AIとがん研究 ── AML ── 2026-11-05
急性骨髄性白血病（AML）の治療・治験とAI
- Personalized Prediction of Venetoclax-Associated Tumor Lysis Syndrome in Acute Myeloid Leukemia Using Drug Exposure, Genetic Polymorphisms, and Clinical-Laboratory Characteristics.抄録（全訳）
背景：腫瘍崩壊症候群（TLS）は、急性骨髄性白血病（AML）に対するベネトクラクス（VEN）治療で起こる、命に関わる合併症である。今あるTLSリスク評価ツールは、慢性リンパ性白血病／小リンパ球性リンパ腫（CLL/SLL）向けに作られたものである。そのため、AMLでの検証が必要である。本研究の目的は二つある。一つは、VEN投与中のAML患者のTLSリスクを予測する個別化機械学習モデルを作ることである。このモデルには薬物曝露・遺伝子多型・臨床指標を組み込む。もう一つは、標準化した管理フローチャートを作ることである。
方法：VEN治療を受けるAML患者186例を前向きに登録した。単変量・多変量回帰で主な予測因子を特定した。最適な予測モデルを選ぶため、4つのアルゴリズムを比べた。ロジスティック回帰（LR）、ランダムフォレスト（RF）、サポートベクターマシン（SVM）、XGBoostである。モデルの性能は、曲線下面積（AUC）、感度、特異度、F1スコア、較正曲線、決定曲線解析（DCA）で評価した。各特徴量の寄与は、SHAP解釈可能性解析で明らかにした。最後に、オンラインのTLSリスク計算ツールを作り、標準化した管理の手順を定めた。
結果：186例のうち39例（21.0%）でTLSが起きた。最終モデルに入った中核の共変量は4つである。最終モデルの共変量は4つで、VENの最高血漿中濃度（Cmax）、VEGFA rs3025039の遺伝子型、ECOG全身状態、ベースラインの白血球数高値であった。アルゴリズムの中ではXGBoostが最も良かった。検証セットでは、AUC=0.861、正確度=0.811、特異度=0.831、感度=0.7、F1=0.667、Brierスコア=0.124で、良好な較正を示した。Brierスコアは0.124で、較正は良好だった。DCAと適合率-再現率曲線（PRC）で、臨床上の有用性が高いことを確かめた。このモデルをもとに、オンラインのTLS計算ツールを作った。リスク層別化と個別化介入に使うためのものである。あわせて、標準化した管理プロトコルも作った。
結論：本研究で作った解釈可能なXGBoostモデルで、VEN治療を受けるAML患者のTLSリスクを有効に予測できる。このモデルに基づくオンライン予測ツールは、精密なリスク層別化に役立つ。低リスク患者の過剰治療を避けながら、資源の配分を最適化できる。AMLの標的治療の安全性を大きく高める。
掲載誌の IF 相当：4.7（OpenAlex の直近 2 年の平均被引用数・2026-11-03 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Wang C, Lin X, Yang Y, Peng M, Wu F, Zhou J, et al. Personalized Prediction of Venetoclax-Associated Tumor Lysis Syndrome in Acute Myeloid Leukemia Using Drug Exposure, Genetic Polymorphisms, and Clinical-Laboratory Characteristics. Drug Des Devel Ther. 2026 Oct;Volume 20:1-16. doi:10.2147/dddt.s627579. PMID: 42974127; PMCID: PMC13726510.確認の範囲：全文を確認 - Deep learning predicts IDH1 mutation status in acute myeloid leukemia from bone marrow smears抄録（全訳）
IDH1変異をもつ急性骨髄性白血病（AML）は標的治療の対象になる。そのため、この変異を確実に見つける必要がある。著者らは、骨髄塗抹標本の全スライド画像からIDH1変異の有無を予測するモデルを作った。注意機構を用いたマルチインスタンス学習モデルである。対象はドイツと米国の4施設のAML患者436例である。4施設の436例を対象とし、単一プール化ROC-AUCの平均は0.81を達成した。上位タイル解析では、IDH1に関するモデルの予測が、未熟な白血病の表現型と関連していた。
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：Eckardt JN, Reddy CBV, Srisuwananukorn A, Pohlkamp C, Schübel M, Srivastava I, et al. Deep learning predicts IDH1 mutation status in acute myeloid leukemia from bone marrow smears. npj Precis Onc. 2026 Oct 29;10(1):412. doi:10.1038/s41698-026-01762-x.確認の範囲：抄録のみ確認 - Person-Based Progression in Acute Myeloid Leukemia Classification: A Multi-View Convolutional Neural Network Approach抄録（全訳）
急性骨髄性白血病（AML）は血液の悪性腫瘍である。治療計画と予後の判断には、病型を正確に見分けることが重要である。本研究では、従来の個々の画像に基づく分類ではなく、患者ごとの複数の単一細胞画像を用いてAMLの病型を分類する深層学習法を開発した。従来の画像1枚ごとの分類ではなく、患者ごとに複数の単一細胞画像を使う。解析には公開データセットを用いた。公開データセットの、189人分の単一細胞画像81,214枚を解析した。データセットには、遺伝学的に定義されたAMLの病型4つと、健常対照群が含まれていた。評価したマルチビュー畳み込みニューラルネットワーク（MV-CNN）モデルは2つである。一つは無作為抽出に基づく99ビューモデルである。もう一つは500ビューモデルで、患者の画像が500枚に満たない場合に画像拡張を用いた。比較対象には単一ビューCNNを用いた。性能は10分割交差検証で評価した。指標は正確度、F1スコア、感度、特異度、適合率、マシューズ相関係数（MCC）である。最も良かったのは500ビューMV-CNNであった。500ビューのマルチビューCNNが最良で、正確度0.8783、F1スコア0.8622、感度0.8637、特異度0.8774、適合率0.8616、MCC 0.8441であった。99ビューモデルはこれより低いものの、近い性能だった。単一ビューCNNの値は最も低かった。患者単位のマルチビュー解析は、単一画像の解析よりAML病型の分類を改善した。この結果は、血液画像の分類におけるマルチビュー深層学習の可能性を支持する。
掲載誌の IF 相当：3.9（OpenAlex の直近 2 年の平均被引用数・2026-10-13 時点の値、2026-10-15 に取得。正式な IF（Clarivate）ではない）書誌：Erdaş ÇB. Person-Based Progression in Acute Myeloid Leukemia Classification: A Multi-View Convolutional Neural Network Approach. J Imaging Inform Med. 2026 Oct 1 [Epub ahead of print]. doi:10.1007/s10278-026-02371-7. PMID: 42823569.確認の範囲：抄録のみ確認 - Machine learning-driven M2 macrophage signature for precision prediction of survival and therapy response in acute myeloid leukemia抄録（全訳）
M2型の腫瘍関連マクロファージ（TAM）は、急性骨髄性白血病（AML）で重要な役割を担う。免疫を抑える微小環境と、治療抵抗性に関わっている。しかし、単一細胞レベルでの特徴はまだ分かっていない。予後や治療反応を予測する価値も不明である。本研究では、AML患者と健常ドナーの単一細胞トランスクリプトームデータを統合した。これを用いて、AMLの腫瘍関連マクロファージ（AML-TAM）の特徴を調べた。AMLコホートでのM2マクロファージの浸潤は、CIBERSORTで評価した。重み付け遺伝子共発現ネットワーク解析（WGCNA）と機械学習で、M2マクロファージ由来の予後シグネチャーを作った。独立した8つのAMLコホートで、M2マクロファージ由来の予後シグネチャーを構築した。このシグネチャーによる化学療法と免疫療法への反応の予測価値は、計算により評価した。さらに、臨床の末梢血検体を用いて実験的に検証した。
単一細胞解析で、CD163を高発現し、免疫抑制とストレス適応の経路に富む、独特なAML-TAMサブクラスターが見つかった。このサブクラスターは、免疫抑制とストレス適応に関わる経路に富んでいた。M2マクロファージの浸潤は、対照よりAML患者で多く、全生存期間の短さと関連していた。M2の浸潤が多いことは、不良な臨床的特徴とも相関していた。CD8陽性T細胞とは負の相関を示した。18遺伝子のリスクスコアモデルは、8コホートのいずれでも頑健な予後予測性能を示した（各コホートでlog-rank P < 0.001）。高リスク患者は化学療法に抵抗性で、免疫チェックポイント遺伝子の発現が上昇しており、抗PD-1療法に対する予測反応も、高リスク患者で大きかった。抗PD-1療法への予測反応も大きかった。臨床検証で、AML患者でのM2の増加と主要遺伝子の発現変化を確認した。本研究では、AMLのM2マクロファージの特徴を単一細胞の解像度で示した。さらに、M2マクロファージ由来のシグネチャーを作った。このシグネチャーにより、生存と治療反応の可能性を頑健に予測できる。リスク層別化と個別化治療のための道具となる。
掲載誌の IF 相当：5.5（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：Zhong F, Liu J, Yue J, Zhang L, Kong G. Machine learning-driven M2 macrophage signature for precision prediction of survival and therapy response in acute myeloid leukemia. Inflamm Res. 2026 Sep 27;75(1):225. doi:10.1007/s00011-026-02379-3. PMID: 42802232.確認の範囲：抄録のみ確認 - Inclusion of Multi-Omic Biomarkers Improves Prediction Accuracy of Response, Relapse, and Overall Survival in Acute Myeloid Leukemia Patients Receiving High-Intensity Induction Chemotherapy抄録（全訳）
急性骨髄性白血病（AML）のリスク層別化では、遺伝子マーカーが進歩した。それでも転帰の予測はまだ難しい。病態が不均一で、遺伝子の変化も時間とともに動くためである。AML の治療戦略と患者の転帰を改善するには、信頼できるバイオマーカーが必要である。
本研究は、転帰予測を精緻にするため、微生物由来のバイオマーカーを調べた。予測の対象は複合完全寛解（CRc）、再発、生存である。患者は高強度レジメンを受けた群と低強度レジメンを受けた群に分けた。高強度治療の患者では、これらの変数を、臨床で広く使われる European Leukemia Network の遺伝子リスク分類（ELN-2022）にも組み込んだ。ELN-2022 は臨床で広く使われているモデルである。
まず機械学習モデルを作った。データは、寛解導入化学療法を受ける AML 患者の 2 コホート（n = 83）から得た。モデルに統合した情報は次のとおりである。治療開始前の糞便メタボロミクス、16S rRNA に基づく便マイクロバイオームの特徴、臨床情報（性別、抗菌薬投与、AML の体細胞変異、細胞遺伝学的所見）である。変数の選択には単変量検定とスパース正準相関分析を用いた。これらの手法は、糞便中の代謝物と微生物の関係を探るのにも用いた。機械学習には、XGBoost を用いた頑健な手法をとった。層別化したデータ分割（訓練 80%、テスト 20%）を 100 回行った。ハイパーパラメータは、粗い探索の後に細かい探索を行う段階的な方法で最適化した。全モデルの変数重要度を集計し、主要な予測因子を選んだ。
高強度治療の患者で、XGBoost モデルの集計 AUROC（受信者動作特性曲線下面積）は、CRc 0.719、再発 0.729、全生存 0.65 であった。低強度治療の患者では、同じ転帰の集計 AUROC はそれぞれ 0.945、0.724、0.768 であった。
高強度治療の機械学習モデルで特定したバイオマーカーを、現行の ELN-2022 リスク層別化に組み込んだ。その結果、患者をリスク区分にうまく層別化できた。一致指数（C-index）と尤度比は ELN-2022 単独より高かった。このため、いずれの転帰でも予後予測の精度が上がった。
微生物由来のバイオマーカーを加えることは、AML 患者の転帰予測を改善する頑健な予後予測手段となる。この結果は AML のリスク評価に組み込める可能性を示し、個別化治療戦略と患者の転帰改善への道を開くものである。
掲載誌の IF 相当：3.9（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：Franklin S, Sahasrabhojane P, Ivanov I, Hayase T, Hayase E, Chang C, et al. Inclusion of Multi‐Omic Biomarkers Improves Prediction Accuracy of Response, Relapse, and Overall Survival in Acute Myeloid Leukemia Patients Receiving High‐Intensity Induction Chemotherapy. Cancer Med. 2026 Sep 16;15(9):e72281. doi:10.1002/cam4.72281. PMID: 42750261; PMCID: PMC13583178.確認の範囲：全文を確認 - AI-enabled multi-omics pharmacogenomic modeling guides resistance-aware multitarget optimization of venetoclax therapy in acute myeloid leukemia抄録（全訳）
急性骨髄性白血病（AML）は、今も治療が難しい。分子の不均一性が著しく、分子標的治療に対する適応的な耐性が速やかに生じうるためである。
著者らは、AI 駆動の薬理ゲノミクス・パイプラインを開発した。このパイプラインは、ゲノム、トランスクリプトーム、エピジェネティクス、臨床の特徴を統合する。目的は二つある。一つは、ベネトクラクスへの患者ごとの反応を予測することである。もう一つは、耐性に関わるシグナルを、実行に移せる治療仮説に落とし込むことである。
深層学習モデルは、内部コホートと外部コホートのいずれでも、高い識別能と汎化性能を示した（AUROC 0.84〜0.90）。モデルは較正された確率を出力した。また、全生存を標準的な予後因子とは独立に層別化した。
説明可能なモデル化（SHAP）で、感受性と耐性の要因を特定した。これらの要因は作用機序の面でも筋が通っていた。BCL2 の高発現とアポトーシスのプライミングは、奏効に有利であった。一方、主な耐性プログラムは MCL1 の発現上昇、TP53 の破綻、RAS/MAPK の活性化であった。
これらの知見を治療設計に生かした。逃避経路をふさぐと期待される合理的な併用療法を、ネットワークに基づくモデル化と in silico の摂動解析で優先づけた。候補は次の三つである。
・ベネトクラクスと MCL1 阻害（例: AZD5991 クラスの阻害薬）の併用
・シグナル伝達が駆動する病型で、ベネトクラクスと FLT3 阻害（例: ギルテリチニブ クラスの薬剤）の併用
・TP53 に変化がある場合に、ベネトクラクスと p53 経路の調節（例: MDM2 阻害）の併用
アンサンブル・ドッキングによる構造面の候補評価も行った。アンサンブルドッキングで構造的に候補を評価すると、優先づけた依存性について薬物と標的の相互作用を支持する根拠が得られた。
以上の結果により、臨床的に解釈でき、耐性を考慮した AI フレームワークが確立された。このフレームワークは、AML でのベネトクラクスを基盤とする併用療法を精密に最適化するためのものである。
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：Wang C, You Z, Chen S, He Y, Chen X, Qu S, et al. AI-enabled multi-omics pharmacogenomic modeling guides resistance-aware multitarget optimization of venetoclax therapy in acute myeloid leukemia. NPJ Precis Oncol. 2026 Sep 10;10(1):358. doi:10.1038/s41698-026-01608-6. PMID: 42778648; PMCID: PMC13601629.確認の範囲：全文を確認 - Development and validation of a machine learning model based on routine laboratory tests for predicting FLT3-ITD mutations in acute myeloid leukaemia抄録（全訳）
Feline McDonough sarcoma（FMS）様チロシンキナーゼ 3 の遺伝子内縦列重複（FLT3-ITD）変異は、急性骨髄性白血病（AML）で臨床上重要である。著者らは、日常の臨床検査値を使う機械学習モデルを開発し、検証した。このモデルは、新たに診断された AML で FLT3-ITD 変異がある確率を推定する。目的は、迅速な分子検査を優先すべき患者を選ぶことである。
対象は、2021〜2024 年に瑞金病院で治療を受けた連続症例である。2021〜2023 年に診断された患者を訓練コホートとした。2024 年に診断された患者は、内部の時間的検証コホートとした。外部検証には BeatAML2 コホートを用いた。Boruta 法で特徴量を選んだ後、7 種類の機械学習アルゴリズムを比べた。評価指標は受信者動作特性曲線下面積（AUC）である。最適なモデルを SHapley Additive exPlanations（SHAP）で解釈し、ウェブ上の計算ツールとして実装した。
全体で 514 例を対象とした（訓練 n = 254、検証 n = 84、外部検証 n = 176）。Boruta 法で候補特徴量が 5 個選ばれ、4 特徴量の簡便なモデルを構築した。最も性能が高かったのは勾配ブースティングマシン（GBM）であった。AUC は訓練コホート 0.847、内部検証コホート 0.772、外部検証コホート 0.760 であった。SHAP 解析では、モデルへの寄与が最も大きいのは芽球の絶対数であった。
GBM モデルは、新たに AML と診断された患者のうち、FLT3-ITD 変異の迅速な分子検査を優先すべき患者の特定に役立つ可能性がある。
掲載誌の IF 相当：3.0（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：Song J, Gu Z, Han J, Zhang Y, Zhao L, Yan H, et al. Development and validation of a machine learning model based on routine laboratory tests for predicting FLT3 ‐ITD mutations in acute myeloid leukaemia. Br J Haematol. 2026 Sep 2 [Epub ahead of print]. doi:10.1111/bjh.70829. PMID: 42686039.確認の範囲：抄録のみ確認 - Association of sarcopenia with treatment tolerance in older adults with acute myeloid leukemia using artificial intelligence computed tomography-segmentation and a geriatric assessment抄録（全訳）
［図：本文参照］
掲載誌の IF 相当：7.4（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：Yates SJ, Terman E, Miller L, Cursio JF, Wild C, Huisingh-Scheetz M, et al. Association of sarcopenia with treatment tolerance in older adults with acute myeloid leukemia using artificial intelligence computed tomography–segmentation and a geriatric assessment. Leukemia. 2026 Aug 31;40(11):2611-5. doi:10.1038/s41375-026-03099-7. PMID: 42675142; PMCID: PMC13713559.確認の範囲：全文を確認 - Machine learning provides individualized prediction of outcomes after first complete remission without allo-HSCT consolidation in adult acute myeloid leukemia-A HARMONY study抄録（全訳）
同種造血幹細胞移植（allo-HSCT）は、急性骨髄性白血病（AML）患者のかなりの割合で治癒を期待できる治療法である。移植を行わない場合の再発リスクが、推定される非再発死亡率を大きく上回るときに、一般に推奨される。現行の推奨はリスク群に基づくが、同じ群の中でも患者ごとの差が大きい。HARMONY Alliance のデータベースから、強力な治療を受けた 18〜70 歳の AML 患者 2550 例を解析した。対象は、染色体核型と次世代シークエンシングのデータがそろい、初回完全寛解（CR1）で allo-HSCT を受けなかった症例である。ベイズ加法回帰木（BART）を用いた非パラメトリックな機械学習（ML）モデルで臨床変数とゲノム異常を統合し、患者ごとの予後推定値を出した。外部検証は、英国 NCRI の試験に登録された 714 例のコホートで行った。予測性能は時間依存 ROC 曲線下面積（AUC(t)）で測った。HARMONY ML モデルは European LeukemiaNet（ELN）2022 のリスク分類を上回った。5 年全生存の推定では 0.741 対 0.700、5 年無再発生存では 0.752 対 0.705、5 年累積再発率では 0.742 対 0.708 であった（HARMONY ML モデル対 ELN2022）。この結果は外部検証コホートでも確認された。注目すべき点として、ELN2022 のリスク群の中に大きな不均一性が分かった。良好リスク群の中にも、5 年累積再発率（CIR）が 40% を超えると予測される患者が相当の割合で含まれていた。これらの患者は、CR1 での allo-HSCT で利益を得る可能性がある。HARMONY ML モデルは、強力な治療を受けた成人 AML 患者に個別のリスク予測を提供し、CR1 での allo-HSCT に関する治療判断を患者ごとに調整するのを支える。今後は測定可能残存病変（MRD）を組み込んでさらに改良すべきである。
掲載誌の IF 相当：3.7（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：Hernández‐Sánchez A, Martínez Elicegui J, Sträng E, Benner A, Sobas M, Villaverde Ramiro Á, et al. Machine learning provides individualized prediction of outcomes after first complete remission without allo‐HSCT consolidation in adult acute myeloid leukemia—A HARMONY study. Hemasphere. 2026 Aug 30;10(9):e70461. doi:10.1002/hem3.70461. PMID: 42670491; PMCID: PMC13526294.確認の範囲：全文を確認 - An integrated deep learning and molecular dynamics pipeline for the discovery of novel CDK8 inhibitors against acute myeloid leukaemia抄録（全訳）
サイクリン依存性キナーゼ 8（CDK8）は、急性骨髄性白血病（AML）の有望な治療標的として注目されている。本研究では、ニューラルネットワークによる活性予測と分子動力学（MD）シミュレーションを組み合わせた計算パイプラインを作り、CDK8 阻害薬の探索に用いた。ChEMBL から CDK8 阻害薬 1,200 化合物の重複のないデータセットを整備した。最適なニューラルネットワーク構成は隠れ層 2 層（512→128 ユニット）でドロップアウト正則化を加えたものであり、テストセットで決定係数 r² 0.47、RMSE 0.87 を得た。Y 無作為化検定により、構造活性相関が見かけだけのものではないことを確認した。外挿を重視した学習方法と、SELFIES に基づく遺伝的組換えアルゴリズムを組み合わせ、学習データの分布を超える新しい分子構造を生成した。SHAP 解析では、フィンガープリントのビットが活性を決める重要な要因だと分かった。適用範囲（applicability domain）の解析から、新規ヒット化合物は検証済みの化学空間に収まることを確認した。見つかった候補化合物の予測 pIC50 は 11.97 で、学習データで最も強力な化合物（pIC50 = 10.09）や化合物 12（pIC50 = 7.47）を大きく上回った。分子ドッキングでの Moldock スコアは、新規ヒットが -143.9 kcal/mol、化合物 12 が -113.9 kcal/mol だった。MD シミュレーションでは結合が安定しており、新規ヒットは Asp98 と非常に安定した水素結合を形成した。MM-GBSA 計算では、新規ヒットの結合自由エネルギーが優れていた（-99.10 対 -47.77 kcal/mol）。
掲載誌の IF 相当：2.9（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：Awad BR, Sargolzaei M, Nikoofard H. An integrated deep learning and molecular dynamics pipeline for the discovery of novel CDK8 inhibitors against acute myeloid leukaemia. SAR QSAR Environ Res. 2026 Aug 7;37(7):619-53. doi:10.1080/1062936x.2026.2709353. PMID: 42565435.確認の範囲：抄録のみ確認 - A Semi-Automated Microfluidic Platform Employing Machine Learning Analysis to Study Adhesion Kinetics in Acute Myeloid Leukemia抄録（全訳）
現在の薬剤スクリーニングのプラットフォームは、腫瘍微小環境をふつう考慮していない。マイクロ流体のせん断流アッセイを使えば、腫瘍細胞と微小環境のやりとりを単一細胞のレベルで感度よく調べられる。この系では接着が機能的な指標となり、生存性の低下を含む細胞の状態を反映する。ただし従来のプラットフォームでは、手作業が多く、アッセイ後の解析にも時間がかかった。本研究では、明視野顕微鏡を利用した半自動のせん断流プラットフォームを作り、装置の操作と機械学習による解析パイプラインを組み合わせた。このアルゴリズムは数分で安定した高品質の結果を出し、精度（precision）98.3%、再現率（recall）99.1% を達成した。この結果は、追跡の特異度と対象の識別能が高いことを示している。
掲載誌の IF 相当：3.5（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：Ashok D, Raith D, Kalweit G, Kalweit M, Klett A, Duyster J, et al. A Semi‐Automated Microfluidic Platform Employing Machine Learning Analysis to Study Adhesion Kinetics in Acute Myeloid Leukemia. Microsc Res Tech. 2026 Jul 22 [Epub ahead of print]. doi:10.1002/jemt.70161. PMID: 42487303.確認の範囲：抄録のみ確認 - Machine learning-based integration develops a novel lysosome-related prognostic signature associated with prognosis and immune infiltration landscape in acute myeloid leukemia抄録（全訳）
リソソームは細胞内の分解と再利用に不可欠であり、その機能の変化は腫瘍の増殖に大きく関わる。それでも、急性骨髄性白血病（AML）の発症におけるリソソーム関連遺伝子（LRG）の正確な役割は、まだ十分に理解されていない。本研究では Gene Expression Omnibus（GEO）から AML 関連データを取得し、AML 群と対照群で発現に差のある LRG（DE-LRG）を特定した。次に The Cancer Genome Atlas（TCGA）のデータを用い、単変量 COX 回帰解析と機械学習アルゴリズムで予後に関わる LRG を選び、リスクモデルを作った。続いて高リスク群と低リスク群の間で、臨床的特徴、機能的経路、免疫微小環境、化学療法薬の感受性について包括的に解析した。予後関連遺伝子の発現は、ヒト骨髄由来細胞株 HS-27 A とヒト AML 細胞株 MOLM-13 において、RT-qPCR とウェスタンブロットで検証した。包括的な解析の結果、10 個の LRG（ATP6V0E2、CALCRL、TMEM165、GZMB、HCK、TCIRG1、CD1D、GPRASP1、ABCA1、NAGA）を用いたリスクモデルを構築し、GEO のデータセットでさらに検証した。二つのリスク群の間では、臨床的特徴、機能的経路、免疫微小環境の特徴、化学療法薬の感受性に有意な差が認められた。in vitro の検証実験では、ATP6V0E2、TMEM165、ABCA1 の発現の傾向が、バイオインフォマティクス解析の結果と一致した。本研究は、リソソーム関連シグネチャーが AML 患者の予後を予測しうることを示し、今後の免疫療法や化学療法の方針を考える手がかりになると示唆する。
掲載誌の IF 相当：2.4（OpenAlex の直近 2 年の平均被引用数・2026-10-12 時点の値、2026-10-13 に取得。正式な IF（Clarivate）ではない）書誌：Lu L, Jiang X, Lu J, Lv J. Machine learning-based integration develops a novel lysosome-related prognostic signature associated with prognosis and immune infiltration landscape in acute myeloid leukemia. Discov Oncol. 2026 Jun 23;17(1):1308. doi:10.1007/s12672-026-05463-6. PMID: 42334654; PMCID: PMC13550311.確認の範囲：全文を確認 - Machine learning-guided risk stratification in elderly AML based on genomic, immunophenotypic and therapeutic profiles抄録（全訳）
高齢の急性骨髄性白血病（AML）患者は、生物学的にも臨床的にもばらつきが大きい。そのため、予後を正確に予測しにくい。既存の予後分類は若い患者集団のデータに頼っている。また、免疫表現型マーカーや治療内容といった重要な因子を含めていない。このため、高齢 AML の複雑さを十分にとらえられていない。本研究の目的は、高齢 AML 患者に絞った機械学習の予後モデルを作り、内部検証することである。
患者 156 例を対象に、2 段階のモデリング戦略で解析した。まず臨床変数とゲノム変数でモデルを作った。次に、免疫表現型の特徴を別に解析した。特徴量の選択には、多層パーセプトロン（MLP）とランダムフォレスト（RF）を使った。最終モデルは多変量 Cox 回帰で作った。内部検証では、ブートストラップを 1000 回繰り返した。これでモデルの安定性と性能を評価した。
モデルの予測性能は高く、コンコーダンス指数（C-index）は 0.702 であった。時間依存の曲線下面積（AUC）と較正プロットでも、1 年・3 年・5 年の全生存を正確に予測できることを確かめた。決定曲線分析では、幅広い閾値確率で良好な正味の利益が示された。主な独立した予後因子は、TP53 変異、CD13 の高発現、IDH2 変異であった。
このモデルは、高齢 AML で患者ごとにリスクを層別化するための、頑健で解釈しやすい道具である。ゲノム・免疫表現型・治療の変数を統合しているため、治療方針の最適化に役立つ可能性がある。影響を受けやすいこの患者集団で、転帰の改善にもつながりうる。今後は外部検証を行い、時間とともに変わるバイオマーカーも組み込む必要がある。
掲載誌の IF 相当：4.6（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：Zhang L, Liu J, Liang J, Zhang X, Xin J, Wei M, et al. Machine learning-guided risk stratification in elderly AML based on genomic, immunophenotypic and therapeutic profiles. BMC Geriatr. 2026 Jun 22;26(1):1124. doi:10.1186/s12877-026-07734-x. PMID: 42324513.確認の範囲：抄録のみ確認 - Mutational Signatures and Machine Learning for Risk Stratification of Acute Myeloid Leukaemia Based on Targeted Sequencing Data抄録（全訳）
背景・目的： 急性骨髄性白血病（AML）患者が寛解導入化学療法（CTX）に反応するかどうかを、正確に予測できる検証済みのスコアリング法は現時点でない。現在のリスク評価は、複雑な細胞遺伝学的異常と分子異常にもとづいている。現行の評価は、白血病の発生に根本的とされる遺伝子の変異に注目している。
方法：AML 患者 1552 例で、111 遺伝子の標的シーケンス（TS）データを生物情報学的に解析した。注目したのは、一塩基バリアント（SNV）のカタログから得た変異パターンである。SNV カタログの解析には、線形の次元削減手法である非負値行列因子分解（NNMF）を使った。目的の一つは、リスクを決める再帰的シグネチャー（RS）を抽出することである。もう一つは、寛解導入 CTX 後の奏効例と抵抗例を見分けることである。患者ごとに予測できるよう、NNMF にランダムフォレスト（RF）モデルを組み合わせた。奏効例と抵抗例では症例数に偏り（クラス不均衡）がある。そこで、合成少数オーバーサンプリング手法（SMOTE）を適用した。さらに、体細胞変異に加えて生殖細胞系列のバリアントも取り入れた。この二つでモデルの性能を高めた。
結果：NNMF で得た RS は、患者の変異プロファイルにある臨床的に意味のある構造をとらえた。RS により、患者は治療反応ごとにクラスターを形成した。このことは、診断時の標的シーケンスデータにリスク層別化と治療反応の予測に十分な情報が含まれていることを示す。患者単位では、データの不均衡を補正し生殖細胞系列の変異も加えた RF モデルが、不均衡な体細胞変異のみのモデルより予測性能に優れた。比較対象は、偏りを残したまま体細胞変異だけを使ったモデルである。
結論：標的シーケンスデータに機械学習を適用すると、臨床的に有用な変異の構造を抽出できることが示された。これにより AML のリスク層別化も改善される。精密な治療方針の決定に組み込める可能性も裏づけられた。
掲載誌の IF 相当：5.3（OpenAlex の直近 2 年の平均被引用数・2026-10-07 時点の値、2026-10-08 に取得。正式な IF（Clarivate）ではない）書誌：Elhaddad H, Chiriches C, Nandi SP, van Eijk P, Gilkes A, Watts K, et al. Mutational Signatures and Machine Learning for Risk Stratification of Acute Myeloid Leukaemia Based on Targeted Sequencing Data. Cancers (Basel). 2026 Jun 12;18(12):1925. doi:10.3390/cancers18121925. PMID: 42352459.確認の範囲：抄録のみ確認 - Harnessing cutting-edge techniques to identify novel gene expression signatures in acute myeloid leukemia patients抄録（全訳）
急性骨髄性白血病（AML）は、患者ごとの違いが大きい造血器の悪性腫瘍である。治療は進歩しているが、予後はまだ悪い。遺伝子発現解析は、新しい生物学的マーカーを見つける強力な手段になってきた。こうしたマーカーは、患者の転帰予測に役立ちうる。本研究の目的は、AML 患者 457 例の RNA-seq データから、予後に関わる遺伝子発現シグネチャーを見つけることである。
まず、フィルタリング手法で遺伝子を 685 個に絞り込んだ。次に、有望な予後遺伝子を選ぶために四つの手法を使った。Lasso-Cox、ベイズモデル平均化（BMA）、ランダム生存フォレスト（RSF）、Cox-time ニューラルネットワーク（CtNN）である。ニューラルネットワークの出力をより深く理解するため、説明可能性のツールも使った。ニューラルネットワークの出力を深く理解するため、SHapley Additive exPlanations（SHAP）や Local Interpretable Model-agnostic Explanations（LIME）といった説明可能性の手法を用いた。また、エンリッチメント解析で、関連が強い生物学的経路を調べた。
CtNN の出力を SHAP と LIME で解釈すると、ほかのアルゴリズムとは異なる遺伝子セットが選ばれた。二つの検証指標のどちらでも、テストセットでの性能は SHAP 由来のシグネチャーが優れていた。C-index は 0.639（95% 信頼区間 0.581〜0.696）、統合 Brier スコアは 0.172（95% 信頼区間 0.161〜0.183）であった。エンリッチメント解析では、細胞の構造と発生に関わる経路が見つかった。濃縮解析では、骨髄微小環境における微小管の動態と線毛関連シグナル伝達の役割が強調された。
掲載誌の IF 相当：2.7（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：Blanda A, Manitto R, Pizzamiglio S, Sangaletti S, Verderio P. Harnessing cutting-edge techniques to identify novel gene expression signatures in acute myeloid leukemia patients. Front Bioinform. 2026 Jun 8;6:1805826. doi:10.3389/fbinf.2026.1805826. PMID: 42339130; PMCID: PMC13284140.確認の範囲：全文を確認 - Predicting isocitrate dehydrogenase mutation status in acute myeloid leukemia from gene expression profiles by machine learning抄録（全訳）
急性骨髄性白血病（AML）で、イソクエン酸デヒドロゲナーゼ（IDH）に変異があるかどうかを予測する機械学習モデルを作った。モデルは遺伝子発現プロファイルを使う。公開データセットで欠けている IDH の注釈を補うことも目的とした。
19 コホート（5844 検体）のトランスクリプトームデータを、バッチ補正でそろえた。IDH の状態が分かっている 1546 検体で、2 種類のモデルを学習させた。フィードフォワード型ニューラルネットワークと、ロジスティック回帰（LR）分類器である。学習には入れ子交差検証を使った。その後、TCGA-LAML データセットで独立に検証した。
性能は LR モデルのほうが優れていた。結果は次のとおりである。受信者動作特性曲線下面積は 0.994 ± 0.007 であった。正解率は 0.983 ± 0.006 であった。バランス正解率 [Formula: see text] 0.979 [Formula: see text] 0.005。IDH 変異（IDH-MUT）クラスの感度は 0.972 ± 0.010 であった。特異度 [Formula: see text] 0.986 [Formula: see text] 0.008。独立コホートでも、IDH-MUT の症例をすべて正しく分類した。
注釈のない検体に最終モデルを適用し、AML 4148 例の IDH 状態を復元した。その結果、下流の解析に使える、分子情報の判明したトランスクリプトームが増えた。予測した群は、IDH に関連する既知の転写シグネチャーを再現しており、生物学的な妥当性を裏づけた。
この研究で、IDH 変異の有無はトランスクリプトームデータだけから正確に推定できることが示された。本研究は、欠けているゲノム注釈を回復するための、拡張しやすい枠組みも示した。これにより、公開されている AML 資源を、大規模な生物学研究や橋渡し研究に生かしやすくなる。
掲載誌の IF 相当：4.7（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：Jung I, Vitte AL, Chuffart F, Chevalier S, Mossuz P, Khochbin S, et al. Predicting isocitrate dehydrogenase mutation status in acute myeloid leukemia from gene expression profiles by machine learning. NAR Genom Bioinform. 2026 Jun 8;8(2):lqag058. doi:10.1093/nargab/lqag058. PMID: 42266574; PMCID: PMC13244157.確認の範囲：全文を確認 - A macrophage-related efferocytosis-based two-gene prognostic model for acute myeloid leukemia identified by multi-omics and machine learning抄録（全訳）
背景：急性骨髄性白血病（AML）は不均一性が高い血液悪性腫瘍で、今も致死的な病気である。腫瘍微小環境では、マクロファージによるエフェロサイトーシスが免疫抑制と病勢進行に関わるとされる。
方法：公開コホートの単一細胞トランスクリプトームとバルクトランスクリプトームのデータを統合した。そこから、AML でマクロファージとエフェロサイトーシスに関連する遺伝子を探した。候補遺伝子は、単変量 Cox 回帰で予後との関連をみて絞り込んだ。頑健な予後モデルを作るため、包括的な機械学習の枠組みを用いた。この枠組みでは 117 通りのアルゴリズムの組み合わせを評価した。最適だったのは LASSO とランダムサバイバルフォレストの組み合わせである。この方法で、CD52 と S100A4 が中核の予後遺伝子として特定された。得られた2遺伝子モデルは、複数の独立コホートで厳密に検証した。検証には Kaplan-Meier 解析、時間依存性 ROC（受信者動作特性）曲線、較正プロットを用いた。さらに、リスクスコアと免疫微小環境・薬剤感受性との関連を解析した。モデルがどう判断するかは、SHapley Additive exPlanations（SHAP）解析で解釈した。
結果：2遺伝子シグネチャーは、訓練セットでも外部検証セットでも、全生存期間を安定して高い精度で予測した。リスクスコアは独立した予後因子であった。また、リスクスコアは免疫細胞の浸潤パターンや化学療法薬への反応と有意に相関した。SHAP 解析で、CD52 と S100A4 の寄与が一貫しており、生物学的にも妥当であることが確かめられた。単一細胞レベルの解析では、両遺伝子が AML に関連するマクロファージの特定の亜集団に集まっていることが分かった。
結論：マルチオミクスと機械学習を組み合わせ、マクロファージのエフェロサイトーシスに基づく新しい予後モデルを作った。このモデルは、AML の免疫微小環境を理解するうえで有用な手がかりになる。リスク層別化や治療方針の判断に役立つ道具にもなりうる。
掲載誌の IF 相当：2.4（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：Li X, Zhang Y, Wei X, Huang R. A macrophage-related efferocytosis-based two-gene prognostic model for acute myeloid leukemia identified by multi-omics and machine learning. Ann Hematol. 2026 May 29;105(8):363. doi:10.1007/s00277-026-07044-7. PMID: 42213195; PMCID: PMC13447400.確認の範囲：全文を確認 - A comparative analysis in a clinical cohort: multiple imputation by chained equations and a novel super learner-based imputation approach抄録（全訳）
臨床研究では欠測データが課題になる。リアルワールドデータ（RWD）ではとくにそうである。完全ケース解析では結果に偏りが生じ、検出力も下がりうる。スーパーラーナー（SL）などのアンサンブル学習は、予測問題で数値上の高い性能を示している。しかし、がん領域のデータセットでの欠測値補完（MVI）への利用は、まだ検討されていない。
本研究の目的は、SL に基づく新しい補完関数を作り、評価することである。この関数は複数の変数を補完でき、観測ごとの不確実性も定量できる。
解析対象は、急性骨髄性白血病患者の独立した2コホート（n = 1641）である。内訳は、コロラド大学の 546 例と、外部のリアルワールドコホートの 1095 例である。
SL ベースの MVI 関数は、データ処理、予測変数の選択、二値変数と連続変数それぞれの処理過程、性能の自動評価からなる。データ処理、予測因子の選択、二値変数用と連続変数用のパイプライン、性能の自動測定である。二値変数用・連続変数用のアンサンブルは、いずれも多様なベース学習器を統合している。ベース学習器には、一般化線形モデル、ランダムフォレスト、ニューラルネットワークなどがある。統合はメタ学習器が担い、予測精度が最も高くなるよう最適化する。二値変数パイプラインの SL アンサンブルは、曲線下面積（AUC）で最適化した。連続変数パイプラインの SL アンサンブルは、非負最小二乗法で最適化した。
性能は、連鎖方程式による多重代入法（MICE）と比べた。性能の指標には、バランス精度（balanced accuracy）、F1 スコア、二乗平均平方根誤差（RMSE）、可視化を用いた。二値変数と連続変数のどちらについても、すべての補完値で観測ごとの不確実性を定量した。どちらの変数でも、リサンプリングに基づく補完値の下限と上限も求めた。SL の交差検証ループ、補完用に訓練した SL アンサンブル、リサンプリングは、いずれも並列処理に対応していた。コホートの臨床的に重要な特徴量は、既存の文献に基づいて事前に選んだ。
臨床的に重要な二値の特徴量 9 個で数値実験を行った。提案した MVI 関数は、9 変数中 7 変数で MICE より高いバランス精度を示した（平均バランス精度 89.04% 対 80.75%）。残る 2 変数では同程度の性能であった。連続変数の SL アンサンブルは、4 変数の平均で RMSE が MICE より 24.45% 低かった。二値の目的変数について、予測用に訓練した SL アンサンブルの処理時間は、平均 145.02 秒であった。
本研究により、高次元の RWD では、SL ベースの補完関数が MICE より高い性能を示すことが明らかになった。あわせて、観測レベルの不確実性を定量できる点も新しい。
掲載誌の IF 相当：6.2（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：Zbysinski T, Wu L, Dale J, Coates J, Sapiah K, Reuben J, et al. A comparative analysis in a clinical cohort: multiple imputation by chained equations and a novel super learner-based imputation approach. BMC Med Res Methodol. 2026 May 12;26(1):148. doi:10.1186/s12874-026-02858-5. PMID: 42121053; PMCID: PMC13339447.確認の範囲：全文を確認