がん種横断的な多層オミクスSuperLearnerによる制御性細胞死生存トポロジーの予測
A pan-cancer multi-omic SuperLearner for regulated cell death survival topologies
本研究では、がんの進行と免疫調節に影響を与える制御性細胞死(RCD)経路に着目し、33種類のがん種を対象とした包括的な多層オミクスSuperLearnerパイプラインを開発した。このパイプラインは、ゼロリークハルモナイゼーションとグループワイズ補完を経て、Elastic Net正則化Cox回帰によるCANARY診断で比例ハザードの失敗をマッピングした。さらに、ランダムサバイバルフォレスト、XGBoost、Survival-Boruta、Multi-Task Logistic RegressionをElastic Net Multi-View Meta-Learner(MVL)で統合し、TreeSHAPとLIMEによる解釈性を付与した。結果として、多層オミクスデータがゲノム変異よりも生存トポロジーの予測に優位性を示し(85.7% vs 0.0%)、MVLは予測の安定化に貢献した。CancerRCDPredictorとして実装されたこのシステムは、中央値C指数0.749を達成し、外部検証でも一般化能力を示した。このSuperLearnerは、線形トポロジーの失敗を回避し、RCD関連生存トポロジーを予測するための決定論的なマッピングアーキテクチャを確立することで、個別化精密腫瘍学の基盤を提供する。
- がん種横断的な多層オミクスSuperLearnerパイプラインCancerRCDPredictorを開発し、中央値C指数0.749を達成
- 多層オミクスデータがゲノム変異よりも生存トポロジー予測で優位性を示した(85.7% vs 0.0%)
- 33種類のがん種を対象とした包括的な解析で外部検証における一般化能力を確認
がん種横断的な機械学習パイプラインにより、多層オミクスデータがゲノム変異よりも生存予測に優位(85.7% vs 0.0%)を示し、中央値C指数0.749を達成した点は、精密腫瘍学分野の診断・予後予測ツールとしての商業化可能性を示す。複数のがん種・外部検証での一般化能が確認されており、個別化医療の基盤技術として投資価値がある。