AIとがん研究 ── 肺がん ── 2026-11-09
肺がんの治療・治験とAI
- A single-cell transcriptomics-based prognostic model identifies TM4SF1 as a key promoter of malignant progression in lung adenocarcinoma抄録（全訳）
背景：肺腺がん（LUAD）では、腫瘍内の不均一性が腫瘍の進展と免疫回避に大きく影響する。しかし、現在の予後モデルの多くは単一細胞レベルの情報を扱っていない。そのため、腫瘍微小環境（TME）の複雑な細胞動態を捉えられていない。
方法：単一細胞 RNA シーケンスとバルクのトランスクリプトーム解析を統合し、細胞種ごとのシグネチャーを導いた。頑健な予後モデルを作るため、機械学習アルゴリズムの 101 通りの組み合わせを系統的に評価した。評価には複数の独立コホートを用いた。免疫の全体像、変異の特徴、細胞間コミュニケーション、免疫療法への反応性も包括的に評価した。同定したハブ遺伝子は、transmembrane 4 L six family member 1（TM4SF1）である。TM4SF1 の生物学的機能は、in vitro で厳密に検証した。
結果：最適なモデルは StepCox[forward]-Ridge で、5 つのコホートで高い予後層別能を示した。低リスクの腫瘍は、免疫炎症型の表現型を示した。低リスクの腫瘍は免疫炎症型を示し、免疫チェックポイント阻害薬によく反応すると予測される割合が高いことが示唆された。一方、高リスクの腫瘍は免疫抑制性の TME をもっていた。線維芽細胞と骨髄系細胞による細胞間コミュニケーションが過剰に活発だった。TM4SF1 は、この高リスクシグネチャーの主要なドライバーだった。TM4SF1 をサイレンシングすると、LUAD 細胞の増殖・遊走・浸潤が有意に抑えられた。アポトーシスも強く誘導された。TM4SF1 を枯渇させると、PD-L1 が減り、MHC-I が増え、CCL5 の分泌が下がった。TM4SF1 を枯渇させると、PD-L1 が減り、MHC-I が増え、CCL5 の分泌が下がって、腫瘍の免疫回避が逆転した。
結論：単一細胞の情報にもとづくこの機械学習の枠組みは、LUAD で高い予後層別能を示した。この枠組みは、免疫療法に反応しうることと関連する免疫表現型も捉える。TM4SF1 は、LUAD の悪性進展や免疫関連の表現型に関わる候補メディエーターとして浮上した。作用機序の解明と in vivo での検討をさらに進める必要がある。このことから、TM4SF1 は有用な治療標的となりうることが示唆される。
掲載誌の IF 相当：2.8（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：Li J, Liu T, Li L, Lu W, Huang J, Li X, et al. A single-cell transcriptomics-based prognostic model identifies TM4SF1 as a key promoter of malignant progression in lung adenocarcinoma. Front Oncol. 2026 Nov 6;16:1948068. doi:10.3389/fonc.2026.1948068.確認の範囲：抄録のみ確認 - A deep monitoring microfluidic platform for label-free identification and nanodrug evaluation in lung cancer.抄録（全訳）
まれながん細胞をリアルタイムで検出できれば、ベッドサイドでより適切な治療判断に役立つ可能性がある。しかし、従来の濃縮法には限界がある。感度が低く、細胞を傷つけるおそれが大きく、処理にも時間がかかる。この課題に対応するため、H1299 細胞（転移性非小細胞肺がん細胞株）を対象に、知能型のマイクロ総合分析プラットフォームを開発した。対象は H1299 細胞（転移性非小細胞肺がんの細胞株）である。このシステムは、2 つのマイクロ流体チップを直列に連結した構成と、高解像度顕微鏡を組み合わせている。この顕微鏡は、深層学習に基づく検出の枠組みで動かす。十字型合流部をもつマイクロ流体チップについて、有限要素シミュレーションで液滴生成の条件を最適化した。高解像度の液滴画像 749 枚（1536 × 1024 ピクセル）でデータセットを作った。液滴 5127 個に分布する生きた H1299 肺がん細胞 2619 個を含む、749 枚の高解像度液滴画像（1536 × 1024 ピクセル）でデータセットを構築した。評価したアルゴリズムの中から YOLOv7 モデルを選び、最適化した。検出精度は 98% を超え、リアルタイムの推論速度は毎秒 55 フレームを上回った。概念実証として、抗がん剤に対する単一細胞レベルの反応を、このプラットフォームで定量的に解析した。対象は希釈していない全血と処理済みの生検検体で、30～40 分で、標準的な CCK-8 法と一致する結果を得た。解析は 30〜40 分で終わった。結果は、標準的な Cell Counting Kit-8（CCK-8）アッセイと一致した。必要な検体量が最小限で、標識が不要で、性能も安定している。このことは、治療モニタリングに使える可能性を裏づける。さらに、画像の連続取得と自律的な解析ができる。このため、今後のがん研究で動的なモニタリングを後押しする可能性がある。
掲載誌の IF 相当：11.9（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：Zhang S, Bo B, Gu H, Chen M, Wu D, Li Y, et al. A deep monitoring microfluidic platform for label-free identification and nanodrug evaluation in lung cancer. Biosensors and Bioelectronics. 2027 Feb;318:119395. doi:10.1016/j.bios.2026.119395.確認の範囲：抄録のみ確認 - Explainable machine learning for predicting grade ≥3 treatment-related adverse events in resectable non-small cell lung cancer receiving neoadjuvant chemoimmunotherapy: predominant contribution of hematologic toxicity.抄録（全訳）
背景：一方で、重い治療関連有害事象（TRAE）が起こることがある。術前化学免疫療法中のグレード3以上のTRAEを治療前に予測するモデルは、まだ少ない。本研究は、説明可能な機械学習モデルを作り、外部で検証することを目的とした。術前化学免疫療法を受ける切除可能なNSCLC患者で、グレード3以上のTRAEを予測する説明可能な機械学習モデルを開発し、外部検証した。
方法：多施設共同の後ろ向き研究である。探索コホート（n=953）と、独立した外部検証コホート（n=143）を用いた。探索コホートは層別化して、訓練セット（n=668）と内部テストセット（n=285）に分けた。治療前の候補変数は、日常的な臨床変数と検査変数、および1サイクル目の治療の特徴である。変数選択には安定性を重視したBorutaを使い、続いて分散拡大係数（VIF）を評価した。機械学習（ML）アルゴリズム8種を、訓練セットで10分割交差検証により調整した。評価したのは、識別能、較正、決定曲線分析（DCA）、SHapley Additive exPlanations（SHAP）による説明である。副次解析では、血液毒性、非血液毒性、免疫関連有害事象（irAE）をそれぞれエンドポイントとした。
結果：グレード3以上のTRAEは、1,096例中496例（45.3%）に起きた。グレード3以上の血液毒性は464例（42.3%）にみられた。グレード3以上のTRAEがあった患者の446例（89.9%）は、血液学的事象のみで複合エンドポイントに至った。最終モデルはランダムフォレストで、治療前の予測因子12個を含む。受信者動作特性曲線下面積（AUC）は、内部テストで0.782、外部検証コホートで0.742だった。TRAE全体向けに固定したモデルを、毒性のサブタイプにも適用した。識別能は、グレード3以上の血液毒性で保たれた（AUC 0.764と0.732）。一方、グレード3以上の非血液毒性（0.638と0.631）と全グレードのirAE（0.435と0.535）では、識別能がかなり低かった。血液毒性専用のモデルのAUCは、内部テストで0.777、外部検証コホートで0.711だった。
結論：治療前の情報によるランダムフォレストモデルは、グレード3以上のTRAE全体について、外部検証で中等度の識別能を示した。この識別能は主に血液毒性を反映している。
掲載誌の IF 相当：2.5（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：Zhi FH, Zhang Y, Ge T, Yang L, Dong Y, Wen J, et al. Explainable machine learning for predicting grade ≥3 treatment-related adverse events in resectable non-small cell lung cancer receiving neoadjuvant chemoimmunotherapy: predominant contribution of hematologic toxicity. Transl Lung Cancer Res. 2026 Oct;15(10):311-1. doi:10.21037/tlcr-2026-0984.確認の範囲：抄録のみ確認 - Development and validation of a habitat-based radiomics fusion model for predicting immunotherapy response in advanced NSCLC: a multicenter retrospective study.抄録（全訳）
背景：免疫チェックポイント阻害薬（ICI）は、進行非小細胞肺がん（NSCLC）に有効である。しかし、奏効を確実に予測できる非侵襲的な指標はまだない。その一因は、腫瘍内の不均一性である。本多施設研究は、進行NSCLC患者でICIの奏効を予測するモデルを作り、検証することを目的とした。進行NSCLCのICI奏効を予測するハビタットベースのラジオミクスモデルを、臨床、腫瘍全体のラジオミクス、ハビタットの特徴を統合して開発・検証した。
方法：多施設共同の後ろ向き研究である。対象は、中国の3病院で2019年1月〜2024年11月にICIを受けた、ステージIIIB〜IVのNSCLC患者330例である。蚌埠医科大学第一附属病院の患者を訓練コホート（n=191）とした。山東省腫瘍病院と安徽医科大学第一附属病院の患者は、外部検証コホート（test1、n=70；test2、n=69）とした。主要評価項目は、RECIST 1.1による3か月時点の進行の有無である。特徴量の抽出と厳密な選択を行った。そのうえで、機械学習アルゴリズム7種を使い、6種類のモデルを作った。7つの機械学習アルゴリズムで、臨床、ラジオミクス、ハビタットベースの各モデルと、臨床-ハビタット（FCH）、ラジオミクス-ハビタット（FRH）、臨床-ラジオミクス-ハビタット（FCRH）の3つの融合モデルを構築した。性能は、受信者動作特性（ROC）解析、較正指標、決定曲線分析（DCA）で評価した。モデル間の比較には、DeLong検定、統合識別改善度、純再分類改善度を用いた。特徴の解釈性は、SHapley Additive exPlanations（SHAP）で評価した。
結果：最終のFCRHモデルには、極端勾配ブースティング（XGBoost）を用いた。曲線下面積は、訓練で0.937（95% 信頼区間 0.903〜0.971）、test1で0.862（95% 信頼区間 0.773〜0.951）、test2で0.823（95% 信頼区間 0.710〜0.936）だった。感度／特異度は、それぞれ87.6%／88.9%、76.8%／78.6%、83.0%／72.7%だった。較正は良好だった（すべてのコホートでHosmer-Lemeshow P > 0.05）。SHAP解析では、上位24個の予測因子の70.83%をハビタット由来の特徴が占めた。
結論：外部検証でも有望な性能を示した。臨床応用の前に、前向き研究が必要である。
掲載誌の IF 相当：2.3（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：Li S, Jin L, Zhu Q, Zhu D, Meng Y, Lu X, et al. Development and validation of a habitat-based radiomics fusion model for predicting immunotherapy response in advanced NSCLC: a multicenter retrospective study. J Thorac Dis. 2026 Oct;18(10):1123-3. doi:10.21037/jtd-2026-1443.確認の範囲：抄録のみ確認