特開 2024-52653 腫瘍の分類推定システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024052653

(43)【公開日】2024-04-11

(54)【発明の名称】腫瘍の分類推定システム

(51)【国際特許分類】

   G16H 10/40 20180101AFI20240404BHJP

【ＦＩ】

G16H10/40

【審査請求】未請求

【請求項の数】5

【出願形態】ＯＬ

(21)【出願番号】P 2023171335

(22)【出願日】2023-10-02

(31)【優先権主張番号】P 2022158026

(32)【優先日】2022-09-30

(33)【優先権主張国・地域又は機関】JP

【新規性喪失の例外の表示】新規性喪失の例外適用申請有り

(71)【出願人】

【識別番号】000125347

【氏名又は名称】学校法人近畿大学

(74)【代理人】

【識別番号】100118924

【弁理士】

【氏名又は名称】廣幸 正樹

(72)【発明者】

【氏名】松村 謙臣

(72)【発明者】

【氏名】高松 士朗

【テーマコード（参考）】

5L099

【Ｆターム（参考）】

5L099AA03

(57)【要約】      （修正有）

【課題】ある腫瘍がＩＣＩへの感受性を有するか否かを予見でき、臓器に関わらずＩＣＩが有効か否かに関する情報を得ることができ、ＩＣＩを用いた癌治療の指針を得ることができる、より精度の高い感受性の腫瘍の分類推定システムを提供する。
【解決手段】腫瘍の分類推定システム１０は、癌細胞の変異シグネチャーと、前記変異シグネチャーのパターンによって分類されたサブタイプを記憶するメモリ１２と、入力を前記変異シグネチャーとし、出力を前記サブタイプとする教師データを用いて機械学習によって分類モデルを生成する分類モデル生成手段１４と、被分類腫瘍細胞の変異シグネチャーを入力する入力手段１６と、入力された前記被分類腫瘍細胞の変異シグネチャーから前記分類モデルが推定した前記サブタイプを出力する出力手段１８と、を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

癌細胞の変異シグネチャーと、前記変異シグネチャーのパターンによって分類されたサブタイプを記憶するメモリと、
入力を前記変異シグネチャーとし、出力を前記サブタイプとする教師データを用いて機械学習によって分類モデルを生成する分類モデル生成手段と、
被分類腫瘍細胞の変異シグネチャーを入力する入力手段と、
入力された前記被分類腫瘍細胞の変異シグネチャーから前記分類モデルが推定した前記サブタイプを出力する出力手段を備える腫瘍の分類推定システム。

【請求項2】

前記サブタイプは、
収集された全エクソームシーケンスデータに対して特徴変異シグネチャーのスコアを求め、１つの体細胞変異検出ツールでクラスタリングして得た、
喫煙歴と関連する喫煙群（ＳＭＫ）と、
紫外線と関連するＵＶＬ群（ＵＶＬ）と、
ＡＰＯＢＥＣと関連するＡＰＢ群（ＡＰＢ）と、
ＤＮＡポリメラーゼε欠損に関連するＰＯＬ群（ＰＬＯ）と、
ＭＭＲ変異と関連するＭＲＤ群（ＭＲＤ）と、
相同組換え修復異常と関連するＨＲＤ群（ＨＲＤ）と、
加齢と関連するＡＧＥ群（ＡＧＥ）と、
変異数が最も少ないゲノム安定群（ＧＮＳ）の８サブタイプである請求項１に記載された腫瘍の分類推定システム。

【請求項3】

前記分類モデルは、４つ以上の機械学習された個別分類器で構成され、
前記個別分類器のうち３つ以上の前記個別分類器が一致する前記サブタイプがあった場合は、前記サブタイプを推定結果とし、
前記個別分類器のうち３つ以上の前記個別分類器が一致する前記サブタイプが無かった場合は、推定失敗を推定結果とする請求項１に記載された腫瘍の分類推定システム。

【請求項4】

前記分類モデルは、
Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒと、Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅと、Ｒａｎｄｏｍ ＦｏｒｅｓｔとＬｏｇｉｓｔｉｃ Ｒｅｇｒｅｓｓｉｏｎの４つの個別分類器である請求項３に記載された腫瘍の分類推定システム。

【請求項5】

前記出力手段が出力したサブタイプが、前記喫煙群、前記ＵＶＬ群、前記ＡＰＢ群、前記ＰＯＬ群、前記ＭＲＤ群の１つであった場合に、ＩＣＩ療法が有利であると予見し、
前記出力手段が出力したサブタイプが前記ＨＲＤ群、前記ＡＧＥ群、前記ゲノム安定群であった場合に、ＩＣＩ療法が有利でないと予見する第２出力手段を有する請求項３に記載された腫瘍の分類推定システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は悪性腫瘍に対する免疫チェックポイント阻害剤（ＩＣＩ）の感受性を、臓器横断的に予測するための癌の分類推定システムに関する。本発明は、悪性腫瘍および正常細胞のペアのエクソームシークエンシングデータを用いて、ｍｕｔａｔｉｏｎａｌ ｓｉｇｎａｔｕｒｅによるｇｅｎｏｍｉｃ ｓｕｂｔｙｐｅ分類を行う。さらに、その腫瘍がＩＣＩへの感受性が期待できるタイプか、そうではないタイプかを予見する。

【背景技術】

【0002】

近年、腫瘍に対する免疫チェックポイント阻害剤（以後単に「ＩＣＩ」とも呼ぶ。）は、悪性腫瘍に対する治療ストラテジーを大きく変えた。しかし、ＩＣＩが著明な効果を示す腫瘍がある一方で、全く効果を示さない腫瘍もあり、その感受性を前もって予測することが重要である。

【0003】

特許文献１には、胃癌を患っている患者または胃癌を患っていると疑われる患者から得られた胃癌腫瘍試料を分類するための類別であって、浸潤性サブタイプ、増殖性サブタイプおよび代謝性サブタイプを含む前記類別を提供する。予測指標および前記類別の使用方法が開示されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特表２０１６－５０１００８号公報

【非特許文献】

【0005】

【非特許文献1】Ｃｉｂｕｌｓｋｉｓ Ｋ， ｅｔ ａｌ． Ｓｅｎｓｉｔｉｖｅ ｄｅｔｅｃｔｉｏｎ ｏｆ ｓｏｍａｔｉｃ ｐｏｉｎｔ ｍｕｔａｔｉｏｎｓ ｉｎ ｉｍｐｕｒｅ ａｎｄ ｈｅｔｅｒｏｇｅｎｅｏｕｓ ｃａｎｃｅｒ ｓａｍｐｌｅｓ． Ｎａｔ Ｂｉｏｔｅｃｈｎｏｌ ３１， ２１３－２１９ （２０１３）．

【非特許文献2】Ｆａｎ Ｙ ｅｔ ａｌ． ＭｕＳＥ： ａｃｃｏｕｎｔｉｎｇ ｆｏｒ ｔｕｍｏｒ ｈｅｔｅｒｏｇｅｎｅｉｔｙ ｕｓｉｎｇ ａ ｓａｍｐｌｅ－ｓｐｅｃｉｆｉｃ ｅｒｒｏｒ ｍｏｄｅｌ ｉｍｐｒｏｖｅｓｓｅｎｓｉｔｉｖｉｔｙ ａｎｄ ｓｐｅｃｉｆｉｃｉｔｙ ｉｎ ｍｕｔａｔｉｏｎ ｃａｌｌｉｎｇ ｆｒｏｍ ｓｅｑｕｅｎｃｉｎｇ ｄａｔａ． Ｇｅｎｏｍｅ Ｂｉｏｌ． ２０１６ Ａｕｇ ２４；１７（１）：１７８．ｄｏｉ： １０．１１８６／ｓ１３０５９－０１６－１０２９－６．

【非特許文献3】Ｋｏｂｏｌｄｔ ＤＣ ｅｔ ａｌ． ＶａｒＳｃａｎ ２： ｓｏｍａｔｉｃ ｍｕｔａｔｉｏｎ ａｎｄ ｃｏｐｙ ｎｕｍｂｅｒ ａｌｔｅｒａｔｉｏｎ ｄｉｓｃｏｖｅｒｙ ｉｎ ｃａｎｃｅｒ ｂｙ ｅｘｏｍｅｓｅｑｕｅｎｃｉｎｇ． Ｇｅｎｏｍｅ Ｒｅｓ． ２０１２ Ｍａｒ；２２（３）：５６８－７６． ｄｏｉ： １０．１１０１／ｇｒ．１２９６８４．１１１． Ｅｐｕｂ ２０１２ Ｆｅｂ ２．

【非特許文献4】Ｌａｒｓｏｎ ＤＥ ｅｔ ａｌ． ＳｏｍａｔｉｃＳｎｉｐｅｒ： ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｓｏｍａｔｉｃ ｐｏｉｎｔ ｍｕｔａｔｉｏｎｓ ｉｎ ｗｈｏｌｅ ｇｅｎｏｍｅ ｓｅｑｕｅｎｃｉｎｇ ｄａｔａ．Ｂｉｏｉｎｆｏｒｍａｔｉｃｓ． ２０１２ Ｆｅｂ １；２８（３）：３１１－７． ｄｏｉ： １０．１０９３／ｂｉｏｉｎｆｏｒｍａｔｉｃｓ／ｂｔｒ６６５． Ｅｐｕｂ ２０１１ Ｄｅｃ ６．

【発明の概要】

【発明が解決しようとする課題】

【0006】

これまで、ＩＣＩは、メラノーマなど特定の癌腫において高い感受性を示すことが知られている。さらに臓器横断的なＩＣＩのバイオマーカーとして、腫瘍におけるＤＮＡミスマッチ修復機構の障害や高い遺伝子変異量が報告されてきた。しかし、高い遺伝子変異量が本当に臓器横断的なＩＣＩのバイオマーカーとなりうるのかは不明瞭であり、より精度の高い感受性の予測方法が求められていた。

【課題を解決するための手段】

【0007】

Ｔｈｅ Ｃａｎｃｅｒ Ｇｅｎｏｍｅ Ａｔｌａｓ （ＴＣＧＡ）の９，７９４腫瘍を、エクソームシークエンシングデータに基づき、遺伝子変異を生じる原因を特徴づける遺伝子変異のパターン（ｍｕｔａｔｉｏｎａｌ ｓｉｇｎａｔｕｒｅ）によって分類したところ、全腫瘍が８種類（ＳＭＫ（喫煙）、ＵＶＬ（紫外線）、ＡＰＢ（ＡＰＯＢＥＣ酵素）、ＰＯＬ（ＰＯＬＥ変異）、ＭＲＤ（ミスマッチ修復異常）、ＨＲＤ（相同組換え修復異常）、ＧＮＳ（ゲノム安定性）、ＡＧＥ（年齢））に分類され、前５つでは腫瘍免疫が活性化していることを見出した。

【0008】

そこで、前５つをｉｍｍｕｎｏ－ｒｅｓｐｏｓｉｖｅ ｇｅｎｏｍｉｃ ｓｕｂｔｙｐｅ （ｉｒＧＳ）、後３つをｎｏｎ－ｉｒＧＳと名づけた。そして、他の腫瘍サンプルのエクソームシークエンシングデータを読み込んで、ｉｒＧＳかｎｏｎ－ｉｒＧＳかを機械学習によって分類する腫瘍の分類推定システムを開発した。我々はこのシステムをＧＳ－ＰＲＡＣＴＩＣＥ （Ｇｅｎｏｍｉｃ Ｓｕｂｔｙｐｉｎｇ ａｎｄ Ｐｒｅｄｉｃｔｉｖｅ Ｒｅｓｐｏｎｓｅ Ａｎａｌｙｓｉｓ ｆｏｒ Ｃａｎｃｅｒ Ｔｕｍｏｒ ＩＣｉ Ｅｆｆｉｃａｃｙ）と呼んでいる。

【0009】

より具体的に本発明に係る腫瘍の分類推定システムは、
癌細胞の変異シグネチャーと、前記変異シグネチャーのパターンによって分類されたサブタイプを記憶するメモリと、
入力を前記変異シグネチャーとし、出力を前記サブタイプとする教師データを用いて機械学習によって分類モデルを生成する分類モデル生成手段と、
被分類腫瘍細胞の変異シグネチャーを入力する入力手段と、
入力された前記被分類腫瘍細胞の変異シグネチャーから前記分類モデルが推定した前記サブタイプを出力する出力手段を備えることを特徴とする。

【発明の効果】

【0010】

本発明に係る腫瘍の分類推定システムによって、ある腫瘍がＩＣＩへの感受性を有するか否かを予見できる。本発明は、ＩＣＩを投与すべき悪性腫瘍患者を選別し、その予後を改善させるために有用である。特に本発明に係る腫瘍の分類推定システムは、病理診断を行うために日常的に作成されているＦＦＰＥ標本から抽出したＤＮＡによるエクソームシークエンシングデータに適用可能であるため、日常診療の参考となりえる。

【0011】

また、臓器に関わらずＩＣＩが有効か否かに関する情報を得ることができ、ＩＣＩを用いた癌治療の指針を得ることができる。

【図面の簡単な説明】

【0012】

【図1】本発明に係る腫瘍の分類推定システムの構成を示す図である。

【図2】ＴＣＧＡから集めたデータについてＣＯＳＭＩＣ（ｖ２）変異シグネチャーのスコアプロファイルを導出し、それを対数変換したプロファイルをクラスタリングし、ヒートマップにした図である。

【図3】５つのサブタイプに割り当てられたサンプルの割合を腫瘍タイプごとにスコア化したものとＩＣＩ単剤療法に対する既報の客観的奏効率が強い相関を有することを示すグラフである。

【図4】Ｍｕｔｅｃｔ２以外の体細胞変異検出ツール（ＭｕＳＥ、ＶａｒＳｃａｎ２、ＳｏｍａｔｉｃＳｎｉｐｅｒ）を用いて、９７２６個のデータに対して、階層的クラスターを導出した結果を示す図である。

【図5】８つのサブクラス毎に、４つの体細胞変異検出ツールによる共通サンプルの数を示すベン図である。

【図6】個別分類器（何れも学習済み）について、テストデータに対する分類性能を示すコンフュージョン・マトリクスを確認した結果を表す図である。

【図7】分類モデルが、「未判定（ＵＮＤ）」と判断する程度を調査した結果を示す図である。

【図8】分類モデルの実際のデータと、予測結果との一致率を導き出すために、図７で調べた全サンプル（ｎ＝６２４３）をサンプルあたりのＳＮＶ（Ｓｉｎｇｌｅ Ｎｕｃｌｅｏｔｉｄｅ Ｖａｒｉａｎｔ：一塩基置換）の総数で並べ、５００サンプルあたりの移動平均分析を行った結果を表す図である。

【図9】分類推定システムのサブタイピングとｉｒＧＳ／ｎｏｎ－ｉｒＧＳの分類を行い、評価した結果を表す図である。

【図10】ｉｒＧＳの分類が全生存と関連しているかどうかを調べるた結果を表す図である。

【図11】ｉｒＧＳとＴＭＢを合わせた層解析による生存分析の結果を表す図である。

【図12】図１１と同様の分析を異なった癌腫で行った結果を表す図である。

【図13】ｉｒＧＳ、ＴＭＢの状態（バイナリまたは連続）、およびがんの種類を調整したＣｏｘ比例ハザードモデル解析を行った結果を示す図である。

【発明を実施するための形態】

【0013】

以下に本発明に係る腫瘍の分類推定システムについて図面および実施例を示し説明を行う。なお、以下の説明は、本発明の一実施形態および一実施例を例示するものであり、本発明が以下の説明に限定されるものではない。以下の説明は本発明の趣旨を逸脱しない範囲で改変することができる。また、異なる実施形態及び実施例にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態及び実施例についても本発明の技術的範囲に含まれる。また、本明細書中に記載された文献の全てが、本明細書中において参考文献として援用される。本明細書中、数値範囲に関して「Ａ～Ｂ」と記載した場合、当該記載は「Ａ以上Ｂ以下」を意図する。

【0014】

図１に本発明に係る腫瘍の分類推定システムの構成を示す。腫瘍の分類推定システム１は、制御部１０と、メモリ１２と、分類モデル生成手段１４と、入力手段１６と、出力手段１８と、第２出力手段２０と、分類モデル３０および個別分類器３２で構成される。

【0015】

制御部１０は、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｏｒ Ｕｎｉｔ）およびメインメモリなどのコンピューターで構成される。メモリ１２は、大容量の腫瘍データを蓄積することができる外部メモリで構成されるが、メインメモリであってもよい。メモリ１２には少なくとも教師データＴＢが蓄積される。

【0016】

入力手段１６は、制御部１０に対してデータを入力できる手段であれば足りる。キーボード、マウス、パッドといった操作デバイスとディスプレイ画面は好適に利用できる。入力手段１６は入力されたデータをそのまま、若しくは加工して後段の分類モデル３０に渡す。

【0017】

分類モデル生成手段１４は、分類モデル３０に対して、特徴量ＦＱと教師ラベルＴＬが組み合わされた教師データＴＢを使って、個別分類器３２をトレーニングする。ここで特徴量ＦＱは、腫瘍細胞の変異シグネチャーＭＳである。変異シグネチャーＭＳとは重複を排除した塩基置換のパターン６種類とその前後の塩基の取りうる場合（それぞれ４パターン）の組み合わせである計９６パターンについて度数を計測したものである。

【0018】

また、変異シグネチャーＭＳは特徴のある変異シグネチャー（特徴変異シグネチャーＰＭＳと呼ぶ。）がどれくらい発現しているかのスコア（度数）を求め、その特徴変異シグネチャーＰＭＳとスコアとしてもよい。特徴変異シグネチャーＰＭＳは例えば、ＣＯＳＭＩＣ（ｖ２）（Ｃａｔａｌｏｇｕｅ Ｏｆ Ｓｏｍａｔｉｃ Ｉｎ Ｃａｎｃｅｒ：ｈｔｔｐｓ：／／ｃａｎｃｅｒ．ｓａｎｇｅｒ．ａｃ．ｕｋ／ｓｉｇｎａｔｕｒｅｓ／ｓｉｇｎａｔｕｒｅｓ＿ｖ２／）に示された３０個の屁にシグネチャが好適に利用できる。

【0019】

教師ラベルＴＬは、収集した腫瘍細胞の変異シグネチャーＭＳを用いてクラスター分析をした結果得られた８つのグループ（これをサブタイプと呼ぶ。）に分けた物である。クラスター分析の際に、特徴変異シグネチャーＰＭＳとそのスコアを用いてもよい。

【0020】

８つのグループは、含まれる症例や特徴が多いもので命名された。具体的には、（ＳＭＫ（喫煙）、ＵＶＬ（紫外線）、ＡＰＢ（ＡＰＯＢＥＣ酵素）、ＰＯＬ（ＰＯＬＥ変異）、ＭＲＤ（ミスマッチ修復異常）、ＨＲＤ（相同組換え修復異常）、ＧＮＳ（ゲノム安定性）、ＡＧＥ（年齢））の８つのサブタイプである。

【0021】

個別分類器３２は、学習可能な分類器である。その実態は、学習可能なソフトウエアである。以下の実施例では、Ｋ近傍法（Ｋ－Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒ：「ＫＮ」とも呼ぶ。）、サポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ：「ＳＶ」とも呼ぶ。）、ランダムフォレスト（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ：「ＲＦ」とも呼ぶ。）、ロジスティック回帰（Ｌｏｇｉｓｔｉｃ Ｒｅｇｒｅｓｓｉｏｎ：「ＬＲ」とも呼ぶ。）の４種の方法を分類器として用いた。これら４種の分類器のアルゴリズムは公知である。なお、個別分類器は４種以上であればよい。つまり４つより多くてもよい。

【0022】

個別分類器３２は、メモリ１２に記録された教師データＴＢを利用し、分類モデル生成手段１４によって機械学習が行われる。学習済み個別分類器３２は、被分類腫瘍細胞の変異シグネチャーＱＭＳが入力されると、上記の８つのサブタイプの何れに分類されるかを決定する。なお、入力手段１６は、被分類腫瘍細胞の変異シグネチャーＱＭＳの特徴変異シグネチャーＰＭＳに対するスコアを調べ、特徴変異シグネチャーＰＭＳとそのスコアを出力し、分類モデル３０に渡してもよい。

【0023】

多数決手段３４は、４つ以上の個別分類器３２の分類結果を多数決し、３つ以上の個別分類器３２が同一結果を出した場合に、その分類結果を出力する。３つ以上の個別分類器３２が同一結果を出さなかった場合は、未判定（ＵＮＤ）を出力する。

【0024】

分類モデル３０は、学習済みの個別分類器３２と多数決手段３４を含む。結果、被分類腫瘍細胞の変異シグネチャーＱＭＳが入力されると、８つのサブタイプうち何れのサブタイプに分類されるかを出力する。

【0025】

出力手段１８は、分類モデル３０を出力する。出力手段１８は、ディスプレイ、プリンタ等の紙出力デバイス、二次記憶への出力端子といったものが好適に利用できる。また、出力手段１８は多数決手段３４と重複してもよい。

【0026】

第２出力手段２０は、出力手段１８の出力が（ＳＭＫ（喫煙）、ＵＶＬ（紫外線）、ＡＰＢ（ＡＰＯＢＥＣ酵素）、ＰＯＬ（ＰＯＬＥ変異）、ＭＲＤ（ミスマッチ修復異常）であれば、ｉｒＧＳグループとし、ＨＲＤ（相同組換え修復異常）、ＧＮＳ（ゲノム安定性）、ＡＧＥ（年齢））であれば、Ｎｏｎ－ｉｒＧＳグループとし、分類に失敗した場合にはＵＮＤ（未判定）とさらに分類する。

【0027】

本発明に係る腫瘍の分類推定システムでは、被分類腫瘍細胞がｉｒＧＳグループに分類されれば、ＩＣＩを行うのが有利と予見できる。それ以外であれば、ＩＣＩを行うのは有利とはいえないと予見できる。

【実施例0028】

＜対象データの選択方法＞
本発明に係る腫瘍の分類推定システム１を構築するにあたり、考慮したデータは、Ｔｈｅ Ｃａｎｃｅｒ Ｇｅｎｏｍｅ Ａｔｌａｓ（以後「ＴＣＧＡ」とする。）の全固形がんを最初のデータとした。ＴＣＧＡは、ＮＩＨ（アメリカ国立衛生研究所）が、がんゲノムプロジェクトで得た知見を基に、さまざまながん種について、ゲノムやエピゲノム、トランスクリプトーム、変異情報などのデータを集約して、公開したデータベースである。もともと、Ｔｈｅ Ｃａｎｃｅｒ Ｇｅｎｏｍｅ Ａｔｌａｓ （ＴＣＧＡ）として広く知られていたが、現在ではＧＤＣ Ｄａｔａ Ｐｏｒｔａｌの一部として公開されている。

【0029】

ＴＣＧＡのうち、びまん性大細胞型Ｂ細胞リンパ腫、急性骨髄性白血病、胸腺腫以外の腫瘍の臨床情報は、ｃＢｉｏＰｏｒｔａｌ（ｈｔｔｐｓ：／／ｗｗｗ．ｃｂｉｏｐｏｒｔａｌ．ｏｒｇ／）と、ブロード研究所のＧＤＡＣサイト（ｈｔｔｐｓ：／／ｇｄａｃ．ｂｒｏａｄｉｎｓｔｉｔｕｔｅ．ｏｒｇ／）から入手した。このうち、体細胞変異検出ツールＭｕｔｅｃｔ２（非特許文献１）で解析した体細胞変異プロファイルがＧＤＣポータル（ｈｔｔｐｓ：／／ｐｏｒｔａｌ．ｇｄｃ．ｃａｎｃｅｒ．ｇｏｖ／）で公開されていた９７９４例を利用対象データとした。

【0030】

全エクソームシーケンス（ＷＥＳ）データからＭｕｔｅｃｔ２が導き出した変異アノテーションに基づき、Ｔｈｅ Ｃａｎｃｅｒ Ｇｅｎｏｍｅ Ａｔｌａｓ（ＴＣＧＡ、ｎ＝９７９４）の各固形腫瘍についてＣＯＳＭＩＣ（ｖ２）変異シグネチャーのスコアプロファイルを導出した。ＣＯＳＭＩＣ（ｖ２）変異シグネチャーは、以下のＵＲＬ（ｈｔｔｐｓ：／／ｃａｎｃｅｒ．ｓａｎｇｅｒ．ａｃ．ｕｋ／ｓｉｇｎａｔｕｒｅｓ／ｓｉｇｎａｔｕｒｅｓ＿ｖ２／）で開示されたもので、さまざまな癌に共通して観測される３０個のシグネチャーが開示されている。つまり、この３０個を特徴変異シグネチャーＰＭＳとした。

【0031】

対数変換したプロファイルをクラスタリングし、ヒートマップにしたのが図２である。クラスタリングの結果、８つの腫瘍グループが得られた。病因として提案されているシグネチャーに基づいて、これらのサブタイプのうち７つは、喫煙（ＳＭＫ：丸１）、紫外線（ＵＶＬ：丸２）、ＡＰＯＢＥＣ（ＡＰＢ：丸３）、ＤＮＡポリメラーゼε欠損（ＰＯＬ：丸４）、ミスマッチ修復異常（ＭＲＤ：丸５）、相同組換え修復異常（ＨＲＤ：丸６）、加齢（ＡＧＥ：丸８）と関連するグループとラベル付けした。変異シグネチャーの特異的な蓄積を示さず、変異数が最も少ない残りのグループをゲノム安定性（ＧＮＳ：丸７）サブタイプとした。なお、「丸１」は数字の１を丸で囲んだ表記である。丸２～丸８も同様である。

【0032】

図２をさらに見ると、臨床情報では、年齢、性別、病期、死亡率がサブタイプ間で大きく異なっていた。喫煙歴のある患者の割合は、ＳＭＫ群で最も高かった。分子生物学的な特徴としては、ＰＯＬグループにはＰＯＬＥ変異、ＭＲＤグループにはＭＭＲ変異、ＭＬＨ１メチル化、ＭＳＩ－Ｈｉｇｈを持つ症例が多く含まれていた。ＨＲＤ群にはＢＲＣＡ変異が見られた。原発腫瘍の起源ごとにサブタイプを詳細に層別化すると、タイプごとに明確な区分があることがわかった。

【0033】

腫瘍免疫反応に関連する遺伝子のトランスクリプトームが評価された。細胞傷害性ＣＤ８＋Ｔ細胞の浸潤を表す遺伝子（ＣＤ８Ａ、ＧＺＭＢ、ＩＦＮＧ）１４とＩＣＩ反応に関連する遺伝子（ＣＸＣＬ９、ＣＸＣＬ１３）は、５つのサブタイプ（ＳＭＫ、ＵＶＬ、ＡＰＢ、ＰＯＬ、ＭＲＤ）で他のタイプ（ＨＲＤ、ＧＮＳ、ＡＧＥ）に対して発現が上昇していることがわかった。

【0034】

ＩＣＩ感受性に関連するＣＹＴスコア１５とＧＥＰスコア１６も、同じ５つのサブタイプで高くなった。また、５つのサブタイプは、ＩＣＩ単剤療法のＦＤＡ承認を受けた腫瘍由来である頻度が高かった。さらに、５つのサブタイプに割り当てられたサンプルの割合を腫瘍タイプごとにスコア化したところ、そのスコアは、その腫瘍タイプに対するＩＣＩ単剤療法に対する既報の客観的奏効率と強い相関を示した。これを図３に示す。

【0035】

図３において、横軸は５つのタイプ（ＳＭＫ、ＵＶＬ、ＡＰＢ、ＰＯＬ、ＭＲＤ）に割り当てられたサンプルの割合であり、縦軸はＩＣＩ単剤療法に対する客観的奏効率である。図中の腫瘍はＵＣＥＣ（子宮体部子宮内膜癌）、ＳＫＣＭ（黒色腫）、ＣＲＣ（大腸がん）、ＣＥＳＣ（子宮頸部内膜腺癌）、ＬＵＡＤ（肺腺癌）、ＬＵＳＣ（扁平上皮癌）、ＢＬＣＡ（膀胱がん）、ＬＩＨＣ（肝細胞癌）、ＨＮＳＣ（頭頸部癌）、ＫＩＲＣ（腎臓明細胞癌）、ＫＩＲＰ（腎臓腎乳頭細胞癌）、ＳＴＡＤ（胃腺癌）、ＥＳＣＡ（食道癌）を表す。

【0036】

以上のことから、ＳＭＫ／ＵＶＬ／ＡＰＢ／ＰＯＬ／ＭＲＤサブタイプは、ＩＣＩ投与に反応しうる腫瘍サブタイプといえ、以下、ｉｒＧＳ（ｉｍｍｕｎｏｒｅｓｐｏｎｓｉｖｅ ｇｅｎｏｍｉｃ ｓｕｂｔｙｐｅｓ）と呼ぶ。一方、他のタイプ（ＨＲＤ、ＧＮＳ、ＡＧＥ）は、Ｎｏｎ－ｉｒＧＳと呼ぶ。これらはＩＣＩ投与に対する反応がｉｒＧＳよりも感度が高いとはいえない。

【0037】

また、サブタイプは、収集された全エクソームシーケンスデータに対して特徴変異シグネチャーのスコアを求め、１つの体細胞変異検出ツールでクラスタリングして得た８つのクラスタであると言える。

【0038】

［学習用データ］
Ｍｕｔｅｃｔ２以外の体細胞変異検出ツール（ＭｕＳＥ（非特許文献２）、ＶａｒＳｃａｎ２（非特許文献３）、ＳｏｍａｔｉｃＳｎｉｐｅｒ（非特許文献４））を用いて、上記の９７２６個のデータに対して、再び階層的クラスターを導出した。図４にこの様子を示す。図４（ａ）は、ＭｕＳＥによる分析、図４（ｂ）はＶａｒＳｃａｎ２による分析、図４（ｃ）はＳｏｍａｔｉｃＳｎｉｐｅｒによる分析である。これによれば、Ｍｕｔｅｃｔ２に基づく解析（図２参照。）と高い一致が観察された。

【0039】

各サブタイプに典型的なサンプルをトレーニングデータセットとして抽出するため、Ｍｕｔｅｃｔ２による同時分類を含め、４つの体細胞変異検出ツールのうち少なくともＭｕｔｅｃｔ２を含む３つで分類結果が一致したサンプルを選択し、その後の解析に使用した。図５（ａ）から（ｈ）までは８つのサブクラス毎に、４つの体細胞変異検出ツールによる共通サンプルの数を示す。Ｍｕｔｅｃｉｔ２を含む３つ以上の体細胞変異検出ツールが同じ結果を出した部分は数字に下線を引いた。これら下線を引いたサンプルは合計で７１８１個となった。

【0040】

得られた７１８１のサンプルとその３０個のＣＯＳＭＩＣシグネチャースコアは、最適化されたハイパーパラメータを持つ個別分類器３２（ＫＮ、ＳＶ、ＲＦ。ＬＲ）を構築するための特徴量として使用した。教師ラベルは、上記の８つのサブタイプ（ＳＭＫ、ＵＶＬ、ＡＰＢ、ＰＯＬ、ＭＲＤ、ＨＲＤ、ＧＮＳ、ＡＧＥ）である。

【0041】

以上にように、学習用データは、４つの体細胞変異検出ツールによって、変異シグネチャーの特徴変異シグネチャーに対するスコアを用いてサブタイプを得るクラスタリングをし、３つ以上の細胞変異検出ツールが同一のサブタイプに分類したサンプルを用いたと言える。

【0042】

［検証用データセット］
ＩＣＩへの奏効の有無の情報とホルマリン固定パラフィン包埋（ＦＦＰＥ）標本を用いて解析されたエクソームシークエンシングデータが公開されている９７３症例の腫瘍のデータを検証用データとして用いた。より具体的には、ＰＣＡＷＧ、ＣＰＴＡＣ、ＮＢＤＣ、ｃＢｉｏＰｏｒｔａｌのデータベースから、転移性腫瘍から採取したサンプルと、サンプル採取時にＩＣＩ治療歴があるものは除外した合計９７３人の症例を選んだ。

【0043】

＜各個別分類器の学習方法＞
４種類の個別分類器３２（図１）の個々について、以下の手順で機械学習を行った。まず、学習用データとして選択された７１８１のＴＣＧＡサンプルをＸ１とＸ２の２つに分けた。次に、Ｘ１を用いて２回クロスバリデーションによりパラメータを算出し、Ｘ２をテストデータとしてそのパラメータを評価した。第三に，Ｘ１とＸ２を入れ替えて，同様の計算を行った。これらを１００～１０００回繰り返し、最適なパラメータを決定することで４種類の個別分類器３２を学習済み個別分類器３２とした。

【0044】

ＫＮ、ＳＶ、ＲＦ、ＬＲの４つの個別分類器３２（何れも学習済み）について、テストデータに対する分類性能を示すコンフュージョン・マトリクスを確認した。学習用データ（７１８１サンプル）の７５％のケースをトレーニングに、２５％のケースをテストに使用した。結果を図６に示す。図６（ａ）はＫＮの場合、図６（ｂ）はＳＶの場合、図６（ｃ）はＲＦの場合、図６（ｄ）はＬＲの場合を示す。縦軸が真値であり、横軸は予想結果である。いずれの個別分類器３２も９５％以上のサブセット分類精度（完全一致率）であった。

【0045】

上記の様に機械学習が施された４つの個別分類器３２および多数決手段３４によって、分類モデル３０が形成された（図１参照）。分類モデル３０は、４つの個別分類器３２のうち３つ以上の結果が一致しない場合、そのサンプルは「未判定（ＵＮＤ）」と判断される。判定不能なサンプルの割合を調査した。結果を図７に示す。

【0046】

図７は、ｃＢｉｏＰｏｒｔａｌ（凍結サンプル：図７（ａ））、ＰＣＡＷＧ（凍結サンプル：図７（ｂ））、ＣＰＴＡＣ（凍結サンプル：図７（ｃ））、ＮＢＤＣ（凍結サンプル：図７（ｄ））、ｃＢｉｏＰｏｒｔａｌ（ホルマリン固定パラフィン包埋標本（ＦＦＰＥ）：図７（ｅ））、ＫＥＹＮＯＴＥｓ（ホルマリン固定パラフィン包埋標本：図７（ｆ））のデータ群からのサンプル（ｎ数はそれぞれに記載）に対する結果を示す。これらのデータ群は公開されているデータ群である。

【0047】

また、各グラフでは「ＡＬＬ ｍａｔｃｈ」は完全一致（４つの分類器が同一判断）であり、「３ ｍａｔｃｈ」は３つの分類器が同一判断であった場合を示す。判定不能は「ＵＮＤ」であり、各円グラフの上部の数字がＵＮＤ判定となった割合を示す。

【0048】

判定不能（ＵＮＤ）は、調査したデータ群の約２～４％に認められ、ＦＦＰＥサンプルと凍結組織由来、またはデータ群間の割合に有意差はなかった。

【0049】

分類モデル３０の実際のデータと、予測結果との一致率を導き出すために、図７で調べた全サンプル（ｎ＝６２４３）をサンプルあたりのＳＮＶ（Ｓｉｎｇｌｅ Ｎｕｃｌｅｏｔｉｄｅ Ｖａｒｉａｎｔ：一塩基置換）の総数で並べ、５００サンプルあたりの移動平均分析を行った。結果を図８に示す。横軸にＳＮＶの数、と、サブタイプおよびｉｒＧＳ／Ｎｏｎ－ｉｒＧＳの一致率の移動平均をそれぞれ示している。縦軸は一致率を表す。

【0050】

点線Ｂと点線Ｒはそれぞれ全検体での平均値（８７．０％と９６．６％）を示す。サブタイプの一致率は、１サンプルあたり５０ＳＮＶのあたりで最も低く、約８２％であった。ｉｒＧＳ／ｎｏｎ－ｉｒＧＳ分類の一致率は、分類器ごとの不一致がある場合でも９５％以上を維持した。以上にように選別された７１８１個の教師データを用いて、分類モデル３０が構築された。

【0051】

＜腫瘍の分類推定システムの効果＞
ＩＣＩ治療の客観的奏効に関する情報を持つ９７３例を、本発明に係る分類推定システム１のサブタイプ分類とｉｒＧＳ／ｎｏｎ－ｉｒＧＳ割当の評価に使用した。分類推定システム１のサブタイピングとｉｒＧＳ／ｎｏｎ－ｉｒＧＳの分類を行い、評価した。結果を図９に示す。

【0052】

図９を参照して、横軸は８つのサブタイプと未判定（ＵＮＤ）であり、縦軸はＩＣＩに対する奏効率である。合計でみるとＩＣＩ奏効率は、ｉｒＧＳの方がｎｏｎ－ｉｒＧＳよりも有意に高かった（３４．６％ｖｓ１２．０％、Ｐ＝５．１ｘ１０－１４）。８つのサブタイプ別に解析すると、ｉｒＧＳに属する５つのサブタイプは、ｎｏｎ－ｉｒＧＳの３つのサブタイプよりも高い奏効率を示す傾向があった。

【0053】

次に、ｉｒＧＳの分類が全生存と関連しているかどうかを調べるために、上記の検証用データの一部（ｎ＝６０６）を用いて生存率解析を実施した。結果を図１０に示す。図１０（ａ）はｉｒＧＳに対する結果である。実線はｉｒＧＳと分類された場合であり、点線はｎｏｎ－ｉｒＧＳと分類された場合を示す。また、図１０（ｂ）はＴＭＢ（Ｔｕｍｏｒ Ｍｕｔａｔｉｏｎ Ｂｕｒｄｅｎ：遺伝子変位量）に対する結果である。実線はＴＭＢ－ｈｉｇｈであり、点線はＴＭＢ－Ｌｏｗの場合を示す。それぞれ横軸は予後経過時間（月）であり、縦軸は、生存率を表す。単変量解析では、ｉｒＧＳとＴＭＢ－ｈｉｇｈ状態の両方が良好な転帰と関連していた（ｌｏｇ－ｒａｎｋ ｔｅｓｔ ｐ＝５．８×１０^－９，１．５×１０^－９）。

【0054】

図１１に２つの状態による層解析の結果を示す。図１１を参照して、横軸は予後経過時間（月）であり、縦軸は、生存率を表す。グラフ中ＴＭＢ－ｈｉｇｈでありｉｒＧＳの場合、ＴＭＢ－ｈｉｇｈでありｎｏｎ－ｉｒＧＳの場合、ＴＭＢ－ｌｏｗでありｉｒＧＳの場合、ＴＭＢ－ｌｏｗでありｎｏｎ－ｉｒＧＳの場合を示す。図１１より、ＴＭＢ－ｌｏｗでありｎｏｎ－ｉｒＧＳ群が最も全生存率が悪かった（ｌｏｇ－ｒａｎｋ検定 ｐ＝９．０×１０^－１１）。

【0055】

図１２には、癌腫を変えた場合の結果を示す。図１２（ａ）はメラノーマ（Ｍｅｌａｎｏｍａ）、図１２（ｂ）は肺（Ｌｕｎｇ）、図１２（ｃ）は膀胱癌（Ｂｌａｄｄｅｒ）の場合を示す。それぞれ、横軸は予後経過時間（月）であり、縦軸は、生存率を表す。また、ＴＭＢ－ｈｉｇｈでありｉｒＧＳの場合、ＴＭＢ－ｌｏｗでありｉｒＧＳの場合、ＴＭＢ－ｌｏｗでありｎｏｎ－ｉｒＧＳの場合を示す。図１２より、図１１に示した傾向は癌腫に関わらず同様に観測された。

【0056】

さらに、ｉｒＧＳ、ＴＭＢの状態（バイナリまたは連続）、およびがんの種類を調整したＣｏｘ比例ハザードモデル解析を行った。結果を図１３に示す。図１３によれば、ｉｒＧＳとＴＭＢの状態の両方が独立した有利な予後因子であることが示された。

【0057】

以上のように、ＴＭＢや腫瘍の種類を含めた多変量解析でも、やはりｉｒＧＳ腫瘍は有意にＩＣＩへの反応が良好であった（Ｐ＝５．６×１０^－４）。また、生存期間に関する多変量解析でも、ｉｒＧＳ腫瘍であることはＩＣＩ投与後の生存期間延長と関連していた（Ｐ＝１．８×１０^－３）。

【産業上の利用可能性】

【0058】

本発明に係る腫瘍の分類推定システムは、腫瘍の変異シグネチャーに基づいてその腫瘍を８つのサブタイプの何れに属するかを分類することができる。また、その分類でＳＭＫ、ＵＶＬ、ＡＰＢ、ＰＯＬ、ＭＲＤの５つのサブタイプのどれかに分類された場合は、ＩＣＩ治療で効果を得る可能性が高いと予見できる。その他の分類であるＨＲＤ、ＧＮＳ、ＡＧＥおよびＵＮＤに分類された場合は、ＩＣＩ治療が有効であるという予見はできないと言える。また、本発明はＩＣＩ出現後の癌治療の方針を決定するために有用な情報を得ることができ、臓器に関わらない癌治療に役立つと考えられる。

【符号の説明】

【0059】

１ 腫瘍の分類推定システム
１０ 制御部
１２ メモリ
１４ 分類モデル生成手段
１６ 入力手段
１８ 出力手段
２０ 第２出力手段
３０ 分類モデル
３２ 個別分類器
３４ 多数決手段
ＴＢ 教師データ
ＴＬ 教師ラベル
ＦＱ 特徴量
ＭＳ 変異シグネチャー
ＰＭＳ 特徴変異シグネチャー
ＱＭＳ 被分類腫瘍細胞の変異シグネチャー

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】