AIとがん研究 ── 肺がん ── 2026-10-27
肺がんの治療・治験とAI
- From Drug Discovery to Precision Oncology: A Machine Learning–Driven Pharmaceutical Framework for Lung Cancer Treatment—A Joint Research Initiative Between Pakistan's Department of Pharmacy and China Pharmaceutical University抄録（全訳）
肺がんは、世界の医療でいまも特に難しい課題の一つである。肺がんは死亡率が高く、分子レベルで不均一であり、治療抵抗性も生じるため、世界的に対応が難しい疾患である。従来の医薬品開発にも限界がある。本研究では、機械学習を軸にした統合的な製薬フレームワークを作った。パキスタンの薬学部と中国薬科大学による共同研究である。狙いは三つある。抗がん剤の探索を速めること、治療反応を予測すること、精密腫瘍学を進めることである。データセットは、生物活性化合物 18,500 件、肺がん患者のプロファイル 3,200 件、薬物–標的相互作用の記録 12,600 件で構成した。これらには、分子記述子、ゲノムバイオマーカー、薬物動態特性、臨床での治療反応の特徴が含まれる。フレームワークでは複数の手法を組み合わせた。枠組みは、分子ドッキング、定量的構造活性相関モデル、ランダムフォレスト、XGBoost（Extreme Gradient Boosting）、深層ニューラルネットワークを統合したものである。これらで有望な治療化合物を見つけ、患者ごとの薬剤反応を予測した。分子スクリーニングで、抗がん化合物の候補 245 件を優先づけた。有望な抗がん化合物 245 件を優先し、このうち 38 件は、予測される結合親和性、薬らしさ（drug-likeness）、薬物動態プロファイルが良好だった。モデルを実験的に評価すると、XGBoost は正解率 95.2%、適合率 94.6%、再現率 95.8%、F1 スコア 95.2% だった。ランダムフォレスト（正解率 91.8%）と深層ニューラルネットワーク（正解率 93.7%）を上回った。さらに XGBoost の受信者動作特性曲線下面積は 0.974 で、予測の識別能は高かった。バイオマーカーに基づく解析で、EGFR 変異などが治療反応を左右する主な因子として特定された。具体的には、EGFR 変異、ALK 再構成、KRAS 変化、腫瘍関連の分子シグネチャーである。患者ごとに治療を層別化すると、薬剤と患者の組み合わせの精度は、従来のベースライン手法より 21.4% 向上した。計算による製薬スクリーニングにより、化合物の優先づけにかかる作業量は推定で 36.8% 減った。この比較製薬フレームワークから、パキスタンと中国の協力を強める余地も明らかになった。協力の対象は、人工知能を活用した医薬品開発、トランスレーショナル腫瘍学、個別化治療の研究である。以上の結果は、分子レベルの製薬解析と高度な機械学習を統合する手法の可能性を支持するものである。この統合により、計算による候補薬の優先づけを強化できる可能性がある。また、治療反応の予測を改善し、バイオマーカーに基づく臨床判断の支援を進められる可能性もある。多様な肺がん患者集団で臨床に導入する前に、さらなる実験的検証と、前向きの多施設臨床評価が欠かせない。
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：Aisha Aziz, Asma Khatoon, Uroosa Maqbool, Javeria, Wajeeha Ishrat, Kashaf Gul. From Drug Discovery to Precision Oncology: A Machine Learning–Driven Pharmaceutical Framework for Lung Cancer Treatment—A Joint Research Initiative Between Pakistan's Department of Pharmacy and China Pharmaceutical University. KJARD. 2026 Oct 25;2(10):175-97. doi:10.71317/kjard.2.10.2026.914.確認の範囲：抄録のみ確認