AIとがん研究 ── 2026-10-27
がんと AI に関わる新しい論文を、各誌のホームページの配信・PubMed（誌を問わない検索）・OpenAlex（Google Scholar の代わりの公開の索引）から集め、Jev（言葉の判断をする AI）が「原著研究か」「AI が中心か」「13 のテーマのどれか」「治療・治験に関わるか」を判定し、重要度の高いものから 1 日の上限まで選んだ一覧です。誌の IF では絞らず、論文ごとに掲載誌の IF 相当（OpenAlex の直近 2 年の平均被引用数）とその時点を示します。各論文の抄録（アブストラクト）を全文和訳して載せています（Claude による機械翻訳。原文は題のリンク先）。
がん種別に読む: がん一般（2） · 乳がん（2） · 肺がん（1） · 膵がん（0） · 前立腺がん（0） · 腺様嚢胞癌（0） · 脳腫瘍（0） · 卵巣がん（0） · 子宮体がん（0） · 胃がん（1） · 肝臓がん（0） · 腎臓がん（0） · 膀胱がん（0）
がん一般の分子生物学の進展とAI
- Deep learning mitigates batch effects in Raman spectroscopy抄録（全訳）
ラマン分光法は、生体試料から分子レベルの豊富な情報が得られるため、広く使われている。ただし、スペクトルは感度が高いので、目的外の情報まで意図せず入り込むことがある。たとえば、患者を識別できる情報、装置に固有の特徴、環境条件、試料の扱い方などである。こうしたデータに隠れた構造はバッチ効果と呼ばれる。機械学習で使う場面では、バッチ効果が大きな問題になりつつある。モデルが過学習し、汎化性能が下がることがある。データセットを共有するときには、プライバシーのリスクにもなりうる。本研究では、神経膠腫（グリオーマ）の腫瘍検体から得たラマン分光データセットを対象にした。バッチ効果があるかどうか、あるならどう影響するかを調べた。深層学習を使うと、1 本のスペクトルから患者を正確に言い当てることができた。データに強い偏りのパターンがあることが分かった。この問題を抑えるために、いくつかの手法を検討した。そのうえで、敵対的深層学習に基づくアルゴリズムの枠組みを作った。この手法で、検体ごとの交絡シグナルの影響を効果的に減らせた。腫瘍の分類に必要な情報は保たれた。以上の結果は、ラマン分光を使う AI パイプラインでは偏りを注意深く制御する必要があることを示す。生物医学の分光法で、より頑健な応用を支えるツールも提供する。
掲載誌の IF 相当：5.2（OpenAlex の直近 2 年の平均被引用数・2026-10-04 時点の値、2026-10-05 に取得。正式な IF（Clarivate）ではない）書誌：Sjöberg J, Lita A, Larion M, Petre I. Deep learning mitigates batch effects in Raman spectroscopy. Sci Rep. 2026 Oct 26;16(1):34019. doi:10.1038/s41598-026-62086-1.確認の範囲：抄録のみ確認 - UpTCR: a unified progressive knowledge transfer foundation model for robust T-cell receptor-antigen binding recognition.抄録（全訳）
T 細胞受容体（TCR）は、ヒト白血球抗原（HLA）分子が提示する抗原ペプチドを認識する。この認識は、適応免疫と、T 細胞を使う免疫療法の土台になっている。しかし、相互作用の完全なデータが乏しく、TCR に交差反応性もあるため、頑健な予測は難しい。そのため、頑健に予測するのは難しい。UpTCR は、不完全なデータから学習し、TCR・抗原・HLA の結合を予測する基盤モデルである。本研究の UpTCR は、段階的な知識転移を統合した基盤モデルで、不完全なデータから TCR・抗原・HLA の結合を予測する。UpTCR は、二量体と三量体の相互作用から得た知識を四量体の複合体へ段階的に移し、ソフト対照学習で偽陰性を抑える。偽陰性を減らすために、ソフト対照学習も使う。UpTCR は、TCR の結合特異性と抗原・HLA の結合親和性の予測で既存の手法を上回り、特にネオ抗原で顕著だった。特にネオアンチゲンで成績が良かった。また、四量体全体にわたる、残基レベルの対ごとの相互作用も明らかにする。データの少ない乳がんコホートにも、効果的に転用できた。メラノーマ（悪性黒色腫）抗原の変異体を対象に、前向きの検証も行った。その結果、T 細胞応答を引き起こす免疫原性ペプチドが 8 個見つかった。免疫逃避に関わる変異体も 1 個見つかった。以上の結果から、UpTCR は汎化性と解釈性を備えたツールとして確立された。このツールは、抗原認識の研究と、TCR を用いた免疫療法の推進に役立つ。
掲載誌の IF 相当：18.1（OpenAlex の直近 2 年の平均被引用数・2026-10-06 時点の値、2026-10-07 に取得。正式な IF（Clarivate）ではない）書誌：Lv T, Xiao Y, Chen L, He B, Zhong M, Feng Z, et al. UpTCR: a unified progressive knowledge transfer foundation model for robust T-cell receptor-antigen binding recognition. Nat Commun. 2026 Sep 24;17(1):11086. doi:10.1038/s41467-026-78075-x. PMID: 42928063.確認の範囲：抄録のみ確認
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
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
膵がんの治療・治験とAI
この号では、新しい該当論文はありませんでした。
前立腺がんの治療・治験とAI
この号では、新しい該当論文はありませんでした。
腺様嚢胞癌の治療・治験とAI
この号では、新しい該当論文はありませんでした。
脳腫瘍の治療・治験とAI
この号では、新しい該当論文はありませんでした。
卵巣がんの治療・治験とAI
この号では、新しい該当論文はありませんでした。
子宮体がんの治療・治験とAI
この号では、新しい該当論文はありませんでした。
胃がんの治療・治験とAI
- Contrast-enhanced CT radiomics for predicting radiotherapy response in gastric cancer: Model development and validation抄録（全訳）
背景：胃がんは、世界でいまもがん死亡の主な原因の一つである。放射線治療への反応を正確に予測することは、治療計画の個別化に欠かせない。造影コンピュータ断層撮影（CT）の画像は、空間とテクスチャの情報を豊富に含む。コントラスト造影 CT は、腫瘍の生物学的性質や治療反応を示す非侵襲的なバイオマーカーになりうる。
目的：局所進行胃がんでは、同時化学放射線療法への反応を予測できるかが課題となる。本研究の目的は、その予測のための CT ベースのラジオミクスモデルを開発し、検証することである。
方法：三次医療機関 2 施設から、組織学的に胃腺がんと確定した患者 212 例のデータを後ろ向きに集めた。治療開始前 2 週間以内に撮影した門脈相の CT 画像から、ラジオミクス特徴量を抽出した。特徴量の選択とモデルの構築には、LASSO（最小絶対値縮小選択演算子）ロジスティック回帰を用いた。性能は、受信者動作特性曲線下面積（AUC-ROC）、キャリブレーション解析、決定曲線解析で評価した。
結果：患者 1 人あたり計 1218 個のラジオミクス特徴量を抽出し、LASSO でそのうち 12 個を選んだ。ラジオミクスモデルの AUC は、学習コホートで 0.886（95% 信頼区間 0.841〜0.931）だった。検証コホートでは 0.853（95% 信頼区間 0.792〜0.914）だった。キャリブレーションは良好だった。モデルは、臨床的に意味のある閾値確率の全域で、有意な正味の利益を示した。モデルで奏効群と分類された患者は、非奏効群より全生存期間が有意に長かった（ハザード比 0.41、95% CI：0.28–0.61、p < 0.001）。ハザード比は 0.41（95% 信頼区間 0.28〜0.61、P < 0.001）である。
結論：本研究で構築した CT ラジオミクスモデルは、胃がんの放射線治療効果を治療前に予測する、頑健で非侵襲的なツールである。このモデルは個別化した治療の層別化に役立つ可能性があり、臨床の意思決定の流れに組み込める見込みもある。
掲載誌の IF 相当：2.8（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：Li X, Wu P, Yin Y. Contrast-enhanced CT radiomics for predicting radiotherapy response in gastric cancer: Model development and validation. Journal of Radiation Research and Applied Sciences. 2026 Dec;19(4):102736. doi:10.1016/j.jrras.2026.102736.確認の範囲：抄録のみ確認
肝臓がんの治療・治験とAI
この号では、新しい該当論文はありませんでした。
腎臓がんの治療・治験とAI
この号では、新しい該当論文はありませんでした。
膀胱がんの治療・治験とAI
この号では、新しい該当論文はありませんでした。