トランスエンドセリアル細胞通過挙動を評価するディープラーニング手法

免疫細胞が境界を越える様子を観察する

私たちの身体は、血流を離れて血管の内皮細胞の間をすり抜け、組織に入り込んで感染やがんと戦う遊走性の免疫細胞に依存しています。この境界を越える過程は、特に実際の血流条件を再現した実験系では捉えにくいものです。本稿は、この移動を詳細に観察し、人工知能（AI）によって免疫細胞がどれだけ効率よく渡り切るかを迅速にスコア化する新しい方法を示しており、膵癌や加齢に伴う免疫低下の理解につながる可能性があります。

細胞はどのように血管から抜け出すか

免疫細胞が血管から抜け出すのはランダムではありません。まず血管壁に捕捉され、転がるように移動して停止、這うように動き、最終的に内皮細胞の間または貫通して組織側へ押し出されます。この多段階の移動、トランスエンドセリアル移行は、免疫細胞と血管内皮細胞の双方にある接着分子やシグナル分子のネットワークに依存しています。この一連の流れが乱れると免疫防御が弱まり、腫瘍が攻撃を免れるか、過剰な細胞流入が慢性炎症や自己免疫疾患を引き起こすことがあります。

従来の実験法が抱える限界

標準的な細胞移動アッセイは、細胞が実際の血管内で直面する力や構造を再現することがほとんどできません。単純なフィルター基盤のシステムでは、膜を通過した細胞数を数えられますが、重力に依存しがちで、流れる血液の持続的なせん断力を模倣したり、通過の各段階を明らかにしたりすることはできません。動物モデルはより複雑さを捉えますが、人間生物学とは差があり、費用と時間がかかります。より現実的な手法である流路ベースの接着アッセイは、人由来の内皮細胞を狭いチャネル内で培養し、制御された流れ下で免疫細胞を通過させることを可能にします。しかしこれまでは、数千個の細胞をフレームごとに人手でスコアリングする必要があり、手間と操作依存性が障害になっていました。

細胞の動画をAIでデータに変える

著者らは流路アッセイを改良し、それをディープラーニングモデルと組み合わせて解析を自動化しました。彼らはマイクロ流路スライド内にヒト内皮細胞を培養し、適切な接着分子を発現させたうえで、蛍光標識したT細胞をこの生きたバリア上に流し、共焦点顕微鏡で高解像度の画像を記録しました。画像処理により背景ノイズが除去され、個々のT細胞が分離されることで、細胞面積や細長さ、輪郭の丸さといった単純な形状特徴を測定できるようになりました。AIに移行の細かな各相を識別させるのではなく、研究チームは細胞を大きく二つの状態に分類しました：血管壁上または内にとどまっている状態と、完全に向こう側へ渡った状態です。

ニューラルネットワークが学んだこと

Keras/TensorFlowフレームワークを用いて、研究者たちはセグメント化された各細胞を形状特徴に基づいて「移行済み」か「未移行」かに分類するディープラーニングモデルを訓練しました。モデルは、アスペクト比が高く細長い細胞は移行の途中または完了している可能性が高く、より丸い細胞は血流側にまだ付着している傾向があることを学習しました。これまで目にしていない新しい画像で検証したところ、システムは移行済み細胞を93％以上、未移行細胞を約88％の精度で正しく識別し、信頼できる自動分類の一般的な基準を余裕を持って超えました。従来は二人のブラインド評価者による慎重な手作業で約10時間を要していた作業が、今では数分で行え、一貫性が向上しほぼ操作者バイアスがなくなりました。

健康な人とがん患者の免疫細胞を検証

手法が実世界の多様性に対応することを示すため、チームは年齢や性別の異なる健康な供者からのT細胞および膵管腺癌の患者からのT細胞にAI支援アッセイを適用しました。健康な供者では年齢や性別による大きな差は見られませんでした。一方、膵癌患者由来のT細胞は、腫瘍がKRAS変異を持つかどうかや化学療法の有無に関係なく、健康な人由来のT細胞に比べて血管内皮を渡り切る性能が著しく低下していました。これらの探索的な結果は、腫瘍環境が免疫細胞に持続的な変化を残し、トラフィッキング能力を弱める可能性を示唆しています。

免疫トラフィックを研究し調整するための新しいツール

現実的な流路ベースのアッセイとディープラーニングを組み合わせることで、著者らは複雑な画像列を速く標準化された測定値に変換する実用的なプラットフォームを作り上げました。このアプローチは他の免疫細胞、腫瘍細胞、臓器特異的な内皮層向けに再学習させることが可能で、将来的にはより複雑な三次元血管モデルへ拡張することも期待できます。専門外の読者にとっての重要なメッセージは、免疫細胞の移動を観察しスコア化する作業がもはや遅く手作業に頼る必要はなく、AIにより堅牢で高スループットなツールになり得るということです。これにより、なぜある免疫応答が失敗するのか、どのような治療が細胞の組織到達能力を回復させ得るのかを探る手がかりが得られます。

引用: Schumacher, T.M., Gottloeber, E.M., Koziel, E. et al. A deep learning approach to assess transendothelial cell trafficking performance. Sci Rep 16, 11602 (2026). https://doi.org/10.1038/s41598-026-46045-4

キーワード: 免疫細胞のトラフィッキング, トランスエンドセリアル移行, ディープラーニング顕微鏡学, 流路ベースの接着アッセイ, 膵癌の免疫応答