論理制約付き遺伝子—経路ヘテロジニアス知識グラフにより組織病理画像からシグナル伝達経路の異常を推定する

がんスライドに潜む細胞の信号を可視化する

医師が顕微鏡でがんを観察するとき、主に目にするのは形や色であり、細胞内で行われている複雑な分子間の「会話」は見えません。しかし、遺伝子や経路間のこうした目に見えないシグナルのやり取りは、腫瘍の成長や治療への反応を左右することがしばしばあります。本研究は、日常的な病理画像を読み取り、どの細胞間コミュニケーション経路（経路）が異常をきたしているのかを推定する新しい人工知能システムを紹介します。これにより、追加の検査なしに分子的振る舞いを垣間見る手段が提供されます。

単一遺伝子の手がかりから大局を見る

従来の手法は組織画像から個々の遺伝子の状態を予測しようとします：特定の遺伝子が変異しているかどうか、など。これは有用ですが、がんはめったに単一の欠陥遺伝子だけに依存しません。むしろ複数の遺伝子が協調して、増殖・生存・免疫を制御する一連のシグナル伝達経路全体をかく乱します。著者らは、単一遺伝子に注目するだけではこの協調的な振る舞いを見落とし、腫瘍が顕微鏡下でどのように見え、どのように振る舞うかを説明できないことがあると論じています。

画像、遺伝子、経路をつなぐ地図の構築

この複雑さを捉えるために、研究者らはLCG-HGNNと呼ばれるフレームワークを設計しました。これは三層の情報を結び付けます。まず、肺腺癌の全スライド画像を多数の小さなパッチに分割し、近接や類似の領域を辺で結んだグラフとしてこれらパッチを表現します。次に、既存の生物学データベースを用いて遺伝子マーカーとシグナル伝達経路を結び付け、どの遺伝子がどの経路に属するかを符号化した第二のグラフを構築します。最後に、AIモデルがこの結合されたグラフを通じて情報を伝播させることで、画像パターン、遺伝子、経路が互いに影響を与え合い、個別に扱われるのではなく相互作用を考慮します。

既知の生物学を教え込む

重要な革新は、モデルに無制限に学習させるのではなく指針を与える点です。著者らは何十年にもわたるがん研究から導かれた明確で規則的な記述を組み込みます。たとえば、ある変異は同一腫瘍内でほとんど共存しないことがあり、ある経路は他の経路の上流または下流に位置することがあります。こうした規則を論理的制約として符号化し、AIの内部結合や予測を穏やかに誘導します。モデルが既知の生物学や患者スライド間の類似性と矛盾する遺伝子・経路の組み合わせを提案した場合、これらの規則がより現実的な代替案へと押し戻します。

既存手法との精度比較

研究チームは、遺伝データと紐付いた1,600枚以上の肺がんスライドでシステムを評価しました。単一遺伝子に焦点を当てた標準的な深層学習モデルや、経路構造を無視して多数の遺伝子を扱うより先進的な手法と比較しました。細胞成長シグナルや組織の支持構造に関わる経路を含むいくつかの重要な経路にわたり、新しいモデルは遺伝子群の変化や経路異常をより高精度で予測しました。また、特定の変異と関連する臨床例に近い外観を持つ画像パッチを生成し、モデルが偶発的な画像のクセではなく意味のある顕微鏡パターンに注目していることを示唆しました。

患者にとっての意義

非専門家にとっての主な成果は、この手法が日常的な病理スライドを分子的洞察の豊かな情報源に変える点です。あらゆる標的について個別に行うことが多く費用のかかる遺伝子検査を別途オーダーする代わりに、医師は将来的にこうしたモデルを使って、既に収集されている画像から直接破綻した経路をスクリーニングできる可能性があります。方法にはより大規模な実地検証がまだ必要であり、現時点でゲノム検査の代替にはなりませんが、顕微鏡像が腫瘍内部の配線を映す窓として機能する未来を示しており、より精密で生物学的に情報に基づくがん治療の指針となることが期待されます。

引用: Yu, Y., Shi, W., Chen, X. et al. Inferring signaling pathway abnormalities from histopathological images via logic-constrained gene-pathway heterogeneous knowledge graph. npj Biomed. Innov. 3, 23 (2026). https://doi.org/10.1038/s44385-026-00078-6

キーワード: がん経路, 組織病理学AI, グラフニューラルネットワーク, 肺腺癌, デジタル病理学