背景

免疫チェックポイント阻害剤の限界と課題

免疫チェックポイント阻害剤（ICI）は、患者自身の免疫システムを活性化してがん細胞を攻撃させることで、がん治療に革命をもたらしました。一部の患者において長期生存を誘導する高い有効性を示しているものの、実際に治療に反応する患者はわずか20〜30%にとどまっており、これが大きな限界となっています。そのため、治療前に薬物反応性を予測するためのバイオマーカーを特定することが極めて重要な課題となっています。

従来は、腫瘍遺伝子変異量（TMB）やPD-L1発現が予測ツールとして用いられてきました。しかし、これらのマーカーは、異なるがん種や薬剤間で一貫した精度を維持することにおいて限界があります。これは、腫瘍微小環境や免疫調節機構ががん種ごとに大きく異なり、複雑であるためです。その結果、がん種に関わらず、個々のゲノム特性や機能を包括的に反映する普遍的な予測モデルの構築が求められています。

主な知見

44の免疫コンセプトによりAIの予測経路を透明化

ハーバード大学医学大学院のMarinka Zitnik教授が率いる研究チームは、Roche社と共同で、がん種や治療法を問わず治療反応性を予測する人工知能（AI）基盤モデル「COMPASS」を開発しました。研究成果は国際学術誌「Nature Medicine」に掲載されました。このモデルは、バルク腫瘍トランスクリプトームデータに基づいて反応性を分析します。

ブラックボックス型AIの限界を克服するため、COMPASSは「Concept Bottleneck Transformer」アーキテクチャを採用しています。まず、入力された患者のトランスクリプトームデータから、免疫細胞の状態、細胞間相互作用、シグナル伝達経路など、44の生物学的免疫コンセプトのスコアを抽出します。その後、これらのスコアを組み合わせて最終的な反応性を算出します。これにより、臨床医は予測の生物学的根拠を透明性をもって検証することができます。

がん種横断的な予測性能において、既存の22モデルを凌駕

研究チームは、The Cancer Genome Atlas（TCGA）の33のがん種、11,084件の腫瘍データを用いてモデルを訓練しました。その後、7つのがん種と6つの免疫療法を含む、16の独立した臨床コホートを用いて検証が行われました。分析の結果、COMPASSは既存の22の予測手法と比較して、平均精度を8.5%向上させることが示されました。また、適合率-再現率曲線下面積（AUPRC）も、既存のモデルと比較して15.7%の向上を示しました。

意義と展望

統合解析が精密医療の新たな時代を切り拓く

本研究は、単一のバイオマーカーに依存する既存の手法の限界を克服し、腫瘍と免疫システムの相互作用を網羅する新たなアプローチを切り拓くものです。このモデルは、学習プロセスで提示されなかった稀少がん種や新しい治療条件下でも安定した予測力を維持し、高い汎用性を示しました。44の免疫コンセプトスコアを通じて、患者個別の詳細な薬剤耐性因子を提供できる点も強みです。

しかし、臨床現場への本格的な導入に向けては、依然として解決すべき課題があります。COMPASSは複数のコホートで優れた結果を収めていますが、実際の治療方針を決定するツールとして確立するためには、前向き臨床試験を通じてその有効性を実証する必要があります。また、患者の腫瘍のトランスクリプトーム解析に要する時間とコストも、克服すべき障壁です。ゲノムデータへのアクセスが拡大し、解析プロセスが簡素化されれば、個別化された精密医療の鍵となることが期待されます。