XHMMとは？エクソーム解析からコピー数変異（CNV）を検出する仕組みを遺伝専門医が解説

全エクソーム検査（WES）のデータから、遺伝子の「欠失」や「重複」といったコピー数変異（CNV）を見つけ出す解析手法が「XHMM（eXome-Hidden Markov Model）」です。もともと1文字単位の変異を見るために設計されたエクソーム検査から、より大きなスケールのゲノム異常まで拾い上げる——この一見難しい課題に、統計学の力で挑んだのがXHMMでした。本記事では、その仕組みから臨床での役割、他の手法との違いまで、一般の方にも分かるように臨床遺伝専門医が解説します。

1. XHMMとは：エクソーム検査から「コピー数の増減」を読み解く技術

遺伝子検査というと、DNAの文字（塩基）がたった1文字だけ書き換わるような小さな変化を探すイメージがあるかもしれません。実際、全エクソーム検査（WES）は、一塩基多型（SNP）や小さな挿入・欠失（インデル）といった「ミクロな変異」を見つけることを得意としてきました。しかし、私たちのゲノムには、もっと大きなスケールの変化——数千から数百万塩基にわたる領域が丸ごと増えたり（重複）減ったり（欠失）する現象があります。これを「コピー数変異（CNV）」と呼びます。

CNVは、自閉症スペクトラム障害や重度の神経発達障害、一部の認知症、遺伝性のがんなど、数多くの重篤な病気の直接の原因となります。ところが、この大きな変化を、もともと「小さな変異」を見るために設計されたエクソーム検査のデータから正確に拾い上げるのは、長年きわめて難しい技術的課題とされてきました。この難問を統計学の力で解決しようと、2012年にMenachem Fromerらの研究グループ（Mount Sinai医科大学およびBroad Institute）が開発したのが「XHMM（eXome-Hidden Markov Model）」です[1]。

なぜエクソームからのCNV検出が難しいのでしょうか。エクソーム検査では、目的の領域を釣り上げる「キャプチャー」の効率が場所ごとにばらついたり、PCR増幅の過程でGC含有量による偏り（バイアス）が生じたり、ゲノム上の繰り返し配列でマッピングが不確実になったりします。さらに、エクソン（タンパク質の設計図となる部分）はゲノム上で飛び飛びに存在し、あいだをイントロンで分断されています。こうした技術的なばらつきによって、各領域が「何回読まれたか」を示すリードデプス（読み取り深度）には大きなノイズが乗ってしまいます。本物のCNVによる増減シグナルは、このノイズに簡単に埋もれてしまい、単純に深さを比べるだけでは誤検出（偽陽性）が現実的でないほど増えてしまうのです。

2. 前提知識：エクソーム検査とCNVの関係

XHMMを理解するには、まず「エクソーム検査とは何か」を押さえておくと分かりやすくなります。ヒトのゲノムは約30億塩基からなりますが、そのうちタンパク質の設計図として実際に使われるエクソン部分は全体のわずか1〜2%ほどです。この「タンパク質をつくる領域だけ」を選んで集中的に読む検査がエクソーム解析（WES）です。病気の原因となる変異の多くはこのエクソン部分に集中しているため、ゲノム全体を読む全ゲノム解析（WGS）より安価で効率よく原因を探せる、という利点があります。

ただしエクソーム検査は「飛び飛びのエクソンだけ」を読む設計であるため、CNVを見つけるうえでは不利な面があります。大きな欠失や重複の「境界（ブレイクポイント）」は、多くの場合エクソンとエクソンのあいだ（イントロン領域）に落ちます。エクソームではその境界そのものを直接読むことができないため、XHMMは「読まれた回数の増減」という間接的な手がかりだけでCNVを推定するしかありません。この制約が、後で述べる全ゲノム向けツールとの決定的な違いを生みます。

CNVが病気を引き起こす仕組みはさまざまです。遺伝子が丸ごと失われて働きが不足したり、逆に増えすぎて過剰に働いたり、あるいは隣接する複数の遺伝子がまとめて影響を受ける「ゲノム疾患」として現れたりします。こうした比較的大きなゲノムの構造変化を、1文字単位の変異検査と同じ1回のエクソーム検査から同時に拾えるかどうかは、臨床の診断精度を大きく左右する重要なポイントなのです。

3. XHMMの仕組み：PCAでノイズを消し、HMMで判定する

XHMMの設計思想の核心は、「1つの検体だけを見るのではなく、大勢の検体をまとめて解析し、集団の力でノイズを打ち消す」という点にあります。その中身は、大きく2つの統計手法——主成分分析（PCA）と隠れマルコフモデル（HMM）——を組み合わせたものです。順番に見ていきましょう。

ステップ1：主成分分析（PCA）でノイズを取り除く

XHMMはまず、コホート（解析対象の集団）内のすべての検体について、すべてのエクソンのリードデプスを集めて巨大な表（行列）をつくります。この表を眺めると、GC含有量のバイアスやキャプチャー効率の差、実験バッチの違いといった「本物のCNVとは関係のないノイズ」は、多くの検体に共通して現れる大きなばらつきとして姿を現します。XHMMはこの性質を逆手に取ります。

具体的には、XHMMは特異値分解（SVD）という計算を使って巨大な行列にPCAを適用し、ノイズに対応する上位の主成分を元データから引き算します[2]。こうして系統的なバイアスが払拭され、ランダムなノイズに近い状態のなかで真のCNVシグナルだけが際立った「正規化されたZスコア」が得られます。掃除の行き届いた部屋で小さな落とし物が見つけやすくなるのと同じ理屈です。

ただし、この方法には避けられないトレードオフがあります。集団のなかで高い頻度で存在する「ありふれたCNV（コモンバリアント）」は、多くの検体で共通の深度変動を引き起こすため、PCAが「技術的ノイズ」と勘違いして一緒に消してしまいやすいのです。その結果、XHMMは必然的に集団内頻度が1%未満の「稀なCNV（レアバリアント）」の検出に強く特化することになります[2]。一般的な集団遺伝学の研究にはやや不利ですが、稀な変異が原因となるメンデル遺伝性疾患（希少疾患）の診断では、これが最大の強みになります。

ステップ2：隠れマルコフモデル（HMM）で連続性を判定する

ノイズを取り除いたZスコアが用意できたら、XHMMは次に隠れマルコフモデル（HMM）を適用します。ここがXHMMの名前の由来であり、他の多くのツールとの重要な違いでもあります。従来のツールの多くは、各エクソンの深度変動を「バラバラの独立した出来事」として扱います。これに対しXHMMは、生物学的な実態に即した「空間的な連続性」をモデルに組み込みます。

XHMMが利用する生物学的な事実は、「十分に大きなCNVは、ゲノム上で隣り合う複数のエクソンにまたがって連続して起こる」という点です。つまり、あるエクソンが欠失していると判定された場合、その隣のエクソンも欠失している確率は、でたらめに考えるよりずっと高くなります。XHMMはビタビアルゴリズムという手法で、観測されたZスコアの連なりから、背後にある最も確からしい状態の並び（正常・欠失・重複のシーケンス）を推定します[2]。1つのエクソンだけの怪しい信号ではなく、「連続した領域としてのまとまり」を見ることで、判定の信頼性が高まるわけです。

さらにXHMMは、単に「欠失か重複か」を決めるだけでなく、それぞれの判定に対して品質スコア（Qスコア）という「確からしさの点数」を計算します。これにより、研究者は自分の目的に合わせて「精度を優先するか、感度（見逃しの少なさ）を優先するか」を後から自由に調整できます。誤診が許されない臨床の現場で、確度の高い結果だけを選び取れるこの仕組みは、XHMMの大きな実用的価値となっています。

生のエクソームデータが抱える系統的ノイズをPCAで取り除き、HMMを通じて本物のCNVシグナルとして抽出するまでの全体像。各段階でノイズが減り、最後に確からしさの点数（Qスコア）付きで結果が出力される。

4. 実際の解析ワークフロー：データからCNVリストまで

XHMMを実際に動かすには、GATK（Genome Analysis Toolkit）やPLINK/Seqといった外部ツールと連携した多段階のパイプラインを組む必要があります[2]。ここでは専門的になりすぎない範囲で、解析の流れの要点を紹介します。技術的な詳細に関心がない方は、次の「他ツールとの比較」へ進んでいただいて構いません。

前処理と深度計算

出発点は、リファレンスゲノムに整列（アライメント）され、PCR重複が正しく処理された「解析準備完了」のBAMファイル群です。XHMMは安定した解析のために、少なくとも60〜100倍という高いカバレッジ（深度）と、50検体以上のコホート規模を必要とします[3]。集団の力でノイズを打ち消す設計上、ある程度の検体数がないと本領を発揮できないのです。まずGATKのDepthOfCoverage機能で、あらかじめ定義したエクソン領域ごとの深度を計算します。この際、複数の場所に曖昧にマッピングされる不確実なリードは除外し、確実な整列だけを評価するよう厳格な条件が設定されます。

品質の悪い領域を先に取り除く

偽陽性を防ぐには、そもそも正確に読むのが原理的に難しい領域を、解析の初期に取り除くことが重要です。XHMMのパイプラインでは、GC含有量が極端に低い（10%未満）または高い（90%超）ターゲットや、繰り返し配列（Alu配列やLINEなど）を多く含む低複雑度領域を除外します。繰り返し配列はショートリード技術で深刻なマッピングエラーを起こすため、リピートが25%を超える領域は信頼性が低いとみなして解析対象から外します[2]。

正規化・発見・ジェノタイピング

フィルタリングを終えた深度行列に対して、前章で説明したPCA正規化が実行され、Zスコア化されたデータが完成します。次にHMMのビタビアルゴリズムによってCNVの「発見（Discovery）」が行われ、各CNVのゲノム座標・関連エクソン数・品質スコアが記録されます。最後の「統計的ジェノタイピング」ステップでは、ある検体でCNVが「見つからなかった」箇所についても、集団内の全検体で統一的に再評価します。これにより、親から子への遺伝（伝達）の検証や、親にはない新生突然変異（de novo変異）の識別が可能になり、最終的に標準的なVCFファイルとして出力されます[2]。

5. 他のCNV検出ツールとの比較

エクソームからのCNV検出ツールは、XHMM以外にも多数開発されてきました（ExomeDepth、CoNIFER、cn.MOPS、CODEX2など）。それぞれ前提とする統計モデルやノイズ処理の考え方が異なり、結果として「感度（見逃しの少なさ）」と「特異度（誤検出の少なさ）」のバランスに明確な差が生まれます。XHMMの立ち位置を理解するために、代表的なツールと比べてみましょう。

XHMM 対 ExomeDepth：正規化の哲学の違い

臨床研究でXHMMと並んでよく使われるのが「ExomeDepth」です。両者は正規化のアプローチが根本的に異なります。XHMMがコホート全体をひとつの行列として扱いPCAで俯瞰的にノイズをモデル化するのに対し、ExomeDepthは検体ごとに「リードデプスのプロファイルが最もよく似た検体」を動的に選んで最適な参照セットをつくり、それと比較します。また、XHMMがHMMで隣接エクソンの連続性を考慮するのに対し、ExomeDepthは各エクソンを独立に扱い、データの過分散を精度よく表せる「ベータ二項分布」を採用しています[2]。

性能面では、ExomeDepthは相関の高い参照検体が十分にそろう理想的な環境で非常に高い感度を発揮する一方、条件が悪いと検出力が落ちやすい傾向があります。対照的にXHMMの最大の強みは特異度（精度）の高さです。あるベンチマーク研究では、XHMMが93%という高い精度を示したのに対し、同じ条件でのExomeDepthの精度はより低い水準にとどまったと報告されています[4]。ただし、これは特定のデータセットでの代表値であり、条件次第で数字は変わる点には注意が必要です。

XHMM 対 GenomeSTRiP：使えるデータの違い

全ゲノムシーケンス（WGS）向けに設計された代表的ツールが「GenomeSTRiP」です。XHMMやExomeDepthはエクソームに最適化されており、純粋に「リードデプス（深さ）」だけを手がかりにします。これは前述のとおり、エクソームではCNVの境界がエクソン内に落ちる確率が低く、他の情報源を活かしにくいためです。一方GenomeSTRiPは、深度に加えて「スプリットリード（境界をまたいで読まれるリード）」や「不一致リードペア」という複数の情報源を統合できるため、変異の境界を塩基レベルで正確に特定できます。ただしパイプラインは複雑で、大規模な集団データを必要とするなど、運用の負担は大きくなります[2]。

主要ツールの性能比較（特定データセットでの代表値）

以下は、あるターゲットシーケンスデータセットにおける各ツールの代表的な性能を示したものです。XHMMは特異度（精度）で高い値を示す一方、CoNIFERやcn.MOPSは設定やデータ次第で感度・精度が大きく変動する傾向が報告されています[4]。これらはあくまで特定条件での値であり、普遍的な性能ではない点にご注意ください。

特性の一覧比較

これらの比較から見えてくるのは、XHMMが「不確かな信号による偽陽性を極力排除し、確度の高いものだけを抽出する」という保守的で信頼性重視の設計思想を持つ、ということです。この慎重さは、誤った結果が許されない臨床診断の現場で高く評価されてきました。

6. 臨床での役割：希少疾患の診断率を底上げする

XHMMの高い特異度と、Qスコアによる柔軟なフィルタリングは、世界の大規模な臨床ゲノム研究で実際に成果を上げてきました。特に、長年原因が分からなかった「未診断の希少疾患」の解決において、既存のエクソームデータからCNV解析を追加することは、診断率の向上とコスト削減の両面で理にかなっています。

大規模コホートでの診断率向上

Broad Instituteのメンデル遺伝性疾患センターが主導した研究では、標準的な遺伝子検査では長年診断がつかなかった6,633家系（計15,759人）を対象に、エクソームベースのCNVコールが実施されました[5]。その結果、171家系で疾患の直接の原因となるCNVが新たに特定され、コホート全体の診断率が2.6%向上しました。検出されたCNVは、米国臨床遺伝・ゲノム学会（ACMG）とClinGenのガイドラインに沿って評価され、151個が「病的（Pathogenic）」または「おそらく病的」と分類されています[5]。これは、全ゲノム解析の数分の一のコストで、従来の染色体マイクロアレイに代わる高解像度な選択肢を提供できることを示しています。

「NGSファーストアプローチ」の確立

エクソーム全体ではなく、特定の疾患関連遺伝子群のみを読むパネル検査でも、XHMMの威力が実証されています。原因不明の発達遅滞を抱える患者を対象とした研究では、まず過去に染色体マイクロアレイ（CMA）で解析済みの検体で検証を行い、システムの妥当性を確認したうえで、未診断の患者に最初からNGSパネルとXHMMを適用する「NGSファーストアプローチ」が実施されました。その結果、2人の患者で病的CNV（不均衡型転座と、自閉症などに関連する16p11.2重複）が正確に特定され、いずれも後のCMAやFISHで裏付けられました[6]。この検討で病的CNVの見逃し（偽陰性）と誤検出（偽陽性）がともに抑えられたことは、XHMMの高い特異度が臨床の要求に応え得ることを示すものです。

遺伝形式の解明とde novo変異の追跡

XHMMの統計的ジェノタイピング機能は、親から子への遺伝形式を解明するうえでも役立ちます。両親と子（トリオ）のデータを解析すると、メンデルの法則から期待される値とよく一致するコールセットが得られます[7]。品質スコアでフィルタリングしたXHMMのコールでは、子におけるCNVの数や親からの伝達率、新生突然変異（de novo変異）を持つ子の割合が、いずれも生物学的に妥当な水準に収まることが報告されており、XHMMの統計モデルが遺伝的背景の構築において堅牢であることを示しています[7]。こうした特性は、家族歴のない発達障害などで「本当に子で初めて生じた変異か」を見極める際に重要な意味を持ちます。

7. XHMMの限界と次世代ツールへの移行

XHMMはエクソームCNV検出の画期的なマイルストーンでしたが、技術の進歩とともにいくつかの構造的な限界に直面しています。ここは公平にお伝えすべき点です。

構造的な限界：検出できないもの

XHMMは「エクソームのリードデプスだけ」に依存する手法です。そのため、コピー数が変わらないタイプの構造変化——たとえば逆位（配列が逆さまになる）や平衡型転座（過不足なく入れ替わる）は、原理的に検出できません。また、複数の場所に曖昧にマッピングされる問題もあり、独立した検証研究では、XHMMが検出したCNVの一部が確認できなかったり、SNPアレイで見つかるde novo CNVの相当割合を見逃したりする例も報告されています[8]。加えて、少なくとも数個のエクソンにまたがる大きさがないと検出しにくいという制約もあります。だからこそ、XHMMの結果はCMAなど別手法での確認が欠かせないのです。

後継ツールGATK-gCNVへの移行

計算生物学のコミュニティでは、Broad Instituteが開発した次世代の後継ツール「GATK-gCNV」への移行が進んでいます。2018年にリリースされたGATK4に組み込まれたこのツールは、コホートからリードデプスの学習モデルを構築するというXHMMの基本思想を受け継ぎつつ、より高度なベイズ推論を用いた設計を採用しています[9]。UK Biobankの約19.7万人という超大規模なWESデータの解析では、GATK-gCNVは2エクソン以上の稀なコーディングCNVに対して最大95%という高い再現率を達成し、コピー数を絶対値として推定する能力も示しました[9]。XHMMが抱えていた「感度を上げると特異度が崩れる」という壁を、より高い次元で乗り越える試みとして評価されています。

ロングリード・全ゲノムへのシフト

もう一つの大きな変化は、シーケンス技術そのものの進化です。シーケンスコストの低下により、臨床でもエクソームから全ゲノム解析（WGS）への移行が進んでいます。さらに、ロングリードシーケンサー（ナノポアやPacBioなど）の普及により、数万塩基に及ぶ長いリードでゲノムの構造変化を直接「読み通す」ことが可能になってきました。これらの技術は、XHMMが苦手とする逆位や転座、複雑な再編成の全容把握を得意とします。飛び飛びのエクソン領域の深度だけに頼る手法の相対的な重要性は、今後徐々に低下していくと考えられます。

とはいえ、XHMMが「集団の分散を利用してノイズをモデル化する」という統計哲学は、GATK-gCNVなどの最新ツールへ確実に受け継がれています。世界中に蓄積された膨大なエクソームデータを再評価するうえで、その基礎概念の価値が失われることはないでしょう。

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

• [1] Using XHMM Software to Detect Copy Number Variation in Whole-Exome Sequencing Data. PMC. [PMC4065038]
• [2] Fromer M, Purcell SM. Discovery and statistical genotyping of copy-number variation from whole-exome sequencing depth. Am J Hum Genet. 2012. [PubMed 23040492]
• [3] XHMM Tutorial and Documentation (statgen). [statgen bitbucket]
• [4] Ximmer: a system for improving accuracy and consistency of CNV calling from exome data. PMC. [PMC6177737]
• [5] Exome CNV detection and classification in rare diseases. ASHG. [ASHG]
• [6] Challenges in detecting genomic copy number aberrations using next-generation sequencing data and the eXome Hidden Markov Model. PMC. [PMC4989049]
• [7] Discovery and Statistical Genotyping of Copy-Number Variation from Whole-Exome Sequencing Depth. PMC. [PMC3484655]
• [8] Robust identification of deletions in exome and genome sequence data based on clustering of Mendelian errors. bioRxiv. [bioRxiv]
• [9] GATK-gCNV enables discovery of rare copy number variants from exome sequencing data. PMC. [PMC10904014]

関連記事