AIとがん研究 ── 前立腺がん ── 2026-10-30

対象誌と選び方は索引の頁に

前立腺がんの治療・治験とAI

• 2 型糖尿病を合併した前立腺がんの老化関連遺伝子を機械学習で特定：SOX4・PRNP・FOXO4 に着目したマルチオミクス研究
  Identification of ageing-related genes in prostate cancer with type 2 Diabetes using machine learning: a multi-omics study focusing on SOX4, PRNP, and FOXO4.
  Artificial cells, nanomedicine, and biotechnology · 2026-10-28 · 証拠の段階: 前臨床（公開データを用いたバイオインフォマティクス解析）
  抄録（全訳）

  前立腺がん（PCa）は、2 型糖尿病（T2DM）および老化と複雑に関連している。しかし、三者を結ぶ分子機構はまだよく分かっていない。本研究の目的は、これらの経路が交わる部分で診断バイオマーカーを特定し、検証することである。これらの経路の接点にある診断バイオマーカーを同定・検証し、高リスク集団での早期発見とリスク層別化を可能にすることを目的とした。

  GEO データベースから PCa と T2DM のトランスクリプトームデータを取得し、バイオインフォマティクス解析を行った。続いて、発現変動解析、重み付き遺伝子共発現ネットワーク解析（WGCNA）、機能エンリッチメント解析を行った。ハブとなる老化関連遺伝子（ARG）の特定には、8 種類の機械学習アルゴリズムを用いた。特徴量の重要度は SHAP 解析で解釈した。ノモグラムモデルを作り、複数のコホートで検証した。機序の探索には、免疫細胞浸潤、薬剤感受性、シングルセル RNA シーケンシング、空間トランスクリプトミクスを用いた。

  主要な ARG として、SOX4、PRNP、FOXO4 の 3 つを特定した。これらを用いた診断モデルは精度が高かった（曲線下面積（AUC）0.726〜0.905）。SOX4 は免疫回避を促していた。PRNP は状況に応じて二面的な性質を示し、FOXO4 はがん抑制因子として働いた。空間解析とシングルセル解析で、発現が細胞種ごとに異なることが示された。また、MIF、LRP1、FZD1 を介した線維芽細胞と上皮細胞の間の情報伝達も示された。薬剤感受性の解析では、高リスク群にはアビラテロン、低リスク群にはドセタキセルが治療薬の候補として挙がった。高リスク患者ではアビラテロン、低リスク患者ではドセタキセルである。

  結論として、SOX4、PRNP、FOXO4 は PCa、T2DM、老化をつなぐ主要なバイオマーカーである。診断モデルは頑健な性能を示し、臨床でも有用である。T2DM を伴う前立腺がん患者で、微小環境が駆動する機序と個別化治療の方針を考える手がかりになる。T2DM を合併する PCa 患者の個別化治療戦略を考える手がかりにもなる。

  掲載誌の IF 相当：5.1（OpenAlex の直近 2 年の平均被引用数・2026-10-29 時点の値、2026-10-30 に取得。正式な IF（Clarivate）ではない）
  書誌：Zhang W, Zhang X, Zhang C, Shi X, Deng Y, Gao Y, et al. Identification of ageing-related genes in prostate cancer with type 2 Diabetes using machine learning: a multi-omics study focusing on SOX4, PRNP, and FOXO4. Artif Cells Nanomed Biotechnol. 2026 Oct 28;54(1):890-907. doi:10.1080/21691401.2026.2737622. PMID: 42952172.
  確認の範囲：抄録のみ確認
• 前立腺がんの陽子線治療で線量と線エネルギー付与を同時に予測するカスケード型深層学習ネットワーク
  A cascade deep learning network for simultaneous prediction of dose and linear energy transfer in proton therapy of prostate cancer
  Physics in Medicine and Biology · 2026-10-27 · 証拠の段階: 計算機上の検証（150 例の治療計画データでのモデル開発と交差検証）
  抄録（全訳）

  目的：線量平均線エネルギー付与（LETd）を予測できれば、陽子線治療の計画を LET も考慮して評価しやすくなる可能性がある。本研究では、カスケード型の深層学習の枠組みを開発した。前立腺がんの強度変調陽子線治療で、線量と LETd の三次元分布を同時に予測するものである。前立腺がん 150 例を対象とし、各例で DoseOpt と LETOpt の 2 種類の計画を用いた。従来の線量に基づく最適化（DoseOpt）と、LETd を組み込んだ最適化（LETOpt）である。

  方法：前立腺がん患者 150 例を対象とした。どの患者にも DoseOpt と LETOpt の両方の計画があった。入力には、計画用 CT 画像と解剖学的構造のマスクを用いた。カスケードネットワークは、線量予測の経路で得た中間の潜在表現を LETd 予測の経路に受け渡した。比較対象には 3 種類のネットワークを用いた。比較対象は、段階型、マルチタスク型、解剖情報のみから LETd を予測する型（only-LET）のネットワークである。モデルの性能は 5 分割交差検証で評価した。 主な結果： 線量を予測するモデルは、いずれも空間的な一致度が高かった。カスケードモデルのダイス類似係数は、処方線量の 50%、75%、95% の等線量体積で、それぞれ約 0.93、0.96、0.95 であった。偽発見率で補正すると、構造ごとの線量誤差に有意差は残らなかった。全体の LETd の平均絶対誤差（MAE）は、DoseOpt、LETOpt のいずれでもカスケードモデルが最も小さかった。値はそれぞれ 0.108 ± 0.025 keV/μm、0.111 ± 0.025 keV/μm であった。いずれもマルチタスク型、段階型、only-LET モデルより有意に低かった。構造ごとの LETd の予測性能は、評価項目によって異なった。構造ごとの LETd の性能は評価項目により異なり、CTV とリスク臓器のいくつかの項目ではカスケードモデルが良好であった。LETOpt は主に LETd を再配分し、線量はおおむね保っていた。カスケードモデルは、計画ごとの主な変化を再現した。直腸と直腸壁での LETd の低下もその一つである。推論時間は、患者 1 人あたり平均 0.505 ± 0.020 s であった。

  意義：この枠組みを使うと、事前に計算した線量分布がなくても、患者の解剖情報から線量と LETd を短時間で同時に予測できる。提案した枠組みは、患者の解剖情報だけから、あらかじめ定めた計画戦略の線量と LETd を、事前の線量分布なしで迅速に同時予測できる。LET を考慮した計画の比較を支え、今後の LETd に基づく生物学的最適化の基盤にもなる。

  掲載誌の IF 相当：2.9（OpenAlex の直近 2 年の平均被引用数・2026-10-28 時点の値、2026-10-29 に取得。正式な IF（Clarivate）ではない）
  書誌：Liu Q, Wei S, Peng H, Tang Y, Chen X, Dai J, et al. A cascade deep learning network for simultaneous prediction of dose and linear energy transfer in proton therapy of prostate cancer. Phys Med Biol. 2026 Oct 27 [Epub ahead of print]. doi:10.1088/1361-6560/aeba33. PMID: 42945684.
  確認の範囲：抄録のみ確認
• 前立腺がんの新たなバイオマーカー候補：バイオインフォマティクスと機械学習による包括的解析
  Unveiling Novel Potential Biomarkers in Prostate Cancer: A Comprehensive Bioinformatics and Machine Learning Approach
  AI in Medicine · 2026-10-26 · 証拠の段階: 後ろ向きの観察（公開コホート TCGA-PRAD の遺伝子発現データ解析）
  抄録（全訳）

  前立腺がん（PCa）は生物学的な不均一性が大きい。そのため再発や臨床転帰は患者によって大きく異なり、分子レベルでのリスク層別化を改善する必要がある。本研究では、機械学習を用いた予後予測の枠組みを作った。目的は、無病生存期間（DFS）に関連するトランスクリプトーム（遺伝子発現）の特徴を見つけ、再発リスクで患者を層別化することである。まず、前立腺がん組織と正常前立腺組織の間で発現が異なる遺伝子を選び出し、TCGA-PRAD コホートで予後との関連を評価した。次に、LASSO-Cox 回帰と多変量 Cox 回帰で予後シグネチャーを作った。これにより、再発リスクの層別化に使う患者ごとのリスクスコアを算出した。最終的な予後モデルは 33 遺伝子からなり、患者を高リスク群と低リスク群に効果的に分けた。両群の DFS には有意な差があった。コンコーダンス指数と時間依存性の受信者動作特性曲線下面積（AUC）でみると、モデルの予後識別能は良好だった。モデルは患者を高リスク群と低リスク群に有意に分けた。ランダムサバイバルフォレスト解析でも、選ばれた特徴と予後の関連が支持された。SHAP 解析では、患者ごとのリスク予測に個々の遺伝子がどの程度寄与するかが分かった。薬剤–遺伝子相互作用の解析では、33 のシグネチャー遺伝子のうち一部が FDA 承認薬の標的であることも分かった。この所見は、これらの遺伝子が治療に関わりうるかについて、仮説を立てる材料になる。以上の結果から、33 遺伝子シグネチャーは PCa の分子リスク層別化と再発予測に使える可能性がある。ただし、モデルの作成と評価は TCGA-PRAD コホートの中だけで行った。臨床応用の前に、独立した外部検証と前向きの検証が必要である。

  掲載誌の IF 相当：0.6（OpenAlex の直近 2 年の平均被引用数・2026-10-28 時点の値、2026-10-29 に取得。正式な IF（Clarivate）ではない）
  書誌：de Melo NC, de Oliveira DC, de Carvalho LM. Unveiling Novel Potential Biomarkers in Prostate Cancer: A Comprehensive Bioinformatics and Machine Learning Approach. AI Med. 2026 Oct 26;1(4):27. doi:10.3390/aimed1040027.
  確認の範囲：抄録のみ確認

← この号の目次へ