AIとがん研究 ── 肺がん ── 2026-11-07
肺がんの治療・治験とAI
- CT-derived nested habitats score for preoperative IASLC grading in lung adenocarcinoma: cross-center validation and radiogenomic analysis抄録（全訳）
はじめに：2020年の国際肺がん学会（IASLC）のグレード分類は、優勢な組織型と高グレード成分の割合を組み合わせる。ただし術前の CT 評価では、不均一な腫瘍成分が空間的に平均化されるため限界がある。グレードに関連する腫瘍内 CT 部分領域を再帰的に抽出する CT 由来の入れ子ハビタットスコア（NHS）を開発した。あわせて術前 IASLC グレード判定での施設横断の性能を評価し、転写産物との関連も探索した。
方法：2施設の後ろ向き研究で、手術で切除された肺腺がん患者650例を対象とした。施設1を開発コホート（n = 390）とした。施設2の症例は1対1に層別化し、同一外部施設からの検証コホート（n = 130）と固定テストコホート（n = 130）に分けた。あらかじめ定めた主要課題は、病理学的 IASLC グレード1とグレード2/3の判別である。NHS は開発データでの5分割 out-of-fold 推定により算出した。臨床・画像所見モデル、腫瘍全体のラジオミクスモデル、NHS、統合モデルを比較した。アルゴリズムの選択は検証コホート内で行い、テストでの評価は一度だけとした。独立した TCGA-LUAD/TCIA の CT-RNA コホート（n = 88）では、探索的に WGCNA と Hallmark 遺伝子セット濃縮解析を行った。
結果：開発／検証／テストの各コホートには、グレード1が41/14/14例、グレード2が293/101/96例、グレード3が56/15/20例含まれた。選択されたランダムフォレスト統合モデルの AUC は、検証で0.871（95% 信頼区間 0.784〜0.936）、テストで0.866（95% 信頼区間 0.784〜0.935）であった。NHS 単独の AUC は0.828と0.854で、臨床・画像所見モデルは0.620と0.497、腫瘍全体のラジオミクスは0.703と0.775であった。平均絶対 SHAP 寄与のうち76.3% を NHS が占めた。NHS を除くと AUC は検証で0.251（95% 信頼区間 0.079〜0.439）、テストで0.369（同 0.200〜0.553）低下した。NHS と統合モデルの Brier スコア（0.074〜0.077）は、情報を持たない場合の基準値0.096を下回った。ただし校正傾きは1を超え、低〜中程度の閾値では全例をグレード2/3として扱う場合を上回る純利益はなかった。探索的ラジオゲノミクスでは、NHS 関連の共発現モジュールが名目上有意となり、WNT/β-カテニン、E2F、G2M チェックポイント、免疫関連プログラムの濃縮がみられた。 考察 NHS は IASLC グレード1とグレード2/3の腫瘍を判別し、第2施設から取った2つの保留コホートでも性能が安定していた。統合モデルの判別力の大半は NHS が担っていた。転写産物との関連は、仮説を生む段階にとどまる。臨床応用の前に、再キャリブレーションと多施設での前向き評価が必要である。
掲載誌の IF 相当：4.8（OpenAlex の直近 2 年の平均被引用数・2026-11-05 時点の値、2026-11-06 に取得。正式な IF（Clarivate）ではない）書誌：Peng W, Liu J, Li L, Qi W, Zhao J, Li D. CT-derived nested habitats score for preoperative IASLC grading in lung adenocarcinoma: cross-center validation and radiogenomic analysis. Front Mol Biosci. 2026 Nov 4;13:2006861. doi:10.3389/fmolb.2026.2006861.確認の範囲：抄録のみ確認 - Integrated Whole-Cell Phage Display and Machine Learning Identify Candidate Targeting Ligands in KRAS-Defined Lung Cancer Contexts抄録（全訳）
ファージディスプレイでは、細胞表面の特徴的な表現型を標的とするリガンドを見つけられる。ただし選択の出力は複雑で、解釈が難しいことが多い。この研究では、ファージディスプレイによるバイオパニング、次世代シークエンシング（NGS）、機械学習（ML）、フローサイトメトリーを組み合わせた統合ワークフローを作った。目的は、遺伝子型で規定されるがんの文脈に結びつく短鎖ペプチド結合体を見いだすことである。ファージディスプレイは、KRAS 野生型（WT）、G12C、G12D、G12V を代表する肺がん細胞株で行った。得られた実験結果はマルチモーダルな確率モデルの学習に用いた。モデルが生成した候補から重複のないヘプタペプチド98種を合成に選び、88種は可溶化して実験に供せた。フローサイトメトリーによる検証では、結合の挙動はさまざまであった。細胞を選ばず広く結合するものと、野生型より変異型に結合しやすい候補が含まれた。用量反応の追加測定と正常細胞での対照スクリーニングにより、結合強度、曲線の挙動、正常細胞への反応性、配列の開発適性から優先順位を付けた。全細胞選択のデータセットを計算と実験の両面から解析し、標的化戦略に向けたペプチド候補を選別して順位付けできることを示した。
掲載誌の IF 相当：5.2（OpenAlex の直近 2 年の平均被引用数・2026-11-05 時点の値、2026-11-06 に取得。正式な IF（Clarivate）ではない）書誌：Uguzzoni G, Belisario DC, Pagnani A, Marchiò S. Integrated Whole-Cell Phage Display and Machine Learning Identify Candidate Targeting Ligands in KRAS-Defined Lung Cancer Contexts. ACS Omega. 2026 Nov 4 [Epub ahead of print]. doi:10.1021/acsomega.6c10403.確認の範囲：抄録のみ確認