AIとがん研究 ── 乳がん ── 2026-10-27
乳がんの治療・治験とAI
- Machine Learning Classification of Breast Cancer Molecular Subtypes and Clinical Phenotypes from GEO Expression Cohorts, with a Leakage-Controlled External Validation Protocol on GSE1456抄録（全訳）
背景：乳がんには、生物学的に異なる内因性サブタイプがあり、サブタイプごとに転帰が違う。公開データベース GEO（Gene Expression Omnibus）のコホートを使えば、再現できる形で計算機による分類ができる。しかし、テストセットが小さい、ラベルがそろっていない、情報が漏洩している、といった問題がよくある。そのため、報告される性能は実際より高く出やすい。本研究では、発現データから乳がんのサブタイプと臨床表現型を分類した。さらに、サブタイプ分類が独立したコホートでも通用するかを調べた。
方法：Affymetrix の 4 コホート（GSE20685、GSE45827、GSE2034、GSE7390）を、共通のパイプラインで処理した。手順は、プローブから遺伝子への注釈付け、品質管理、発現変動遺伝子（DEG）による特徴量選択である。特徴量選択は、訓練用に分けたデータだけで行った。分類器には、ロジスティック回帰、サポートベクターマシン（SVM）、ランダムフォレストを使い、80/20 の層化ホールドアウトで評価した。評価は 80/20 の層別ホールドアウトで行った。予測の対象は、各コホートで利用できるラベルとした。次に、GSE45827 で入れ子交差検証（CV）を使ってモデルを訓練した。このモデルを、独立した外部コホートの GSE1456 で 1 回だけ検証した。
結果：ホールドアウトでの正解率は、6 つの分子クラスター（GSE20685）で 90.9〜92.4% だった。4 つのサブタイプ（GSE45827）では 96.2〜100% だった。骨再発（GSE2034）では 70.7〜79.3%、エストロゲン受容体（ER）の状態（GSE7390）では 80.0〜90.0% だった。GSE2034 では、多数クラスの基準値（75.9%）を明確に上回るモデルはなかった。GSE1456（ラベル付きの腫瘍 102 例）では、入れ子 CV で選んだ SVM の正解率は 48.0% にとどまった。入れ子型交差検証で選んだ SVM の内部正解率は 97.4% だった。ブートストラップによる 95% 信頼区間は 38〜58 で、多数クラスの基準値は 38.2% だった。基底細胞様型（Basal、再現率 0.88）と HER2 型（0.80）の腫瘍は、一部が外部コホートでも通用した。ルミナル A 型（0.21）とルミナル B 型（0.30）は通用しなかった。 同じコホートの中では、発現に基づく分類はサブタイプと ER のラベルでは正確だが、再発では正確でない。再発の分類は正確ではなかった。サブタイプ分類は、独立したコホートには確実には通用しなかった。外部での正解率（48.0%）は、内部での推定値（97.4%）を大きく下回った。 キーワード：乳がん、特徴量選択、GEO、差次的発現、外部検証、PAM50
掲載誌の IF 相当：0.0（OpenAlex の直近 2 年の平均被引用数・2026-10-26 時点の値、2026-10-27 に取得。正式な IF（Clarivate）ではない）書誌：ANUSHKA CHOUDAHA. Machine Learning Classification of Breast Cancer Molecular Subtypes and Clinical Phenotypes from GEO Expression Cohorts, with a Leakage-Controlled External Validation Protocol on GSE1456. Int J Oncol Res. 2026 Oct 25;1(1):73-83. doi:10.64823/ijor.2601005.確認の範囲：抄録のみ確認 - Development and External Validation of an M2 Macrophage-Related Prognostic Signature in Breast Cancer Using Multi-Omics Data and Machine Learning.抄録（全訳）
目的：腫瘍関連マクロファージ（TAM）、特に M2 様の表現型は、乳がんの進行を中心となって制御している。しかし、TAM の機能の不均一性と生物学的な機序をとらえ、臨床で使えるモデルはまだ少ない。 対象と方法 単一細胞 RNA シーケンス、空間トランスクリプトミクス、バルク RNA-seq のデータを統合した。単一細胞 RNA シーケンス、空間トランスクリプトミクス、バルク RNA-seq を統合し、M2 マクロファージを中心とする遺伝子の全体像を構築した。TCGA-BRCA コホートを訓練セットとし、10 分割交差検証に基づく機械学習の枠組みで予後シグネチャーを作った。外部検証には、独立した GSE96058 コホートを使った。免疫細胞の浸潤、ゲノム不安定性、経路の活性、細胞間コミュニケーションも解析した。さらに、乳がん細胞とマクロファージで KLF4 を調べた。乳がん細胞とマクロファージでの KLF4 を、qRT-PCR、ウェスタンブロット、siRNA によるノックダウン、Transwell 共培養系で調べた。
結果：16 遺伝子からなる M2 マクロファージ関連シグネチャー（M2MMS）を特定した。M2MMS を使うと、両コホートとも、生存転帰の異なるサブグループに患者を分けることができた。高リスクの腫瘍では M2 マクロファージが多く、微小環境は免疫抑制的だった。ゲノム不安定性も高く、E2F と MYC の増殖プログラムが活性化していた。細胞間コミュニケーションの解析では、腫瘍と腫瘍微小環境（TME）の間の主なシグナル軸として MDK-NCL が見つかった。KLF4 は乳がん細胞で発現が高く、共培養後のマクロファージでも発現が上がった。KLF4 をサイレンシングすると、CD206 の誘導が弱まった。このことから、in vitro では、腫瘍細胞が誘導する M2 様分極に KLF4 が機能的に関わっていると考えられる。 M2MMS は、M2 マクロファージによる免疫の再構築と乳がんの予後を結び付け、リスク層別化と機序の検討の基盤となる。リスク層別化や機序の研究の土台になる。KLF4 は、腫瘍細胞とマクロファージの相互作用を in vitro で調節する結節点にあたる。in vivo での KLF4 の役割と、M2MMS の臨床での有用性は、さらに検証する必要がある。
掲載誌の IF：不明（照合できず）書誌：Liu Y, Liu Y, Wang H, Xiao Z, Chang X, Li Z, et al. Development and External Validation of an M2 Macrophage–Related Prognostic Signature in Breast Cancer Using Multi-Omics Data and Machine Learning. Breast Cancer (Dove Med Press). 2026 Oct;Volume 18:1-18. doi:10.2147/bctt.s636369. PMID: 42928788.確認の範囲：抄録のみ確認