AIとがん研究 ── がん一般 ── 2026-10-14

対象誌と選び方は索引の頁に

がん一般の分子生物学の進展とAI

• 乳がん・肺がん・大腸がん・卵巣がんの早期発見と精密管理のための自己進化型デジタルツイン・エコシステム
  Self-Evolving Digital Twin Ecosystems for Early Detection and Precision Management of Breast, Lung, Colorectal, and Ovarian Cancers
  International Journal of Drug Delivery Technology · 2026-10-12 · 証拠の段階: 後ろ向きの観察（多施設コホートと仮想試験シミュレーション）
  抄録（全訳）

  背景：マルチオミクス解析、ラジオミクス、高度な機械学習が組み合わさったことで、精密腫瘍学に新しい道が開けた。それでも既存の計算フレームワークは静的なままである。新たに得られる患者データを取り込めず、治療成績を動的にシミュレーションすることもできない。自己進化型デジタルツイン・エコシステムは、この問題を解決する手段となる。患者ごとの仮想モデルを、実際の臨床経過と絶えず同期させるからである。

  目的：自己進化型デジタルツイン・エコシステムを開発し、検証すること。このシステムは、臨床・ゲノム・トランスクリプトーム・プロテオーム・ラジオミクス・病理のデータを統合する。対象は乳がん、肺がん、大腸がん、卵巣がんである。用途は、がんの早期発見、病勢進行の予測、個別化した治療の最適化である。

  方法：多施設の後ろ向きコホートとして 400 例を集めた（乳がん n=120、肺がん n=100、大腸がん n=100、卵巣がん n=80、年齢 25〜75 歳）。デジタルツインは 6 層の枠組みで構築した。中核には、モダリティ横断型トランスフォーマーの基盤モデルを置いた。比較対象には Random Forest、XGBoost、ディープニューラルネットワーク（DNN）を用いた。主な性能指標は、正解率、適合率、再現率、F1 スコア、受信者動作特性（ROC）曲線下面積（AUC）とした。あわせて、仮想臨床試験のシミュレーションと特徴量重要度の解析を行った。

  結果：基盤モデルは、すべての指標で比較モデルより高い性能を示した（正解率 0.921、AUC 0.947）。比較モデルの正解率と AUC は、Random Forest が 0.812 と 0.847、XGBoost が 0.841 と 0.879、ディープニューラルネットワークが 0.873 と 0.906 であった。予測に最も寄与した特徴量は、腫瘍の病期、TP53 変異、EGFR 変異であった。リスク層別化では、低リスクが 148 例（37.0%）、中リスクが 153 例（38.3%）、高リスクが 99 例（24.8%）であった。仮想試験のシミュレーションでは、高リスク群で予測される無増悪生存期間が 23.4% 改善した。

  結論：自己進化型デジタルツイン・エコシステムは、従来の機械学習の手法を大きく上回った。複数のがん種にまたがり、精密腫瘍学の意思決定をリアルタイムで支援する。臨床で実際に活用でき、状況に応じて適応するプラットフォームである。

  掲載誌の IF 相当：0.0（OpenAlex の直近 2 年の平均被引用数・2026-10-07 時点の値、2026-10-08 に取得。正式な IF（Clarivate）ではない）
  書誌：[No authors listed]. Self-Evolving Digital Twin Ecosystems for Early Detection and Precision Management of Breast, Lung, Colorectal, and Ovarian Cancers. IJDDT. 2026 Oct 12;16(65s). doi:10.25258/ijddt.16.65s.22.
  確認の範囲：抄録のみ確認
• 時間方向のアテンションによる細胞運命の予測
  Understanding cell fate decisions with temporal attention
  PLoS Computational Biology · 2026-10-12 · 証拠の段階: 前臨床（がん細胞のライブイメージングを用いた in vitro 研究）
  抄録（全訳）

  遺伝的に同一の細胞でも、同じ治療条件で異なる転帰をたどることがある。そのため、細胞の運命を決める非遺伝的な要因を理解することは、がん治療の開発と改善に欠かせない。本研究では、深層学習で細胞の運命を予測する手法を作った。入力は、化学療法薬で処理したがん細胞集団を長時間撮影したライブセル画像の生データである。Transformer モデルには、生の画像系列から細胞の運命を直接予測するよう学習させた。あらかじめ定めた形態的・分子的な特徴量には頼らない。分類に加えて、説明可能性を包括的に評価する枠組みも導入した。モデルの予測がどの時間的・形態的な手がかりに基づくかを解釈するためである。

  その結果、動画だけから細胞の転帰を予測できることを示した。モデルのバランス正解率は 0.94、F1 スコアは 0.93 であった。アテンションとマスキングの実験からは、運命を予測する信号が細胞軌跡の最終フレームだけにあるわけではないことが示された。事象の 8 時間前までは、信頼できる予測が可能であった。予測に有用な情報の時間的な分布は、有糸分裂の系列とアポトーシスの系列で異なっていた。細胞の転帰の決定には、細胞形態と p53 シグナル伝達も関与していた。

  以上の結果から、アテンションに基づく時間モデルで細胞の運命を正確に予測できることが示された。同時に、細胞の意思決定を左右する非遺伝的な要因について、生物学的に解釈可能な知見も得られた。

  掲載誌の IF 相当：4.7（OpenAlex の直近 2 年の平均被引用数・2026-10-13 時点の値、2026-10-14 に取得。正式な IF（Clarivate）ではない）
  書誌：Bürger F, Dias Gomes M, Granada AE, Moreau N, Bozek K. Understanding cell fate decisions with temporal attention. PLoS Comput Biol. 2026 Oct 12;22(10):e1014813. doi:10.1371/journal.pcbi.1014813.
  確認の範囲：抄録のみ確認

← この号の目次へ