AIとがん研究 ── ALL ── 2026-11-05
急性リンパ性白血病（ALL）の治療・治験とAI
- Metabolomic Profiling and Machine Learning-Based Prediction of High-Dose Methotrexate-Induced Liver Injury in Pediatric Acute Lymphoblastic Leukemia抄録（全訳）
大量メトトレキサート（HD-MTX）療法は、小児の急性リンパ性白血病（ALL）の治療に欠かせない。しかし、肝毒性を起こすことが多い。
肝障害を早期に予測する手段は大きく不足している。そこで本研究は、非標的メタボローム解析で予測バイオマーカーを探した。あわせて、早期の臨床リスク評価と治療の最適化に使える頑健な機械学習（ML）モデルを作ることを目指した。
対象は、HD-MTX 療法を受けた小児 ALL 患者 106 例である。このうち 56 例に中等度から重度の肝障害が起きた。治療の前後に、血漿の非標的メタボローム解析を行った。
代謝の変化は多変量解析で特定し、経路の注釈は KEGG エンリッチメント解析で行った。判別に重要な代謝物は LASSO 回帰でさらに絞り込み、バイオマーカー候補を特定した。
リスク予測には 3 種の ML アルゴリズム（ランダムフォレスト、サポートベクターマシン、ベイズロジスティック回帰）を用いた。SHAP 解析を組み込み、モデルの解釈性と各特徴量の寄与を評価した。
肝障害のある患者は、対照と比べて明らかに異なる代謝の特徴を示した。HD-MTX 治療の前では、13 種の代謝物が肝障害の予測因子候補として見つかった。中でもグリココール酸の上昇が目立った。経路全体の変化は、主にアルギニン生合成やグルタチオン代謝などであった。
治療後には、アラキジン酸を含む別の 11 種の代謝物で、肝障害群をさらに区別できた。これらは、複雑な調節の仕組みと、複数の経路にまたがる変化を反映していた。
重要なのは、3 つの機械学習モデルがいずれも高い予測精度を示した点である。治療前の代謝バイオマーカーを使っても、治療後のものを使っても、3 つの機械学習モデルはいずれも肝毒性を高い精度で予測し、判別できた（AUC > 0.900）。肝毒性の予測と判別の精度は、曲線下面積（AUC）> 0.900 であった。
本研究により、HD-MTX による肝障害の背景にある代謝の変化が明らかになった。さらに、メタボロミクスに基づく早期のリスク評価の枠組みも示した。これらの知見は、小児 ALL における精密な治療戦略の開発を後押しするものである。
掲載誌の IF 相当：1.7（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Guo K, Wang L, Feng X, Yang J, Zhang X, Zhao Y, et al. Metabolomic Profiling and Machine Learning‐Based Prediction of High‐Dose Methotrexate‐Induced Liver Injury in Pediatric Acute Lymphoblastic Leukemia. Pediatr Blood Cancer. 2026 Jul 23;73(9):e70424. doi:10.1002/1545-5017.70424. PMID: 42490747.確認の範囲：抄録のみ確認 - clinTALL: machine learning-driven multimodal subtype classification and treatment outcome prediction in pediatric T-ALL抄録（全訳）
小児の T 細胞系急性リンパ性白血病（T-ALL）は、悪性度が高く予後不良な血液がんである。B 前駆細胞性 ALL と異なり、T-ALL には有効なリスク層別化の方法がない。
最近の研究で、全ゲノムと全トランスクリプトームのデータを統合し、予後に意味のある 17 の分子サブタイプが定義された。しかし、高次元のマルチオミクスデータは解釈が複雑である。このため、この知見を臨床に生かすのはまだ難しい。
本研究で作った clinTALL は、深層学習に基づくマルチタスクのパイプラインである。小児 T-ALL について、サブタイプの分類と治療成績の推定を行う深層学習ベースのマルチタスクパイプライン clinTALL を示した。
このモデルは、複数の種類の入力データを統合する。ニューラルネットワークで共有の潜在埋め込みを作り、複数のタスクを同時に学習して予測する。イベントごとの転帰の予測には、競合リスクに基づくモデルを用いた。
学習には、公開されているマルチモーダルデータセットを使った。このデータセットには、小児 T-ALL 1309 検体の臨床・ゲノム・トランスクリプトームの特徴が含まれる。
交差検証では、単一のモダリティで最も良い結果を出したのは、トランスクリプトームのみのモデルだった。サブタイプ予測の正解率は 92.2% であった。無イベント生存期間（EFS）の一致指数（C-index）は 65.9% であった。
全データ種類を統合しても、サブタイプ分類の正解率は 91.7% と高いまま保たれた。EFS 推定の全体の C-index は 67.5% に改善した。
競合リスクモデルでは、寛解導入不能（C-index = 96.0%）と二次性悪性腫瘍（C-index = 62.1%）を精度よく予測できた。
分子サブタイプの予測は、小児 T-ALL 120 検体の内部データセットで検証した。正解率は 81.8% であった。
マルチオミクスに基づくサブタイプ予測と治療成績の推定を広く使えるよう、clinTALL を Docker ベースのアプリケーションとして提供する。これにより、ユーザーは使いやすい形でツールを利用できる。
まとめると、この機械学習の枠組みで、マルチモーダルな入力データから自動で正確にサブタイプを分類し、治療成績を推定できる。小児 T-ALL の精密なリスク層別化を前進させるものである。clinTALL の全ソースコードは GitHub（ https://github.com/UKWgenommedizin/clinTALL ）で公開している。
掲載誌の IF 相当：11.3（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Stoiber L, Antić Ž, Rebellato S, Fazio G, Rademacher A, Lenk L, et al. clinTALL: machine learning-driven multimodal subtype classification and treatment outcome prediction in pediatric T-ALL. Genome Med. 2026 Jul 22;18(1):108. doi:10.1186/s13073-026-01733-8. PMID: 42487139; PMCID: PMC13393873.確認の範囲：全文を確認 - Deep learning based individualized cross-platform molecular subtype classification of B-lineage acute lymphoblastic leukemia抄録（全訳）
B 細胞性急性リンパ性白血病（B-ALL）の分子サブタイプは、現代の臨床治療に欠かせない。しかし、新しいサブタイプが次々に見つかり、診断には複雑なマルチオミクス検査が必要になる。このため、臨床でのサブタイプ分類は、感度・費用・結果が出るまでの時間の面で課題を抱え続けている。
本研究は、深層学習の枠組み BALL6 を開発した。BALL6 の正式名称は B-cell Acute Lymphoblastic Leukemia Subtype Identification based on gene eXpression である。複数のプラットフォームにまたがって、B-ALL のサブタイプを頑健に分類できる深層学習の枠組みである。
BALL6 は再帰型ニューラルネットワークを用いる。特徴遺伝子の発現値を順位に変換したデータで学習する。特徴遺伝子の発現値を順位に変換して学習させるため、サブタイプのシグナルを捉えつつ、技術的ノイズを本質的に抑えられる。
BALL6 には、順位に基づくデータ拡張の枠組みも実装した。これにより、データが少ない、または偏ったデータセットでも性能がさらに上がる。
BALL6 は 2 つのモデルを統合している。1 つは AL モデルで、B-ALL、T 細胞性急性リンパ性白血病（T-ALL）、急性骨髄性白血病（AML）を見分ける。もう 1 つは B-ALL モデルで、確立された最新の 20 の分子サブタイプを特定する。
BALL6 は、複数の独立したデータセットで頑健な正解率を示した。未知のデータでの正解率は、AL モデルで 99.38%、B-ALL モデルで 93.84% であった。
特筆すべきは、BALL6 が欠損値に強い点である。さらに、欠損値に対して頑健であり、プラットフォームをまたいで適用できる。実際に、scRNA-seq データ由来の疎な遺伝子発現プロファイルからも、BALL6 は信頼できるサブタイプ予測を行えた。
BALL6 はオープンソースで、使いやすいウェブツール（ https://cccg.ronglian.com/#/analysis ）も公開している。オープンソースで公開しており、白血病の研究と臨床診断での幅広い活用を後押しする。
掲載誌の IF 相当：9.8（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Cui B, Sun H, Zhao S, Fan R, Rao J, Wu W, et al. Deep learning based individualized cross-platform molecular subtype classification of B-lineage acute lymphoblastic leukemia. NPJ Precis Oncol. 2026 Jun 10;10(1):355. doi:10.1038/s41698-026-01556-1. PMID: 42265190; PMCID: PMC13594159.確認の範囲：全文を確認 - Development of a selectively AURKB targeting peptide degradation drug with artificial intelligence-assisted design for the treatment of acute lymphoblastic leukemia抄録（全訳）掲載誌の IF 相当：9.9（OpenAlex の直近 2 年の平均被引用数・2026-11-03 時点の値、2026-11-04 に取得。正式な IF（Clarivate）ではない）書誌：Xie Y, Feng H, Huang Y, Yang R, Lei H, He W, et al. Development of a selectively AURKB targeting peptide degradation drug with artificial intelligence-assisted design for the treatment of acute lymphoblastic leukemia. J Adv Res. 2026 Jul;85:1175-88. doi:10.1016/j.jare.2025.10.061. PMID: 41161489; PMCID: PMC13316543.確認の範囲：全文を確認