- 著者: Matthew A. Clarke, Charlie George Barker, Ashley Nicholls, Matt P. Handler, Lisa Pickard, Amna Z. Shah, David Walter, Etienne De Braekeleer, Udai Banerji, Jyoti S. Choudhary, Saif S. Ahmad, Ultan McDermott, Gregory J. Hannon, Jasmin Fisher
- Corresponding author: Jasmin Fisher (UCL Cancer Institute, University College London)
- 雑誌: Cancer Research
- 発行年: 2026
- Epub日: N/A
- Article種別: Original Article
- PMID: 42341181
背景
非小細胞肺癌 (NSCLC) 腺癌は年間 100 万例以上が新規診断され、5 年生存率は 20% 未満と予後不良な疾患である。転移例では 10% 未満まで低下し、局所限局例でも約 65% にとどまる。標準治療は外科・化学療法・放射線療法の組合せへと進歩したが、NSCLC を駆動する多様な発癌変異 (EGFR、KRAS、MET、TP53 など) に対応した個別化治療は現状では不十分であり、変異プロファイルが治療感受性に与える影響の理解が限られていることが予後改善を妨げている (Winslow et al. CancerDiscov 2026)。
放射線療法は NSCLC の主要治療法の一つであるが、腫瘍が放射線抵抗性変異を獲得することで再発が生じる。KEAP1/NRF2 変異をはじめとする遺伝子変化が放射線抵抗性に関与することが知られており (Binkley et al. CancerDiscov 2020)、TP53 変異は放射線に対する応答を大きく変化させる。また EGFR 第一世代阻害薬に対する耐性は投与開始後 6〜9 ヵ月で多くの患者に出現し、耐性を事前に予測して克服する手段が必要とされている。薬物・放射線の組合せ療法は耐性を低減する可能性があるが、実験的な網羅的スクリーニングは時間・コストの面で現実的でなく、仮想腫瘍モデルによる in silico スクリーニングが技術的ギャップを埋める手法として着目されている (Conard et al. Cell 2026)。これまで NSCLC 腺癌の放射線応答を含む in silico 治療組合せスクリーニングが可能な汎用メカニズムモデルは存在しておらず、変異プロファイル依存の放射線増感機構は未解明のままであった。個別化治療設計のためのこうした計算ツールが不足しており、この点が NSCLC 研究における最重要の技術的ギャップを形成していた。
目的
NSCLC 腺癌の主要発癌シグナル経路（細胞周期・アポトーシス・DNA 損傷応答・放射線応答）を統合した定性的実行可能ネットワーク「仮想腫瘍モデル」を構築し、(1) 約 6.6 万通りの薬物・放射線組合せ療法を in silico スクリーニングして遺伝子型別の最適治療戦略を同定すること、(2) 放射線増感ターゲットを CRISPR で実験的に検証すること、(3) 個別化放射線療法に資する患者層別化シグネチャーを TCGA データで検証することを目的とした。
結果
仮想腫瘍モデルの構築と精度検証：
171 報の文献調査に基づき、NSCLC 腺癌の EGFR・AKT・JAK/STAT・WNT・MYC・NRF2 経路、細胞周期・アポトーシス、DNA 損傷応答 (DDR)、相同組換え修復 (HR)、非相同末端結合 (NHEJ) を統合した 160 ノード・360 エッジの定性的実行可能ネットワークモデルを BioModelAnalyzer (BMA) で構築した (Fig. 1)。各ノードは 0〜3 の離散値を取り、0 は機能喪失型変異、3 は機能獲得型変異を表す。モデルの精度は 26 報の未使用発表データから構成した 69 条件の実験仕様で評価し、Quadratic Weighted Kappa (QWK) = 0.81（完全一致=1、偶然レベル=0）、治療効果の方向性予測正解率 91% を達成した (Supplementary Fig. S1C; n=69 実験条件)。6 種の NSCLC 腺癌細胞株 (SW1573、NCIH1792、HCC827、PC9、A549、NCIH1993; n=6) に加え、健常肺細胞モデル (HBEC3/BEAS-2B 参照) も構築し、癌細胞と健常細胞の治療窓比較を可能にした。
放射線増感ターゲットの in silico スクリーニングと CRISPR 検証：
6 株の NSCLC 腺癌細胞株を対象に、136 種の放射線増感候補ノックアウトを放射線照射あり・なしで in silico シミュレーションし、「放射線増感」を放射線単独またはノックアウト単独の最有効条件より細胞死が増大する組合せとして定義した (Fig. 2A)。モデルは放射線増感ノックアウトの広範なクラスを予測した：NHEJ 経路阻害は癌・健常細胞の両方で増感する一方、53BP1 阻害は SW1573 で特に選択的な放射線増感を示し (Fig. 2A-B)、MYC 阻害は癌細胞特異的な放射線増感において最も有効と予測された。in vitro プール型 CRISPR スクリーン (n=6 NSCLC 株、1 Gy×2 回、2 Gy 計、MAGeCK Robust Rank Aggregation (RRA) FDR<0.2) との比較では、モデルが予測した放射線増感ノックアウトを 12 中 9 例 (75%) で正確に同定した (Fig. 2C)。
焦点型 CRISPR スクリーン (SW1573, A549 の TP53 野生型・ノックアウト株、4 Gy 単回照射) により、53BP1 ノックアウトは SW1573・A549 (n=2 株) の癌細胞株で放射線増感効果を示す一方、患者由来正常肺オルガノイド株 AZSA-011N では増感しないことを確認した (Fig. 2E)。ATM は予測通り全細胞株に放射線増感を示したが、健常細胞にも影響を与えた (モデルは予測せず)。NRF2 阻害は癌細胞の DNA 損傷関連死 (Necrosis ノード) を特異的に増強すると予測され、プロテインチロシンホスファターゼ受容体型 T (PTPRT) などの PTP ファミリー消失が JAK/STAT-MCL-W-NRF2 経路を介して健常細胞を放射線から保護しつつ、NRF2 を既に過剰発現する癌細胞には影響しないという癌特異的保護機構も同定した。
TP53 変異と放射線抵抗性の克服：
TP53 変異は NSCLC 腺癌で頻度が高く、放射線応答に影響する。TP53 機能喪失を持つ細胞株では放射線単独による細胞死が減少することをモデルが予測し (Fig. 3A)、SW1573 および NCIH1373 を用いた in vitro TP53 ノックアウト/リストア実験で実証した (Supplementary Fig. S8)。一方、ATM ノックアウトを放射線に組合せると、TP53 変異の有無に関わらず全細胞株で細胞死が誘導され (Fig. 3B)、TP53 駆動の放射線抵抗性を ATM 阻害で克服できることを示した。この知見は複数組織のマウスモデルおよび他の NSCLC 細胞株での先行報告と一致する。焦点型 CRISPR スクリーン (A549 および SW1573) でも ATM が TP53 状態に関わらず全細胞株を放射線増感させることが確認された (Supplementary Data S3)。
19 遺伝子シグネチャーによる放射線感受性患者層別化：
in silico 放射線増感スクリーンで変異背景に依存せず放射線感受性に影響する 19 遺伝子 (ATM、MDC1、XRCC6、XRCC4 等の DDR 遺伝子および MYC・MAX 等の転写因子) を同定した (Fig. 2 太字)。TCGA LUAD/LUSC データを用い、これら 19 遺伝子のいずれかについてコピー数異常 (CNA, 下位 5%) かつ RNA 発現量 (下位 10%) を満たす放射線感受性患者サブセット (n=175) の生存を解析した。放射線療法施行例では、この層別化が有意な生存延長と関連した (Fig. 4A、Cox 比例ハザード回帰; ハザード比 (HR) = 0.5842、P=0.03)。RNA 発現単独 (HR=0.4299、P=0.06) および CNA 単独 (HR=0.6421、P=0.08) でも同方向の効果が観察された。放射線療法非施行例 (n=705) では有意差は見られず (P=0.06〜0.08 以上)、この層別化が放射線の存在下でのみ機能することを確認した (Fig. 4B)。さらに各患者の 19 遺伝子最低 CNA 値を連続変数として解析した場合も、放射線療法施行例で生存と有意な相関を示した (HR=2.91、P=0.07)。
薬物組合せスクリーニングと MYC/ATR 阻害の最大治療窓：
6 NSCLC 細胞株で 95 種の薬剤可能ノードを対象に全ペアワイズ組合せを in silico シミュレーション (約 66,000 組合せ) し、単剤最大効果を上回る「相加効果 (additivity)」によって治療戦略をクラスタリングした (24 サブクラスター、I〜XXIV)。Nair ら (2022) の実験的薬物組合せデータセット (6 株、Higher than Single Agent 効果 (HSA)) との比較では、全組合せで Kendall τ = 0.16 (P=8.176×10⁻¹¹)、相加組合せに絞ると Kendall τ = 0.27 (P=1.7×10⁻⁷)、最上位クラスター (I〜V) では Kendall τ = 0.37 (P=2.3×10⁻⁷) の有意な相関が得られ、独立実験データセット間の平均 Pearson 相関 ~0.30 に相当する再現性が示された (Fig. 5)。
Cluster I (AKT・MAPK 経路阻害) は全癌細胞株で広く相加効果を示すが健常細胞にも毒性がある一方、Cluster II (MYC + ATR 阻害) は全癌細胞株の増殖を健常細胞レベルまで抑制しつつ細胞死増大は癌細胞のみであり、最大の治療窓を持つことが予測された (Fig. 5, 6A)。機構的解析では、ATR 阻害は複製ストレス下で片端二本鎖切断 (seDSB) を蓄積させ、MYC 阻害は MRN 複合体 [MRE11, RAD50, NBS1] (MRN) を介した ATM 活性化と HR 修復を阻害するため、seDSB が毒性のある NHEJ 経路 (toxic NHEJ) へ流れ込み細胞死を誘導すると予測された (Fig. 6B)。主成分分析 (PCA) では健常細胞は影響を受けにくく、癌細胞で p15 増加・G2/M 停止・toxic NHEJ 増加が生じた (Supplementary Fig. S14)。TCGA 患者データでも、MYC・ATR 経路活性が低い腫瘍では G2M 進行が著明に低下し (健常組織では変化なし)、NHEJ が増加傾向を示した (B=0.131、P=0.065)。EGFR および TP53 変異が各クラスターの相加応答の最も強い説明変数であり、MET 増幅が Cluster V に特異的に関連することが線形モデルで示された (Fig. 7B)。
考察/結論
① 先行研究との違い: 従来の NSCLC 治療研究は実験的細胞株スクリーンや臨床試験に依存しており、変異背景別の組合せ療法を網羅的かつメカニズム的に評価する手段が限られていた。これと異なり、本仮想腫瘍モデルは定性的ネットワーク理論に基づき、単一の統合モデルで薬物組合せと放射線増感の両方を in silico 予測可能にした初の汎用プラットフォームである。Binkley ら (2020) の KEAP1/NRF2 変異が放射線抵抗性に寄与するという報告 (Binkley et al. CancerDiscov 2020) を機構的に再現しつつ、NRF2 が健常細胞を保護しながら癌特異的放射線増感が可能なターゲットとしても機能することを新規に示した点で先行研究と相違する。また、Conard らが提示した生成モデルアプローチ (Conard et al. Cell 2026) とは異なり、本研究は生物学的知識駆動の定性的ネットワークでメカニズム解釈性を維持する手法を採用した。
② 新規性: 本研究で初めて、NSCLC 腺癌の放射線応答を含む約 6.6 万通りの治療組合せを予測可能な実行可能ネットワークモデルを構築し、in silico 予測の CRISPR スクリーン検証と TCGA 臨床データ検証の双方を実施した。53BP1 阻害が癌細胞特異的放射線増感をもたらし健常細胞を温存することを新規に実証した。MYC/ATR 二剤阻害が最大の治療窓を持つ癌特異的な組合せとして機能するという新規メカニズム (seDSB 蓄積→toxic NHEJ 経路への流入) を定量的に提示した。
③ 臨床応用: 19 遺伝子シグネチャーは臨床的 RNA 発現および CNA データから算出可能であり、放射線感受性患者の前向き同定への翻訳的価値がある (Winslow et al. CancerDiscov 2026)。53BP1 阻害は PARP 阻害薬耐性の collateral sensitivity として第二選択治療の臨床試験設計に関連する。MYC 阻害薬 OMO-103 は早期臨床試験中であり、ATR 阻害薬と組合せた臨床展開が将来的に想定される。モデルのコードは公開されており（bioModelAnalyzer.org / GitHub）、ALK 変異や扁平上皮癌・大細胞癌サブタイプへの拡張が可能である (Sanclemente et al. CancerCell 2021)。
④ 残された課題: 現行モデルは安定状態解析に基づいており、放射線量分割・短期/長期毒性のモデル化には数理モデルとの統合が今後必要である。ネットワーク構造・仕様の手動キュレーションはスケールに限界があり、Perturb-Seq などの大規模データの取り込みや機械学習を活用した自動構築への移行が今後の研究方向性として挙げられる。現行モデルは代謝・エピジェネティック機序を介した組合せや腫瘍微小環境の影響は対象外であり、これらへの拡張も残された課題である。また今後の検討として、健常細胞は発癌変異なしの等質細胞として近似しており、体細胞変異の蓄積を組込むことでモデルの精度向上が見込まれる。
方法
研究デザイン: 計算モデル開発・in vitro CRISPR 実験・臨床データ検証の統合研究。BMA (BioModelAnalyzer) を用いた定性的ネットワークモデル。6 種の NSCLC 腺癌細胞株 (HCC44-Cas9, SW1573-Cas9, H1792-Cas9, H1373-Cas9, H358-Cas9, H23-Cas9) + 健常肺オルガノイド (AZSA-011N)。
モデル構築: 各ノードは 0〜3 の離散値（0=機能喪失型、3=機能獲得型）を持ち、target function (avg(pos)-avg(neg)) で次ステップの活性を決定する同期更新型の不動点・周期アトラクター解析を行う。変異データは Cell Model Passports および DepMap から取得。精度指標は QWK (Quadratic Weighted Kappa) および実験の方向性一致率。
CRISPR スクリーン: プール型全ゲノム CRISPR/Cas9 スクリーン (Yusa_v3 ライブラリ、IBL 637 Irradiator、Cs-137 γ線、1 Gy×2 回=2 Gy 総量)、MAGeCK RRA (v0.5.8) でヒット同定 (FDR<0.2 / FDR<0.1)。焦点型スクリーン (197 遺伝子/1,242 sgRNA ライブラリ) は癌細胞株 + AZSA-011N 健常肺オルガノイドで実施。
薬物組合せスクリーン: 95 種の薬剤可能ノードの pairwise 組合せ (約 66,000 通り) を in silico シミュレーションし、HSA 相当の additivity スコアで評価。k-means クラスタリングで 24 サブクラスターに分類。
患者層別化: TCGA LUAD/LUSC データ (cBioPortal 経由)。RNA 発現 (下位 10%) および CNA (下位 5%) を組合せて放射線感受性患者を同定。Cox 比例ハザード回帰で生存差を評価。MYC/ATR 経路活性は decoupleR (R パッケージ) の univariate linear model で算出、MSigDB C2/H コレクションの遺伝子セットを使用。
統計: Kendall τ 検定 (薬物組合せ相関)、Wilcoxon rank-sum test (DepMap 依存スコア)、Cox 比例ハザード回帰 (患者層別化)、Benjamini-Hochberg 法 (多重検定補正)。