生物医学のファウンデーションモデルに基づくマルチオミクス特徴エンジニアリングは炎症性腸疾患患者の薬物反応予測を改善する

なぜこの研究が患者にとって重要か

炎症性腸疾患（IBD）を持つ人々は、新しい薬を開始するときに試行錯誤を余儀なくされることが多くあります。同じ薬でも、ある人では重度の腸の炎症を沈める一方で、別の人にはほとんど効果がないことがあります。本研究は、大規模な生物学データを理解するために開発された強力な人工知能（AI）モデルを、小規模な患者データセットからより多くの洞察を引き出すために再利用できるかを検討します。目標は単純だが野心的です：各個人の遺伝的・分子プロファイルを用いて、一般的なIBD治療薬に対する反応を事前に予測すること。

小規模研究を支える大規模AIの活用

従来の医療用AIツールは、患者数が少ない場合に苦戦します。たとえ各患者が詳細に測定されていても同様です。本研究では、研究者たちはこの課題を逆手に取り、膨大なタンパク質と薬剤データで事前学習された巨大な「ファウンデーションモデル」MAMMALから知識を借用しました。このモデルを再学習する代わりに、薬剤が数千のヒトタンパク質にどれだけ強く結合するかを推定する賢い計算機として利用します。得られた結合強度のスコアは、新しく情報量の多い特徴となり、本研究の51人のIBD患者に合わせたより控えめな機械学習モデルに組み込まれます。

腸内のDNAとRNAを覗く

研究チームは、潰瘍性大腸炎またはクローン病の患者から採取した炎症性腸組織のサンプルを用いました。各サンプルからは主に二つの生物学的層を測定しました：小さな遺伝的変化であるSNPに着目したDNAと、組織内で各遺伝子がどれだけ活性化しているかを反映するRNAです。さらに、組織をIBDの第一選択ステロイド薬であるプレドニゾロンに曝露し、主要な炎症シグナルであるTNFαがどれだけ低下するかを測定しました。このTNFαの変化が、その患者の組織が薬にどれだけ反応したかの代理指標として用いられました。課題は、数千に及ぶ遺伝的・分子的測定値をこの薬物反応結果に結びつけることでした。

モデルに注目すべき対象を教える

最初のステップは、モデルが最も注目すべきタンパク質と遺伝子を決めることでした。ファウンデーションモデルを用いて、研究者たちはプレドニゾロンが11,000以上のヒトタンパク質にどれだけ強く結合するかを推定し、予測結合が最も強い上位5％に絞りました。励みになることに、この短いリストには薬の既知の標的や化学物質の検知とシグナル伝達に関わるタンパク質が含まれており、AIのランク付けが生物学的に妥当であることを示唆しました。次に、このリストを各患者のDNA変化と組み合わせ、個別化された“変異”タンパク質配列を作成して、各変異がプレドニゾロンの結合をわずかに強めるか弱めるかを再計算しました。これらの予測された結合強度の変化は、重要なタンパク質の変異が薬の作用をどのように変えるかを捉える、コンパクトで患者特異的な特徴となりました。

遺伝的シグナルと遺伝子活性の融合

次に、チームは薬物試験に用いた同じ腸組織から得たRNA測定による遺伝子活性を重ね合わせました。優先された各タンパク質について、予測された結合強度を対応する遺伝子の発現量と組み合わせ、さらに両者を掛け合わせて「相互作用状態」を作成しました。これにより、薬がどれだけ強く結合することが予想されるかと、標的がどれだけ存在するかの両方を反映する特徴が得られます。これらの強化された特徴で訓練された機械学習モデルは、同じDNAデータのより基本的な表現を用いたモデルと比べて、プレドニゾロンに良く反応するサンプルとそうでないサンプルをよりうまく区別しました。最も影響力の大きい特徴の一部は、嗅覚関連受容体群や鎮静性の神経伝達であるGABAに関与する受容体を示しており、これらのタンパク質が腸の炎症やステロイド反応において過小評価されてきた役割を持つ可能性を示唆しています。

非専門家でも使える複雑なツールにする

生物学以外の面でも、研究者たちは実用的な障壁に取り組みました。ほとんどの研究室には大規模なファウンデーションモデルを動かすための計算専門知識が欠けているからです。これに対処するために、彼らは結合親和性ワークフローをオープンなModel Context Protocol（MCP）サーバーにラップし、ClaudeやChatGPTのようなAIアシスタントから直接呼び出せるようにしました。この設定により、科学者は平易な言葉で薬とタンパク質群の間の予測結合を求めることができ、システムが裏で技術的な手順を静かに処理します。これにより、他の研究者も自分たちのデータを使って個別化された薬物反応の問いを探るハードルが下がります。

今後の治療選択にとっての意義

日常的な観点から見ると、本研究は巨大な公的データセットで訓練された単一の強力なAIモデルが、小規模な実世界の患者研究の力を引き上げる方法を示しています。生のDNA変化と遺伝子活性をより豊かで生物学に即した特徴に変換することで、著者らはプレドニゾロンから恩恵を受ける可能性のある人を予測するモデルの精度を向上させました。結果はまだ初期段階で患者数も限られているため、彼らが指摘する特定の遺伝子–薬の関連はさらなる検証が必要です。しかし、ファウンデーションモデルを賢い特徴生成器として用い、単純なインターフェースを通じてそれらを利用可能にするという全体的な戦略は、AIで解釈された多層の分子検査を用いてIBDの各患者に最適な薬と用量を選ぶ未来を指し示しています。

引用: Gardiner, LJ., Kelly, J., Evans, A. et al. Multi-omics feature engineering driven by biomedical foundation models improves drug response prediction for inflammatory bowel disease patients. Sci Rep 16, 13820 (2026). https://doi.org/10.1038/s41598-026-44366-y

キーワード: 炎症性腸疾患, 薬物反応予測, 生物医学ファウンデーションモデル, マルチオミクス, 個別化医療