Predicting tuberculosis relapse based on 28-day CFU, RS ratio, and/or drug contribution for novel regimens in the relapsing mouse model

あなたは、9ヶ月にわたって展開されるミステリーを解決しようとしている探偵だと想像してください。犯人は、結核という病気を引き起こす「マイコバクテリウム・ツベルクローシス（結核菌）」という、ずる賢い細菌です。かつて、この細菌を捕らえ、どのように打ち倒すべきかを判断するには、非常に遅く、高価で、混雑した調査が必要でした。マウスに感染させ、治療を行い、そしてマウスが再び病気になるかどうかを確認するために、1年近く待つというプロセスです。それは、まるでヒーローが勝ったかどうかを見るために、スローモーション映画が終わるのをじっと待っているかのようでした。科学者たちは、新しい「万能薬」のレシピ（薬の組み合わせ）をテストするための、より速い方法を切実に必要としています。なぜなら、現在の治療法は期間が長すぎるため、患者が最後まで飲み終える前に服用をやめてしまい、薬剤耐性を持つスーパー細菌を生み出してしまうことがあるからです。スピードを上げるために、研究者たちは、はるかに早い段階で見つけることができる2つの特別な「手がかり」を開発しました。それは、肺の中にまだ生き残っている細菌の数（CFB）と、細菌がいかに忙しく自分自身のコピーを作っているかを示す指標（RS比）です。CFUを「家に隠れている容疑者の数を数えること」とするならば、RS比は「その容疑者が逃げ出すために慌てて荷造りをしているのか、それともただ座って何もしないでいるのかを確認すること」だと考えてください。

この論文は、これらの初期の手がかり（わずか4週間の治療後に得られるもの）を観察して、特定の薬のレシピが長期的にマウスを治癒させるかどうかを予測できる、超スマートなコンピューター探偵を構築することについて書かれています。研究者たちは、9つの異なる実験から得られたデータ（58種類のユニークな薬の組み合わせを含む、2,000件以上のマウスの改善または悪化の観察結果）を集めました。彼らはこの情報を数学的モデルに投入し、短期的な手がかりと長期的な結果との間のパターンを見つけ出すよう学習させました。その結果、単に9ヶ月待つのではなく、わずか1ヶ月のデータだけで、新しい薬のレシピをランク付けできるツールが完成しました。モデルは、これらの初期の手がかりを用いることで、科学者が最も有望な治療法を迅速に特定し、失敗する可能性が高いものをスキップできることを示唆しています。コンピューターによる予測は非常に正確であり（テストにおいて90%の的中率を実現）、著者らは、新しい薬については「忙しさ」の手がかり（RS比）が特に有用である一方で、既知の薬については、各薬が感染を滅菌する能力を把握していれば、細菌の数を数えるだけで十分である可能性があると述べています。

探偵の新しいショートカット

結核は執拗な敵です。数十年の間、新しい薬の組み合わせが機能するかを知る唯一の方法は、マウスを使って非常に長いゲームをすることでした。マウスに感染させ、薬を与え、そして細菌が戻ってくるかどうかを見るために丸9ヶ月間待つのです。それは、非常に多くのリソースを消費する遅いプロセスであり、科学者が夢見る何百もの新しい薬の組み合わせをテストすることを困難にしてきました。しかし、もし1ヶ月後の証拠を覗き見ることができ、結末を知ることができるとしたらどうでしょうか？ それこそが、このチームが成し遂げようとしたことです。

彼らは、迅速に収集できる2つの特定の「手がかり」に焦点を当てました。

1. CFU（コロニー形成単位）： これは、マウスの肺の中でまだ生存し、増殖できる細菌の数です。これは、家に隠れている侵入者の数を数えるようなものです。
2. RS比： これは、細菌の「健康状態」や活動性の指標です。具体的には、未熟なリボソームRNAと成熟したリボソームRNAの比率を見ます。これは、細菌の「ToDoリスト」をチェックすることだと考えてください。もしリストが未完了のタスクでいっぱいであれば、細菌はストレスを感じて死にかけています。もしリストがきれいであれば、彼らは単に休んでいるだけで、依然として危険な状態かもしれません。

研究者たちは、計算モデル（洗練されたコンピューターの脳）を構築し、短期的な手がかりと長期的な結果（マウスが治癒した状態を維持するかどうか）との関係を学習させました。彼らは単に推測したのではなく、58種類の異なる薬物療法を含む9つの独立した実験から得られたデータを用いてモデルを訓練しました。これらの実験には、異なる種類のマウス、異なる菌株、そして様々な感染方法が含まれており、データは非常に堅牢なものとなっています。

コンピューターが見つけたもの

モデルは、驚くべき精度で未来を予測できることを学びました。未知のデータに対してテストを行った際、コンピューターは90%の確率（具体的には、受信者動作特性曲線の下の面積が0.90）で予測を的中させました。これは、ある薬の組み合わせが2ヶ月でマウスを治癒させるのか、あるいは4ヶ月かかるのか、もしくは完全に失敗するのかを、コンピューターが判別できることを意味します。

ここからが巧妙な点です。モデルは、一部の薬については、単に細菌を数える（CFU）だけでは全体像を把握するには不十分であることを理解しました。細菌を殺すものの、後で「目覚める」ことを止められない薬（非滅菌的）もあれば、感染を真に滅菌する薬もあります。これを解決するために、モデルは「タイブレーカー（決定打）」としてRS比を使用します。モデルは、その「滅菌能力」がまだ分かっていない新しい薬の場合、細菌が本当に打ち負かされたのかを確認するために、RS比が極めて重要な手がかりになると示唆しています。しかし、我々がよく知っている薬（リファンピシンやベダキリンなど）については、それらが感染を滅菌する既知の能力を考慮に入れれば、RS比は必要なく、細菌の数だけで事足りる可能性があることもモデルは見出しました。

また、この研究は、異なる条件下で行われた異なるラボ間の実験を比較する場合でも、この手法が機能することを示しました。モデルはこれらの違いを調整するように学習しており、あるラボでテストされた薬を、別のラボでテストされた薬と公平に比較できるようにする「ユニバーサル・トランスレーター（万能翻訳機）」のように機能します。

判決

著者らは、このツールが結核の治療法開発のあり方を変えると確信しています。このモデルを使用することで、科学者ははるかに短い時間で、より少ない数のマウスを用いて、より多くの薬の組み合わせをテストすることができます。レシピが機能するかどうかを見るために9ヶ月待つ代わりに、4週間の実験を行い、その結果をコンピューターに入力すれば、どのレシピを追求すべきかのランキングを得ることができます。

しかし、論文ではこれが予測ツールであり、魔法の杖ではないという点に注意を促しています。モデルは4剤併用療法において最もよく機能しますが、テスト中の特定の3剤併用療法では少し苦戦しており、非常に短い投与期間のレジメンには追加の精査が必要であることを示唆しています。また、コンピューターは既知のデータに基づいて結果を予測することには長けていますが、依然として初期の4週間における実験の質に依存しています。もし短期的なデータにノイズが多い場合、予測は揺らぐ可能性があります。

最終的に、この研究は新しいワークフローを提案しています。迅速な4週間のテストを実施し、細菌数とその「活動レベル」を測定し、どの薬の組み合わせが真のヒーローであるかをコンピューターに教えてもらうのです。これにより、研究室のベンチから患者のベッドサイドへの道のりが加速され、今日なお結核に苦しむ何百万人もの人々に対して、より短期間でより効果的な治療法をもたらすことが可能になるかもしれません。