Characterizing the landscape of gene process dependencies in cancer
本研究は、DepMapデータを解析することで単一遺伝子標的を超えた複雑な遺伝子プロセス依存性を特定し、それによって新たな癌の脆弱性を明らかにし、精密腫瘍学のための効果的な候補薬の予測と検証を可能にするAI/MLフレームワークであるBioBombeを紹介するものである。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
がんは、壊れた指示書による疾患です。健康な細胞の中では、遺伝子が膨大なマニュアルのライブラリのように機能し、細胞に対していつ成長し、いつ停止し、どのように自身を修復すべきかを伝えています。がんが進行すると、これらのマニュアルは破損します。数十年にわたり、この問題を解決するための医学的アプローチは、最も壊れた単一のマニュアルを見つけ出し、それを置き換えようとすることでした。「精密腫瘍学（プレシジョン・オンコロジー）」として知られるこの戦略は、腫瘍の増殖を促す単一の遺伝子の変異といった特定の遺伝的エラーに特定の薬剤を適合させることで、多くの命を救ってきました。しかし、この手法は限界に達しています。がんは、単一の壊れた指示書によって引き起こされることは稀であり、むしろ、一つの歯車が詰まっても他の歯車がそれを補うように調整される機械のように、多くの遺伝子が共に機能する複雑で調整されたネットワークに依存して生存するため、この手法が有効なのは患者のごく一部に限られます。
これらの「機械」がいかにして稼働し続けるのかを理解するために、研究者たちは個々の歯車を超えて、システム全体を見る必要があります。これが、コロラド大学アンシュッツ校およびチルドレンズ・ホスピタル・コロラドの研究チームが取り組んだ課題です。彼らは根本的な問いを投げかけました。「もし単一の壊れた遺伝子だけを見ることができないのであれば、がん細胞が生存するために必要とする依存関係のネットワーク全体をマッピングできるだろうか？」と。がん細胞を単一の遺伝子の集合体としてではなく、複雑なシステムとして捉えることで、チームは腫瘍の真の生命線として機能している隠れた遺伝子グループを明らかにする方法を開発しました。彼らの研究は、がん治療の未来が、単一の遺伝子を標的にすることではなく、それらの遺伝子が支えている生物学的プロセス全体を断ち切ることにある可能性を示唆しています。
研究者たちは、「がん依存性マップ（Cancer Dependency Map）」と呼ばれる大規模な公開データベースを活用しました。このデータベースには、科学者が何千もの遺伝子を系統的にオフにし、どの遺伝子がなければ細胞が生存できないかを確認するために、数百種類の異なるがん細胞株を用いて行った実験の結果が含まれています。従来、科学者はどの単一の遺伝子が不可欠であるかを見ることで、このデータを分析してきました。しかし、今回の新しい研究では、「BioBombe」と呼ばれる高度なコンピュータ学習フレームワークをこのデータに適用しました。コンピュータは「どの遺伝子が不可欠か？」と問う代わりに、数千の遺伝子にわたるパターンを同時に見つけ出すよう訓練されました。それは、複数の遺伝子を同時にオフにしたときに細胞が死滅するような遺伝子のグループを探し出し、細胞の生存が、細胞分裂やエネルギー生成といった特定の生物学的プロセスに依存していることを明らかにしました。
これらのパターンが単なるランダムなノイズではなく、実在するものであることを確認するために、チームは単一のコンピュータモデルには頼りませんでした。彼らは、それぞれがデータをわずかに異なる方法で捉え、異なるサイズのパターンの探索を行う、数百の異なるモデルを訓練しました。このアプローチにより、単一の手法では捉えきれない、より幅広い範囲の生物学的信号を捉えることができました。コンピュータは、研究者が「遺伝子プロセス依存性（gene process dependencies）」と呼ぶ、これら数千の遺伝子グループを特定することに成功しました。これらのグループが実際に何を行っているかを調べたところ、それらは既知の重要な生物学的機能に対応していることが分かりました。例えば、モデルは細胞分裂に関与する遺伝子グループや、細胞がエネルギーを作るために使用するプロセスであるクエン酸回路に関与するグループを強調しました。決定的なことに、この研究は、これらのグループが単なるランダムな遺伝子の集まりではなく、がん細胞が依存している一貫した生物学的システムを表していることを示しました。
このアプローチの真の力は、研究者がこれらの遺伝子グループを薬物感受性と結びつけたときに現れました。彼らは、構築した遺伝子プロセス・マップを、数百種類のがん細胞株が数千種類の異なる薬剤にどのように反応するかというデータと比較しました。その結果、特定の遺伝子グループが、ある薬剤が細胞を死滅させるか、あるいは効果を発揮しないかと強く関連していることが分かりました。例えば、p53と呼ばれるタンパク質を含む特定の経路に強く依存している腫瘍は、その経路を標的とするように設計されたクラスの薬剤に対して感受性があることを確認しました。さらに重要なことに、この手法は新たな可能性を明らかにしました。治療が極めて困難なことで知られる脳腫瘍の一種であるグリオーマにおいて、分析はミトコンドリア機能と細胞分裂における特定の脆弱性を指摘しました。また、すでに他の疾患に対して承認されている「クラドリビン」という薬剤が、小児高悪性度グリオーマの細胞を死滅させるための候補になり得ることも特定しました。
これらのコンピュータによる予測が現実世界でも通用するかをテストするため、研究者たちはその知見をラボへと持ち込みました。彼らは、効果的な治療法がほとんど存在しない、希少で攻撃的な小児用脳がんである小児高悪性度グリオーマに焦点を当てました。患者の腫瘍から得られたRNAシーケンシング・データを用いて、これらの特定の細胞においてどの遺伝子プロセスが活性化しているかを予測しました。この予測に基づき、彼らはアクシチニブ、クラドリビン、および3-デアザノセノシン Aの3つの薬剤を選択しました。彼らはこれらの薬剤で脳腫瘍細胞を処理し、細胞がどの程度生存するかを測定しました。結果は有望なものでした。3つの薬剤すべてががん細胞を死滅させる能力を示しましたが、中でもクラドリビンが際立っていました。細胞がクラドリビンに対してどの程度の感受性を持つかというコンピュータの予測は、他の2つの薬剤に対する予測よりも、実際の実験結果とよく一致していました。これにより、コンピュータモデルが、複雑な遺伝子マップを、どの薬剤が効くかという実用的な予測へと正常に翻訳できることが確認されました。
この研究は、がんを解決した、あるいはすべての患者のための治療法を見つけたと主張しているわけではありません。研究者たちは、自分たちのモデルが完璧ではないこと、つまり、強い予測もあれば弱い予測もあり、テストしたすべての薬剤がコンピュータが示した通りに機能したわけではないことを認めています。また、使用されたデータは皿の中で培養された細胞株からのものであり、人体内の腫瘍の複雑な環境を完全に模倣しているわけではないことも指摘しています。しかし、この研究は明確な概念実証を提供しています。人工知能を用いて遺伝子がどのように連携しているかという大きな視点（ビッグピクチャー）を見ることで、科学者は単一遺伝子のアプローチが見逃してしまう新しい治療標的を見つけられることを示しています。この研究は、精密医療の進むべき道は、個々の壊れた部品への焦点から、壊れたシステム全体への焦点へと移行することであり、それが特定の腫瘍の生存を阻止するどの薬剤が有効であるかを特定するための新しい方法を提供することを示唆しています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。