HA-DMF: Hybrid Attention-Based Deep Matrix Factorization for Drug Combination Synergy Prediction

がんは、単一の武器によって打ち負かされることは稀です。腫瘍という複雑な景観の中では、単一の薬が標的に命中しても、がん細胞はすぐにそれを回避する方法を学習してしまったり、あるいは健康な組織に深刻なダメージを与えてしまうために治療を中止せざるを得なくなったりすることがよくあります。これを克服するために、医師はしばしばコンビネーション療法（併用療法）を用い、2種類以上の薬を同時に使用します。その目的は、単なる個々の効果の総和よりも大きな効果を生み出すような、特別な形で共に作用するペアを見つけ出すことです。科学者たちはこれを「シナジー（相乗効果）」と呼びます。それは、二人の兵士がそれぞれ個別に戦うのと、二人の兵士が一個の、阻止不可能なユニットとして共に戦うのとの違いのようなものです。しかし、これら強力なペアを見つけ出すことは、途方もない作業です。利用可能な数千種類の薬と数百種類の異なるがん細胞が存在するため、考えられる組み合わせの数は膨大であり、それらすべてを実験室でテストするには、何世紀もの時間と数十億ドルの費用がかかってしまいます。

物理的なテストは非常に遅く、かつ高価であるため、研究者たちはフィルターとしての役割を果たすべくコンピュータを利用してきました。彼らは、実際に液滴を混ぜ合わせる前に、どの薬のペアが最も良く作用するかを予測するための数学的モデルを構築しています。長年、これらのコンピュータモデルは、主に2種類の情報、すなわち薬の化学構造とがん細胞の遺伝的構成に依存してきました。しかし、これらのモデルは汎用性に苦慮してきました。既知の薬や細胞に対しては良好な予測を示すことがあっても、全く新しい薬や新しい種類のがん細胞に対して予測を求められると、無残にも失敗してしまうのです。課題は、単に過去の結果を記憶するのではなく、未知のものにも適用できるような、薬と細胞がいかに相互作用するかという仕組みを真に理解するシステムを作り上げることでした。

テヘラン大学とフィンランドのアールト大学の研究チームは、この問題に対する新しいアプローチを提案しました。彼らはこれを「HA-DMF」と呼んでいます。彼らの研究は、薬のシナジーを予測することは、単に鍵と鍵穴を合わせるような特徴のマッチングではなく、薬のペアと特定の細胞環境との間の隠れた相互作用のパターンを学習することであると示唆しています。これを行うために、彼らは2つの異なる思考プロセスを組み合わせたハイブリッドシステムを構築しました。システムの第一の部分は、過去の実験の生データを見て、薬がどのように共に振る舞うかという「潜在的な」あるいは隠れたルールを学習します。第二の部分は、薬と細胞に関する詳細な生物学的情報を取り入れ、特殊なアテンション・メカニズム（注意機構）を用いて、特定の状況においてどの情報が最も重要であるかを判断します。

研究者たちは、DrugCombデータベースから得られた膨大なデータセットを用いて、彼らのシステムをテストしました。このデータベースには、211種類のがん細胞株における14万4,000件以上の薬物実験の結果が含まれています。コンピュータには、薬に関する特定の種類、すなわち分子の形状を描き出す詳細な化学的指紋と、膨大なラベルなしの化学データに基づいた挙動を捉える学習表現を入力しました。がん細胞については、ノイズの多い完全な遺伝指令を用いる代わりに、遺伝子がオンまたはオフになる仕組みを制御するレギュレーターとして機能する小さな分子である、マイクロRNAからのコンパクトな信号を使用しました。この選択は意図的なものでした。研究者たちは、これらのより小さな調節信号の方が、過剰なデータによる混乱を伴わずに、細胞の状態をより明確に描き出せることを発見したからです。

彼らの革新の核心は、コンピュータがこの情報を処理する方法にあります。単にすべてのデータを積み重ねるのではなく、システムは「ディープ行列分解（deep matrix factorization）」モジュールを使用します。これは、膨大な薬物実験の歴史を、隠れた関係性のコンパクトな地図へと整理する方法だと想像してください。コンピュータは、薬と細胞を共有空間内に配置することを学習し、挙動が似ているものを近くに配置します。これにより、モデルはすでに学習したパターンに基づいて、新しい組み合わせについて賢明な推測を行うことができるようになります。しかし、モデルはそれだけでは終わりません。システムは、薬の具体的な化学的特徴と細胞の調節信号に注目するために、方向性を持つアテンション・メカニズムを使用します。そして、「この特定の細胞におけるこの特定の薬のペアにおいて、どの化学的な詳細とどの細胞信号が、実際にシナジーを駆動しているのか？」という問いを投げかけます。これにより、モデルは適応的に焦点を絞り、各固有のシナリオに対して最も関連性の高い情報の重み付けを行うことができるのです。

研究者たちがHA-DMFを他の主要な手法と比較したところ、結果は明白でした。最も標準的なテスト、すなわち、個々の薬や細胞は既知であるが、薬の組み合わせ自体は未知であるというシナリオにおいて、新しいモデルは実際の実験結果と0.832の相関を示しました。これは、次に優れた手法が約0.70であったのと比較して、大幅に高い数値です。さらに重要なことに、新しいモデルは大きな誤差をほとんど出しませんでした。モデルはシナジーの強さを平均5.7ポイントの誤差で予測しましたが、これは次に優れた手法の7.35ポイントと比較して精度が高いものです。現実の世界において、予測スコアのわずかな差が、高価なラボテストに進むか、あるいは破棄するかを決定するため、この精密さは極めて重要です。

研究者たちは、真に新しい状況においてもモデルがどの程度うまく対処できるかを確認するために、モデルを限界まで追い込みました。彼らは、薬のペア全体が新しい場合、細胞株全体が新しい場合、さらにはペアのうち一方の薬さえ見たことがない場合などのシナリオでテストを行いました。予想通り、タスクが困難になるにつれてモデルの性能は低下しましたが、これは予測システムの自然な限界です。しかし、HA-DMFは、正確な数値を高い精度で予測できない場合であっても、組み合わせを正しくランク付けするという点において、他の手法を凌駕しました。これは、モデルが新しい文脈にも転移可能な、相互作用のルールに関する堅牢な理解を学習していることを示唆しています。

モデルの構成要素を詳しく調べたところ、すべての部分が極めて重要な役割を果たしていることが明らかになりました。過去の実験から得られたパターンを取り除くと、モデルの精度は著しく低下し、過去の実験からの学習が不可欠であることが証明されました。化学的指紋や調節信号を取り除いた場合も性能が低下したことから、生物学的な詳細が不可欠な文脈を提供していることが示されました。おそらく最も驚くべきことに、「アテンション」メカニズム、つまりモデルが特定の詳細に焦点を合わせる仕組みを取り除いたとき、結果はさらに悪化しました。これは、情報の異なる断片に対して選択的に重み付けを行う能力が、単なるおまけではなく、正確な予測のための根本的な要件であることを裏付けました。モデルはすべての薬や細胞を同じように扱うのではなく、適切な状況に対して適切な信号を聞き取ることを学習しているのです。

また、本研究はモデルが異なるレベルの薬物相互作用に対してどのように振る舞うかも調査しました。モデルは、ほとんどの薬の組み合わせが該当する中間領域において非常に優れた性能を発揮し、薬の組み合わせが弱い効果を持つのか、あるいは中程度の効果を持つのかを正確に予測しました。しかし、多くのシステムと同様に、極端なケースを予測する際には保守的な傾向がありました。実験室で薬のペアが非常に強い相乗効果を示した場合、モデルは強い効果を予測しましたが、実際に観察された値よりもわずかに低い値となりました。研究者たちは、これは逆の結果よりも安全な結果であると指摘しています。創薬においては、強力な組み合わせを過小評価してさらに調査することの方が、弱い組み合わせを過大評価して無駄なリソースを投じるよりも、はるかに賢明な判断だからです。

アッバシ、ルー、およびガラハニによるこの研究は、創薬へのアプローチにおけるパラダイムシフトを示唆しています。彼らは、この問題を単に「薬の特徴を細胞の特徴に一致させること」と捉えるのではなく、「システムが相互作用の隠れたルールを発見する学習問題」として扱う方が効果的であることを示しました。過去のデータからの学習能力と、分子構造および細胞調節に関する深い理解を組み合わせることで、HA-DMFは、どの薬の組み合わせを優先的にテストすべきかを判断するための実用的なツールを提供します。あらゆる結果を完璧に予測できる魔法の解決策ではありませんが、それは、科学者が最も成功の可能性が高い組み合わせに注力できるよう、膨大で複雑な癌治療の海を航行するための信頼できる羅針盤となるのです。