AIとがん研究 ── がん一般 ── 2026-10-26

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

• scGlycoAI：単一細胞の糖鎖・RNA シーケンスデータの機械学習解析による細胞型の判定と悪性に関わる糖鎖の探索
  scGlycoAI: Machine learning analysis of single-cell glycan and RNA sequencing data for cell-type annotation and malignancy-associated glycan discovery.
  Glycobiology · 2026-10-24 · 証拠の段階: 前臨床（単一細胞データの機械学習解析と TCGA コホートの後ろ向き解析）
  抄録（全訳）

  単一細胞糖鎖・RNA シーケンス（scGR-seq）を使うと、細胞ごとの糖鎖の違い（不均一性）を調べられる。本研究では scGlycoAI を作った。scGlycoAI は、scGR-seq データを統合して糖鎖を軸にした生物学的発見を進める、解釈可能な機械学習の枠組みである。

  入力にはレクチン結合プロファイルを使う。階層的な機械学習により、複雑な腫瘍微小環境の中で細胞型とそのサブタイプを正確に分類する。

  膵管腺がん（PDAC）のデータセットに適用した。糖鎖の特徴量だけを用い、患者を 1 人ずつ除いて検証する方法（leave-one-patient-out）で評価した。8 クラス分類の全体の正解率は 90.3% だった。

  糖鎖シグネチャーは、トランスクリプトームのプロファイルより次元が低い。糖鎖シグネチャーは、トランスクリプトームより次元が低いにもかかわらず、頑健な細胞型の注釈に十分だった。糖鎖シグネチャーが細胞型に固有の分子シグネチャーであることも示された。

  特徴量の重要度を解析した結果、PVL レクチンの結合が、悪性度の高いがんの状態を特徴づける重要な特徴量だと分かった。PVL の結合は、シアル酸が付いた糖鎖か GlcNAc を含む糖鎖、またはその両方の認識を反映する。

  さらに、ニューラルネットワークのモデルに SHAP による解釈を組み合わせて解析した。PVL の結合が高いことは、以下の転写プログラムと関連していた。上皮間葉転換、KRAS シグナル伝達、細胞外マトリックスのリモデリング、炎症反応に関わるプログラムである。

  TCGA の膵腺がんコホートでは、PVL 関連の遺伝子シグネチャーの発現が高いことは、全生存期間が短いことと関連していた。

  以上の結果は、糖鎖に基づく機械学習が細胞を正確に分類できることを示唆する。糖鎖に基づく機械学習で、細胞を正確に分類できる。同時に、悪性に関わる糖鎖の状態について、単一細胞の解像度で生物学的な知見が得られることも示唆される。この枠組みは、糖鎖を軸にしたバイオマーカーの探索と、糖鎖を標的とする治療法の開発の基盤になる。

  掲載誌の IF 相当：2.3（OpenAlex の直近 2 年の平均被引用数・2026-10-25 時点の値、2026-10-26 に取得。正式な IF（Clarivate）ではない）
  書誌：Anh DXT, Tateno H. scGlycoAI: Machine learning analysis of single-cell glycan and RNA sequencing data for cell-type annotation and malignancy-associated glycan discovery. Glycobiology. 2026 Oct 24 [Epub ahead of print]. doi:10.1093/glycob/cwag100. PMID: 42925266.
  確認の範囲：抄録のみ確認
• 分布マッチングに基づく個別化連合学習による多施設・異モダリティ間の肝臓画像位置合わせ
  Distribution matching based personalized federated learning for multi-center, cross-modal liver image registration.
  Medical image analysis · 2026-10-19 · 証拠の段階: 前臨床（画像解析手法の開発と、多施設 MRI データセットでの検証）
  抄録（全訳）

  臨床の肝臓 MRI では、拡散強調画像（DWI）とダイナミック造影（DCE）画像がよく使われる。特に肝腫瘍の診断と評価で使われ、2 つは互いを補うシーケンスである。2 つを正確に位置合わせ（レジストレーション）できれば、その後の定量解析や、複数のモダリティの画像を使った評価がしやすくなる。

  画像の位置合わせでは、深層学習が目覚ましく進歩した。それでも、マルチパラメトリックな肝臓画像では大きな課題が残っている。主な理由は次の 4 つである。コントラストの差が大きいこと、呼吸による動きが目立つこと、単一施設の学習データが限られること、施設間でデータが不均一なことである。

  本研究では、多施設のデータセットを対象に、肝臓の DWI と DCE の間で位置合わせを行う枠組みを提案した。

  まず、マルチタスクの SynReg で画像合成と位置合わせを一体化し、モダリティ間の見た目の差を減らして変形位置合わせを助ける。SynReg は、画像合成と位置合わせを一つの構造にまとめたものである。これにより、モダリティ間の見え方の違いを小さくし、変形を伴う位置合わせをしやすくする。

  施設間の不均一性の下での個別化学習を改善するため、SynReg を基盤に個別化分散型分布マッチング（PDDM）を提案した。PDDM は SynReg を基盤（バックボーン）とする。

  PDDM は、互換性のある外部の訓練症例を見つけ、クライアントごとに協調関係を構築して、互換性を考慮した選択的な協調を行う。具体的には、外部の学習症例のうち互換性のあるものを見つけ、クライアント（参加施設）ごとに協調関係を組む。互換性の指標には、軽量な信号雑音比（SNR）の分布を使う。合成の部分は各クライアントの手元に残す。互換性の指標には SNR の分布を使い、合成部分は各施設に残し、位置合わせネットワークだけを互換性のあるクライアント間で集約する。

  評価には、5 つの医療施設で集めた 6 つのデータセットを使った。データは 3 社の MRI 装置で、低 b 値と高 b 値の両方の条件で撮像した。

  PDDM の位置合わせ性能は、単一施設での学習より一貫して良好だった。PDDM は、単一施設での学習や代表的な個別化連合学習より一貫して良い位置合わせ性能を示し、データを集約する集中学習にもほぼ並んだ。データを一か所に集めて学習する方法と比べると、ほぼ互角だった。

  PDDM を、ほかのマッチング戦略とも比較した。PDDM は、施設・b 値の条件・位置合わせの評価指標のどれでも、全体として最も一貫して良好な性能を示した。

  以上の結果は、互換性を考慮した選択的な協調が、個別化した多施設の肝臓画像位置合わせに有効な戦略であることを支持する。コードは https://github.com/ZIC-skyzrc/PDDM-SynReg で公開予定である。コードは https://github.com/ZIC-skyzrc/PDDM-SynReg で公開される予定である。

  掲載誌の IF 相当：12.5（OpenAlex の直近 2 年の平均被引用数・2026-10-25 時点の値、2026-10-26 に取得。正式な IF（Clarivate）ではない）
  書誌：Zheng R, Yu H, Wu X, Xia X, Li R, Wang Q, et al. Distribution matching based personalized federated learning for multi-center, cross-modal liver image registration. Medical Image Analysis. 2027 Feb;116:104365. doi:10.1016/j.media.2026.104365.
  確認の範囲：抄録のみ確認

← この号の目次へ