AIとがん研究 ── がん一般 ── 2026-10-31

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

• バルク RNA シーケンスと単一核 RNA シーケンスの統合機械学習解析による、MASH 関連線維化を進める主要な細胞型とバイオマーカーの解明
  Integrative machine learning analysis of bulk and single-nucleus RNA sequencing reveals key cell types and biomarkers driving MASH-associated fibrosis
  Frontiers in Cell and Developmental Biology · 2026-10-29 · 証拠の段階: 前臨床（ヒト肝組織データの解析とマウスモデル）
  抄録（全訳）

  背景：代謝機能障害関連脂肪肝炎（MASH）は、肝硬変と肝がんのリスクを高める。有害な転帰を最も大きく左右するのは肝線維化である。しかし、MASH で線維化が進む分子機序は十分に解明されていない。

  方法：4 つのバルク RNA-seq データセットを統合してコホート（MergeCohort）を作り、単一核 RNA シーケンス（snRNA-seq）データセット 1 つも解析した。MASH の線維化に関わる中核遺伝子は、Robust Rank Aggregation（RRA）、重み付き遺伝子共発現ネットワーク解析（WGCNA）、機械学習を組み合わせて特定した。さらに、メチオニン・コリン欠乏（MCD）食で MASH モデルマウスを作り、ハブ遺伝子の発現を定量的リアルタイム PCR（qRT-PCR）で確かめた。線維化の段階が異なる MASH 患者の肝組織について、単一核トランスクリプトーム解析で細胞の不均一性を調べた。この解析で細胞の不均一性を詳しく調べ、細胞間コミュニケーションのネットワークを再構築した。MASH 関連線維化に関わる主要な転写因子（TF）と、受容体・リガンド相互作用の特徴も明らかにした。

  結果：MergeCohort で WGCNA を行い、MASH の線維化進行に関わる主要な遺伝子ネットワークモジュールを 2 つ検出した。機械学習アルゴリズムを組み合わせて、中核遺伝子 7 個（CAPN6、FAP、KRT23、SOX4、STMN2、TAGLN、VWF）を見いだした。これらは線維化の段階を良好に判別でき、別の外部コホートでの曲線下面積（AUC）は 0.81（95% 信頼区間 0.69〜0.93）であった。また、MCD 食で誘導した MASH モデルマウスの肝組織でも、CAPN6、FAP、KRT23 の発現は同じ方向に上昇していた。 次に細胞型デコンボリューション解析を行い、WGCNA の主要モジュールに主な細胞型を割り当てた。該当する細胞型は、肝星細胞（HSC）、胆管細胞、肝細胞、マクロファージである。単一核レベルでは、FGF13 + 胆管細胞と SAAs + 肝細胞の亜集団を特定した。転写因子レギュロン解析では、主要な TF として CREB5 と STAT3 を特定した。転写因子の CREB5 と STAT3 は、FGF13 + 胆管細胞と SAAs + 肝細胞で調節的な役割を担う可能性がある。 細胞間コミュニケーション解析では、MASH の肝線維化の進行に関わる重要なリガンド・受容体ペアも分かった。HSC と FGF13 + 胆管細胞の間では、VEGFA_NRP1 軸と APP_CD74 軸が見つかった。SAAs + 肝細胞と HSC の間では、RSPO3_LGR4 軸と IGF1_IGF1R 軸が見つかった。SAAs + 肝細胞とマクロファージの間では、TNFSF14_TNFRSF14 軸と SELE_CD44 軸が見つかった。 結論このシグネチャーは、新しい治療戦略の開発の手がかりとなる可能性がある。また、MASH の進行した線維化に関連する組織シグネチャーとして役立つ可能性もある。

  掲載誌の IF 相当：4.8（OpenAlex の直近 2 年の平均被引用数・2026-10-15 時点の値、2026-10-16 に取得。正式な IF（Clarivate）ではない）
  書誌：Zhang J, Wang J, Shen Y, Zhang Y, Luo Z, Kong X, et al. Integrative machine learning analysis of bulk and single-nucleus RNA sequencing reveals key cell types and biomarkers driving MASH-associated fibrosis. Front Cell Dev Biol. 2026 Oct 29;14:1961567. doi:10.3389/fcell.2026.1961567.
  確認の範囲：抄録のみ確認
• 機械学習を用いたイヌのがんスクリーニングのための、包括的な低分子 RNA プロファイルに基づく新しいリキッドバイオプシー
  Novel liquid biopsy based on comprehensive small RNA profiling for screening of cancer in dogs utilizing machine learning.
  Journal of veterinary internal medicine · · 証拠の段階: イヌの観察研究（独立コホートでの前向き検証は未実施）
  抄録（全訳）

  背景：最近の研究で、マイクロ RNA（miRNA）以外のさまざまな低分子 RNA もがんに関わることが示されている。しかし、これらの RNA を包括的に使ったイヌのがん検出は、まだ検討されていない。 仮説・目的 独自データベースを使って miRNA とそれ以外の低分子 RNA を組み合わせると、機械学習によるイヌのがんスクリーニングの精度が miRNA のみのモデルより上がるかを調べた。 動物内訳は、がん 85 頭、非悪性疾患 77 頭、健康対照 227 頭である。

  方法：血液検体中の低分子 RNA の配列を決定した。miRNA は miRBase で、それ以外の低分子 RNA は独自データベースでプロファイリングした。このプロファイルから、miRNA のみのデータセットと、miRNA とそれ以外の低分子 RNA を合わせたデータセットの 2 つを用意した。性能を対応のある形で比較できるよう、各データセットで同じ方法により 12 種類の分類モデルを構築した。主要な評価指標は、5 分割交差検証と受信者動作特性曲線下面積（AUC）とした。

  結果：miRNA とそれ以外の低分子 RNA を統合したモデルの AUC は、miRNA のみのモデルより有意に高かった（AUC 中央値 0.926［95% 信頼区間 0.911〜0.944］対 0.881［0.860〜0.897］、Wilcoxon 符号順位検定、P < 0.001）。これは、イヌの悪性腫瘍を判別する能力が高まったことを示している。 結論と臨床的意義独立コホートでのさらなる前向き検証は必要である。ただし今回の結果は、この方法でイヌのがん分類モデルの性能が向上することを示している。

  掲載誌の IF 相当：3.4（OpenAlex の直近 2 年の平均被引用数・2026-10-29 時点の値、2026-10-31 に取得。正式な IF（Clarivate）ではない）
  書誌：Harako S, Yuki M, Noguchi S, Ohno T, Nozaki N, Nishida R, et al. Novel liquid biopsy based on comprehensive small RNA profiling for screening of cancer in dogs utilizing machine learning. Journal of Veterinary Internal Medicine. 2026 Oct 30;40(5):aalag270. doi:10.1093/jvimsj/aalag270.
  確認の範囲：抄録のみ確認

← この号の目次へ