機械学習ベースの予測モデルと機械学習計算フレームワークに基づく統合失調症の末梢血におけるサブタイプパターン

なぜ血液が複雑な精神障害の解読に役立つのか

統合失調症は思考、感情、日常生活を乱す深刻な精神疾患ですが、診断はいまだ主に行動の観察に頼っています。本研究はシンプルだが力強い問いを投げかけます：ありふれた血液サンプルで、統合失調症を早期に検出し、より個別化された治療グループに患者を振り分けるのに役立つ隠れた生物学的パターンを明らかにできるか？

試験管の中の手がかりを探す

研究チームはまず、統合失調症患者と健常者の血液で既に遺伝子発現が解析されている複数の既存データセットを収集しました。各遺伝子はオン・オフの小さなスイッチのように考えられます。5つの別個の研究からの何千ものスイッチを統合し、技術的な差異を補正することで、末梢血における大規模で統一された遺伝子発現マップを作成しました。次に患者と対照で一貫して異なる挙動を示す遺伝子を探索し、特に炎症、免疫応答、および細胞の脂質や他の分子の代謝に関連する遺伝子に注目しました。

コンピュータに隠れたシグネチャを教える

これほど多くの遺伝子にわたる有用なパターンを人間が容易に把握することは困難なため、チームは機械学習に活路を見出しました。機械学習はデータから学習するアルゴリズムを扱う計算分野です。彼らは12の異なる機械学習手法と多様な組み合わせを試し、最終的に最も情報量の多い遺伝子を選択しそれらを基に分類器を構築する組合せを採用しました。このプロセスにより、16個の遺伝子からなる簡潔なセットが得られ、その結合された発現パターンは8つの異なるデータセットにわたって統合失調症患者と健常者を安定して区別できました。著者らはさらにこの16遺伝子の“シグネチャ”をノモグラムと呼ばれる図式化されたスコアリングツールに変換し、理論的には臨床家がある血液サンプルが統合失調症のものである確率を推定するのに役立てることができます。

主要な遺伝子が示す身体の状態

モデルで強調された16遺伝子はランダムではありません。多くは免疫系、細胞のストレス応答、および脂質やシグナル分子の処理に関連しています。特にAZI2という遺伝子がシグネチャの中心的存在として際立っていました。その発現は炎症や免疫細胞の挙動を制御する経路や、細胞が成長・分裂・アポトーシスなどのシグナルに応答する仕組みに強く結びついていました。血液データから推定した免疫細胞のパターンを調べると、統合失調症では複数種類の白血球に変化が見られ、疾患において免疫系が持続的に変調しているという図が支持されました。

同じ診断名に潜む二つの生物学的傾向

診断シグネチャがあることは有用ですが、統合失調症は個人間で非常に多様であることが知られています。この多様性を探るために、研究者らは教師なしクラスタリング手法を用い、サンプルを類似性に基づいて患者や症状に関する事前情報なしにグループ化しました。これらの手法により統合失調症群は血液ベースで主に二つのサブタイプに分かれ、さらに細かなサブグループに分割されました。一方のパターンは細胞のエネルギーや脂質の利用といった代謝変化と強く結びつき、もう一方は炎症や免疫活動とより密接に関連していました。これらのグループはまた血液凝固、脳のシグナル伝達、感染に対する応答に関連するタンパク質や遺伝子経路の集合でも異なり、同じ臨床ラベルを共有する患者でも基礎にある生物学が異なる可能性を示唆しています。

将来の医療にとっての意味

総じて、本研究は簡単な採血で測定可能な小さな遺伝子パネルが統合失調症の診断を補助し、さらに重要なことに疾患の生物学的に異なるサブタイプを明らかにする助けになる可能性を示唆します。こうしたツールが臨床で用いられる前には、より大規模で厳密に追跡された患者群での追加検証が必要ですが、本研究は症状だけでなく体の分子シグナルにもとづいて治療方針を導く、より個別化された精神医療への道筋を示しています。

引用: Li, Z., Sun, Q., Li, H. et al. Machine learning-based predictive models and subtypes patterns in peripheral blood of schizophrenia based on a machine learning computational framework. Schizophr 12, 46 (2026). https://doi.org/10.1038/s41537-026-00744-z

キーワード: 統合失調症, 血中バイオマーカー, 機械学習, 遺伝子発現, 免疫系