Machine Learning Approaches Enhance Polygenic Risk Score in Alzheimer’s Disease

アルツハイマー病は、記憶力や思考力を蝕み、最終的には人が自分自身で身の回りの世話をする能力をも奪い去ってしまう、容赦のない疾患です。一部の人々がこの病気を発症する可能性を高く持って生まれてくることは分かっていますが、その理由は決して単純なものではありません。科学者たちは長年、APOE ε4と呼ばれる特定の遺伝子変異が強力な警告サインとして機能することを知ってきましたが、それは物語のほんの一部を語っているに過ぎません。この変異を持つ多くの人々が病気になることなく過ごしている一方で、この変異を持たない人々が発症することもあります。このことは、リスクが単一のスイッチによって保持されているのではなく、DNAの中にある何千もの微細な違いの中に散らばっており、それぞれが全体像に対してわずかながら貢献していることを示唆しています。長年、研究者たちはこれらの微細な貢献を足し合わせ、誰が病気になる可能性が最も高いかを予測する単一のスコアを作成しようと試みてきました。しかし、これらの伝統的な手法は、遺伝子が個々の重さを足し合わせるかのように独立して機能すると仮定することが多く、遺伝子が互いにどのように相互作用するかという複雑な様態を捉えることに苦慮してきました。

イタリアの研究チームは、現代のコンピュータツールがこの遺伝コードを読み解く上でより優れた仕事ができるかどうかを確認するために着手しました。彼らは、アルツハイマー病を患う高齢者とそうでない高齢者を含む、約1,000人の高齢者のデータを収集し、数百万もの遺伝子マーカーを調査しました。数十年にわたって使用されてきた標準的な公式に頼るのではなく、彼らは数種類の人工知能モデルを訓練しました。これらのモデルは、データ自体から学習するように設計されており、従来の数学では見つけることができないほど微妙、あるいは複雑なパターンを見つけ出すことを目的としていました。研究者たちは、これらのスマートなアルゴリズムが、病気を引き起こす遺伝子間の隠れたつながりを特定できるのか、そして従来のメソッドよりも正確にリスクを予測できるのかを知りたいと考えました。

結果は、コンピュータモデルが確かに効果的であることを示しました。最も優れた性能を示した人工知能システムは、伝統的なスコアリング法よりも大幅に高い精度で、疾患を持つ者と持たない者を区別することができました。この改善は、解析に既知のAPOE遺伝子を含めた場合に最も顕著に見られ、コンピュータモデルがこの主要なリスク因子を数千の小さな因子とともに精査することに非常に長けていることを示唆していました。しかし、モデルが他のシグナルを見つけ出せるかどうかを確認するために、研究者が解析からAPOE遺伝子を取り除いたところ、高度なコンピュータモデルの優位性は縮小しました。このシナリオでは、よりシンプルな伝統的手法が、高度な手法と同等の性能を発揮しました。この発見は、人工知能が複雑な相互作用を捉えることに強力である一方で、アルツハイマー病における残りの遺伝的リスクの多くは、依然として従来の手法でも十分に扱えるような、より直接的な加算的なパターンに従っている可能性があることを示唆しています。

単にリスクを予測するだけでなく、研究者たちはコンピュータが実際に何を「考えている」のかを理解するために、特別な手法を用いました。彼らは、モデルに対して、どの特定の遺伝子変化がその決定を駆動しているのかを説明するように求めました。この分析により、モデルが最も重要であると判断した一握りの遺伝子変異が浮き彫りになりました。その一つは、よく知られたAPOE変異であり、モデルはこれを最強のシグナルとして正しく特定しました。しかし、モデルはこれまで研究で大きく取り上げられることのなかった他の遺伝子も指摘しました。例えば、細胞がストレスを処理する方法に関与する遺伝子や、脳の免疫細胞が脂質代謝を管理する役割を果たす遺伝子などが挙げられました。これらの知見は、疾患が細胞のストレスへの対処や脳の免疫機能のあり方を含む、さまざまな要因の組み合わせによって引き起こされている可能性を示唆しており、将来の研究に向けた新たな手がかりを提供しています。

また、この研究は、モデルが最高レベルまたは最低レベルのリスクを持つ人々を特定できるかどうかについても調査しました。研究者がリスクのスペクトルの両極端を調べた際、一つのコンピュータモデルが、テストされた他のどの手法よりも、人々を高リスク群と低リスク群に正しく分類する能力において際立っていました。これは早期介入において極めて重要な能力であり、症状が現れる前に、予防策が最も効果的である可能性が高い個人を医師が特定する助けとなる可能性があります。ただし、研究者たちは、彼らの研究が特定の集団に基づいていることを念のために記しており、モデルがすべての人に対して機能することを保証するためには、より大規模で多様な集団でテストする必要があると述べています。

結局のところ、この研究は、機械学習が、特に多くの遺伝的要因の複雑な相互作用を扱う際に、アルツハイマー病の遺伝的リスクに対する理解を深め得ることを実証しています。伝統的な手法は、主要な既知の遺伝子を除いた広範な遺伝的全体像を見る場合には依然として有用ですが、新しいアプローチは、最も脆弱な個人を特定するためのより鋭いレンズを提供します。細胞ストレスや免疫機能に関与する特定の遺伝子を明らかにすることで、この研究は、科学者が新たな生物学的経路を探求するためのロードマップを提供しています。この研究は治療法を提示するものではありませんが、リスクを測定するためのより精密な方法と、いつか新しい治療法につながるであろう生物学的メカニズムのより明確な視点を提供するものです。