Untreated controls reveal that pre-treatment prediction of cancer cell fate mostly reflects growth fitness

技術要約：未処理コントロールにより、治療前の癌細胞運命予測の大部分は増殖適応度を反映していることが明らかになった

問題提起
癌生物学における中心的な問いは、化学療法から生存する細胞が、そのトランスクリプトームにコードされた、あらかじめ存在する薬特異的な「耐性（tolerance）」状態を備えているのか、それとも生存は主に確率的な結果なのか、という点である。近年の姉妹細胞系統追跡研究（具体的にはReSisTrace実験）は、治療前の遺伝子発現が、どちらの姉妹細胞が治療後に生存するかを予測できることを示唆している。しかし、決定的な交絡因子が残っている。すなわち、治療から生存する細胞は、薬剤への曝露に関わらず、実験室でのハンドリングによる機械的ストレス（同期化、分割、再播種）から回復できる高い「増殖適応度（growth fitness）」を単に備えているだけではないか、という点である。適切に制御された比較対象がなければ、治療前のトランスクリプトームにおける予測シグナルが、真の薬剤耐性を反映しているのか、それとも一般的な増殖適応度を反映しているのかは不明である。

方法論
著者らは、カルボプラチン、オラパリブ、ナチュラルキラー（NK）細胞、および未処理コントロールを含む4つの実験アームを含むReSisTraceデータセットを再解析した。極めて重要な点は、未処理アームが、薬剤アームと全く同じ同期化、分割、および再播種の手順を経ていることである。

1. 実験デザイン： ReSisTraceのデザインでは、バーコード化された細胞が一度分裂し、一方の姉妹細胞は治療前にシーケンシングされ、もう一方は治療に曝露される。シーケンシングされた細胞は、その姉妹細胞が生存した場合に「治療前耐性（pre-resistant）」、生存しなかった場合に「治療前感受性（pre-sensitive）」とラベル付けされる。
2. モデリング手法： 著者らは、50個の主成分（PC）を用いたロジスティック回帰モデルを訓練し、姉妹細胞の運命を予測した。
   • 薬剤アームモデル： 特定の薬剤アームのラベルを用いて訓練。
   • 適応度モデル： 未処理コントロールアームのみを用いて訓練（ハンドリングストレスからの回復のみを予測）。
   • 比較： 著者らは、薬剤アームのモデルを適応度モデルと比較した。公平な比較を行うため、トレーニングセットのサイズを一致させ（薬剤アームをサブサンプリングしてコントロールアームの細胞数に合わせる）、関連する細胞間のデータリークを防ぐために系統グループ化された交差検証を用いた。
3. 高度な検証：
   • 複雑なモデル： 非線形性が薬特異的なシグナルを抽出できるかどうかを確認するため、グラフニューラルネットワーク（GNN）、勾配ブースティング、およびシングルセル基盤モデル（Geneformer、scGPT）をテストした。
   • ラベルフリー・スコアリング： 発現空間における最近傍点への距離に基づく「密度スコア」を開発し、シグナルが細胞状態分布の一般的な特性であるかどうかをテストした。
   • 天井推定（Ceiling Estimation）： 姉妹細胞は同一ではないことを考慮し、事前治療時の姉妹細胞間の相関を測定することで、理論的な最大予測可能性（AUROCの天井）を算出した。
   • 外部検証： 他の3つのデータセット（メラノーマの多剤治療研究（Schaffら）、肺癌研究（Watermelon）、およびトリプルネガティブ乳癌研究）に適用した。また、臨床的な一貫性を確認するために、バルク腫瘍データ（TCGA-OV）および患者の治療前／治療後のシングルセルデータを分析した。

主な結果

1. 適応度の予測力： 未処理コントロールアームのみで訓練された単純なロジスティック回帰モデル（「適応度モデル」）は、薬剤アームのラベルに適用した際、0.70–0.73のAUROCを達成した。これは、薬剤アームで直接訓練されたモデルの性能（AUROC 0.72–0.75）とほぼ同等であった。
2. 最小限の薬剤特異的利得： 薬剤特異的なラベルを用いて訓練することによって得られる、適応度モデルに対するAUROCの増分は極めて小さく（0.014–0.025）、多くの場合、統計的にゼロと区別がつかなかった（95%信頼区間にゼロを含む）。この薬剤特異的シグナルの上限は、~0.05 AUROCと推定された。
3. モデルの複雑性： より複雑なモデル（GNN、トランスフォーマー）は性能を向上させなかった。これは、情報の限界がアルゴリズムではなく、データ（姉妹細胞間の不一致とノイズ）にあることを示唆している。
4. シグナルの性質：
   • 共有シグナル： 共有される予測シグナルは、増殖性の高い低ストレス状態（高MYC、mTORC1、E2F；低ストレス／アポトーシス経路）に対応している。
   • 薬剤特異的シグナル： 小さな薬剤特異的コンポーネントは、他の適合した細胞の状態の中で、より「緩やかな」細胞周期状態を指しており、明確な耐性メカニズムを示すものではない。
   • クローンサイズの支配： 第二の系統システム（メラノーマ）において、クローンサイズ（適応度のプロキシ）は、あらゆる6種類の治療条件下で遺伝子発現よりも生存を良く予測した。
5. 臨床的一貫性： 化学療法を受けている患者サンプルにおいて、「適応度シグネチャー」（増殖状態）は、治療後の悪性細胞において濃縮されるのではなく、枯渇していた。これは、培養皿内での回復を予測する状態が臨床的な生存を予測するという仮説に矛盾しており、皿の中での回復を予測する状態が必ずしも患者における生存を予測するわけではないことを示唆している。

主な貢献

• 治療前予測因子の再評価： 本研究は、治療前のトランスクリプトームに基づく運命予測におけるシグナルの大部分が、特定の薬剤耐性ではなく、一般的な増殖適応度（ハンドリングストレスからの回復）によって駆動されていることを示している。
• 方法論的ベンチマーク： 著者らは、薬剤アームと全く同様に処理された未処理コントロールアームを必要とする厳格な評価フレームワークを導入した。また、あらゆる系統追跡デザインに対して「適応度調整済み」の利得（ΔAUROC）を計算するためのPythonパッケージ persist.fitadj を提供している。
• 天井分析： 姉妹細胞の不一致による理論的な予測限界を定量化し、生物学的ノイズにより、完璧なモデルであっても薬剤アームにおいてAUROC ~0.84を超えることはできないと推定している。
• 外部への一般化： これらの知見は、複数の癌種および系統追跡デザインを通じて検証されており、クローンサイズがしばしば発現ベースの予測因子を上回ることを示している。

意義と主張
著者らは、事前に存在する薬剤耐性状態が存在するという主張は、「フィットネス（適応度）」が支配的な交絡因子であるという認識によって抑制されるべきであると結論付けている。未処理コントロールがない場合、薬剤アームのデータで訓練されたモデルは、薬剤耐性予測器ではなく、増殖適能予測器を学習している可能性が高い。

本論文は以下のことを主張している：

1. ベンチマークの欠陥： 未処理コントロールを欠いた現在のシングルセル薬剤応答ベンチマーク（例：scDEAL）は、薬剤耐性ではなく増殖適応度を学習したモデルに報酬を与えている可能性がある。
2. 実験デザイン： 今後の研究では、薬剤特異的な効果を分離するために、同じプロトコルを通じて処理された未処理コントロールアームを含める必要がある。
3. 生物学的解釈： 文化条件下で特定された「パーシスター（持続細胞）」の状態は、特殊な薬剤耐性表現型というよりも、むしろストレスから回復できる強固な増殖状態を反映している可能性が高い。特定された小さな薬剤特異的コンポーネントは実在するが、微小であり、より大きなサンプルサイズなしでは解明が困難である。

本研究は、薬剤耐性が存在しないと主張しているのではなく、これらの特定の系統追跡実験における細胞運命の「予測可能な」要素は、圧倒的に増殖適応度によって駆動されており、両者を分離するには提案された特定の制御デザインが必要であると主張している。