マルチモーダルデータを統合するPATH、淡明細胞型腎細胞癌の治療標的候補を提示

背景:単一データ解析を超えた標的探索
ネットワーク医学に基づく機械学習フレームワークPATHが、異なる分子データを統合し、淡明細胞型腎細胞癌(ccRCC)の治療標的候補を提示した。続いて行われた細胞株実験では、ENO2を標的とする阻害剤が最も明瞭な増殖抑制効果を示した。検証されたのは細胞レベルの反応であり、患者での治療効果ではない。
従来の治療標的探索は、単一遺伝子の仮説や変異・遺伝子発現の解析に依存してきた。しかし、がんは細胞間の不均一性が高く、多層的な分子ネットワークが複雑に絡み合っているため、個々の遺伝子変化だけでは病態を維持する相互作用を捉えにくい。既存治療への耐性も生じるccRCCで、腫瘍細胞の弱点を探ることが研究の背景にある。
主な発見:4種類のデータ統合と細胞株での検証
研究チームは、単一細胞トランスクリプトーム、バルク・マルチオミクス、ゲノムワイドCRISPRノックアウトスクリーニング、タンパク質間相互作用(PPI)ネットワークを統合した。CRISPRデータはチームが新たに実施したスクリーニングではなく、DepMapの既存データに由来する。
PATHは遺伝子発現量だけで候補を選ばない。研究チームは35の遺伝子シグネチャーを基に、ネットワーク距離、近傍遺伝子の構成、中心性、ノックアウトが細胞生存に及ぼす影響などを算出し、17,880個の遺伝子それぞれに139の特徴量を設定した。学習済みモデルは既知の薬剤標的とそれ以外の遺伝子を識別し、候補に優先順位を付ける。アンサンブルモデルは、学習に使っていない均衡化テストセットで、受信者動作特性曲線下面積(AUROC)の平均0.9254を記録した。これは標的分類の性能指標であり、新規候補の臨床成功率とは異なる。
研究チームは、予測順位に腫瘍細胞特異性や阻害剤の入手可能性などの条件を加えて候補を6つに絞り、A498、769-P、786-O細胞株で検証した。ENO2、LRRK2、SCARB1、HMOX1、TGM2を標的とする阻害剤では細胞生存率の低下が見られたが、LOX阻害剤では効果がなかった。HMOX1とTGM2の阻害反応には細胞株ごとの差があった。
増殖実験では各阻害剤を10 μMで72時間処理した。ENO2標的阻害剤POMHEXは増殖をほぼ完全に抑制した。LRRK2阻害剤とSCARB1阻害剤による増殖抑制は平均でそれぞれ約45%だった。異なる薬剤の結果であるため、この数値だけから標的そのものの優劣を断定することはできない。
意義と展望:ドラッグリポジショニングの可能性と検証の限界
LRRK2はドラッグリポジショニングの観点からも注目される。ただし、今回の腎がん細胞実験で使われた薬剤はLRRK2-IN-1である。論文がパーキンソン病の臨床第3相開発薬として言及するBIIB122とは区別する必要がある。本研究でBIIB122の腎がんに対する有効性や、医薬品開発の期間・費用の削減が実証されたわけではない。
研究チームは肺腺がんについても、疾患別データを用いて別個に構築したPATHモデルを評価し、AUROC 0.923を得た。別のがん種でも既知の標的を識別できる可能性を支える結果だ。さまざまな難治性疾患にすぐ適用できるかは、別途検証が必要となる。
モデルは、標的阻害が治療効果につながる仕組みを直接説明できない。PPIデータの不完全さや研究バイアス、既知標的と非標的を分ける分類の不確実性も限界として残る。候補の因果的役割と治療可能性は、今後の実験で確かめなければならない。
研究方法と結果は、Communications Chemistry論文全文で確認できる。
新薬開発の高コストと高い離脱率は、より効果的な治療標的探索戦略の必要性を浮き彫りにしています。本稿では、単一細胞転写産物解析、バルクマルチオミクスプロファイル、全ゲノムCRISPR撹乱スクリーニング、そしてタンパク質‑タンパク質相互作用ネットワークを統合したネットワーク医学ベースの機械学習フレームワークを提示し、疾患特異的ターゲットを体系的に優先順位付けします。透明細胞腎細胞癌に適用した結果、既知の標的を再現しただけでなく、5つの治療候補を予測し、in vitroでの検証によりこれらのうちENO2阻害が最も強い抗腫瘍効果を示し、次いで第III相パーキンソン病治療薬であるLRRK2阻害剤が再利用候補として確認されました。提案手法は、単一特徴・単一モダリティのヒューリスティックを超えて、スケーラブルで機械学習駆動の戦略へとターゲット探索を進化させ、疾患横断的に汎用可能である点が特徴です。
PATHは、腎がん研究チームが今後の実験対象を絞り込む際に活用できる手法を提示している。たとえば計算上の順位が高い遺伝子に、腫瘍細胞特異性、正常組織での発現、利用可能な阻害剤の有無などの条件を組み合わせれば、検証候補を選別できる。本研究でもこの手順で6候補を選び、細胞株で試験した。既存のCRISPRデータやマルチオミクスをネットワーク特徴量に変換し、実験の優先順位付けにつなげた事例である。ただし、データごとの重み付けに関する普遍的な指針や、患者の治療選択ツールとして検証されたものではない。実際の治療標的に発展させるには、薬剤の標的特異性、作用機序と安全性、生体内での効果をさらに評価する必要がある。