背景

次世代シークエンシング技術の進歩により、ヒトゲノム解読のコストが低下し、大規模な遺伝変異情報が増加しています。その中でも、単一アミノ酸配列が変化するミスセンス変異（missense variant）は、疾患誘発確率が高く、個別化医療の重要なターゲットとされています。しかし、臨床現場では多くの遺伝変異が疾患誘発性が不明確であり、不確実性変異（variant of uncertain significance, VUS）として分類されています。

この問題を解決するために、さまざまなコンピュータアルゴリズムモデルが開発され、病原性の判定に用いられています。しかし、既存の予測ツールの多くは、ClinVarなどの臨床報告やゲノム集団の頻度データに完全に依存して開発されています。このような学習方法は、解析対象の新規変異が学習用の臨床データと重複する場合、実際より性能が過大評価されるデータ循環性（circularity）の誤りを伴います。そのため、臨床記録がない希少変異や新しい疾患遺伝子を診断する際には、予測精度が大幅に低下していました。臨床的バイアスを排除し、生物学的メカニズムに基づいて変異の有害性を客観的に評価する新しい基準が求められています。

核心的発見

トルコビルケント大学とアメリカロックフェラー大学などの国際共同研究チームは、ゲノムの臨床結果ではなく、純粋な生物学的機能証拠のみを学習したAIモデル「FuncVEP（Functional Variant Effect Predictor）」を発表しました。研究チームは、データ循環性の誤りを根本的に排除するために、大規模な遺伝変異機能解析技術（MAVE）と専門家による文献レビュー、テキストマイニングによって収集した1万8,556個のミスセンス変異機能データを構築しました。この学習データは、機能低下変異9,357個、影響のない変異2,558個、ゲノムデータベースgnomADから選定された代替陽性変異6,641個で構成されています。

研究チームは、この機能中心のデータセットに軽量勾配ブースティング（LightGBM）分類器構造を適用し、合計571の生物学的特徴を反映させました。実際の評価において、FuncVEPは既存の47の変異予測ツールの成績をすべて上回りました。特に、従来の分析ツールの有効変異分類精度が平均82％程度であったのに対し、FuncVEPは93％という高い精度を達成しました。また、判定が不可能でVUSとして分類されていた曖昧な判定比率を従来の11％から2％にまで低下させることに成功しました。

FuncVEPの実用性を証明するために、研究チームが注目したのは、先天性免疫不全疾患（inborn errors of immunity）に関連する遺伝子490種です。英国バイオバンク（UK Biobank）とマウント・シナイ・ミリオン・ヘルス・ディスカバリー・プログラム（Mount Sinai Million Health Discoveries Program）のコホートデータをこのモデルで解析した結果、これまで知られていなかった遺伝子と疾患表現型の新たな関連性50種を発見しました。これは、遺伝子の臨床解釈情報なしに、単にタンパク質機能喪失の予測情報だけで疾患誘発変異を正確に追跡できるという点を証明しています。

意義と展望

FuncVEPは、従来の臨床データ中心の変異解釈パラダイムを機能証拠中心に転換する足掛かりを提供しました。医療従事者は、予測の不確実性が極めて低くなったこのモデルを活用して、診断方針をより迅速に決定できるようになります。さらに、米国臨床遺伝学会（ACMG）の分類ガイドラインにおいて、コンピュータ予測に基づくPP3およびBP4指標と機能研究に基づくPS3およびBS3証拠を統合する高精度変異分類システムの構築にも貢献すると考えられます。

ただし、万能予測ツールとして克服すべき課題も残っています。このツールはタンパク質の構造情報と大規模な機能解析データに大きく依存しているため、まだMAVE研究が行われていない、あるいは機能検証データが不足している希少タンパク質変異を予測する際には性能が多少揺らぐ可能性があります。今後のAI予測の臨床応用においては、このモデルを単独で使用するのではなく、患者の個別臨床所見や家系図解析結果を有機的に連携する臨床意思決定システムが補完される必要があります。