機械学習を用いた免疫チェックポイント阻害反応のパンキャンサー転写プロファイル...

概要 免疫チェックポイント阻害（ICB）は、進行癌患者の一部で持続的な寛解を誘導できますが、治療前に応答者を正確に特定することは、臨床効果を最大化し不必要な免疫関連毒性を回避するために不可欠です。この課題に対応するため、ICBで治療された複数の腫瘍タイプを含む腫瘍免疫療法遺伝子発現リソース（TIGER）からのバルクRNA-seqコホートを体系的に解析し、パンキャンサーのマルチコホート環境で反応予測のための機械学習ベースのフレームワークを開発しました。グリオブラストーマ、頭頸部扁平上皮癌、非小細胞肺癌、腎細胞癌、胃癌、および複数のメラノーマデータセットのコホートを含み、すべてのサンプルは応答者または非応答者として注釈されています。各コホート内で応答者と非応答者間の差次的遺伝子発現解析を実施し、ICB反応に関連する主要な生物学的経路を定義するためにHallmark遺伝子セット濃縮解析を適用しました。これに基づき、転写機能特徴を抽出し、サポートベクターマシン（SVM）分類器を訓練しました。モデル性能は、各コホート内での繰り返し10分割交差検証で評価し、メラノーマコホート間のleave-one-dataset-out（LODO）検証やクロスデータセット検証でさらに検証しました。腫瘍タイプを超えて、応答者はインターフェロン-γ/α応答、同種移植拒絶、TNF-NF-κBおよびIL6-JAK-STAT3炎症シグナル伝達の著しい上昇を含む一貫した免疫活性化状況を示し、同時に酸化的リン酸化およびコレステロール恒常性を含む代謝リプログラミングが見られました。非応答者は、細胞周期と増殖経路（G2Mチェックポイント、E2Fターゲット）および上皮間葉転換の濃縮がより頻繁に見られ、メラノーマや腎細胞癌では腫瘍タイプ特異的パターンが観察されました。SVMモデルは良好な識別性能を示し、多くのコホート内のROC曲線下面積（AUC）が0.7を超え、一部は0.9に近づき、クロスコホート評価でも実用的な性能を維持しました。総じて、本研究はICB効果に関連する共通の免疫および代謝プログラムと腫瘍タイプ依存の抵抗性特徴を示し、複数の癌種とコホートに適用可能な転写物-機械学習予測フレームワークを提案し、高度な表現学習手法による免疫療法反応予測のさらなる最適化のための堅固なデータおよび方法論的基盤を提供します。 引用形式：Junqing Zhang, Hongru Shen, Yajing Bi, Xiangchun Li. Pan-cancer transcriptomic signatures of immune checkpoint blockade response and machine learning-based prediction across TIGER cohorts abstract. 米国癌学会年次総会2026会議録；第1部（通常抄録）；2026年4月17-22日；サンディエゴ市、カリフォルニア州。フィラデルフィア（PA）：AACR; Cancer Res 2026;86(7 Suppl):Abstract nr 4136.