Separating drug main effects from molecular personalization in cancer drug-sensitivity prediction: a harmonized GDSC∪CTRP and CCLE benchmark with permutation-controlled biomarker discovery

技術要約：がん治療薬感受性予測における薬物の主効果と分子レベルのパーソナライゼーションの分離

問題提起
大規模なファーマコゲノミクス・スクリーニング（GDSCおよびCTRP）とマルチオミクスデータ（CCLE/DepMap）の組み合わせは、腫瘍の分子プロファイルから薬物応答を予測するための標準的な基盤となっている。しかし、「分子レベルのパーソナライゼーション」（特定の腫瘍固有のプロファイルに基づいて薬物をランク付けすること）という志向と、データの構造的な現実との間には、根強い乖離が存在する。本論文は、主に2つの混同要因を特定している：

1. 薬物の主効果（Drug Main Effects）： 多くの化合物は、ほとんどの細胞株に対して広範に強力な作用を示し、また異なる組織間には本質的に異なるベースラインの感受性が存在する。既存のモデルは、真のパーソナライゼーションを学習しているのではなく、単にこれらの一般的な傾向を学習することで高い相関性を達成していることが多い。
2. データの不整合性： GDSCとCTRPの間のクロススタディにおける一致度は中程度であり、あるスクリーニングから学習されたバイオマーカーを別のスクリーニングでテストした際の再現性を制限している。

中心的な問いは、既存モデルに見られる見かけ上の予測能のうち、どれほどが真の分子パーソナライゼーションを反映しており、どれほどがより単純なデータ構造（薬物の効力および組織由来の効果）を反映しているのか、そしていかにして真のバイオマーカーを過度に楽観的な評価によるアーティファクトから区別するかである。

手法
本研究は、これらの信号を分離するために、調和されたリソースと厳格な評価フレームワークを構築している：

• データのハーモナイゼーション（統合）： 著者は、GDSC2およびCTRP v2.2の薬物応答データと、CCLEのマルチオミクスプロファイル（RNA-seq、変異、メチル化など）を統合している。
  • アイデンティティの解決： 細胞株はDepMapの識別子にマッピングされる。重要な点として、薬物は名称ではなく化学構造（InChIKeyの結合ブロック）によって解決されており、これにより異なる異性体の混在を防ぎ、確実に共有可能な化合物の数を71から86へと増加させている。
  • 指標の標準化： 各（コホート、薬物）グループ内で生のAUCまたはIC50値を標準化することで、薬物特有の効力のオフセットやコホート特有のスケールの違いを除去した、クロスコホート比較可能な感受性指標（sens_z）を作成した。
• 評価の規律：
  • グループ化されたLeave-Cell-Line-Out入れ子状交差検証： モデルの評価において、訓練セットとテストセットの両方に同じ細胞株が現れないようにし、一般的な化学感受性の漏洩を防いでいる。
    図
  • ベースラインへのアンカリング： すべてのモデルは、薬物平均ベースライン（分子特徴を無視して、ある組織内におけるその薬物の平均的な感受性を予測するもの）に対してスコアリングされる。もし分子モデルがこのベースラインを上回ることができなければ、それは分子のパーソナライゼーションではなく、薬物の主効果を再学習していることになる。
  • 分解： 予測問題を以下の2つに分割している：
    1. 広域スペクトル成分： ある組織において、どの薬物が一般的に強力であるかを予測する（薬物平均ベースライン）。
    2. メカニズム特異的成分： 薬物平均（および、パンキャン設定においては組織由来の平均）を除去した後の残差感受性を予測する。
• 有意性の制御：
  • 2段階プロトコル： 交差検証の信頼区間（これは分割の安定性を測定するものであり、サンプリングノイズを測定するものではない）に頼る代わりに、本研究では置換無効検定（permutation null）（パネル内での感受性ラベルのシャッフル）を用い、続いて独立した裏付け（確立された薬理学およびクロス組織の再発性の確認）を採用している。
  • 個別薬物シグネチャー： 7,836の適格な（疾患、薬物）パネルごとに、監督付き遺伝子シグネチャーを適合させ、置換無効検定に対してテストしている。
• ツール： 解析にはElastic Net回帰、ssGSEAによるパスウェイ活性、および転移堅牢な推奨を実現するためのセマンティック・マッチング・エンジン（Semblance）を利用している。

主な結果

1. 広域スペクトルの信号は「組織×薬物」の構造である：

   • 個々の組織内では、薬物平均モデル（分子特徴を無視したもの）が強力な予測能を示す（血液系譜においてSpearman $\rho$ は最大0.54）。
   • 組織を統合した場合、この信号は消失する（統合された $\rho \approx 0$）。これは、「予測能」とは単に特定の組織が特定の薬物に一般的に感受性を持つという既知の事実であり、個々の腫瘍のパーソナライゼーションではないことを裏付けている。

2. 分子レベルのパーソナライゼーションは最小限であり、主に系統依存的である：

   • 疾患別： 個別の組織パネル（20〜70の細胞株）において、分子特徴（発現、マルチオミクス、パスウェイ）は、薬物平均ベースラインを超えて予測能をほとんど追加しない。メカニズム特異的なアームはゼロ付近に集約される。
   • パンキャン（全がん種）： 組織を統合すると有効サンプルサイズが増加し、小さな非ゼロの相関（$\rho \approx 0.10$）が明らかになる。しかし、ターゲットを組織由来の構造を除去するために残差化すると、この信号は $\rho \approx 0.05$ まで低下する。
   • 系統の支配性： 「特徴量なし」の組織ベースライン（疾患内の薬物平均のみに基づいた予測）は、発現ベースのモデルよりも優れた性能を示す（$\rho = 0.214$ 対 $0.087$）。これは、系統のアイデンティティ自体が、50個の発現主成分よりも残差感受性をよく予測していることを示している。残りの信号（$\rho \approx 0.05$）は置換検定によって検証されているが、確立された分子パーソナライゼーションではなく、未解決の組織内線譜特性（例：増殖率）を表している可能性が高い。

3. 個別薬物の発見は、検証された少数のマイノリティに集中している：

   • 2段階の有意性プロトコル（置換無効検定 ＋ 裏付け）を7,836のパネルに適用した結果、「有意」な知見のセットは、標準的な信頼区間による3,284パネルから、971パネル（12%）へと減少した。
   • 検証： 残ったセットは、確立された標的薬理学（例：メラノーマや大腸がんにおけるBRAF阻害剤、MEK阻害剤、BCL2阻害剤）に対して4.3倍に濃縮されている。
   • 新規性： カノニカルな標的を超えて、本研究は非カノニカルな薬剤における、置換検定によって検証された再発的な脆弱性を特定している。特に、3つの独立したGPX4阻害剤（RSL3, ML162, ML210）はすべて、メラノーマにおいて強力かつ検証されたシグネチャーを示し、脱分化メラノーマの既知のフェロトーシス脆弱性を回収している。
   • 再発の閾値： 薬物のシグネチャーが組織間で再発する場合、その情報は3つの組織以上の閾値においてのみ情報を持つ。2つの組織での再発は、テストされた組織数に基づくと偶然によって完全に説明される。

4. パスウェイの再表現：

   • 発現をReactomeパスウェイ活性に変換しても、追加のメカニズム信号は得られず、結果は遺伝子レベルの解析と一貫していた。

意義および主張
本論文の主要な貢献は、新しい最先端の予測器を提供することではなく、薬理ゲノミクス・データにおいて予測信号が実際にどこに存在するのかという正直な地図を提供することであると主張している。

• パーソナライゼーションの再定義： 本研究は、「パーソナライゼーション」は現在のデータセットにおいて全薬物・全組織に分散している特性ではなく、集中した特性であることを主張している。見かけ上の信号の多くは、実際には薬物の主効果または組織由来の構造である。
• 評価の規律： 従来の交差検証の信頼区間は、この領域の発見には不十分であることを確立した。アーティファクトをフィルタリングするためには、置換制御された無効検定が必要である。
• 実行可能な出力： 本研究は、階層的な推奨フレームワークを提供する：
  1. 高信頼ティア： 組織特異的な平均感受性（薬物平均ベースライン）に基づく広域スペクトルのランキング。
  2. 探索的ティア： 置換検定によって検証されたシグネチャーを持つ、約12%の薬物-組織ペアに限定されたメカニズム特異的な推奨。
• リソースの公開： 本研究は、調和されたGDSC $\cup$ CTRP–CCLEリソース、分散型解析パイプライン、および細胞株の検索とセマンティック・シグネチャー・マッチングを運用するオープンなウェブアプリケーション（Semblance 2.0）を公開している。

著者は、微小な置換検証済みのパーソナライゼーション信号は存在するものの、それは脆弱であり、組織構造に圧倒されていると結論づけている。今後の進展には、普遍的なパンキャン予測器を求めるのではなく、厳格な無効検定を伴う、薬物ごとの組織内での発見に焦点を当てる必要がある。