Quantifying the genetic separability of disease subtypes

多くの疾患は単一で均一な状態ではなく、むしろ「頭痛」が緊張型頭痛、片頭痛、あるいは群発頭痛を指し得るのと同様に、異なるサブタイプ（亜型）の集合体です。医師は多くの場合、症状や、身体のどこに疾患が現れるか、あるいは患者が治療にどのように反応するかに基づいて、これらのサブタイプを分類します。これらの区別は重要です。なぜなら、予後や治療法の選択を導くことができるからです。しかし、患者の症状だけでは、必ずしも特定のサブタイプを明確に明らかにできるとは限りません。時には、不正確な分類が適切なケアの遅れを招くこともあります。科学者たちは、遺伝学がこれらのサブタイプを分類する助けになるのではないかと、かねてより考えてきました。あらゆる人が、疾患のリスクに影響を与える独自の遺伝的指示書（遺伝情報）を持っていることを考えると、異なるサブタイプを持つ人々の遺伝的プロファイルも異なって見えるはずだと考えるのは論理的です。中心となる問いは、これらの遺伝的な違いが、一つのサブタイプを他から確実に区別できるほど強力なのか、それとも、サブタイプがあまりにも遺伝的に似通っているために、DNAによる区別がほとんど役に立たないのか、という点です。

研究チームは、この問いに答えるための新しい統計ツールを開発しました。それは、単純な比較を超えて、遺伝学がサブタイプを分離できる真のポテンシャルを測定するものです。彼らはその手法を「GenSep」と呼んでいます。GenSepは、現在の遺伝子検査がどの程度うまく機能しているかをテストするだけでなく、理論上の最大値、すなわち、もし科学者がエラーなしですべての個人の正確な遺伝的リスクを知ることができた場合に達成されうる「最高の識別能」を算出します。この理論的な限界は、一種の天井として機能します。この天井を既存の遺伝学的予測ツールの性能と比較することで、研究者は、問題が「サブタイプが根本的に似すぎていて遺伝学では分離できないこと」にあるのか、それとも「現在のツールがまだ十分に優れていないこと」にあるのかを判断できるのです。

研究者たちは、このフレームワークを、UKバイオバンク（何十万人ものボランティアの遺伝情報と健康情報を含む大規模な医学データベース）のデータを用いて、18組の疾患サブタイプのペアに適用しました。彼らが調査したのは、1型と2型糖尿病から、さまざまな形態の炎症性腸疾患や甲状腺疾患に至るまでのペアです。各ペアについて、彼らはまず遺伝的天井を算出しました。その結果、多くのサブタイプにおいて、この天井はかなり高いことが示されました。例えば、1型糖尿病と2型糖尿病の間の遺伝的差異は非常に明確であり、理論上、完璧な遺伝子検査を用いれば、これらをほぼ完璧な精度で分離できることが分かりました。同様に、甲状腺機能低下症と甲状腺機能亢進症、あるいはクローン病と潰瘍性大腸炎の遺伝的プロファイルも、非常に強い分離性を示しました。これらのケースでは、遺伝学が臨床的なサブタイプの区別を明確に支持しています。

しかし、研究者たちが現在利用可能な実際の遺伝学的予測ツールをテストしたところ、結果は劇的に異なりました。ポリジェニック・リスク・スコアとして知られるこれらのツールは、数千の遺伝子変異の影響を集約して個人のリスクを推定するものですが、実際には、サブタイプを区別する上で低い性能しか発揮できませんでした。18組のペア全体を通じて、現行の最良のツールが達成した中央値は、ランダムな推測（当てず尊）とほとんど変わらないレベルでした。1型と2型糖尿病を分離するための理論的天井がほぼ完璧であった一方で、実際のツールは、そのポテンシャルのごくわずかな部分しか捉えることができませんでした。実際、18組のペアのほとんどにおいて、現在のツールは、理論的に存在する遺伝的分離能の5パーセント未満しか回収できていませんでした。このギャップは、サブタイプがしばしば遺伝的に区別可能であるにもかかわらず、現在の私たちの手法が、それを実行するにはまだ精密さに欠けていることを明らかにしています。

また、研究チームは、これらの遺伝的ツールを構築するために、より大きなデータセットを使用することがこの問題を解決するかどうかについても調査しました。彼らは、フィンランドのFinnGenプロジェクトや、数十万人の参加者を擁する大規模な国際コンソーシアムを含む、他の大規模研究から得られたデータを用いてツールをテストしました。驚くべきことに、これらの外部データセットは、内部ツールを訓練するために使用されたデータよりも2倍から4倍大きかったにもかかわらず、サブタイプを区別する能力を大幅に向上させることはありませんでした。サンプルサイズの拡大は、識別能の向上にはつながりませんでした。このことは、単にデータを増やすことが完全な解決策ではないことを示唆しています。つまり、ツール自体に根本的な改善が必要であるか、あるいは集団間で遺伝的パターンがどのように変化するかという違いにより、遺伝的信号を捉えることが予想以上に困難である可能性があります。

理論的限界に達するために、どれほど大規模な研究が必要になるかを算出するため、研究者たちはシミュレーションを実行しました。遺伝的分離が最も高かった3組のペア（1型対2型糖尿病、甲状腺機能低下症対甲状腺機能亢進症、およびクローン病対潰瘍性大腸炎）について、彼らは遺伝的天井に一致するツールを構築するために必要な症例数を算出しました。その数字は驚愕すべきものでした。1型と2型糖尿病を高い精度で区別するために、それぞれ約29,000件のトレーニング症例が必要でした。甲状腺機能低下症と甲状腺機能亢進症の場合、その必要数は片方につき約161,000件へと跳ね上がりました。クローン病と潰瘍性大腸に対しても、シミュレーションでは片方につき200万件近い症例が必要であると示されました。これらの数値は、遺伝的なポテンシャルは存在するものの、現在の性能とそこへの到達との間のギャップを埋めるには、膨大な量のデータと、おそらくより優れた予測手法が必要であることを示しています。

この知見は、All of Usプログラム（米国）や、多様な祖先を含むMillion Veteran Programといった他の大規模なコホートでテストしても、その妥当性が確認されました。ほとんどのサブタイプにおける理論的天井は、これら異なるグループや祖先の間で一貫しており、遺伝的分離が特定のデータセットによるアーティファクト（人工的な産物）ではなく、現実の生物学的特徴であることを示唆しています。ただし、疾患の定義が重要となる例外もありました。例えば、あるデータセットにおいて1型と2型糖尿病の間の遺伝的分離がはるかに低く見えたのは、そのデータセットにおける疾患の記録方法が、これら2つのサブタイプを混在させていたため、遺伝的信号を曖昧にしてしまったことが原因でした。これは、疾患がどのように定義され、記録されるかが、遺伝学そのものと同様に極めて重要であることを浮き彫りにしました。

結局のところ、本研究は、精密医療（プレシジョン・メディシン）における疾患サブタイプの未来に向けた明確な地図を提供しています。それは問題を二つのカテゴリーに分類しました。一つは、遺伝的な違いが小さすぎて有用ではないケース、もう一つは、違いは大きいものの、現在の私たちのツールがそれを検出するにはあまりに脆弱であるケースです。主要な疾患ペアが含まれる後者のグループにとって、進むべき道は明白です。遺伝的構造はこれらのサブタイプを区別することを支持していますが、それを実用化するには、より大規模な研究と、より洗練された予測モデルが必要となります。この研究は、遺伝子検査がすぐに臨床診断に取って代わるという主張をするものではありませんが、現実的なベンチマークを確立しました。それは、いくつかの疾患において、遺伝的な設計図はすでに読み解かれる準備ができているが、私たちにはもっと優れた「読者（リーダー）」が必要であるということを示しているのです。