高い塔から街を見下ろしているところを想像してみてください。その高さからは、通りの形、建物の密度、そして近隣地域がどのように組織化されているかが見て取れます。レイアウトを見るだけで、賑やかな繁華街と静かな郊外を区別することができるでしょう。今度は、その街のすべての建物が実は生きた「細胞」であり、通りが人間の体の「組織」であると想像してみてください。1世紀以上にわたり、医師たちはこの「街（組織）」を見るために顕微鏡を使い、がんなどの疾患を診断するためにこの塔に登ってきました。彼らはこれを**組織病理学（histopathology）**と呼んでいます。それは、まるで街の地図を読み解くことで、その内部で何が起きているのかを理解するようなものです。

しかし、ここにひねりがあります。街のレイアウトは決してランダムに作られているわけではありません。それは、あらゆる建物の中にある目に見えない設計図、すなわち「DNA」によって構築されています。DNAが損傷したり変異したりすると、建物の構造、建物同士のコミュニケーションの取り方、そして近隣地域の成長の仕方が変わってしまいます。長い間、科学者たちは、何が間違っているのかを知るためには、個々の建物の中にまで入り込んで設計図を読み解かなければならないと考えてきました（高価なDNAシーケンシングを用いる方法です）。しかし、もし街の形そのものが、設計図のすべてを教えてくれるとしたらどうでしょうか？ もし、単一の建物の中に足を踏み入れることなく、地図を見るだけで、どの遺伝子が壊れているのかを正確に知ることができるとしたら？ これこそが、この論文が取り組んでいる大きな問いです。「腫瘍の視覚的な『形』は、その遺伝的な秘密を教えてくれるのだろうか？」

論文：「Fuji」 – 形とコードの間の翻訳者

この研究において、研究チームはFujiと名付けられた新しい人工知能モデルを紹介しています。Fujiを単なる画像認識モデルとしてではなく、二つの言語を同時に話すことを学ぶ、非常にスマートな「翻訳者」だと考えてください。一つは画像の言語（顕微鏡下での腫瘍の見え方）、もう一つはコードの言語（細胞内のDNA変異やRNAメッセージ）です。

通常、医療画像で訓練されたAIモデルは、ランドマーク（目印）を認識することしかできない観光客のようなものです。「これは肺のように見える」とか「これは腫瘍のように見える」とは言えますが、なぜその腫瘍がそのような見た目になっているのかという「理由」までは理解していません。彼らは画像を単なる美しい絵として扱います。しかし、Fujiは違います。研究者たちは、画像を見せると同時に、「どのような遺伝子コードが、この特定の形を生み出したのか？」と即座に問いかけるようにFujiを教え込んだのです。

これを行うために、彼らは単に画像を見せただけではありません。彼らは、60,546枚のホールスライド画像（組織サンプルの巨大で高解像度なデジタル写真）の膨大なライブラリに、それに対応する遺伝子データを組み合わせて入力しました。具体的には、45,675のRNAプロファイル（どの遺伝子が活性化しているかを示すもの）と、22,683の全ゲノム配列（完全なDNAコード）です。これは、AIに数百万冊の教科書を与え、各ページの左側には街の写真があり、右側にはその街の建設に関する正確な設計図が添えられているようなものです。

Fujiがいかにして遺伝子を「見る」ことを学んだか

研究者たちは、熟練したシェフが弟子を教えるような、巧妙な二段階の訓練方法を用いました。

1. ステップ1（味見テスト）： まず、Fujiに組織の基本的な「風味」を認識させることから始めました。彼らは、二つの強力なAIモデル（GigaPathとCHIEF）を「教師」として使用しました。Fujiは組織を見て、視覚的なパターンを一致させることを学びました。しかも、組織が二通りの方法で準備されていても対応できるようにしました。一つは（病院の標準である）化学物質で保存されたもの（FFPE）、もう一つは（研究用に使われる）凍結された新鮮なもの（fresh-frozen）です。Fujiは、組織の保存方法の違いを無視し、細胞の真の形状だけに集中することを学びました。これは極めて重要です。なぜなら、これによりFujiが、医師が日々実際に使用しているスライドで機能できることを意味するからです。
2. ステップ2（ディープダイブ）： 次に、研究者たちはFujiに、形とコードを結びつけるという挑戦状を突きつけました。彼らは同時に三つのタスクを与えました。
   • 画像の再構成： もし画像の一部を隠した場合、Fujiはその部分がどのような見た目かを推測できるか？ これにより、細部を見る能力を維持させます。
   • RNAの再構成： 形を見て、RNAメッセージが何を伝えているかを推測できるか？ これにより、視覚と分子活動をリンクさせます。
   • 変異の解読： 形を見て、どの特定の遺伝的な「誤植（変異）」が存在するかを推測できるか？ これが最大の魔法です。

Fujiが発見したこと

訓練を終えたFujiは、「形」は確かに遺伝子コードの直接的な反映であることを証明しました。研究者たちは、Fujiが複雑な遺伝的状態を驚異的な精度で予測でき、従来のAIモデルの多くを凌駕していることを見出しました。

• 「不安定性」の探偵： チームは、腫瘍のDNAが崩壊しているかどうかをFujiが特定できるかをテストしました。彼らは、マイクロサテライト不安定性（MSI）、染色体不安定性（CIN）、相同組換え欠損（HRD）、および全ゲノム重複（WGD）という、四つの特定の種類の遺伝的混乱を探りました。Fujiは、これらを最大で0.98という精度（AUC）で的中させました。これを比較すると、もし人間の専門家が80%の確信度を持っていたとしたら、Fujiは98%の確信度を持っていたことになります。Fujiは、組織スライドを見るだけで、安定したゲノムと混沌としたゲノムの違いを判別できたのです。
• 「余分な」DNA： 最もエキサイティングな発見の一つは、**染色体外DNA（ecDNA）**に関するものでした。これは通常の染色体の外に浮遊する奇妙な円形のDNAであり、がんを猛スピードで増殖させます。通常、これを見つけるには高価で複雑な検査が必要です。しかし、Fujiは、ecDNAが組織構造に残す独特の「足跡」を察知することを学習しました。低グレードの神経膠腫（グリオーマ）や子宮内膜癌の患者において、Fujiがスライドのみから予測したこれらの目に見えないDNAの円の存在は、患者の生存率が低くなる強い兆候となりました。
• 「喫煙」と「修復」のシグネチャー： 研究者たちはさらに、Fujiは腫瘍が喫煙によって引き起こされたものか、あるいはDNA修復システムの故障によるものかを判別できるか？ と問いかけました。彼らは、タバコに関連する変異とミスマッチ修復欠損が、組織構造に明確かつ局所的な痕跡を残すことを発見しました。それはまるで、喫煙が街の壁に特有の煤（すす）を残すかのようであり、Fujiはその煤がどこにあるかを正確に指し示すことができます。これらのパターンは非常に明確であったため、Fлоjiは全く異なる患者グループにおいてもこれらを見つけ出すことができ、そのパターンが単なる偶然ではなく実在するものであることを証明しました。
• 未来の予測： Fujiは過去を見るだけではありませんでした。モデルは、腫瘍遺伝子変異負荷（TMB）（腫瘍がどれだけの変異を持っているか）や、ネオアンチゲン負荷（免疫系に対して腫瘍がどれほど目立っているか）を予測することができました。さらに重要なことに、小規模な肺がん患者のグループにおいて、Fujiによる免疫療法への反応に関する予測は、他のモデルよりも優れていました。これは、腫瘍の形が、免疫系が戦えるかどうかについてのヒントを保持していることを示唆しています。

なぜこれが重要なのか

Fujiの最も重要な点は、医師がすでに持っているスライド上で動作することです。世界のほとんどの癌患者は、化学物質で保存された標準的なスライド（FFPE）を使用します。従来のAIモデルは、これらの標準的なスライドを遺伝子データと結びつけるのに苦労してきました。なぜなら、そのデータは通常、新鮮な凍結サンプルから得られるものだからです。Fujiは、スライドの「化学的な臭い」を無視して「街のレイアウト」に集中することを学ぶことで、この問題を解決しました。

著者らは、これががん治療を変える可能性があると示唆しています。高価な遺伝子検査の結果を数日から数週間待つ代わりに、医師は日常的な顕微鏡スライドから、わずか数分で「ゲノムレポート」を得るためにFujiを利用できる可能性があります。これにより、どの患者に標的薬が必要か、どの患者が免疫療法に反応するか、そしてどの患者が高リスクであるかを、DNAをシーケンシングすることなく判断できるようになるかもしれません。

もちろん、論文ではこれがあくまで「概念実証（プルーフ・オブ・コンセプト）」であることに注意を払っています。結果は強力で、異なるデータセット間でも一貫していますが、免疫療法に関する予測は小規模な患者グループに基づいたものであり、医師が信頼できるものとするためには、より大規模で現実世界の臨床試験でテストされる必要があります。しかし、核となるアイデア――すなわち、腫瘍の視覚的な形は、その遺伝子コードの読み取り可能な地図であるということ――は、確固たる発見であるようです。Fujiは、注意深く観察すれば、その街の設計図を読み解くことができるのだということを示してくれました。