- 著者: Haichao Wang, Paulius D. Mennea, Grainne McAndrew, Ozge Sonmezler, Dmitry S. Shcherbo, Emma-Jane Ditter, Sarah Ostrup Jensen, et al.
- Corresponding author: Hui Zhao (Cancer Research UK Cambridge Institute) / Nitzan Rosenfeld (Queen Mary University of London)
- 雑誌: Science Advances
- 発行年: 2026
- Epub日: 2026-07-10
- Article種別: Original Research Article (computational biology, liquid biopsy)
- DOI: 10.1126/sciadv.eady9432
背景
血漿中の無細胞 DNA [cell-free DNA (cfDNA)] はアポトーシス・壊死・活発な分泌などの生物学的プロセスを経て血液中に放出され、がんの検出・モニタリングに応用できる非侵襲的バイオマーカーとして注目されてきた。cfDNA のモーダルサイズは約 166 bp であり、ヌクレオソーム (約 146 bp) + リンカー DNA (約 20 bp) を反映するとされる (Snyder et al. Cell 2016)。がん由来 cfDNA (ctDNA) は断片長、5’末端モチーフ、コピー数異常など非遺伝子的特徴を示し、これら「フラグメトミクス (fragmentomics)」特徴は腫瘍情報を必要としない腫瘍非依存型の早期がん検出に利用可能であることが示された (Cristiano et al. Nature 2019)。Cristiano らの DELFI (DNA evaluation of fragments for early interception) 法は短長断片比 (S/L) の全ゲノムビン分布からがん患者と健常者を区別できることを示したが、多特徴統合による感度向上の余地は十分に評価されていなかった。
近年、クロマチン状態を用いた cfDNA 解析も疾患起源・治療反応性の追跡に応用されており (Chen et al. Nature 2026)、cfDNA フラグメトミクス研究は断片長分布・ヌクレオソームフットプリント・5’末端モチーフ・コピー数を包括的に利用する方向へと展開している (Tsui et al. CancerCell 2025)。しかし、これら多特徴を深層学習で統合した場合に各特徴が診断精度にどう寄与するかは不明であり、特に早期がん (stage I-II) でのシーケンス深度 0.1× 程度の浅層全ゲノムシーケンス (sWGS) を用いた実用的な多特徴統合フレームワークが不足していた。また、XGBoost と畳み込みニューラルネットワーク (CNN) を同一データで系統的に比較した知見も乏しかった。
目的
0.1× 浅層全ゲノムシーケンス (sWGS) データから抽出した複数のフラグメトミクス特徴量を統合するスケーラブルな AI フレームワーク UNITE を構築し、26 がん種にわたる大規模コホートおよび独立未知テストセットで XGBoost および CNN モデルの性能を系統的に評価するとともに、各特徴量の診断への寄与を明らかにする。
結果
研究コホートと UNITE フレームワーク設計： 公開データベース (EGA・FinaleDB) および新規採取検体を含む 3430 例の血漿 cfDNA sWGS データを収集し、品質管理後 1690 例 (健常者 458 例 + 26 がん種 1232 例) を交差検証・ホールドアウト試験用、追加 373 例 (健常者 173 例 + 肺癌 163 例 + 乳癌 24 例 + 黒色腫 13 例) を完全独立の未知テストセットとして確保した。最大がん種は乳癌 (n=377)、肺癌 (159)、卵巣癌 (97)、前立腺癌 (79) の順であった (Fig 2)。UNITE フレームワークは「ゲノムビン × 断片長」マトリクス (ビン数 464 × 断片長 100-220 bp の 121 カラム) に基づき 5 特徴量を抽出する: (1) 断片長分布 (Len)、(2) 全ビン間での断片数の標準偏差 (SD)、(3) 各ビンの短/長断片比 [short/long ratio (S/L); 100-150 bp vs 150-220 bp]、(4) 5’末端シトシン/チミン比 (C/T)、(5) GC 補正コピー数異常 (CNA)。これらをベクター入力とした XGBoost モデル (UNITE-XGB、X6 全特徴統合) と、マトリクスを直接入力とした ResNet18 ベースの CNN モデル (UNITE-CNN、C4 マルチチャネル) を構築した (Fig 1, 3)。
交差検証における多特徴統合の優位性と特徴量寄与の解析： 1237 例の交差検証データセットで TF 別・全段階評価を実施した (Fig 4)。全 TF 含む場合、UNITE-CNN が最高 AUC = 0.924 (95% CI: 0.918-0.931) を達成し、UNITE-XGB (0.916, 95% CI: 0.912-0.920)、DELFI-XGB (0.869, 95% CI: 0.864-0.875)、ichorCNA-TF (0.642, 95% CI: 0.635-0.650) を上回った。95% 特異度での感度は各々 66.8%、65.9%、56.4%、37.4% であった。腫瘍分画 (TF) が 3% 以下の検体では Len (AUC = 0.873)・SD (0.857) が最重要特徴量であり、CNA (0.736)・C/T (0.715)・S/L (0.651) を凌いだ。TF > 3% の検体では CNA が最重要となりトップ 10 特徴量中 9 つを占めた。Shapley 加法的説明 (SHAP) 解析では TF ≤3% での上位特徴は 105 bp 断片割合・Chr 9 コピー数 (p 腕第 1 ビン)・104 bp 断片割合であった。SD は本研究が新たに導入した特徴量であり、コピー数またはクロマチン状態変化に起因する断片長プロファイルの乱れを定量化する点で先行研究にない診断情報を付加する (Fig 4)。
ホールドアウトテストセットにおける Stage 別性能評価： ホールドアウト 453 例 (うちがん 320 例、173 例にステージ情報あり) で locked model を評価した (Fig 5)。Stage I-II がんでは UNITE-CNN が AUC = 0.936 で最高性能を示し、95% 特異度感度 69% を達成; UNITE-XGB は AUC = 0.891、感度 67%。DELFI-XGB は AUC = 0.749 (感度 38%)、ichorCNA-TF は 0.613 (感度 17%) にとどまった。Stage III では UNITE-XGB が AUC = 0.919 (感度 64%)、UNITE-CNN が 0.913 (感度 73%) と逆転した。Stage IV では UNITE-XGB が最高 AUC = 0.958 (感度 91%)、DELFI-XGB が 0.956 (88%)、UNITE-CNN が 0.953 (80%)。全ステージ統合では UNITE-CNN AUC = 0.945 (感度 76%)、UNITE-XGB 0.937 (感度 83%) と DELFI-XGB 0.894 (71%)・ichorCNA-TF 0.688 (36%) を大きく上回った (Fig 5)。
独立未知テストセットにおける UNITE-XGB の汎化性能： 完全に学習に用いていない独立コホート 373 例でモデルの真の汎化性能を検証した (Fig 6)。Stage I-II がんでは UNITE-XGB が AUC = 0.781 (感度 31% at 95% 特異度)、UNITE-CNN 0.660 (21%)、ichorCNA-TF 0.670 (22%)、DELFI-XGB 0.591 (17%) であった。Stage III では UNITE-XGB 0.861 (60%)・UNITE-CNN 0.828 (46%) が ichorCNA-TF 0.795 (44%) と DELFI-XGB 0.766 (38%) を上回った。全ステージ統合では UNITE-XGB が最高 AUC = 0.829 (感度 47%)、UNITE-CNN 0.758 (感度 38%) を記録した。さらに 99.6% 特異度固定では UNITE-XGB が全未知がんに対し 22% 感度を達成し、98% 特異度での Stage I-II 感度 19% は Lung CLiP (20-29%) と同等・DELFI (16-17%) を超えた。肺癌を訓練セットから除外すると感度が 28% から 17% に低下し、多がん種訓練の重要性が確認された。最低有効訓練サンプル数は 150 例以上であり、150 例未満では AUC が急激に低下した (Fig 6)。
モデル解釈可能性・スケーラビリティ・シーケンス深度依存性： UNITE-XGB は 0.3× から 1.5× への深度変化に対して性能が安定していたのに対し、UNITE-CNN は訓練と検証の深度一致が必要であった。MultiAssayExperiment R パッケージによる多特徴データ管理は再現性と拡張性を保証し、変異など追加特徴チャネルの統合が容易である。SHAP による特徴量解釈は腫瘍負荷が低い検体 (TF ≤3%) では断片長ベース特徴量 (Len + SD) が支配的であることを定量的に示した (Fig 4)。CNN アーキテクチャとして ResNet18 (1170 万パラメーター) が ResNet34 (2180 万) や EfficientNetV2S (2150 万) と同等以上の AUC を示し、軽量モデルの選択が合理的であることが検証された。
考察/結論
① 先行研究との違い: これまでのマルチキャンサー液体生検研究は主にメチル化プロファイリング (GRAIL Galleri 等) や深層 WGS に依存し、実装コスト・スループットの制約が臨床普及の障壁となっていた。また既存フラグメトミクス手法 (DELFI 等) は S/L 比や CNA 等の個別特徴量を用いるにとどまった。これと異なり、UNITE は 0.1× sWGS という最低限の深度データのみで 5 特徴量を統合し、既存手法を stage I-II で上回る感度を独立コホートで実証した点で新たな実用的設計を示す。同程度のコストで実施可能なスケーラブルな基盤を確立した (Cristiano et al. Nature 2019 との直接比較で AUC 差 +0.19 [stage I-II])。
② 新規性: 本研究は初めて cfDNA 断片数の全ゲノムビン間標準偏差 (SD) をフラグメトミクス特徴量として定式化し、コピー数変化またはクロマチン状態変動が断片長プロファイルの乱れとして現れることを大規模コホートで検証した新規な知見を提示する。さらに XGBoost と CNN (ResNet18) を同一データ・同一評価基準で系統比較し、stage I-II では CNN が、全ステージでは XGBoost が優位という規則性を明確にした多面的な解析設計も、この分野では新規なパラダイムである。MultiAssayExperiment によるデータ管理の標準化も再現性保証の観点から新規な貢献を果たす。
③ 臨床応用: 99.6% 特異度での 22% 全がん感度は既存スクリーニング法 (無症状集団での典型的感度 25-40%、早期がんで低下) と同様のレンジに位置し、sWGS の低コスト・高スループット性と組み合わせることで将来的な人口スクリーニング補完ツールとしての臨床的意義がある。XGBoost 版は深度非依存性から既存の臨床 sWGS パイプラインへの組み込みが容易であり、cfDNA クロマチン状態トレーシング (Chen et al. Nature 2026) などの新規特徴チャネルの追加統合による感度向上も UNITE アーキテクチャ内で実現可能である。
④ 今後の課題: 独立テストセットでの Stage I-II 感度 31% (95% 特異度) は臨床的普及に向けてはなお不十分であり、メチル化・変異シグナルとのマルチモーダル統合が更なる感度向上への重要な方向性として残されている。TF の絶対定量・経時モニタリング能力の欠如、前処理プロトコルばらつき (採血管種・凍結融解サイクル) および clonal hematopoiesis の影響がモデルの信頼性に与える程度は今後の研究として残されている。ImageNet 画像で事前学習した CNN の生物医学ドメイン特異的特徴学習の限界も、より大規模な cfDNA 専用事前学習データの整備とともに解決すべき課題である。
方法
研究デザイン: 後ろ向き・多施設共同の計算生物学研究。sWGS データをEGA・FinaleDB から取得し、LUCID (肺癌)・OV04 (卵巣癌)・MISIL1・MOD-LUC・LEMA・Neo-RT・ABC-Bio・ChemoNEAR・MELR 等の倫理承認済みコホートから新規データを追加。全参加者からインフォームドコンセントを取得済み。試験登録: NCT02894853 (LEMA コホート)。
サンプル処理: QIAamp circulating nucleic acid kit (QIAGEN) で血漿 cfDNA 抽出 → 150 bp PE sWGS (Cambridge Genomics Core) → TAP パイプライン (github.com/nrlab-CRUK/TAP) でトリミング・アライメント・重複除去 → cfDNAPro (github.com/NRLAB-CRUK/cfDNAPro) で 100 万断片にダウンサンプリング。品質管理基準: 深度 ≥0.1×、血漿 cfDNA、最早時点のみ、固形腫瘍または健常対照。
ゲノムビン設計: ヒトゲノム (hg19) を 100 kb ビンに分割後 Duke/ENCODE ブラックリスト・SD 閾値超過ビンを除外、隣接 50 ビンを 5 Mb に結合 (464 ビン)。断片長 100-220 bp (1 bp 増分 × 121 カラム) の 2D フラグメトミクスマトリクスを構築。5 特徴量 (Len/SD/S/L/C/T/CNA) を算出。
機械学習: XGBoost (UNITE-XGB: X6 全特徴統合) + CNN [ResNet18-C4 (UNITE-CNN): ImageNet 事前学習、チャネル s1C/s1T/s2C/s2T 含む 4 チャネル]; 交差検証 70%:30% 分割 (study・がん種・TF カテゴリ層別)、5 分割 10 回反復; 全交差検証データで locked model 訓練後 held-out + unseen test で評価。
比較手法: ichorCNA-TF (ichorCNA TF 推定値 → ロジスティック回帰) / DELFI-XGB (DELFI 特徴量 → XGBoost)。
統計: Kruskal-Wallis 検定 (モデル間比較); AUC・AUPRC・感度・特異度・F1 スコア; SHAP 値で特徴重要度定量化 (5 分割 10 回平均)。性能指標 95% CI は交差検証フォールドから算出。