組織学と空間分子プログラム統合AI「SQUALL」：がんの仮想バイオマーカープロファイリングと予後予測を革新

bioRxiv 国際

概要

研究者らは、組織学と空間分子プログラムを統合するマルチモーダル基盤モデル「SQUALL」を開発しました。これは、分子コンテキストなしに限定的であった病理組織診断のメカニズム的解釈を深めることを目的としています。SQUALLは17.6億個の組織・空間トランスクリプトミクススポットからなる大規模コーパス「histMol」で事前学習され、トランスクリプトーム全体の仮想バイオマーカープロファイリングを可能にし、がんの予後予測を大幅に改善します。

詳細

主要成果

研究者らは、組織学画像データと空間分子プログラムを統合する画期的なマルチモーダル基盤モデル「SQUALL」を開発しました。このモデルは、これまで分子コンテキストなしにはメカニズム的解釈が限定的であった病理組織学的評価に、深遠な洞察をもたらすことを目的としています。SQUALLは、17.6億個のペアになった組織病理学的画像と空間トランスクリプトミクススポットから構成される、史上最大規模のコーパス「histMol」で事前学習されており、その結果としてトランスクリプトーム全体にわたる仮想バイオマーカープロファイリングを可能にし、がんの予後予測を著しく改善する能力を示しました。

技術・臨床詳細

SQUALLの革新性は、異なる情報源である組織形態情報と遺伝子発現情報をシームレスに結びつける点にあります。病理医は組織スライドの形態を観察して診断を行いますが、細胞レベルでの分子動態は直接的に把握できませんでした。SQUALLは、ディープラーニングとトランスフォーマーアーキテクチャを駆使し、histMolデータセットから複雑な空間的・分子的なパターンを学習します。これにより、特定の組織形態がどのような遺伝子発現プロファイルと関連しているかを高精度で予測できるようになります。その結果、従来は侵襲的な生体検査でしか得られなかった分子情報を、病理画像から「仮想的に」プロファイリングすることが可能となり、がんの診断精度向上、治療標的の特定、そして個別化された予後予測に貢献します。

背景・業界文脈

従来の病理組織診断は、医師の専門知識と経験に大きく依存していましたが、主観性が介在する余地や、分子生物学的な詳細情報が欠如するという限界がありました。次世代シーケンシング技術の進展により空間トランスクリプトミクスデータが利用可能になりましたが、これを病理画像と統合して臨床応用することは大きな課題でした。SQUALLは、この情報ギャップを埋めるものであり、分子病理学とデジタル病理学の融合を加速させます。このようなマルチモーダルAIの登場は、がん研究だけでなく、炎症性疾患や神経変性疾患など、幅広い疾患の診断と治療戦略にパラダイムシフトをもたらす可能性を秘めています。

今後の展望

SQUALLのようなマルチモーダル基盤モデルは、個別化医療の実現に向けて極めて重要な役割を果たすでしょう。医師は、より詳細な分子レベルの情報に基づいて、患者一人ひとりに最適な治療法を選択できるようになります。これにより、不必要な治療の回避や治療効果の最大化が期待されます。今後、SQUALLはさらなる大規模データセットでの検証と、多種多様ながん種における臨床的有用性の評価が求められます。また、製薬企業にとっては、新たなドラッグターゲットの発見や、コンパニオン診断薬の開発を加速させるツールとしても活用されることが期待され、医療イノベーションの新たな時代を牽引する可能性を秘めています。