CrcBiomeScreen: a reproducible workflow for class imbalance and cross-cohort generalisability in colorectal cancer microbiome prediction

大腸がんは、治療が十分に効果を発揮できるほど早期に発見されないことが多いため、世界中で主要な死因となっています。便に潜血が含まれているかを確認する検査のような現在のスクリーニング手法は有用ではありますが、不完全でもあります。それらは疾患の初期兆候を見逃したり、健康な人々を不要かつ侵襲的な精密検査へと導いてしまったりすることがあります。近年、科学者たちは私たちの腸内に生息する、マイクロバイオームとして知られる数兆個もの微小な生物に注目しています。これらの微生物コミュニティは、癌や前癌病変が発達すると変化する、独特の化学的シグネチャーを残します。研究者の願いは、これらの微生物のパターンを分析することで、血液検査単独よりも正確に高リスク者を特定することです。しかし、これらの生物学的信号を信頼できる医療ツールへと変えることは、困難を極めます。データは複雑であり、癌患者の数は健康な人の数に比べて圧倒的に少なく、また研究者がデータをどのように処理するかによって結果が劇的に変わってしまうため、どの手法が実際に有効であるのかを知ることは困難なのです。

この複雑さを乗り越えるため、リーズ大学の研究チームは、「CrcBiomeScreen」と呼ばれる新しいオープンソースのツールを開発しました。彼らは単に「最善」とされる予測方法を一つ提案するのではなく、さまざまな戦略を並行してテストし、どれが圧力に耐えうるかを検証できる柔軟なフレームワークを構築しました。彼らはこのシステムを用いて、英国の実際のスクリーニングプログラムに参加した2,200人以上のサンプル、および世界中の他の9つの独立したデータセットを分析しました。彼らの目的は、データのクリーニング方法、異なる種類の細菌のカウント方法、そしてコンピュータモデルが癌の希少性をどのように扱うかといった、分析における特定のステップのうち、どれが最も正確で信頼性の高い予測をもたらすのかを明らかにすることでした。

研究者たちは、コンピュータが学習を開始する前の段階で行われる選択が極めて重要であることを発見しました。彼らは、各サンプルから回収された遺伝物質の量の違いを調整するプロセスである「正規化」のいくつかの方法をテストしました。その結果、微生物コミュニティの独特な構造を考慮した「GMPR」と呼ばれる特定の手法が、従来のより単純な手法よりも一貫して優れた結果をもたらすことがわかりました。また、ラボで培養することに成功していない、しばしば「未培養（uncultured）」とラベル付けされる細菌を含めることが重要かどうかも検討しました。研究の結果、これら謎に包まれた未培養細菌を分析に含めてもモデルの性能を損なうことはなく、むしろ、そうでなければ失われてしまう貴重な疾患の手がかりを保持できる可能性があることが示されました。さらに、細菌を「属（genus）」レベル、つまり関連する種をグループ化した広いカテゴリーで観察することが、最適なバランスを提供することも判明しました。この詳細度は、生物学的に意味のある程度に具体的でありながら、異なる研究所やシーケンシング技術の間でも一貫して認識できるほど十分に広範なものでした。

癌スクリーニングにおける大きな障壁は、健康な人と疾患を持つ人の間の圧倒的な不均衡です。実際のスクリーニングプログラムでは、癌患者1人に対して、数百または数千の健康な人が存在します。もしコンピュータモデルが癌の症例が多すぎるデータセットで学習された場合、ラボ内では高い性能を示しても、一般社会に適用されたときには無残に失敗する可能性があります。研究チームは、健康な対照群が癌の症例を大幅に上回るテストシナリオを作成することで、この極端な不均衡をシミュレートしました。その結果、「クラス・ウェイト（class weighting）」と呼ばれる手法が不可欠であることがわかりました。このアプローチは、学習中にコンピュータに対して希少な癌の症例に特段の注意を払うよう指示するもので、健康な人を正しく識別する能力を失うことなく、疾患に対する感度を実質的に高めることができます。このウェイト付けを適用したことで、モデルは癌の症例を見逃さない能力を維持しながら、健康な人が誤って病気と判定される数を大幅に減少させることができました。この精度の向上は、不要な大腸内視鏡検査とその不安を避ける上で極めて重要です。

研究者たちはその後、これらのモデルが英国のデータセットから、全く異なる人々が住む9つの国のデータセットへと移行した際に、どの程度うまく機能するかをテストしました。ここで、コンピュータアルゴリズムの選択が驚くべき違いを生みました。「ランダムフォレスト（Random Forest）」として知られる一種のモデルは、学習データが限られている場合や集団が大きく異なる場合でも、非常に安定して信頼性の高いパフォーマンスを示しました。一方、「XGBoost」と呼ばれるもう一種のモデルは、大規模で多様なデータセットで学習させた場合にはより強力で、高い精度を達成しましたが、データが小さい場合には変動性が高いことが示されました。この研究は、あらゆる状況において最適となる「魔法の弾丸（万能な解決策）」となるアルゴリズムは存在しないことを示唆しています。代わりに、最善のアプローチは、利用可能なデータのサイズと性質に依存するのです。

結局のところ、CrcBiomeScreenの価値はその透明性と柔軟性にあります。それは研究者に単一の硬直した方法を強いるものではありません。代わりに、異なる選択肢を比較するための構造化された方法を提供し、最終的に選ばれるツールが、手元にある特定のデータセットにとって最適であることを保証します。データの処理に細心の注意を払い、未培養細菌を含め、クラス・ウェイトを使用することが性能を大幅に向上させることを示すことで、本研究は、より信頼性の高いマイクロバイオームベースのスクリーニングツールの開発に向けたロードマップを提示しています。これらのモデルはまだ既存の検査に取って代わる準備ができているわけではありませんが、これらは、単純な便検査によって誰に緊急の医療措置が必要かをより正確に特定し、大腸癌をより早期に発見してより多くの命を救うことができる未来への重要な一歩となります。