AIとがん研究 ── 前立腺がん ── 2026-10-11
前立腺がんの治療・治験とAI
- A machine learning–derived E2F-G2M signature for prognostic stratification and therapeutic targeting in aggressive prostate cancer抄録（全訳）
前立腺がん（PCa）は、臨床像のばらつきがきわめて大きい。しかし、現在の予後予測ツールでは、悪性度の高い進行を駆動する分子要因をとらえきれない。E2F が駆動する増殖と G2/M チェックポイント制御は、機能的に互いに作用し合う。この相互作用は、細胞周期の調節異常と DNA 損傷修復への依存とを結ぶ中核の軸である。それでも、この相互作用（クロストーク）をとらえる統合シグネチャーはまだない。
著者らは独自の AutoML R パッケージを開発した。このパッケージを使い、複数の独立した PCa コホートで予後モデルを系統的に構築し、性能を比べた。こうして統合 E2F-G2M シグネチャーを確立し、計 1,128 例からなる 5 つの独立コホートで検証した。さらに、ゲノムの特徴解析、薬剤感受性の予測、実験的検証を行った。E2F-G2M シグネチャーの生物学的特徴と治療上の意味を調べるため、ゲノム解析、薬剤感受性の予測、実験的検証を行った。
E2F 経路と G2/M 経路は、いずれも PCa の進行に伴って一貫して活性化していた。どちらの経路も、それぞれ独立に不良な転帰を予測した。統合 E2F-G2M シグネチャーの C-index は、外部 PCa コホート 4 つで平均 0.78 であった。この値は、単一経路のモデル、従来の臨床変数、既報のシグネチャーのいずれよりも高かった。
E2F-G2M 高値の腫瘍では、がん抑制遺伝子の変化が繰り返し認められた。AR シグナルの減弱や、神経内分泌様の特徴もみられた。また、E2F-G2M 高値の腫瘍は PARP 阻害薬に感受性を示した。一部の複製ストレス標的薬（ATR 阻害薬、WEE1 阻害薬、CHK1/2 阻害薬）にも感受性を示した。一方、CDK4/6 阻害薬と ATM 阻害薬への感受性は低かった。E2F 関連の細胞周期プログラムと G2/M チェックポイント制御をともに標的とする併用戦略も調べた。その相乗効果は状況に依存し、RB1 の状態と関連していた。
統合 E2F-G2M シグネチャーは、悪性度の高い PCa の表現型をとらえる頑健な予後予測の枠組みであり、治療上の脆弱性となりうる標的も示す。
掲載誌の IF 相当：10.3（OpenAlex の直近 2 年の平均被引用数・2026-10-10 時点の値、2026-10-11 に取得。正式な IF（Clarivate）ではない）書誌：Wang L, Wang L. A machine learning–derived E2F-G2M signature for prognostic stratification and therapeutic targeting in aggressive prostate cancer. Cell Commun Signal. 2026 Oct 9 [Epub ahead of print]. doi:10.1186/s12964-026-03276-2.確認の範囲：抄録のみ確認 - Interpretable Machine Learning Prognostic Model Integrating Inflammatory-Nutritional Biomarkers for Post-Prostatectomy Biochemical Recurrence: Development, Internal Validation, and Translational Target Exploration抄録（全訳）
目的：腹腔鏡下前立腺全摘除術（LRP）後の生化学的再発（BCR）は、前立腺がん（PCa）患者の長期生存に大きく影響する。本研究の目的は二つある。一つは、無再発生存期間（RFS）を予測する解釈可能な機械学習モデルを開発し、検証することである。モデルには臨床病理学的特徴と、術前の炎症・栄養指標を統合する。もう一つは、分子治療標的の候補を探ることである。
方法：首都医科大学附属北京朝陽医院で LRP を受けた PCa 患者 320 例の後ろ向きコホートを解析した。LRP 前の人口統計学的変数、臨床病理学的変数、7 つの複合炎症・栄養指標を統合した。解析には Mime を基盤とする機械学習の生存解析パイプラインを用いた。このパイプラインは、Cox 回帰に基づく特徴量選択と生存解析アルゴリズムを組み合わせたものである。 モデルの性能は、一致指数（C-index）、時間依存 ROC、較正曲線、決定曲線解析（DCA）で評価した。モデルの解釈と臨床上のカットオフ値の導出には、SHAP（SHapley Additive exPlanations）を用いた。さらに、BCR、リンパ球・単球比（LMR）、予後栄養指数（PNI）に共通する遺伝子を GeneCards で特定した。そのうえで、薬剤感受性スクリーニングと分子ドッキングを行った。
結果：StepCox[both] とランダムサバイバルフォレストを組み合わせたモデルの性能が最も高く、検証での C-index は 0.788 であった。SHAP 解析で、再発を予測する上位 5 因子が分かった。術前 LMR、PNI スコア、術後 Gleason スコア 8 以上、切除断端陽性、脈管侵襲である。モデルから導いたカットオフ値は、LMR = 3.9、PNI = 48.8 であった。 BCR、LMR、PNI に共通する標的が、GeneCards を用いた共通部分の解析で 1211 個見つかった。上位は TP53 と PTEN であった。薬剤感受性解析と分子ドッキングから、sabutoclax や dordaviprone などの化合物がこれらの標的に抑制的に働く可能性が示された。
結論：本モデルは、術後 PCa 患者に対する頑健で解釈可能なリスク層別化に役立つ可能性がある。臨床的な表現型の評価と探索的な分子ドッキングを組み合わせることで、予後指標から治療仮説の候補へとつながる道筋が示された。さらなる前向きの検証が必要である。
掲載誌の IF 相当：3.5（OpenAlex の直近 2 年の平均被引用数・2026-10-10 時点の値、2026-10-11 に取得。正式な IF（Clarivate）ではない）書誌：Wang H, Zhang Y, Li Z, Wu J, Cao H, Gan L, et al. Interpretable Machine Learning Prognostic Model Integrating Inflammatory-Nutritional Biomarkers for Post-Prostatectomy Biochemical Recurrence: Development, Internal Validation, and Translational Target Exploration. Curr Oncol. 2026 Oct 9;33(10):608. doi:10.3390/curroncol33100608.確認の範囲：抄録のみ確認