がん治療の効きやすさを、薬を使った『変化の学習』で予測

『変化パターンを学習する』って、具体的には何をどう学んでるの？細胞の中の何が、どう変わるのを見てるんだっけ？

薬が細胞に作用したときの「変化」って、遺伝子の発現量なんですよ。つまり、どの遺伝子がオンになって、どの遺伝子がオフになるか、その比率がどう動くか。細胞には数千の遺伝子があって、それぞれがタンパク質をつくる量は絶えず変動しているんですけど、薬を加えるとその全体のパターンが一気に変わる。PerturbRx が学んでいるのは、その「薬による遺伝子発現の変動パターン」です。 実験用の細胞に薬を投与して、数時間後に「今、どの遺伝子がどのくらい発現しているか」を測定する。同じ薬でも細胞の種類や濃度で結果は違うから、何度も繰り返して「この薬を加えると、だいたい遺伝子 A は上がって、遺伝子 B は下がる」という傾向をつかむわけです。その傾向があれば、患者さんの治療前の遺伝子発現状態を見て「この人にこの薬を入れたら、こういう変動が起きるはず。その先に治療効果は続くだろうか」と推し量れる。 つまり、患者さんの体で実際に起きる「薬の効き方」を、細胞レベルの実験から学んだ「変化の法則」で、あらかじめシミュレーションしてるということなんですよね。

これが実用化されたら、がん患者が治療を始める前に『この薬が効く確率は何%』みたいに予測してもらえるようになるってこと？

理論的には、そういう使われ方になる可能性が高いと思います。治療前のゲノムデータと、この『変化パターン』を組み合わせれば、「あなたの場合、この薬は効く確率が70%程度」という形で数字が出るようになるでしょう。 ただし実用化までには、いくつかのハードルがあります。まず、今回の研究は限られた種類のがんと薬で検証されたものなので、全てのがん治療に対応させるには、さらに膨大なデータが必要になる。また、『確率70%』という数字自体も、患者さんや医者がどう受け取るかが問題です。「70%なら試す価値がある」と思う人もいれば、「30%の失敗リスクは取りたくない」と考える人もいます。予測精度が上がることと、それを治療選択にどう活かすかは、別の問題なんですね。 むしろ期待できるのは、効きにくい薬の組み合わせを事前に除外できることかもしれません。「この人にはこの薬は避けた方がいい」という負の情報の方が、医者の判断としては使いやすいと言えそうです。

今までは『患者の遺伝子データ』だけで予測してたのに、なぜ『細胞の変化パターン』という考え方は、これまで試されなかったの？

遺伝子データは「患者の設計図」だから、直感的には予測に使えそうに見えるんですよね。だから医学の世界でも長年、その道を深掘りしてきた。一方、「薬を使ったときの細胞の変化パターン」となると、これは実際に細胞を育てて薬をかけて、時間をかけて観察しなければ得られません。手間も費用もかかる。 そこに技術的な障壁もありました。変化パターンは複雑で、患者ごとの違いも大きい。その複雑なパターンを汎用的な「知識」として一度学習してしまえば、あとはどの患者にも応用できる——この発想自体が、AI や機械学習の進化によって、ようやく実現可能になったのかもしれません。 つまり、「細胞の変化」という考え方は昔からあったとしても、膨大な変化パターンの中から本質的な特徴を自動抽出して、新しい患者に応用するというプロセスは、数年前なら計算の重さで難しかったのでしょう。今だから試せた手法、と言えそうです。

これって要するに『個別のデータが少なくても、普遍的なパターンを経由すれば予測できる』という話？他の医療の場面でも応用できそうな考え方なの？

その通り。データ不足を「普遍的なルール」で補う発想ですね。 がん治療の場合、患者ごとの効果データは確かに限られている。でも薬が細胞に与える変化パターンは、実験で何度も再現できる。そのパターンを一度学べば、新しい患者に当てはめるときの「翻訳機」になるわけです。 この構造は医療の他の場面にも広がりそうに見えます。たとえば薬の副作用予測。個々の患者さんの副作用データは多くないけれど、薬が肝臓や腎臓でどう変化するかという薬物動態は、比較的よく分かっている。それを中継にすれば、治療前の患者情報からでも副作用リスクが推しはかれるかもしれません。 ただ、気をつけたい点もあります。このやり方が有効なのは「薬が細胞に与える変化」が、実験室と患者の体の中で似た形で起こることが前提。がんはものすごく複雑な環境だから、そこが常に成り立つわけではないのかもしれません。万能ではなく、うまくいく領域と向き不向きがありそうです。

予測の精度が上がることで『この薬は効きにくいと判定された患者』は、効かない薬を試す機会を失う側面もあるのかな？

重要な着眼点です。精度が上がるほど、医療現場は「効きにくい」判定を信じて、その薬を試さなくなる傾向が強まりますよね。 実は、これは予測モデルの得意・不得意の問題でもあります。PerturbRx は『薬が細胞に与える分子的な変化』というパターンを学んでいるので、細胞レベルでは再現しやすい反応は得意です。しかし人間の身体は、細胞だけでは説明できない複雑さがある。免疫応答、腸内細菌、ストレス、栄養状態——こうした患者の背景が、細胞の反応を変えることもあります。 「予測では効かないはずの患者」が実は効いてしまう例は、確実に存在するはずです。それなのに医師が予測結果を強く信頼すれば、その例外は見逃される。特に患者数が少ないニッチなガンや、複数回目の治療など、データが限られた領域ほど、予測の盲点は大きくなるかもしれません。 精度の向上は、医療判断を助ける道具には確実になります。一方で、モデルが「効かない」と判定した患者には、その判定を覆す好奇心や試行が失われる側面は、目を向けておく価値がありそうです。