Data-Efficient and Interpretable Classification of Circulating Tumor Cell Phenotypes in Microfluidic Devices via Deep Learning

がんは常に一箇所に留まっているとは限りません。時には、悪性細胞が腫瘍から離脱して血流に乗り、体の他の部位へと移動して新たな増殖を形成することがあります。これらの彷徨う細胞は「循環腫瘍細胞」と呼ばれ、医師にとって極めて重要な手がかりとなります。もし科学者がこれらの細胞を特定し、その性質を理解することができれば、がんがいかに攻撃的であるか、そして治療にどのように反応するかをより正確に予測できるようになります。しかし、これらの細胞を捕らえることは困難です。なぜなら、それらは非常に稀であり、周囲に存在する数十億個もの健康な血球と非常によく似ているからです。従来の手法は化学的なラベルに依存することが多いですが、病状の進行に伴って細胞の外見が変化した場合、これらのラベルは機能しなくなる可能性があります。この問題を解決するために、研究者たちは物理学に目を向けました。彼らは、微細な柱が並んだ特殊な微小チャネルを用います。これは障害物コースのような役割を果たします。細胞がこの迷路の中を流れる際、その大きさや硬さが動き方を決定します。柔らかく、もちもちとした細胞は、硬く、硬直した細胞とは異なる動きを見せ、背後に独特な移動の軌跡を残します。課題は常に、これらの軌跡が複雑で読み取りにくく、パターンを解読するために強力なコンピュータを必要とする点にありました。

テキサス・テック大学の研究チームは、人工知能を用いてこれらの移動の軌跡を読み取る新しい方法を開発しましたが、そこには非常に少ないデータでも機能するように設計された工夫が施されています。彼らの研究では、細胞が無秩序ながらも均一な微細な柱のフィールドをナビゲートする特定のタイプのデバイスに焦点を当てました。彼らは、軟らかい細胞と硬い細胞という2つの異なるタイプの癌細胞の動きをシミュレーションしました。詳細な物理シミュレーションを実行することは時間がかかりコストも高いため、研究者が扱える移動記録は、合計でわずか500件強という限られた数でした。このようなデータの不足は、通常、コンピュータプログラムが学習する上で困難を伴います。なぜなら、プログラムは学習すべき根本的なルールを学ぶのではなく、目の前にある少数の例を丸暗記してしまう傾向があるからです。これを解決するために、チームは「サブシーケンス・サンプリング（部分列サンプリング）」と呼ぶ巧妙な学習手法を生み出しました。細胞の旅の始まりから終わりまでの全行程をコンピュータに見せる代わりに、経路の短く連続した断片をランダムに投入したのです。これにより、人工知能は旅の全履歴に頼るのではなく、移動の最も特徴的な局所的詳細に集中することを強制されました。

結果は、このアプローチが驚くほど効果的であることを示しました。ランダムな断片を用いて学習させることで、コンピュータは完全な経路を用いた場合よりも正確に、軟らかい細胞と硬い細胞を区別できるようになったのです。研究チームは次に、もう一つの極めて重要な問いを投げかけました。「コンピュータは実際にどのようにして判断を下しているのか？」という問いです。人工知能モデルは、その内部ロジックが隠されているため、しばしば「ブラックボックス」と呼ばれますが、チームは可視化ツールを使用してそのプロセスに光を当てました。その結果、コンピュータが正しい判断を下すために、旅のすべてを必要としていないことが判明しました。代わりに、コンピュータは細胞が柱や流体と相互作用する、特定の短い瞬間に強く集中していました。これは、最も重要な情報が全体の経路の形状ではなく、これらの局所的な相互作用の中に隠されていることを裏付けています。

この研究はまた、コンピュータが実際に何を見ていたのかという驚くべき詳細も明らかにしました。モデルは、単なる位置情報よりも、細胞の速度や方向の変化、すなわち「速度」に最も重きを置いていました。細胞の位置を知ることも役立ちますが、どれくらいの速さで動き、どのように加速し、どのように回転したかを知ることが、最も強力な手がかりとなったのです。研究者が位置と速度の両方のデータを組み合わせたところ、コンピュータは最高レベルの精度に達しました。生成された視覚的なマップは、コンピュータが細胞の動きが最も顕著になるデバイス内の特定のゾーンに注意を払っていることを示しました。軟らかい細胞の場合、これらの重要なゾーンは細胞が障害物の周りで曲がったり流れたりするように見える場所であり、硬い細胞は異なる領域で鋭く硬直した偏向を見せていました。このことは、デバイス自体が物理的な翻訳機として機能し、細胞の目に見えない機械的特性を、コンピュータが読み取れる移動のパターンへと変換していることを示唆しています。

これらの知見はコンピュータ・シミュレーションに基づいたものであり、実際の実験によるものではありませんが、明確な進むべき道を示しています。この研究は、将来のデバイスが細胞を特定するために、その全行程を追跡する必要はない可能性を示唆しています。最も活発に動いている数秒間を捉えるだけで十分かもしれません。これは、分析に必要な時間と計算能力を大幅に削減できる可能性があります。さらに、どの部分のデバイスが最も有用な情報を生成するのかを理解することで、エンジニアは将来、より優れたマイクロ流体ツールを設計できるでしょう。この研究は、コンピュータの学習方法に賢い手法を組み合わせ、さらにコンピュータの思考の内側を見る方法を用いることで、身体の高速道路における細胞の動きの中に隠された秘密を解き明かすことができるということを証明しています。