- 著者: Amor Corina
- Corresponding author: Corina Amor (Cold Spring Harbor Laboratory / Howard Hughes Medical Institute)
- 雑誌: Cell
- 発行年: 2026
- Epub日: 2026-06-25
- Article種別: Commentary
- DOI: 10.1016/j.cell.2026.06.003
背景
CAR T 細胞療法は血液悪性腫瘍において顕著な臨床成果を示し、非腫瘍性疾患 (自己免疫・加齢関連疾患) への応用も探索されているが、標的抗原の同定が依然として最大の障壁となっている。理想的な CAR T 標的は疾患駆動細胞集団の細胞表面に均一かつ高発現しながら正常組織には発現しないという条件を満たす必要があるが、そのような標的を系統的に同定・検証する戦略は乏しく、多くの施設が経験則的なバイオインフォマティクスパイプラインを用いている状況であった (Brentjens et al. Blood 2011)。
過去には Perna ら (2017) のプロテオミクス+トランスクリプトミクス統合や Schreiner ら (2021) の異種発現データ統合など、スコアリング規準が明示されない経験則的なパイプラインが先行し、Gottschlich ら (2023) が初めて機械学習を応用した CAR T 標的探索を報告した。さらに近年 LLM (large language model; 大規模言語モデル) を活用した Bio AI Agent 等の多エージェント系も出現しているが、各手法の系統的な比較や共通ランキング基準は存在せず (Morello et al. CancerDiscov 2016)、個別パイプライン間の強み・限界に関する比較エビデンスが不足していた。同時に、固形腫瘍における CAR T 療法は抗原不均一性・免疫抑制性 TME・オンターゲット/オフタンパク毒性など多面的課題に直面しており (Chen et al. CancerCell 2026)、安全かつ有効な標的の不足が開発加速の妨げとなっていた。
目的
本 Commentary は、Baker らが Cell 同号に報告した LLM 支援スコアリングフレームワークおよびその産物である GPNMB (glycoprotein non-metastatic melanoma protein B) の CAR T 標的としての同定・検証を解説し、同フレームワークの意義・限界・改善方向性、および AI 支援 CAR T 標的探索の今後の展望を示すことを目的とする。
結果
Baker らのフレームワーク概要と LLM スコアリング：Baker らはまず皮膚がん 4 種 (病期・治療歴が異なる) の公開 scRNA-seq データセット (n=4) と健常ヒト皮膚データを統合した標準化アトラスを構築し、候補標的遺伝子を同定した。次いで細胞内局在・腫瘍特異性・がん組成・臨床翻訳性に関する公開情報を集約し、専門家誘導の定量スコアの重みを ChatGPT-4o / Claude 3.7 / Gemini 2.5 Pro の n=3 種の LLM で最適化した (Baker et al. Cell 2026)。この最適化スコアリングシステムにより n=100 個の初期候補を絞り込み、さらに 3 LLM がそれぞれ独自の根拠 (腫瘍特異性・多癌腫対応・臨床開発ポテンシャル・重要組織低発現・患者サブ集団関連性) を用いてショートリスト化した。LLM 間で優先順位の根拠は異なったが、最上位候補は 3 者で一致した。なお human-in-the-loop によるウェイト最適化ステップを省いても同様の標的リストが得られた。
GPNMB の実験的検証：上位 n=15 標的のうち n=3 (20%) でメラノーマ細胞でのタンパク発現増加が直交的に確認されており、最上位の GPNMB は 1995 年に初めて低転移性メラノーマで発見されたトランスメンブレン型糖タンパクである。GPNMB はメラノーマ・単球系白血病 (ML) / 急性骨髄性白血病 (AML) / 大腸がん・膵がん・直腸がんなど多癌腫で高発現することが示されており、glembatumumab vedotin (抗 GPNMB 抗体薬物複合体) はすでにメラノーマおよびトリプルネガティブ乳がんで Phase II 試験に到達した既往を持つ。Baker らは glembatumumab の single-chain variable fragment を活用した第 2 世代抗 GPNMB CAR T 細胞を作製し、GPNMB 陽性悪性腫瘍 (ML / AML / メラノーマ / 大腸がん / 膵がん / 直腸がん) では特異的な細胞傷害性を示しながら GPNMB 陰性の B 細胞 ALL には作用しないことを示した。In vivo では ML および大腸がん xenograft モデルで再発なく寛解が達成されたが、主要適応のメラノーマ xenograft では median survival の有意な延長を示しながらも最終的に再発が見られた。
フレームワークの意義と限界：同フレームワークは薬剤標的優先順位づけで開発された omics-to-target ファンネルアプローチを CAR T 免疫療法へ応用した最初の形式的検証例の一つとして位置付けられる。一方で上位候補の タンパク発現検証率は 20% にとどまり、主要適応のメラノーマ xenograft では最終的再発が生じるなど、最終的な臨床有効性を担保する追加検証の必要性が明らかとなった。また scRNA-seq が bulk RNA-seq より優れた入力データであることは示されたものの、ソート済み腫瘍集団の bulk RNA-seq やプロテオミクスデータを組み込むことで標的解像度がさらに高まる可能性がある。
考察/結論
① 先行研究との違い：既存の CAR T 標的探索は暗黙的・経験則的なスコアリングが主流であり、Gottschlich ら (2023) の機械学習応用も含め、LLM による重みの明示的最適化と複数 LLM コンセンサスという手法は Baker らのアプローチと異なり、形式化・透明化された打ち手として新しい位置付けを持つ。
② 新規性：本研究は LLM を標的スコアリングの重み最適化に活用する新規の手法を、大規模 scRNA-seq アトラスと組み合わせた初の正式に検証されたパイプラインとして報告しており、これまでにない形で AI と実験的検証を接続した点が新規な貢献である。特に human-in-the-loop を省略しても結果が再現される点は、スケーラビリティの観点から今後の利用展開を支持する。
③ 臨床応用：GPNMB は uPAR に類似した汎がん標的としての特性を持ち、メラノーマに限らず AML・大腸がん・膵がん等への応用が期待される。ただし多臓器腫瘍を対象とする標的ほどオンターゲット/オフタンパク毒性リスクが高まるため、臨床応用に際しては癌種特異的 vs 汎がん標的化戦略のどちらが転帰を改善するかを検討することが不可欠である。glembatumumab vedotin の Phase II 既往は GPNMB 標的として利用可能な生物学的試薬基盤を提供しており、CAR T への移行をより現実的なものとする。
④ 残された課題：Amor は将来の改善点として (1) 低発現抗原を除外するための最小発現密度閾値の導入、(2) 腫瘍依存性を濃縮し抗原エスケープを制限するための DepMap 等機能ゲノミクスデータの組み込み、(3) 脱落 (shedding) しやすい抗原の優先度引き下げ、および (4) 公開アクセス可能な CARTAR (chimeric antigen receptor target analysis resource) に類似したフレームワークへの発展を挙げる。さらに自己免疫疾患や線維症などの非腫瘍性適応への展開可能性も今後の研究で探索する価値があり、AI を活用した CAR T 標的の合理的優先順位づけへの扉を開く研究として Baker らの成果を位置付けている。
方法
該当なし