AIとがん研究 ── がん一般 ── 2026-11-09
がん一般の分子生物学の進展とAI
- Virtual liver biopsy for detecting steatohepatitis in chemotherapy-treated patients: comparison with whole-liver radiomics and external validation.抄録（全訳）
目的：化学療法関連脂肪肝炎（CASH）があると、肝切除後の肝不全と死亡のリスクが高まる。しかし、非侵襲的に診断する方法はまだない。ラジオミクスは肝実質の性状を評価できる可能性がある。本研究では、CASH を予測する仮想肝生検の性能を評価し、全肝のラジオミクス解析と比べた。 【対象と方法】 大腸がん肝転移で肝切除を受けた患者の後ろ向きコホートを 2 つ解析した。一つは公開データセット「Colorectal-Liver-Metastases」で、学習と内部検証に使った。もう一つは Humanitas Research Hospital の単施設コホートで、外部検証に使った。対象は、2 か月以上の術前化学療法を受け、化学療法後に厚さ 5 mm 以下の CT を撮った患者である。 画像バイオマーカー標準化イニシアチブ（IBSI）に準拠したラジオミクス特徴量を抽出した。ラジオミクス特徴量は、肝実質全体と仮想生検の両方から抽出した。仮想生検とは、腫瘍のない肝実質に手作業で設定した、2 mL の円柱状の領域である。推定肝容積（eLV）は、直交する 3 方向の径から算出した。 XGBoost モデルを 4 つ作った（70/30 分割、5 分割交差検証）。内訳は次のとおりである。臨床因子のみのモデル。臨床因子＋仮想生検ラジオミクス（ViB）。臨床因子＋仮想生検ラジオミクス＋eLV（ViBE+）。臨床因子＋全肝ラジオミクス（WholeLiver）。
結果：対象は 180 例だった。内部コホートは 105 例（男性 63 例、平均年齢 58.9 歳、CASH 陽性 38%）である。外部コホートは 75 例（男性 44 例、平均年齢 62.4 歳、CASH 陽性 19%）である。 信頼区間は、ブートストラップ法による 95% 信頼区間（95% BS-CI）で示す。内部検証では、WholeLiver モデルと ViBE+ モデルがともに優れた性能を示し、両者は同程度だった。 WholeLiver モデルは AUC 0.857（95% BS-CI 0.676〜0.954）、正解率 0.774（95% BS-CI 0.613〜0.903）だった。 ViBE+ モデルは AUC 0.831（95% BS-CI 0.549〜0.956）、正解率 0.839（95% BS-CI 0.710〜0.935）だった。WholeLiver モデルと ViBE+ モデルの差は有意でなかった（p = 0.814）。 この 2 モデルは ViB モデルを上回った。ViB モデルは AUC 0.724（95% BS-CI 0.483〜0.896）、正解率 0.774（95% BS-CI 0.613〜0.903）だった。 SHAP 解析で、肝容積の指標が主要な予測因子であることを確かめた。 外部検証では、ViBE+ モデルは AUC 0.745（95% BS-CI 0.604〜0.886）、正解率 0.680（95% BS-CI 0.562〜0.783）だった。 【結論】仮想生検は、CASH を予測するためのラジオミクス用の領域を、再現性よく非侵襲的に採取する方法である。肝容積の指標と組み合わせると、全肝解析と同程度の性能が得られる。肝容積の指標と組み合わせると、肝臓全体の解析に匹敵する性能が得られ、臨床応用の可能性が支持される。 【要点】問い：CASH は術後の合併症と関連するが、肝臓手術を受ける患者で術前に非侵襲的に評価することは難しい。それでも、肝手術を受ける患者で CASH を術前に非侵襲的に評価するのはまだ難しい。
所見：仮想肝生検に基づくラジオミクス解析を容積の測定と組み合わせると、CASH の予測で優れた性能を示した。性能は全肝解析と同程度だった。肝容積が主要な予測因子として浮かび上がった。 臨床上の意義：標準化した仮想生検に基づくラジオミクス解析は、肝実質の障害を非侵襲的に評価する有望な方法である。その例として、CASH の術前評価と、手術の高リスク患者の特定が示された。
掲載誌の IF 相当：5.4（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：Ammirabile A, Mastroleo F, De Martino R, Pugliese N, Waddle M, Laghi A, et al. Virtual liver biopsy for detecting steatohepatitis in chemotherapy-treated patients: comparison with whole-liver radiomics and external validation. Eur Radiol. 2026 Nov 7 [Epub ahead of print]. doi:10.1007/s00330-026-13004-6.確認の範囲：抄録のみ確認 - Radiomics analysis of brain–tumor interface on multiparametric MRI for prediction of brain metastasis primary site抄録（全訳）
目的：脳転移（BM）は進行がん患者によく起こる。個別化治療には、原発巣を正確に特定することが欠かせない。従来の画像検査では、BM の原発巣を予測するには感度と特異度が足りないことが多い。 本研究の目的は、脳・腫瘍境界部（BTI）の特徴を重視したマルチパラメトリック MRI のラジオミクスモデルを作り、検証することである。モデルでは脳・腫瘍境界部（BTI）の特徴量を重視した。BM の原発巣を非侵襲的に特定する精度を高めるのがねらいである。 【対象と方法】 主コホートは 2 施設の 429 例（BM 740 病変）である。原発は非小細胞肺がん（NSCLC）、小細胞肺がん（SCLC）、乳がん（BC）、消化器がん（GIC）だった。独立した検証コホートは、3 施設目の 33 例（BM 84 病変）である。 全例が治療前に 3.0 T の MRI を受けた。撮像には、造影 T1 強調像（T1CE）と T2 強調像（T2W）を用いた。ラジオミクス特徴量は、腫瘍の中心部と BTI 領域（2、4、6、8 mm）から抽出した。 特徴量の選択には LASSO 回帰（least absolute shrinkage and selection operator）を使った。ラジオミクスシグネチャー（RS）は、受信者動作特性（ROC）解析で評価した。
結果：4 mm の BTI 領域に基づく RS-BTI4 が、全体として最もよい性能を示した。ROC 曲線下面積（AUC）は、学習コホートで次のとおりだった。肺がん（LC）／肺がん以外（NLC）の判別で 0.855、SCLC／NSCLC で 0.910、BC／GIC で 0.890 である。 同じ順に、検証コホートでは 0.726、0.856、0.809 だった。外部検証コホートでは 0.739、0.750、0.792 だった。 BM の原発巣の特定では、RS-BTI4 は一貫して他のモデルを上回った。比較したのは、ほかの幅の BTI に基づくモデルと、腫瘍全体の領域に基づくモデルである。
結論：BTI から得たラジオミクス特徴量は、BM の原発巣を非侵襲的に特定する手段として大きな可能性を示す。予測性能は 4 mm の BTI 領域で最もよかった。 【要点】 問い：従来の MRI では、脳転移の原発巣を確実には特定できない。診断時に原発腫瘍が分かっていない場合は特にそうである。
所見：4 mm の脳・腫瘍境界部モデルは、AUC で測った全体の性能が最もよかった。これは、3 つの二値分類課題のいずれでも、また検証コホートでも同様であった。 臨床上の意義：脳・腫瘍境界部のラジオミクスをマルチパラメトリック MRI と組み合わせると、BM の原発巣を非侵襲的に推定しやすくなる可能性がある。臨床放射線診療で、より的を絞った診断評価を支える可能性もある。
掲載誌の IF 相当：6.5（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：Jiang M, Han B, Huang Y, Rong X, Zhao W, Ge X, et al. Radiomics analysis of brain–tumor interface on multiparametric MRI for prediction of brain metastasis primary site. Insights Imaging. 2026 Nov 6;17(1):286. doi:10.1186/s13244-026-02464-5.確認の範囲：抄録のみ確認 - DrugPTM-Bench: A Large-Scale Dataset for Predictive Modeling of Drug-Induced Cell Type-Specific Protein Post-Translational Modifications.抄録（全訳）
タンパク質の翻訳後修飾（PTM）、とくにリン酸化は、細胞のシグナル伝達、薬剤応答、疾患に関わる経路の活性を調節する。しかし、既存の PTM リソースの多くは静的である。薬剤、用量、時間、細胞の状況、修飾部位によって PTM の調節がどう変わるかは捉えられていない。
DrugPTM-Bench は、decryptM の用量依存的な PTM 測定値から作った、精選したベンチマークである。部位ごとの薬剤応答を標準化して収めている。対象は、がん細胞株 7 種、薬剤 27 種、タンパク質 11,167 種、6 時点、16 用量レベルである。効力値として pEC50 も含む。
薬剤に応答するシグナル伝達では、リン酸化が中心的な役割を担う。これを反映して、DrugPTM-Bench はリン酸化が大部分を占め、リン酸化イベントが 99.5% である。
課題には、タンパク質が重ならない分布外（out-of-distribution）分類を設定した。薬剤処理の後に、PTM 部位が上昇、低下、不変のどれになるかを予測する。
結果から、薬剤による PTM 調節の予測は、クラスの偏りが大きく、状況に強く左右される問題だと分かった。ベースラインの機械学習・深層学習モデルは、まれな調節イベントを安定して捉えられなかった。標準的なリバランス手法では再現率は上がったが、代わりに適合率と全体の F1 スコアが下がった。
分類のほかにも、DrugPTM-Bench では次のことができる。pEC50 の回帰、PTM フィンガープリントからの作用機序の予測、薬剤ごとの PTM 部位の感受性の順位付けである。
掲載誌の IF 相当：9.8（OpenAlex の直近 2 年の平均被引用数・2026-11-08 時点の値、2026-11-09 に取得。正式な IF（Clarivate）ではない）書誌：Badkul A, Xie L, Mottaqi M, Xie L. DrugPTM-Bench: A Large-Scale Dataset for Predictive Modeling of Drug-Induced Cell Type-Specific Protein Post-Translational Modifications. Information. 2026 Oct 31;17(11):1079. doi:10.3390/info17111079.確認の範囲：抄録のみ確認 - Evolutionary Constraints Improve Protein Large Language Model Predictions for Protein Stability, Binding Regions, and Epistasis.抄録（全訳）
タンパク質の機能と進化の理解は、主にアミノ酸配列と全体の折りたたみ構造の関係に基づいている。この関係は、今では計算モデルで十分に捉えられる。しかし、変異がタンパク質のふるまいをどう変えるかの予測はまだ難しい。変異の効果はエピスタシスに左右される。動的な領域や構造のはっきりしない領域では、予測は特に難しい。
本論文では D2D を示す。D2D は、自己教師ありのタンパク質言語モデルにタンパク質ごとの進化情報を組み合わせたモデルである。D2D は、課題に固有のラベル付きデータをほとんど、あるいはまったく使わずに、変異の効果を予測する。
D2D は長距離のエピスタシス相互作用を捉える。D2D は、その課題で学習させなくても、単一変異と高次の変異がタンパク質の熱安定性と結合に与える効果を正確に予測する。
ファインチューニングすると、D2D は最先端の手法を上回った。ファインチューニングした D2D は、潜在的ながんドライバー変異と、同時に生じる増殖促進変異の予測で、最先端の手法を上回る。これは、独立した複数の実験研究のいずれでも同様であった。
既存の手法の多くと違い、D2D は溶媒接触可能性に関わるバイアスや、多重配列アラインメントの深さと質に関わるバイアスを避けられる。そのため、天然変性領域や表面の結合領域で特に有効である。構造に基づく予測法は、こうした領域を苦手とすることが多い。
全体として、D2D は変異の効果をモデル化する汎用的な枠組みである。実験情報や構造情報が少ないタンパク質でも使える。
掲載誌の IF 相当：7.8（OpenAlex の直近 2 年の平均被引用数・2026-11-07 時点の値、2026-11-08 に取得。正式な IF（Clarivate）ではない）書誌：Tzavella K, Olsen C, Vranken W. Evolutionary Constraints Improve Protein Large Language Model Predictions for Protein Stability, Binding Regions, and Epistasis. Comput Struct Biotechnol J. 2026 Sep 18;35(1):0226. doi:10.34133/csbj.0226.確認の範囲：抄録のみ確認