AIとがん研究 ── 膀胱がん ── 2026-10-07

対象誌と選び方は索引の頁に

膀胱がんの治療・治験とAI

• 核の特徴量を用いて上部尿路上皮がんの再発を予測する新しい機械学習モデル
  A novel machine-learning model using nuclear features to predict upper tract urothelial carcinoma recurrence
  Scientific Reports · 2026-10-05 · 証拠の段階: 観察研究（モデル開発と独立テストコホートでの検証）
  抄録（全訳）

  上部尿路上皮がん（UTUC）はまれながんで、尿路上皮がん全体の 5% 未満を占める。症状が目立たないため、進行した病期で診断されることが多い。根治的腎尿管全摘除術後の再発は、まだ対処が難しい。術後の管理は主に病理学的因子で決まる。T 分類やリンパ節転移の有無などである。しかし、これらの因子では治療の強化が有益な患者を正確に見分けられない。シスプラチンによる腎毒性の懸念もあり、この点は特に問題となる。そこで、人工知能（AI）を用いた病理モデルを使い、UTUC の定量的な核特徴量から術後再発を予測した。UTUC 患者 222 例のうち、再発例が十分にある pT3 症例（n = 68）でモデルを訓練した。サポートベクターマシン（SVM）モデルとランダムフォレスト（RF）モデルを訓練した。患者単位のモデル性能を評価し、独立したテストコホート（n = 50）で検証した。内訳は pT1 が 12 例、pT2 が 11 例、pT3 が 22 例、pT4 が 5 例である。pT3 症例での患者単位の正解率は、RF で 77.3%、SVM で 63.6% であった。独立した pT1〜pT4 コホート全体の正解率は、RF で 80%、SVM で 68% であった。モデルに基づくリスク層別も行った。各モデルで予測再発確率が 0.5 以上なら 1 点とし、0 点を低リスク、1 点を中間リスク、2 点を高リスクとした。この層別で、独立テストコホート（pT1〜pT4）の無再発生存期間に有意な差が出た。リスク群は低リスク 7 例、中間リスク 8 例、高リスク 35 例であった（ログランク検定 P = 0.01）。低リスク群では再発がなかった。

  掲載誌の IF 相当：5.2（OpenAlex の直近 2 年の平均被引用数・2026-10-04 時点の値、2026-10-05 に取得。正式な IF（Clarivate）ではない）
  書誌：Muraoka R, Saito A, Tokuyama N, Matsubara S, Shen B, Tsujino T, et al. A novel machine-learning model using nuclear features to predict upper tract urothelial carcinoma recurrence. Sci Rep. 2026 Oct 5 [Epub ahead of print]. doi:10.1038/s41598-026-72946-5.
  確認の範囲：抄録のみ確認
• 機械学習で特定した膀胱がんのユビキチン化関連予後シグネチャーと治療標的候補 NRDP1
  Machine learning-driven identification of a ubiquitination-related prognostic signature and potential target NRDP1 in bladder cancer
  Scientific Reports · 2026-10-05 · 証拠の段階: 前臨床（トランスクリプトーム解析と細胞実験）
  抄録（全訳）

  ユビキチン化が制御する分子イベントは、膀胱がん（BCa）の発生と進行に重要な役割を果たす。しかし、臨床で使えるユビキチン化関連の予後モデルはまだ少ない。本研究は、機械学習を用いて BCa のユビキチン化関連予後シグネチャーを構築することを目的とした。BCa のトランスクリプトームを、10 種類の機械学習アルゴリズムと 101 通りのパラメータの組み合わせで解析した。予後モデルの検証には、時間依存性の受信者動作特性曲線、Kaplan-Meier 生存解析、ノモグラムの構築、多変量 Cox 回帰を用いた。生物学的な機能を調べるため、免疫微小環境の解析（CIBERSORT アルゴリズム）と遺伝子セット濃縮解析（GSEA）を行った。治療標的の候補を探すため、分子ドッキングも行った。分子ドッキング実験には、PubChem の化合物ライブラリ、Protein Data Bank の構造、CB-DOCK2 プラットフォームを用い、潜在的な薬剤標的を絞り込んだ。その後、実験による検証も行った。検証には、ポリメラーゼ連鎖反応（PCR）、細胞遊走アッセイ（Transwell アッセイと創傷治癒アッセイ）、細胞増殖の評価（コロニー形成アッセイと CCK-8 アッセイ）を用いた。トランスクリプトーム解析で、BCa に特有のユビキチン化関連の発現変動遺伝子（DEG）が 106 個見つかった。このうち、単変量 Cox 回帰で予後に関わる 9 遺伝子を絞り込んだ。機械学習で作ったユビキチン化関連の予後シグネチャーは、従来の臨床的予測因子より性能が高かった。このユビキチン化関連の予後シグネチャーにより、BCa 患者を高リスク群と低リスク群に正確に層別できた。ドッキング計算では、E3 ユビキチンリガーゼ NRDP1 と古典的な薬剤の間に強い結合親和性が示された。特に、NRDP1 をノックダウンすると BCa 細胞の遊走能が大きく低下した。本研究では、機械学習による BCa の予後モデルを作り、NRDP1 を BCa の重要な予後因子かつ治療標的として特定した。また、機械学習とユビキチン化生物学を組み合わせる価値を示した。

  掲載誌の IF 相当：5.2（OpenAlex の直近 2 年の平均被引用数・2026-10-04 時点の値、2026-10-05 に取得。正式な IF（Clarivate）ではない）
  書誌：Zhong Z, Zheng F, Li S, He J, Yuan Y, Deng X, et al. Machine learning-driven identification of a ubiquitination-related prognostic signature and potential target NRDP1 in bladder cancer. Sci Rep. 2026 Oct 5;16(1):30948. doi:10.1038/s41598-026-67956-2.
  確認の範囲：抄録のみ確認

← この号の目次へ