 三つの使い方と、そのコスト。 ゼロショットは追加学習なしで埋め込みだけを使う方法で、手軽だが第1回で見たとおり従来法に劣る場面がある。フルファインチューニングは全パラメータを更新するため強力だがGPU負荷が大きく、事前学習で得た知識を失う「破滅的忘却」のリスクもある。PEFT(scPEFTなど)は本体を凍結して小さなアダプタだけを学習する中間解で、更新パラメータを96%以上削減しGPUメモリを半分以下に抑えながら、ゼロショットとフルファインチューニングの両方を上回ったと報告されている。
ゼロショットは、追加学習をせずに埋め込みを取り出し、そのまま下流のクラスタリングや分類に使う方法です。最も手軽ですが、第1回で見たとおり、この設定では従来手法に劣る報告が複数あります。探索の入口としては有用でも、結論の根拠にするには慎重さが要ります。
フルファインチューニングは、自分のデータでモデル全体を追加学習します。性能は伸びやすい一方、GPUメモリと時間のコストが大きく、手元のデータが小さいと過学習しがちです。さらに、事前学習で獲得した汎用的な知識が失われる「破滅的忘却」も起こりえます。
そして近年の実務的な解が PEFT(parameter-efficient fine-tuning) です。シングルセル向けに整備された scPEFT(He et al., Nature Machine Intelligence 2025)は、モデル本体を凍結したまま、学習可能な低次元アダプタだけを差し込んで更新します。報告によれば、更新するパラメータは96%以上削減、GPUメモリ使用量は半分以下。それでいて、疾患特異的なタスク、種をまたぐタスク、十分に特徴づけられていない細胞集団の同定において、ゼロショットと従来のファインチューニングの両方を上回りました。
言い換えれば、大規模な計算資源を持たない研究室でも基盤モデルを現実的に使えるようになった、ということです。手元のデータが数万細胞規模なら、まずPEFTを検討する価値があります。
標準ワークフロー
ここまでを一本の流れにまとめます(図2)。

図2 前処理から下流タスクまで。 Scanpyでの品質管理・正規化・HVG選択から始まり、遺伝子名の対応づけ(マッチ率の記録が必須)、埋め込みの抽出(ゼロショット/PEFT/フルFT)、そして下流タスク(細胞型分類・クラスタリング・バッチ統合)へと進む。重要なのは、同じデータ・同じ指標でPCA・scVI・Harmonyといったベースラインを並走させること。この比較線がないワークフローは、結果の良し悪しを判断できない。
注目してほしいのは、図の下段に走るベースラインの並走レーンです。基盤モデルの経路を作るのと同時に、PCA、scVI(scvi-tools; Gayoso et al., Nature Biotechnology 2022)、Harmony といった従来手法の経路も回しておく。これは「余裕があればやる」ものではなく、結果を解釈するための前提条件です。
評価設計——この回の核心
さて、本題です。基盤モデルの評価が難しいのは、指標が足りないからではなく、設計を誤りやすいからです。押さえるべきは四つあります(図3)。

図3 評価設計の四つのチェックポイント。 ①ベースライン比較:PCA・scVI・Harmony・scANVIと同一条件で並べる。②データ分割:同一ドナー・同一バッチが訓練と評価にまたがらないよう、ドナー単位・バッチ単位で分割する。③データリーク:評価に使うデータが事前学習に含まれていないかを確認する(公開アトラス由来のデータは重複しうる)。④指標:精度だけでなくmacro-F1、クラスタリングはARI・NMI、バッチ統合はscIBの指標群で「バッチ除去」と「生物学的変動の保存」の両面を見る。
① ベースライン比較を、最初から組み込む
第1回でも書きましたが、繰り返す価値があります。PCA、scVI、Harmony、scANVI といった従来手法を、同じデータ・同じ分割・同じ指標で並べる。基盤モデルが勝てば採用の根拠になり、負ければ従来法を使えばよい。どちらに転んでも判断ができます。
なお、単純な手法を侮らないでください。scIBのベンチマーク(Luecken et al., Nature Methods 2022)では、高発現変動遺伝子の選択が統合手法の性能を改善する一方で、スケーリングは手法をバッチ除去に偏らせると報告されています。前処理の選択そのものが結果を左右するのです。
② データ分割で「ずるい成功」を防ぐ
シングルセルデータは、1人のドナーから数千〜数万の細胞が得られます。これを細胞単位でランダム分割すると、同じドナーの細胞が訓練にも評価にも入ります。モデルは細胞型ではなくドナーの個性を覚えて高得点を出し、新しい患者のデータではまったく通用しない——よくある失敗です。
分割は必ずドナー単位、バッチ単位で行ってください。可能なら、別の施設・別の実験で取得したデータを外部検証に回すのが理想です。
③ データリークを疑う
基盤モデルは公開アトラスを大量に学習しています。もし評価に使うデータが事前学習に含まれていれば、その性能は水増しされます。実際、最近の評価研究ではモデルの公開後に発表されたデータセットを意図的に選び、リークの可能性を排除する設計が採られています。CELLxGENEなど公開リポジトリ由来のデータを評価に使う場合は、この点を意識しておく必要があります。
④ 指標は、タスクに合わせて複数見る
細胞型分類で accuracy(正解率)だけを見るのは危険です。細胞型の頻度は極端に偏っているため、多数派を当てるだけで高い値が出ます。希少な細胞型を見つけたいなら macro-F1 のように、クラスごとの成績を平等に扱う指標を併用してください。
クラスタリングの一致度には ARI(調整ランド指数)や NMI(正規化相互情報量)。バッチ統合の評価には scIB が実質的な標準です。scIBは85バッチ・120万細胞超を用いた大規模比較のなかで整備されたもので、バッチ効果の除去と生物学的な変動の保存という、しばしば相反する二つの側面を14の指標で評価します。片方だけを追いかけると、バッチはきれいに消えたが細胞型の違いまで消えていた、という事態になりかねません。
落とし穴と、再現性
最後に、現場でよく見る誤解をいくつか。
「AIがバッチ効果を吸収してくれる」——これは期待しすぎです。第1回で見たとおり、バッチ効果が強いデータほどゼロショット性能は振るいません。統合は依然として設計すべき工程です。
「細胞数が少ないほどファインチューニングで補える」——逆です。データが小さいほど過学習は起きやすく、PEFTのように更新量を絞る戦略のほうが安全です。
「UMAPがきれいなら成功」——UMAPは可視化手法であり、評価指標ではありません。パラメータ次第で見た目は大きく変わります。必ず定量指標で判断してください。
そして再現性。乱数シードを固定し、パッケージのバージョンを記録し、可能ならconda環境ファイルやDockerイメージとして残す。基盤モデルの領域は更新が速く、半年後に同じ環境を再構築できないことは珍しくありません。解析ログとともに環境を残しておくことが、将来の自分を助けます。
まとめ
第2回の要点を三つに。
第一に、導入自体は難しくありません。AnnData形式に統一し、Scanpyで前処理し、公式リポジトリやHugging Faceから重みを取得する。ただしモデルごとに期待する入力が違うことと、遺伝子名の対応づけでどれだけ取りこぼしたかを必ず確認してください。
第二に、使い方は三つ。ゼロショットは手軽だが慎重に、フルファインチューニングは強力だがコストと過学習のリスクがあり、その中間としてPEFT(scPEFT)が現実的な選択肢になりました。更新パラメータ96%削減・GPUメモリ半減で、ゼロショットとフルファインチューニングを上回った報告があります。
第三に、そして最も重要なのが評価設計です。①ベースライン(PCA・scVI・Harmony)を並走させる、②ドナー・バッチ単位で分割する、③事前学習とのデータリークを疑う、④accuracy一辺倒を避け、ARI・NMI・macro-F1・scIBを使い分ける。この四つを最初に決めてから走り出せば、「動いたけれど正しいか分からない」状態は避けられます。
なお、複数の基盤モデルを横断的に評価した研究(Liu et al., Advanced Science 2026/scEvalフレームワーク)でも、基盤モデルがタスク特化手法を常に上回るわけではないという結論が示されています。評価設計は、この現実を自分のデータで確かめるための道具です。
次回(第3回)は、視点を「解析」から「予測」に移します。遺伝子をノックアウトしたら、薬剤を加えたら、細胞はどう応答するか——実験する前に計算で試す摂動予測の世界です。scGen、CPA、GEARSという手法の系譜から、Arc Instituteの大規模モデルSTATEまでを扱います。
保存して、自分のデータで基盤モデルを試すときのチェックリストにしてください。
そして、ひとつ教えてください——ベースライン比較、していますか? それとも基盤モデル単独で評価していますか? コメントで教えていただけると、今後の記事づくりの参考にします。
出典・参考リンク
Wolf FA, Angerer P, Theis FJ. SCANPY: large-scale single-cell gene expression data analysis. Genome Biology, 19: 15, 2018. DOI: 10.1186/s13059-017-1382-3
Gayoso A, Lopez R, Xing G, et al. A Python library for probabilistic analysis of single-cell omics data(scvi-tools). Nature Biotechnology, 40: 163–166, 2022. DOI: 10.1038/s41587-021-01206-w
Luecken MD, Büttner M, Chaichoompu K, et al. Benchmarking atlas-level data integration in single-cell genomics(scIB). Nature Methods, 19: 41–50, 2022. DOI: 10.1038/s41592-021-01336-8
He F, Zhang Y, Wang J, et al. Harnessing the power of single-cell large language models with parameter-efficient fine-tuning using scPEFT. Nature Machine Intelligence, 2025. DOI: 10.1038/s42256-025-01170-z
Liu T, Li K, Wang Y, Li H, Zhao H. Evaluating the utilities of foundation models in single-cell data analysis(scEval). Advanced Science, 2026. DOI: 10.1002/advs.202514490
公式リポジトリ:scGPT(github.com/bowang-lab/scGPT)/Geneformer(huggingface.co/ctheodoris/Geneformer)