AIとがん研究 ── がん一般 ── 2026-11-03
がん一般の分子生物学の進展とAI
- You Can't Embed Your Way Out of Disparities: Somatic Evolution Scores and the Case for Representative Sequencing抄録（全訳）
目的：全エクソーム・全ゲノムシーケンシング（WES/WGS）のデータセットには偏りがある。WES/WGS のデータセットは、白人や、医療資源に恵まれた背景の患者に偏っている。がんの機械学習モデルの進歩は、こうしたデータベースを多様にする取り組みより速い。一方、AACR Project GENIE などのターゲットシーケンシングパネルのデータは比較的豊富で、臨床でも日常的に使われている。ただし、パネルで1検体から得られる生物学的情報は WES/WGS よりずっと少ない。本研究は、次の問いに取り組む。既存の WES/WGS データを最大限に生かし、比較的豊富なパネルデータからの予測を、より良く、より公平にするには、どうすればよいか。この問いは、WES/WGS の利用が最も遅れている低・中所得国に直接関わる。 方法一つは標準的な影響スコアで、生物種間での保存性に由来する。もう一つはがん効果量（cancer effect size）で、変異が腫瘍にもたらす進化上の利点を、疾患に特異的に実測した指標である。変異が腫瘍にもたらす進化上の利点を、疾患ごとに実データから求める指標である。転移学習を用い、WES/WGS モデルで学習した特徴量の重要度をパネルデータに適用した。モデル性能は、がんのさまざまな臨床的特徴で評価した。予測精度の格差をみるため、評価は患者の人口統計学的集団ごとに層別した。さらに、データに含まれていない集団から、小規模なホールドアウトデータセットを用意した。これを用いて、進化的埋め込みと、集団を代表するシーケンシングとで、改善の度合いを比較した。
結果：がん効果量は、臨床予測課題のいずれでも、標準的な影響スコアと同等以上の性能だった。進化的埋め込みをパネルデータに移すと、モデル全体の性能が上がった。その恩恵は、十分に代表されていない人口統計学的集団でとくに大きく、予測精度の格差が縮まった。ただし、より多様な人の検体をデータに直接加えるほうが、どの埋め込み戦略単独よりも格差を効果的に縮めた。多様な個人の試料を直接加える方法では、すべての集団で性能は同等か向上した。 結論限られて偏った既存の WES/WGS データから、より公平なシグナルを引き出せる。シーケンシングへのアクセスが制約された環境では、これが重要な手段となる。しかし、この方法には明確な限界がある。計算上の工夫は、集団を代表するデータ収集の代わりにはならない。両方の戦略を並行して進める必要がある。ただし、データを集める段階で多様な人を含めるほうが、後からの最適化よりも効果が高い。この分野は、データの源での包摂が、事後の最適化に勝ることを認識すべきである。
掲載誌の IF 相当：2.1（OpenAlex の直近 2 年の平均被引用数・2026-11-02 時点の値、2026-11-03 に取得。正式な IF（Clarivate）ではない）書誌：Fisk N, Townsend J. You Can't Embed Your Way Out of Disparities: Somatic Evolution Scores and the Case for Representative Sequencing. JCO Glob Oncol. 2026 Nov 1;12(Supplement_1):15-6. doi:10.1200/go-26-21000.確認の範囲：抄録のみ確認 - AI-HistoPS: decoding proteomic heterogeneity with subtype resolution from histopathology in liver metastases抄録（全訳）
肝転移はさまざまながんで起こり、命に関わる。しかし、その分子レベルの不均一性は、通常の病理組織検査では捉えにくい。プロテオーム解析では、転移巣の機能的な状態が特定されている。ただ、それらの状態が組織形態や腫瘍微小環境とどう対応するかは、まだ十分に分かっていない。著者らは、計算病理学の枠組みである AI-HistoPS を開発した。H&E 染色の全スライド画像から、プロテオームに基づく状態を推定する。AI-HistoPS は、病理基盤モデルの表現とエージェント介在型の多重インスタンス学習を統合し、サブタイプに関連する形態パターンを捉える。これにより、サブタイプに関連する形態のパターンを捉える。複数の原発がん種に由来する肝転移の、多施設コホートを用いた。組織形態と、プロテオームに基づく三つの肝転移サブタイプ（LMS1-3）との関連を評価した。これらの状態は、腫瘍の構造、間質の組成、免疫細胞の分布の違いと関連していた。AI-HistoPS は探索コホートでサブタイプを識別でき、外部コホートでも評価した。AI-HistoPS は、探索コホートでサブタイプを判別し、外部コホートでも評価した。これにより、組織像から得た表現を、多様な臨床環境でプロテオームに基づく層別化に使える可能性が示された。アテンションに基づく解析で、サブタイプに関連する形態的・微小環境的特徴をもつ組織領域を特定した。多重免疫組織化学の結果は、組織パターンとサブタイプ関連のタンパク質マーカーとの空間的な関連を支持した。以上から、通常の病理組織検査によって、肝転移のプロテオームに基づく層別化を、より低いコストで近似できる可能性が示唆される。臨床に導入する前に、さらなる検証が必要である。予後や治療に関わる意思決定に用いる前にも、同様の検証が必要である。検証には、より大規模で多様な、前向きに集めたコホートが必要である。
掲載誌の IF 相当：8.9（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：Ren Y, He Q, Ni H, Tu C, Wu J, Sun Y, et al. AI-HistoPS: decoding proteomic heterogeneity with subtype resolution from histopathology in liver metastases. npj Precis Onc. 2026 Oct 31 [Epub ahead of print]. doi:10.1038/s41698-026-01752-z.確認の範囲：抄録のみ確認