卵巣癌の早期診断は、患者の予後と生存率を大幅に改善するため、重要です。現在、患者の約75％が高度な段階（ステージIIIまたはIV）で診断されており、生存率は40〜50％に低下しています。対照的に、ステージIの診断では、80〜90％の生存率があります。主な課題は、イメージングやCA125などの従来の方法が初期段階疾患の十分な感度と特異性がないため、膵臓癌と同様に早期発見の難しさにあります。
ヘススゴンザレスボスケット、MD、PhDを含む研究者は、卵巣癌の早期診断のためのマーカーとしてのDNAメチル化パターンの使用を調査しており、血液からの液体生検で検出可能です。この方法は、血液中に循環する細胞のないDNA（CFDNA）の特定のメチル化の変化を特定することを目的としています。
「卵巣癌のメチル化について予備的な分析を行いました。分析できる血液中にDNAが浮かんでおり、それらのいくつかはメチル化されていることがわかりました。したがって、潜在的に、DNAのメチル化パターンは卵巣癌の診断の良いマーカーになる可能性があります」
研究者は、メチル化チップ分析、特にゲノム内の850,000を超えるメチル化部位を調査するイルミナインフィニウムメチル化ビードチップアレイを利用しました。彼らは、卵巣腫瘍サンプルと正常なコントロールから収集されたDNAを分析しました。膨大な数の変数を管理するために、彼らは、初期削減のためにメチルネットを含む機械学習と深い学習方法論を採用し、それに続いて単変量ANOVA分析と多変量ラッソ回帰が続きました。この厳密なプロセスにより、最も有益なプローブを850,000以上から9つのプローブの高度に予測的なセットに絞り込むことができました。
「困難な部分は、変数の数を減らそうとすることです」とゴンザレス・ボスケットは言いました。 「それで、私たちはいくつかの機械学習と深い学習方法を使用しました。」
これは、アイオワ大学の婦人科腫瘍銀行のコントロールとして、99の高悪性度漿液性がん（HGSC）組織サンプルと12の正常な卵管サンプルを含むパイロット症例対照研究でした。メチルネットを使用した初期予測モデルは非常に正確で、100％の曲線（AUC）の下の面積を達成しました。 ANOVAおよびLasso回帰を使用した可変削減による最適化の後、9メチル化プローブのみのモデルでも、HGSCの予測で100％のAUCを達成しました。
この研究で特定された9つなど、少数のプローブを使用することは、実用的な診断テストの開発に有利です。変数が少ないモデルは、複雑ではなく、検証されやすく、臨床実施のために実行可能です。最初のメチル化チップは850,000を超えるデータポイントを提供しましたが、これは診断テストでは実用的ではありません。高精度を維持しながらこれを9つの非常に有益なプローブに削減することで（初期データセットで100％のAUC）、研究者は臨床的に使用可能なテストに大きな進歩を遂げました。
予測モデルは、いくつかの方法を使用して厳密に検証されました。まず、同様の患者の祖先を持つ異なる地理的位置（オーストラリア）から独立したデータセット（GSE65820）で検証されました。 11,167プローブモデルは、98％の優れたAUCを示し、この外部検証では98％の優れたAUCが84％の非常に優れたAUCを達成しました。さらに、モデルは、独立した機械学習分析プラットフォームであるTensorflowを使用して再訓練、検証、およびテストされました。これも優れたパフォーマンスを示しました。
この研究の強みには、高度な繁殖脂肪がんの均質な表現型に焦点を当て、異なる地理的位置から独立したデータセットのモデルを検証する、よく承認された単一施設のバイオバンクの使用が含まれます。高度なAIおよびプローブ選択のための機械学習技術の使用も顕著な強みです。
制限には、比較的小さくて不均衡なサンプルサイズ（最初のセットの99のケース対12のコントロール、および検証セットでさらに不均衡）と、最初の研究では血液ではなく組織サンプルを使用したという事実が含まれます。
「卵巣癌の問題の1つは、常に誤った肯定的なものを見てきました」とゴンザレス・ボスケットは言いました。 「今、私たちは人口調査に行く必要があります。最初に血液中でこれを識別してから、それを前向き試験に入れて、将来の方法で有効であるかどうかを確認することができます。」
可変選択におけるメチルネットのようないくつかの深い学習ツールの「ブラックボックス」効果は、下流分析によって軽減されたものの、研究者によっても指摘されていました。モデルの一般化可能性は、同様の背景を持つ集団でテストされたため、制限されている可能性があり、より多様な集団でのテストの必要性を示唆しています。
この研究の究極の目標は、血液サンプルからのCFDNAを使用して卵巣がんの早期発見に使用できる方法を開発することです。
次の重要なステップでは、組織分析から集団研究への移行を行い、血液サンプルのこれらのメチル化マーカーを特定し、現実世界の設定での所見を検証する前向き試験を実施し、すべての段階で患者の多様な集団を使用して、血液のモデルのパフォーマンスを最適化することです。
「実際の生活の中での検証が本当に影響を与える必要があります。私たちが知っているように、この環境では、資金を得ることは困難です。 [But] ゴンザレス・ボスケットは、次のように述べています。
参照：Bosquet JG、Wagner VM、Russo D、et al。機械学習DNAメチル化パターン分析で卵巣がんを特定します。 Sci Rep。 2025 7月1日; 15（1）：20910。doi：10.1038/s41598-025-05460-9。
1756914817
#DNAメチル化によるAI搭載の卵巣癌検出
2025-09-03 15:50:00