隠れマルコフモデル（HMM）とエクソームCNV解析：XHMM・ExomeDepth・GATK gCNVはどう働くか

隠れマルコフモデル（HMM）は、直接は見えない「隠れた状態」を、そこから生じる「観測データ」の並びから確率的に推定する数理モデルです。ゲノム医療の現場では、このHMMがエクソーム（WES）データからのCNV（コピー数変異）検出を支える中心的な仕組みとして使われています。この記事では、XHMM・ExomeDepth・GATK gCNVといった代表的な解析ソフトがHMMをどう使っているのか、そしてその検出にどんな限界があり、CMA（マイクロアレイ）やWGSとどう使い分けるのかまでを、遺伝専門医の視点でやさしく整理します。

1. HMMの見取り図：見えない状態を、見える観測から読み解く

隠れマルコフモデル（HMM）は、直接は見えない状態の並びと、そこから生じる観測データの並びを、確率的に結びつけるモデルです。HMMの核心は、大きく2つの前提を組み合わせる点にあります。ひとつは「今の状態は直前の状態に主として依存する」という一次マルコフ性、もうひとつは「観測される値は、その時点の隠れた状態に依存して出てくる」という出力モデルです。将来が過去のすべてではなく「直前の状態」によって十分に要約されるため、時系列データや、位置が順番に並んだ系列データの解析にとても強いのが特徴です。

これをゲノムのCNV（コピー数変異）解析に置き換えると、対応関係がはっきりします。隠れた状態は「そのエクソンの真のコピー数の状態」であり、観測は「そのエクソンで得られたリード数（read depth）や、正規化した後のスコア」です。臨床的に分かりやすく言えば、HMMは「検査機械から見えているのはリード数の上下だけだが、私たちが本当に知りたいのは、その背後にあるコピー数の状態だ」と考える枠組みなのです。実装によって状態の切り方は異なりますが、概念的にはNormal（コピー数2）、ヘテロ接合性の欠失（コピー数1）、ホモ接合性の欠失（コピー数0）、重複（コピー数3以上）という理解でよく、実際のソフトではこれらをさらに粗くまとめたり、逆に細かく分けたりします。ExomeDepthは3状態（正常・欠失・重複）のHMMを明示していますし、GATK gCNVは最大コピー数をパラメータ化できる設計になっています。

HMMが系列解析に向く理由は、連続する位置の真の生物学的状態は、互いに独立ではないからです。CNVは通常、単一のエクソンだけがランダムに出たり消えたりするより、連続した複数のエクソンにわたって同じ状態が続くことが多いという性質を持っています。したがって、各エクソンをバラバラに独立判定するよりも、「前後のエクソンと整合するなら、その状態をより信じる」というモデルのほうが、生物学にも測定データにもよく合っているのです。これが、HMMがWES（全エクソーム解析）由来のCNV解析で繰り返し使われる、根本的な理由となっています。

2. エクソームCNV解析でHMMが必要になる理由

read depthからCNVを読むという発想と、その落とし穴

前章で触れたとおり、リード数の増減はCNVの手がかりになります。実際、WES（全エクソーム解析）ベースでCNVを検出する主流の方法はこの「read-depth法（深度法）」であり、XHMM・ExomeDepth・CODEX・GATK gCNVといった代表的なソフトは、いずれもこの系譜に属しています。ゲノム全体を読むWGSと違い、WESはタンパク質をコードするエクソン部分だけを狙って濃く読むため、その領域のCNVを効率よく拾えるのが強みです。

ところが、現実のWESではリード数はコピー数だけで決まりません。GCバイアス、キャプチャー効率（狙った領域をどれだけ均等に捕まえられるか）、PCR増幅のゆらぎ、マッピングしにくい領域、検査バッチごとの差といった、コピー数とは無関係な要因が深く混ざり込んでくるのです。XHMMの原著論文は、エクソームCNV検出が難しい理由として、ターゲットキャプチャー由来のバイアス、GCなどの配列要因、サンプル収集やシーケンス時のバッチ効果を挙げています。CODEXも、GC含量やエクソンの捕捉・増幅効率、目に見えない系統的なノイズ（latent systemic artifacts）を除去する必要があると述べていますし、GATK gCNVも、リード数から信頼できるCNVを出すにはライブラリ調製とシーケンスの技術的な変動を説明する包括的なモデルが必要だとしています。

なぜ各エクソンを独立に判定してはいけないのか

各エクソンを独立に「深度が高い・低い」だけで判定すると、ノイズで偶然上下しただけのエクソンまでCNVに見えてしまいます。とくにWESでは、遺伝子の端にあたる境界エクソン、GCが極端な領域、配列が単調な低複雑性領域、マッピングしにくい低mappability領域で深度が不安定になりやすく、独立判定は偽陽性（本当はないのに「ある」と判定してしまう誤り）を増やします。ExomeDepthの臨床検証では、偽陽性CNVの多くが高相同性領域や低複雑性領域に重なっており、mappabilityフィルタを導入することで、誤検出の割合（false discovery rate）が大きく改善したことが報告されています。

一方で、真のCNVは多くの場合、隣り合うエクソンに連続したシグナルとして現れます。したがって、「このエクソン単独では少し怪しいけれど、前後のエクソンも同じ方向にずれているので、欠失のほうがもっともらしい」という判断を可能にする必要があるのです。HMMの高い自己遷移確率（同じ状態がしばらく続きやすいという性質）は、この「状態はしばらく続く」という前提を数理的に表現したものです。その結果、単発のノイズは弾かれやすくなり、連続した弱いシグナルは逆に拾いやすくなります。臨床的には、これは「1本欠失したから深度は半分になるはず」という単純な図式ではなく、「その領域はもともと捕捉されにくいが、周辺のエクソンも一貫して低く、同じコホート内で見ても異常なので欠失とみなす」という、周辺の文脈を織り込んだ推論なのです。

3. XHMMのアルゴリズム：PCA正規化とHMMの二段構え

XHMMは「eXome Hidden Markov Model」の略で、Fromerらが2012年に報告した解析ソフトウェアです。PCA（主成分分析）でノイズを除去したリード数の行列にHMMを当てはめ、エクソン単位の解像度でCNVを検出・ジェノタイピング（遺伝型判定）するものです。開発の動機は、当時のWESがSNV（一塩基変異）やindel（挿入・欠失）の検出には強い一方で、CNV検出はターゲットが不連続なうえ、リード数が技術ノイズを多く含むため難しかったことにあります。XHMMは、コホートベースの正規化と系列モデルを組み合わせた、初期の決定版のひとつでした。

XHMMは特に、高カバレッジのターゲット／エクソームシーケンスと、同一条件で処理された十分な数のサンプルを前提に設計されています。公式の説明では、少なくとも60〜100x程度の高カバレッジと、およそ50サンプル以上のコホート利用が推奨されています。これは、PCAが安定してノイズ成分を学習するために、ある程度のサンプル数が必要だからです。

XHMMは「PCAで系統ノイズを落とし、HMMで系列としてまとめる」二段構え。単独エクソンの深度異常をそのまま報告せず、系列として整合した区間だけをCNV候補にするため、単純な閾値法より解釈しやすい出力になる。

前処理とPCAによるノイズ除去：ここが感度・特異度を左右する

最初に行うのは、各サンプル・各エクソンのカバレッジ集計です。ここで得られるリード数行列は、そのままでは比較できません。なぜなら、サンプル間で総リード数が違い、ターゲットごとに捕捉効率も違うからです。XHMMはこの前に、極端なGC含量、低複雑性、極端に低い／高いカバレッジを示すターゲットや外れサンプルをフィルタして、PCAがノイズ成分をよりうまく学習できるようにします。この前処理は地味ですが非常に重要で、ノイズの大きなターゲットが残ると、PCAの主成分が真のCNVではなく「変なエクソンのゆれ」を学習してしまい、のちのHMMが不安定になります。臨床でXHMMを使うなら、ここは単なる品質管理ではなく、感度と特異度を左右するアルゴリズム本体の一部だと考えたほうがよいでしょう。

PCAでノイズ成分を落とした後、XHMMは正規化済みのリード数をZスコアに変換して扱います。そして最後に、このZスコアの列に対してHMMを当て、エクソンごとの状態列を推定します。この段階は技術的にはViterbi decoding（ビタビ復号）と呼ばれ、エクソン列全体を通して最も確からしい状態の並びを求め、その連続区間を欠失や重複としてCNVコールに変換します。XHMMが臨床的に有用だったのは、WESの「バラバラな深度」を、連続したエクソンレベルのイベントに変える橋渡しをしたからです。単独エクソンの深度異常をそのまま報告せず、系列として整合した区間だけをCNV候補にするため、単純な閾値法より解釈しやすい出力になりました。さらに原著は「発見（discovery）と統計的ジェノタイピング」を掲げており、単に区間を見つけるだけでなく、複数サンプル間でCNVを統計的に扱うことも重視していました。

XHMMの長所は、同一コホートの系統的なバイアスをPCAで強く落とせること、そして連続するエクソンの情報をHMMでまとめられることです。一方で弱点も明確です。レビューでは、XHMMは頻度5%未満のまれなCNVに焦点を当てる設計であり、CNVがより多くのエクソンを含むほど感度が高い一方、小さなCNVや高頻度のCNV（common CNV）では感度が下がることが示されています。独立した比較研究でも、XHMMや後述するCoNIFERは、少数エクソンからなる小型CNVに弱いとされています。

4. HMMの4つの主要アルゴリズム

HMMで頻出するアルゴリズムは、Forward・Backward・Viterbi・Baum–Welchの4つです。HMMの古典的な整理（Rabinerによる定式化）では、HMMには「尤度計算」「最尤状態列の推定」「パラメータ学習」という3つの基本問題があり、それぞれに対応する動的計画法（分割して効率よく解く計算手法）があるとされます。ここでは、それぞれがCNV解析のどこに対応するのかを整理します。

理論上の対応関係を整理すると、尤度計算はForward、状態推定はViterbi、学習はBaum–Welch、事後確率計算はForward+Backwardとなります。ただし実際のWES-CNVソフトでは、必ずしもすべてをユーザーが明示的に意識するわけではありません。たとえばXHMMは実運用上、PCA正規化後のHMMによるコールが中心で、ExomeDepthは3状態HMMを当て、GATK gCNVはより大きなベイズモデルと階層的HMMで推定します。つまり、CNVソフトは「生のHMM教材」ではなく、HMMをリード数モデル・正規化・コホート学習の中に組み込んだ実装だと考えるのが実務的です。

5. 主要CNVソフトの比較：HMMの有無だけでは決まらない

複数の比較研究は、エクソームCNVコーラー同士の一致率は低く、どのツールも万能ではないことを示しています。2021年の大規模ベンチマークでは、各アルゴリズムは得意なCNVの長さの帯が異なり、呼び出しの一致は低く、平均すると1〜7エクソン程度のCNVに集中していました。2023年の家系ベースの比較でも、XHMM・CODEX2・ExomeDepth・GATK gCNVなどはそれぞれ異なる強みを示し、一刀両断の優劣は付けにくいとされています。したがって、下の表は代表的な傾向として読んでください。

この比較から見えてくるのは、HMMがあるかどうかだけでは足りないということです。むしろ、正規化の質と参照コホートの設計、そして対象が生殖細胞系列（germline）か体細胞（somatic）かが、性能を大きく左右します。XHMMは「PCA＋HMM」の教科書的な実装、ExomeDepthは「最適参照＋ベータ二項＋HMM」の臨床実装、GATK gCNVは「ベイズ的なバイアスモデリング＋階層的HMM」の現代実装、と整理すると理解しやすいでしょう。なお、当院でも扱うClinCNVのように、複数の手法を組み合わせて臨床利用を意識したツールも登場しています。

6. WES CNV解析の限界と、他検査との使い分け

WESによるCNV解析の限界：偽陽性も偽陰性も起こる

WESベースのCNVコールの最大の弱点は、観測できるのが捕捉されたエクソン近傍だけであり、しかもその信号がキャプチャーバイアスに強く汚染されることです。したがって偽陽性・偽陰性の両方が起こります。ある臨床検証（Rajagopalanら）では、デフォルトのExomeDepthワークフローで、SNPアレイと理論上比較可能なCNVの誤検出割合（false discovery rate）は44%でした。mappabilityフィルタを入れると11.4%まで下がりましたが、これは逆に言えば、前処理設計が甘いとWES-CNVの見かけ上の精度は大きく崩れることを意味します。

偽陽性を起こしやすい場所としては、セグメンタル・デュプリケーション（分節重複）、高相同性遺伝子、低複雑性領域、低mappability領域が典型です。一方、偽陰性としては、遺伝子の最初・最後のエクソン（first/last exon）、カバレッジの薄いエクソン、そもそも十分に捕捉されていないエクソン、小さすぎるCNVが問題になります。単一エクソンの欠失はとくに難題で、XHMMやCoNIFERは小さなCNVへの感度が低いことが示されており、CNVkitの生殖細胞系列エクソームモードも1Mb未満では不正確と明言されています。一方で、近年の大規模なまれな疾患研究では、エクソームから293塩基対という小さな原因CNVを拾った例もあり、「理論上は検出可能だが、日常的に安定して拾えるとは限らない」というのが実情です。

モザイクも難しい領域です。モザイク（体の一部の細胞にだけ変異がある状態）では、リード数の変化が「半コピー」よりさらに浅くなり、正常細胞の混入やバッチノイズに埋もれやすいためです。低カバレッジのゲノムシーケンス（low-pass genome sequencing）がモザイク検出で明確な利点を示すと報告されている一方、WESで低レベルのモザイクを高い信頼度で拾うのは、一般に難しいのが現状です。

なぜWESだけでは確定診断できないことがあるのか

理由は大きく3つあります。第一に、分析学的な不確かさです。偽陽性・偽陰性、切断点（breakpoint）の不正確さ、複雑な構造変異の見逃しが起こりえます。第二に、解釈の不確かさです。CNVが見つかっても、それが病的か、患者さんの症状（表現型）と整合するか、既知の疾患遺伝子か、家族内でどう分離するか、という別の問題があります。ACMG/ClinGenのCNV技術標準は、CNVの分類と報告を検査技術を横断して標準化しており、「見つけること」と「病的と判断すること」は別だと明確にしています。第三に、臨床ワークフローの要請です。小型のエクソンレベルCNVは、しばしばMLPA、qPCR、アレイ、あるいは別プラットフォームでの直交確認（別の原理による裏取り）が求められます。したがって、WES-CNVは非常に有用ですが、「WESだけで完結する」とは限らず、確認検査を組み合わせて最終診断に持ち込むのが臨床現場の実態です。

他検査との比較：それぞれの守備範囲を知る

下の表は、生殖細胞系列（先天性）のCNVを念頭に、WES-CNVを周辺の検査と比較したものです。分解能は装置・設計・深度で大きく変わるため、代表的な傾向として読んでください。CMAとの詳しい対比はマイクロアレイとXHMM解析の違いやCNV-seqとマイクロアレイの違いもご参照ください。

この表から臨床的に重要なのは、WES-CNVは「CMAの完全な代替」でも「WGSの代替」でもないけれど、SNV/indelとエクソンレベルCNVを一つのデータから拾える、非常に効率のよい中間点だということです。コーディング領域に原因を強く疑う希少疾患では価値が高く、逆にゲノム全体の不均衡、モザイク、バランス型SV、複雑な再構成を重くみるなら、CMA・CNV-seq・WGS、あるいはlong-readを優先する場面があります。

7. 臨床応用と最新動向：HMMから、より大きな確率モデルへ

希少疾患・神経発達症でのエクソームCNV解析の意義

海外では、ACMG（米国臨床遺伝・ゲノム学会）が2021年のエビデンスに基づくガイドラインで、先天異常や発達遅滞・知的障害のある小児に対するエクソーム／ゲノム解析（ES/GS）を第一選択または第二選択として強く推奨しています。一方で、CMAは依然として神経発達症や多発先天奇形で高い診断収率をもつfirst-tier検査として長い実績があります。現在の実務は二者択一ではなく、ES/WGSとCNV解析を統合しつつ、適応に応じてCMAを併用する方向に進んでいます。

すでにあるエクソームデータにCNVコールを追加する意義は、ここ数年でさらに明確になりました。Lemireらによる6,633家系の大規模研究では、CNV検出をエクソーム解析に追加することで、171家系（2.6%）に原因CNVを同定しました。しかも原因CNVのサイズは293塩基対から80Mbと非常に幅広く、エクソームデータからのCNV解析が診断率を着実に底上げすることが示されました。希少疾患の未診断例では、SNV/indelが陰性だったエクソームを、CNV込みで再解析すること自体が、一つの標準動作になりつつあります。神経発達症では病的CNVの寄与が大きいことがCMA時代からよく知られており、神経発達症のエクソームをSNV/indelだけで閉じるのは、いまや情報の取りこぼしが大きい運用だといえます。

筋疾患とがんゲノム：目的が変われば使う道具も変わる

筋疾患では、遺伝子内のエクソン欠失・重複が古くから重要です。デュシェンヌ型筋ジストロフィー（DMD）はその代表で、全79エクソンの欠失・重複検出にMLPAが広く使われてきました。したがって神経筋診療では、WES-CNVが有望でも、既知遺伝子のエクソンレベル確認にはなおMLPAが強い場面があります。2024年の神経筋研究でも、診断の相当部分がゲノム／RNA／タンパク質の追加解析を必要とし、エクソーム単独では取り切れない構造異常やスプライシング異常の存在が再確認されています。

がんゲノムでは事情が少し異なります。目的は生殖細胞系列のCNVではなく、体細胞のコピー数変化（somatic copy number alteration）の推定です。この領域ではCNVkitやCODEX系がよく使われ、CNVkitはハイブリッドキャプチャーパネルやWESのコピー数の可視化・解析の定番のひとつです。ただし腫瘍では腫瘍純度（purity）、サブクローナリティ、腫瘍内不均一性が加わるため、生殖細胞系列のCNVよりさらにモデル依存性が高く、同じ「CNV」でも生殖細胞系列用のパイプラインをそのまま流用するべきではありません。

2020年以降の最新動向：HMMは「古い」のではなく「組み込まれた」

2020年以降の最大のトレンドは、HMM単独から、HMMを含むより大きな確率モデル・AIモデルへと重心が移ったことです。GATK gCNVはその代表で、負の二項因子分析と階層的隠れマルコフモデルを組み合わせ、GCバイアスや倍数性、サンプル固有のバイアスをベイズ的に扱います。これは「HMMは古い」のではなく、現代ではHMMがより大きなベイズの枠組みの一部に組み込まれていることを意味します。

ディープラーニングとの融合も進んでいます。DECoNTはWESベースのCNVコーラーの出力を後段で磨き上げる（polishing）ディープラーニングモデルで、既存コーラーに依存せず性能改善を狙う設計です。ECOLEはトランスフォーマー系の発想でエクソン単位のCNVを学習し、専門家によるラベルや対応するWGSを利用した学習で精度改善を報告しました。つまり、近年のAIはHMMを全面的に置き換えるというより、HMM系コーラーの後処理、あるいはエクソンレベル分類の精密化に、まず入ってきています。ベイズCNVモデルも拡張しており、WESとマイクロアレイを統合するベイズのマルチサンプル枠組みなど、単一データ型に閉じず複数モダリティを統合する流れも出てきています。

そしてlong-read sequencing（ロングリードシーケンサー）は、WES-CNVの限界を根本から動かしつつあります。long-readは複雑な構造変異、反復領域、フェージング（どちらの親由来かの区別）、メチル化、より正確な切断点で優位性があり、まれな疾患の診断でもshort-read陰性例から追加診断を得ています。ただし現時点でも、コスト、標準化、解釈、ワークフローの問題から、WESを直ちに全面置換したわけではありません。実務的には、WES-CNVは依然コスト効率のよい第一線、long-read/WGSは難症例の上位解決手段という関係がもっとも近いといえます。

8. よくある誤解

9. 臨床遺伝専門医からのメッセージ

よくある質問（FAQ）

参考文献

本ページは技術・アルゴリズムの解説を目的とした用語解説記事のため、以下は本文の主要な事実主張の根拠となる一次情報・権威ある情報源を「読者向け出典一覧」として掲載する無番号運用としています。

• A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition（HMMの基本問題とForward/Backward/Viterbi/Baum–Welchの古典的整理）
• Discovery and Statistical Genotyping of Copy-Number Variation from Whole-Exome Sequencing Depth（XHMM原著・Fromerら 2012, Am J Hum Genet）
• XHMM 公式ドキュメント（高カバレッジ・コホート推奨条件、処理フロー）
• XHMM パイプライン解説（depth of coverage→正規化→CNV calling→genotyping）
• GATK-gCNV enables discovery of rare copy number variants from exome sequencing data（GATK gCNV原著・Babadiら 2023, Nat Genet／負の二項因子分析＋階層的HMM、>2エクソンで最大95% recall）
• Evaluation of exome CNV detection tools（PCA normalizationと各手法の感度傾向のレビュー）
• A robust model for read count data in exome sequencing experiments（ExomeDepth原著・Plagnolら 2012／ベータ二項＋3状態HMM）
• CODEX: a normalization and copy number variation detection method（GC・capture/amplification efficiency・latent artifactsの正規化）
• GATK: How to Call rare germline copy number variants（公式ドキュメント）
• CoNIFER: Copy number variation from exome sequencing（SVDによるバッチ・ノイズ除去、少数エクソンCNVの限界／Krummら 2012）
• CNVkit 公式ドキュメント（germline exomeで1Mb未満のCNVに不正確との明記）
• Benchmark of exome CNV callers（2021：ツール間の一致率と得意なCNV長の違い）
• Family-based comparison of exome CNV tools（XHMM・CODEX2・ExomeDepth・GATK gCNVの比較）
• ExomeDepth臨床検証（FDR 44%→11.4%、mappabilityフィルタと感度）
• Exome copy number variant detection, analysis, and classification in a large cohort of families with undiagnosed rare genetic disease（Lemireら 2024, Am J Hum Genet／6,633家系・171家系2.6%・293 bp〜80 Mb、GATK-gCNV使用）
• ACMG/ClinGen CNV解釈のtechnical standards（2020：検出技術横断のCNV分類・報告）
• Miller DT et al. 2010 CMAコンセンサス（発達障害・先天異常のfirst-tier検査、balanced rearrangementsは一般に検出不可）
• ACMG 2021 evidence-based guideline（先天異常・発達遅滞・知的障害へのES/GS推奨・Manickamら）
• 2024 neuromuscular／希少疾患におけるexome由来CNV解析（exome単独で取り切れない構造・スプライシング異常）
• 厚生労働省 中央社会保険医療協議会 資料（マイクロアレイ染色体検査の保険適用に関する審議資料）
• DECoNT: deep learning polishing of exome CNV caller outputs（後処理型ディープラーニング）
• ECOLE: exon-level CNV classification（transformer系の学習による精度改善）
• Accuracy and depth evaluation of clinical low-pass genome sequencing in the detection of mosaic aneuploidies and CNVs（低カバレッジWGS/CNV-seqのモザイク検出精度・Liuら 2023）

関連記事