グラフニューラルネットワークによる空間的腫瘍–免疫相互作用のモデリングが非小細胞肺がんにおける予後細胞ニッチを同定

腫瘍の周囲の“近隣”が重要な理由

肺がんはしばしば遺伝子や薬という観点で語られますが、本研究は腫瘍内で細胞が隣り合っている位置関係が細胞そのものの種類と同じくらい重要になり得ることを示します。非小細胞肺がん患者の数百万個に及ぶ個々の細胞を詳細に解析し、研究者らは人工知能を用いて腫瘍細胞と免疫細胞の「ソーシャルネットワーク」を読み取りました。その結果、特定の局所的な細胞近隣が患者の生存期間と強く関連していることが明らかになり、より精密な予測や潜在的にはより賢い免疫療法の選択につながる道が示されました。

がんを生きた都市として見る

腫瘍を一様な塊として扱う代わりに、研究チームはそれを多様な住人──がん細胞、防御する免疫細胞、免疫応答を抑える抑制細胞──から成る混雑した都市と見なしました。複数のマーカーを同時に標識できる特殊なイメージング法を用いて、506人の肺がん患者の生検サンプルから690万個以上の細胞をマッピングしました。各細胞の位置と同定（例えばキラーT細胞［CD8+］、PD-1やPD-L1のような免疫“ブレーキ”、FOXP3で示される制御性T細胞などの主要プレーヤー）が記録され、腫瘍と免疫細胞が絶えず相互作用する場である腫瘍微小環境の極めて詳細な地図が作成されました。

細胞マップをネットワークモデルに変換する

こうした複雑さを理解するために、研究者らはグラフニューラルネットワークを構築しました。これは単純な数値表ではなくネットワーク上の構造に働きかけるよう設計されたAIの一種です。モデルでは各細胞がノードとなり、近接する細胞はリンクでつながれ、各細胞の周りに多くの重なり合う「近隣グラフ」が形成されます。ネットワークは、どのような局所近隣が生存期間の長い患者に多く現れるかを学習するよう訓練されました。モデルの近隣レベルの予測を患者レベルで平均化すると、生存予測は非常に高精度になり、全体のキラーT細胞数のような単純な指標や、細胞の位置のみを知るモデルよりも優れた性能を示しました。

腫瘍内の良い近隣と悪い近隣

AIが学習した内容を解析することで、研究チームは生存に対して非常に異なる影響を持つ複数の局所近隣タイプを特定しました。特にキラーT細胞が豊富で、同時に腫瘍細胞が免疫活性のマーカーを示している近隣は、概して良好な転帰と関連していました。しかし、免疫細胞が密集しているからといって必ずしも有利とは限りません。一部の近隣は多くのキラーT細胞が存在する一方で、腫瘍細胞や近傍の免疫細胞に高レベルのPD-L1が発現しており、強い免疫“停止”を示して予後不良に結びついていました。また、腫瘍細胞が支配的で防御する細胞がほとんど存在しない「免疫砂漠」的な近隣もあり、これもまた不良な転帰と関連していました。これらのパターンをクラスタリングすることで、免疫攻撃と免疫回避のバランスが異なる複数の再現性のある腫瘍“状態”が定義されました。

細胞の配置を入れ替えると何が起きるか

研究者らは次に、訓練済みのAIモデルを仮想実験室のように使い、近隣内で細胞をデジタルに追加、除去、移動させて予測される生存がどう変化するかを調べました。キラーT細胞を追加するとほとんどの場合で有益でしたが、特にそれらが腫瘍細胞と直接接触している場合に効果が大きかったのです。抑制的なPD-L1陽性の免疫細胞やFOXP3陽性の制御性T細胞をキラーT細胞と密接に接触するよう移動させると、モデルの生存予測は一貫して低下し、そのような接触が増えるほど悪影響も大きくなりました。これらのインシリコ実験は、誰が誰に接触しているかという物理的な接触パターンが、効果的な腫瘍攻撃と免疫抑制の均衡を鋭く傾け得ることを示唆します。

将来のがん医療にどう影響するか

一般の読者にとっての重要なメッセージは、「免疫細胞が多い腫瘍」が一様に同等ではないという点です。本研究は、しばしば数十個の細胞にすぎない微小な近隣が、局所の戦いで免疫系が勝っているか負けているかについて強いシグナルを持ち、これらのシグナルは腫瘍のステージや免疫療法の有無を考慮しても患者の経過を予測することを示しています。これらの空間パターンを高度なAIで読み取るための設計図を提供することで、本研究は単に細胞数を数えるのではなくそれらの配置を測る次世代の検査へとつながります。こうした空間的バイオマーカーは、どの患者が免疫ベースの治療で恩恵を受けやすいか、あるいは有害な細胞近隣を破壊したり有利な近隣を強化したりする併用戦略を必要とするかを医師がより適切に見極めるのに役立つ可能性があります。

引用: Hoebel, K.V., Lindsay, J.R., Altreuter, J. et al. Graph neural network modeling of spatial tumor-immune interactions identifies prognostic cellular niches in non‑small cell lung cancer. npj Precis. Onc. 10, 158 (2026). https://doi.org/10.1038/s41698-026-01314-3

キーワード: 非小細胞肺がん, 腫瘍微小環境, グラフニューラルネットワーク, 空間免疫学, 免疫療法バイオマーカー