💻 bioinformatics

Perturbation-Aware Neural ODE (pNODE) Learns Microbiome Dynamics from Clinical Data and Predicts Gut-Borne Bloodstream Infections in Patients Receiving Cancer Treatment

本研究は、微生物の存在量と時系列的な抗生物質による摂動を統合することにより、同種造血幹細胞移植を受けるがん患者における腸内細菌叢のダイナミクスを正確に予測し、腸内由来の血流感染症を予測することで、従来のモデルを凌駕する摂動認識型Neural ODE（pNODE）フレームワークを導入するものである。

原著者： Stamper, I. C., Aeria, B., Xavier, J.

公開日 2026-09-10

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Stamper, I. C., Aeria, B., Xavier, J.

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

人間の腸内には、身体の健康を維持するために絶え間なく働く、細菌による広大で複雑なコミュニティが存在しています。これらの微小な住人たちは、単に食物を消化するだけでなく、外敵に対する盾として機能し、免疫系を訓練して有害な病原体が定着するのを防いでいます。しかし、骨髄移植のような強力な癌治療を受けると、この繊細な生態系は打ち砕かれてしまうことがあります。強力な薬剤や放射線は免疫系の防御機能を消し去り、医師は感染を防ぐために広域スペクトル抗生物質を使用せざるを得なくなります。これらの抗生物質は命を救う一方で、腸内の安定を保っている善玉菌をも無差別に攻撃します。その結果生じる空白地帯では、通常はごくわずかに存在する日和見菌が爆発的に増殖して善玉菌を追い出し、最終的には血流へと溢れ出し、深刻な、時には致命的な感染症を引き起こします。

長年、科学者たちはこれらの微生物コミュニティがこのような攪乱に対してどのように反応するかを予測しようと試み、感染が起こる前に腸内を健康へと導く方法を見出そうとしてきました。こうした変化をモデリングするための従来の手法は、細菌が機械の歯車のように固定された予測可能な方法で相互作用すると仮定した、簡略化されたルールに依存していました。しかし、実際の腸内はもっと混沌としており、ダイナミックであり、抗生物質に対して単純なルールでは捉えきれない複雑で非線形な反応を示します。研究者たちは、データを硬直した枠組みに押し込めるのではなく、患者のデータから直接、現実の混沌とした状況を学習できる新しいアプローチを必要としていました。

スローン・ケタリングがん研究所とUCLAの研究チームは、この問題を解決するために、「摂動を考慮したニューラルODE（pNODE）」と呼ばれる新しいツールを開発しました。あらかじめ設定されたルールに頼る代わりに、このシステムは観察から直接「運動の法則」を学習するように設計された一種の人工知能を使用しています。川の流れを想像してみてください。従来のモデルは、川底の静的な地図に基づいて水の経路を推測しようとするかもしれません。しかし、pNODEは水がどのように動き、岩の周りでどのように渦巻き、流れによってどのように速度を変えるかを観察して学習し、その次にどこへ向かうのかを予測します。この場合、「川」は患者の腸内の細菌の集まりであり、「岩」は投与される抗生物質です。研究者たちは、骨髄移植を受けた1,0{0}人以上の患者からのデータ（詳細な毎日の抗生物質治療の記録と、変化する細菌数を追跡した数千の便サンプルを含む）をこのシステムに投入しました。

結果は驚くべきものでした。真のルールが既知である合成データを用いてテストした際、pNODEは、データのノイズが多く不完全な実世界の病院のような条件下であっても、従来のモデルを一貫して上回る性能を示しました。しかし、真のテストは、チームがこのモデルを実際の患者データに適用した時に訪れました。彼らは、初期の便サンプルと予定されている抗生物質のスケジュールのみに基づいて、患者の腸内細菌が翌週にどのように変化するかを予測するようにシステムを訓練しました。モデルは極めて正確であり、古い手法よりも優れた精度で特定の細菌グループの増減を予測できました。最も重要なことに、研究者たちは、モデルが明示的に教えられていない臨床結果を予測できることを発見しました。モデルを将来に向かって走らせることで、特定の危険な細菌であるエンテロコッカス（腸球菌）の予測経路を生成することができました。もしモデルが、この細菌が増殖して腸内を支配すると予測した場合、それは患者が血流感染症を発症するリスクが高いという強力なシグナルとなりました。

この予測能力は、モデルが一度も見たことのない患者に対してテストされた際にも維持されました。チームは、エンテロコッカスの成長に関するモデルの予測が、単に現在の細菌レベルを見る場合や、古いルールベースのモデルを使用する場合よりも、将来の感染症の優れた予測因子であることを突き止めました。場合によっては、モデルの予測は、あたかも研究者が将来の細菌数をすでに知っていたかのような精度を示しました。これは、システムが腸内を支配する基礎的な生態学的ルールを学習したことを示唆する偉業です。また、研究者たちは、腸内の細菌コミュニティを二次元の風景にマッピングすることで、これらのダイナミクスを可視化しました。この視点では、異なる抗生物質は「風」のように作用し、コミュニティ全体を特定の方向へと押し流します。ある抗生物質投与のレジメンはコミュニティをエンテロコッカスが支配する状態へと押しやり、別のレジメンは生態系を多様で安定した状態に保ちます。

この研究は、この新しいアプローチが、最終的に医師が抗生物質の使用についてより賢明な選択を行う助けとなる可能性を示唆しています。異なる治療計画が患者固有の腸内生態系にどのような影響を与えるかをシミュレーションすることで、臨床医は保護的なマイクロバイオームを破壊することなく感染症を治療するレジメンを選択できるかもしれません。このモデルは特定の癌患者グループに対してテストされており、他の環境でのさらなる検証が必要ですが、これは分野における重要な進歩を意味しています。それは、単に感染が起きた後に何が起こったかを観察する段階から、そこに至るダイナミックな力を理解する段階へと移行し、感染が始まる前にそれを防ぐための潜在的な道筋を提示しているのです。

技術要約：微生物叢ダイナミクスのための摂動を考慮したニューラル常微分方程式（pNODE）

問題提起

がん治療、特に同種造血幹細胞移植（allo-HCT）は、腸内細菌叢を著しく撹乱する。広域スペクトル抗菌薬の投与によって悪化することの多いこの撹乱は、生物多様性を減少させ、定着抵抗性を損なうことで、Enterococcus faecium のような日和見感染菌の拡大と優占（「腸内優占」）を許してしまう。この拡大は、血液中への移行を促進し、生命を脅かす血流感染症（BSI）を引き起こす。

現在、微生物叢のダイナミクスを予測するために用いられている一般化ロトカ・ヴォルテラ（gLV）モデルなどのモデルは、単純化された仮定、すなわち、均質な環境における線形的、ペアワイズ、かつ時不変な相互作用に依存している。これらのモデルは、抗菌薬投与 regimen のような複雑な臨床的摂動下における、腸内微生物叢の非線形でコンテキスト依存的なダイナミクスを捉えることが困難である。さらに、臨床データは疎で不規則なサンプリングと高いノイズという特徴を持っており、従来のパラメトリックモデルが汎化に失敗しやすい条件下にある。したがって、連続時間の微生物ダイナミクスをモデル化しつつ、外部からの時系列的な摂動（抗菌薬）を明示的に統合して、生態学的変化や臨床的アウトカムを予測できる、柔軟でデータ駆動型のフレームワークが切実に求められている。

手法

pNODE フレームワーク

著者らは、**摂動を考慮したニューラル常微分方程式（Perturbation-Aware Neural Ordinary Differential Equation: pNODE）**を導入している。自律的なダイナミクスをモデル化する標準的なニューラル常微分方程式（NODE）とは異なり、pNODEはシステムの状態を支配する微分方程式に外部からの摂動を明示的に組み込んでいる。

アーキテクチャ: システムの状態 $x(t)$ は微生物の存在量を表す。ダイナミクスは、ニューラルネットワーク $f_\theta$ によって積分される潜在状態 $z(t)$ によって支配される：
$\frac{dz}{dt} = f_\theta(x(t), p(t), t)$
ここで、 $x(t)$ は現在の種（species）の存在量ベクトル、 $p(t)$ は抗菌薬曝露をエンコードする時間依存の摂動ベクトル、 $t$ は絶対時間（移植からの日数）である。
摂動のエンコーディング: 抗菌薬の投与は、15次元のバイナリベクトル $p(t)$ としてエンコードされる。各次元は特定の抗菌薬カテゴリー（例：カルバペネム、フルオロキノロン）に対応する。時刻 $t$ において、患者がカテゴリー $i$ の抗菌薬を投与されている場合、 $p_i(t) = 1$ となり、そうでない場合は $0$ となる。
組成的出力: 予測値が有効な相対存在量ベクトル（合計が1になること）であることを保証するため、潜在状態はソフトマックス関数を介して観測空間へとマッピングされる： $x(t) = \text{softmax}(z(t))$ 。
学習: モデルは、短期間のウィンドウ（7日間）における予測相対存在量と観測値の間の平均絶対誤差（MAE）を用いて学習される。ODEソルバー（torchdiffeq によるオイラー法）は、重みを更新するために積分プロセスを通じて微分を行う。

データと実験設計

臨床コホート: 本研究では、Memorial Sloan Kettering Cancer Centerの1,000人以上のallo-HCT患者の縦断的データセットを使用しており、これには10,000件以上の糞便微生物サンプル（16S rRNAシーケンシング）、詳細な抗菌薬記録、および臨床アウトカムが含まれる。
分類学的解像度: 2つのモデル構成が訓練された：
1. クラスレベル（N=14）: 細菌のクラスレベルで集計され、Enterococcus は Bacilli クラスから明示的に分離されている。このサブセットは、gLVとの直接比較を可能にするために、qPCRによる絶対存在量のデータを持つ患者に限定されている。
2. 属レベル（N=136）: 全コホートで訓練されたより高解像度のモデルであり、有病率が5%を超える属を保持している。
合成ベンチマーク: 制御された条件下でのフレームワークの検証として、著者らは、摂動拡張型gLVモデルによって制御される合成5種のエコシステムを生成した。これらのデータセットには、臨床データの特性を模倣するために、既知の真のパラメータ、不規則なサンプリング、およびガウスノイズが含まれている。
予測のための生成モード: 一度訓練されると、pNODEは生成モードで作動する。初期の糞便サンプルと患者固有の抗菌薬タイムラインから開始し、中間的な観測を必要とせずに、将来の微生物軌跡を前方へ積分して予測する。

主な結果

1. 合成および臨床設定におけるgLVに対する優れた性能

合成データ: 真の性質がgLVモデルによって生成されているにもかかわらず、pNODEは、様々な条件（ノイズレベル、サンプリング密度、および訓練セットのサイズの変化）のグリッドにおいて、一貫してgLVの推論を上回った。性能の差は、臨床研究で典型的な、疎でノイズが多く、データが乏しいレジームにおいて最も顕著であった。
臨床データ（qPCRサブセット）: 絶対存在量データを持つ患者のサブセットにおいて、pNODEは、gLVおよび一定組成のベースラインと比較して、低い7日間予測MAE（ $\approx 0.047$ ）を達成した。この優位性は、より長いホライゾン（30日および60日）において拡大した。
臨床データ（全コホート）: 属レベルのpNODEは、保持された患者に対して $\approx 0.007$ の7日間MAEを達成し、Enterococcus による優占への進行や多様なコミュニティの回復を含む、主要な生態学的遷移を捉えることに成功した。

2. 血流感染症（BSI）の予測

本研究は、pNODEが生成した軌跡が、モデル自体が感染アウトカムについて学習されていないにもかかわらず、Enterococcus によるBSIを予測できることを示した。

手法: 各患者について、モデルは将来のウィンドウ $W$ にわたる予測された Enterococcus 存在量軌跡を生成した。その平均予測存在量がリスクスコアとして機能した。
性能: pNODEベースのリスクスコアは、初期の Enterococcus 存在量ベースラインおよびgLVの生成予測の両方を上回った。
- 30日のホライゾンにおいて、pNODEは $0.83 \pm 0.01$ のAUCを達成し、gLV（$0.70 $）を上回り、補間されたグラウンドトゥルース・オラクル（$ 0.82$）に匹敵またはそれを超えた。
- pNODEの優位性は、予測ホライゾンが長くなるにつれて増加し、オラクルの性能が低下する58日目においても、高いAUC（ $\approx 0.81-0.82$ ）を維持した。

3. 抗菌薬依存的なフローフィールドの可視化

著者らは、属レベルのpNODEダイナミクスをTaxUMAP埋め込み上に投影することで、学習されたベクトル場を可視化した。

異なる抗菌薬レジメン（摂動状態）がフローフィールドを再形成し、微生物コミュニティを異なる生態学的アトラクターへと導く様子が示された。
特定の抗菌薬（例：ペニシリン）が、コミュニティを Enterococcus 優占領域へと駆動することが観察され、治療の選択がどのように生態学的軌跡に影響を与えるかについてのメカニズム的な可視化を提供した。

意義と主張

本論文は、pNODEが以下の点において、臨床的な微生物叢ダイナミクスのモデリングにおける重要な進歩であると主張している：

データとダイナミクスの間のギャップを埋める: 柔軟で非パラメトリックなニューラルODEが、理論的にgLVのようなシステムであっても、特に現実世界の臨床データのような疎でノイズの多い条件下では、古典的な生態学モデル（gLV）よりも優れた性能を発揮できることを実証した。
アウトカム学習なしでの予測的有用性: モデルは、微生物のダイナミクスと抗菌薬の摂動のみを学習することで、下流の臨床イベント（BSI）を予測することに成功した。これは、モデルが単にアウトカムと相関しているのではなく、感染に先行する上流の生態学的メカニズム（腸内優占）を捉えていることを示唆している。
「もしも」のシナリオのための生成能力: このフレームワークは、異なる抗菌薬レジメンの下での前向きな微生物軌跡のシミュレーションを可能にする。この能力は、投与前に異なる抗菌薬の選択がもたらす生態学的帰結を臨床医が評価できる可能性があり、微生物学を考慮した治療戦略の基礎を築くものである。
フローフィールドによる解釈性: 抗菌薬依存的なフローフィールドを可視化する能力は、特定の薬の組み合わせがどのように臨床的に重要な状態（例：病原体の優占）へと微生物コミュニティを駆動するかを理解するための新しい方法を提供し、生態学的レジリエンスや感受性に関するテスト可能な仮説を生成する。

著者らは、pNODEは予測モデリングのための有望なツールであるが、現在は単一センターのデータおよびバイナリの摂動エンコーディングに限定されていると結論付けている。前向きな臨床的意思決定をサポートするために、多様な施設間でこれらのダイナミクスを検証し、投与量、絶対存在量、および宿主変数などのより豊かな特徴を取り入れるための今後の研究が必要である。