機械学習、「リキッドバイオプシー」でがんの早期発見を強化

2024 年 1 月 30 日 – シティ・オブ・ホープとその高精度医療研究組織であるトランスレーショナル・ゲノミクス研究所（TGen）の研究者らは、現在の診断ツールよりも大幅に少ない血液でがんの早期発見を促進できる機械学習（ML）アプローチを開発したと発表した。ある 勉強 最近出版された 科学トランスレーショナル医療。

研究チームは、がんがステージ1で発見された場合、患者のかなりの部分は最初の診断後少なくとも5年間生存するが、患者が後期の診断を受けるとその数は着実に減少することを強調した。

「膨大な量の証拠は、ガンが後期段階で発見されると死亡することを示しています。 この新技術により、人々が毎年血液検査を受け、より治療可能で治る可能性があるがんを早期に発見する世界に近づくことができます」と、この研究の責任著者でシティ・オブ・ホープのセンター長であるクリスティアン・トマセッティ博士は述べた。がんの予防と早期発見 プレスリリース。

このツールは、患者の血流中に存在する物質に基づいてがんを特定し、分類するように設計されています。 アルミニウム元素 – ヒトゲノム全体に見られる反復性の高いデオキシリボ核酸 (DNA) 配列 – は癌細胞と関連している可能性がありますが、バイオマーカーとしての応用はある程度限定されています。

ただし、細胞が死ぬと、細胞は分解され、無細胞 DNA (cfDNA) が血流中に流されます。 正常細胞とがん細胞は分解の仕方が異なることが知られているため、がんの兆候が cfDNA に現れることがあります。

「フラグメントミクス」は、大量の Alu 要素を含む領域など、ゲノムの反復領域でより一般的であると考えられているがんの cfDNA 断片を特定するアプローチであり、研究者ががんを検出できる可能性があります。

正常な cfDNA とがんの cfDNA 内の断片化パターンの違いを特定するには、通常、研究チームが患者の遺伝暗号に存在する数十億個の文字の中から 1 つのずれた文字を探す必要があります。これは、分析にはより多くの生検サンプルが必要になることが多いことを意味します。

フラグメントミクス アプローチはゲノムの特定の領域に存在する cfDNA に焦点を当てているため、必要な血液の量は従来の全ゲノム シーケンシングよりも約 8 倍少なくなります。

「私たちの技術は、血液サンプルから必要なゲノム物質の量が少ないため、臨床応用にとってより実用的です」と、この研究の共同筆頭著者であり、TGen 統合がんゲノミクス部門の助教授であるカメル・ラフエル博士は説明しました。 「この分野での継続的な成功と臨床検証により、がんを初期段階で検出するための日常的な検査の導入への扉が開かれます。」

研究チームは、患者の血液サンプルからのフラグメントミクス データを使用して、Alu 要素をプロファイリングし、がんの存在を特定するための ML モデルである Alu Profile Learning using Sequencing (A-Plus) を開発しました。

A-Plus は 5,980 人の患者からの 7,657 サンプルに適用されました。 このうち2,073人の患者は固形がんを患っており、このサンプルの大部分は転移性病変のない初期段階の疾患と診断された。 残りの参加者には癌はありませんでした。

このツールは、11 種類のがんに存在するがんの半数を検出することに成功し、100 件に 1 件の割合で偽陽性が発生しました。

研究者らは、65歳から75歳までの患者コホートを対象に、フラグメントミクスに基づく「リキッドバイオプシー」アプローチと標準治療を比較する臨床試験を今後数カ月以内に開始する予定だ。治療可能な初期段階のがんを検出する際のこのツールの有効性を確立することを目的としています。

この研究は、人工知能 (AI) を使用してバイオマーカーに基づく診断を改善する最新の取り組みです。

先週、シダーズ・シナイの研究者らは、 共有 彼らは、AI ベースの高精度医療ツールを使用して、膵臓がんの転帰を予測するための高精度の血液検査を設計したと発表しました。

Molecular Twin Precision Oncology Platform (MOVER) として知られるこのモデルは、遺伝情報と分子情報を使用して疾患の生存を予測します。 テストでは、このツールは患者の 87% の膵臓がん生存率を正確に予測しました。

研究チームは、モデルの開発から得られた洞察を利用して、食品医薬品局が唯一承認した膵臓がん検査を上回る血液タンパク質検査を作成することができました。