【医学論文】乳癌の治療反応性を機械学習で予測する

日々機械学習を学ぶ外科医のさとうです。

今回は2018年、Nature communicationに掲載された論文について一緒に勉強していきましょう。

今回紹介する論文はこちらです。

Pubmedで検索。

今回の論文

論文：Muiti-omic machine learning predictor of breast cancer therapy response

著者： Stephen-John Sammut et al.

雑誌： Nature 2022 Jan

機械学習を用いて乳癌の治療薬反応性を予測する

乳がんは、悪性細胞と腫瘍微小環境からなる複雑な生態系である。これらの腫瘍生態系の構成とその中での相互作用が、細胞障害性治療に対する反応に影響を与える。しかし、このような知見を反映した治療効果予測ツールは未だに開発されていない。我々は、手術前に化学療法に加え、抗HER2療法を行った、または行わなかった患者168人における乳房腫瘍治療前生検の臨床、デジタルパソロジー、ゲノムおよびトランスクリプトームのプロファイルを収集した。そして、手術時の病理学的なエンドポイント（完全奏効または残存病変）を、これらの診断用生検におけるマルチオミクスの特徴と相関させた。ここでは、治療に対する反応は、治療前の腫瘍の生態系によって調整され、そのマルチオミクス・ランドスケープは機械学習を用いた予測モデルにつなぎ合わせることができた。治療後の残存病変の程度は、腫瘍の変異やコピー数、腫瘍の増殖、免疫浸潤、T細胞の機能障害や排除など、治療前の特徴と関連している。これらの特徴をマルチオミクス機械学習モデルに組み合わせることで、外部の検証コホート（75人）における病理学的完全奏効の予測が可能となり、曲線下面積は0.87となった。結論として、治療に対する反応は、データ統合と機械学習によって得られた腫瘍エコシステム全体のベースライン特性によって決定された。このアプローチは、他のがんの予測因子を開発するために使用できる可能性がある。

Breast cancers are complex ecosystems of malignant cells and the tumour microenvironment. The composition of these tumour ecosystems and interactions within them contribute to responses to cytotoxic therapy. Efforts to build response predictors have not incorporated this knowledge. We collected clinical, digital pathology, genomic and transcriptomic profiles of pre-treatment biopsies of breast tumours from 168 patients treated with chemotherapy with or without HER2 (encoded by ERBB2)-targeted therapy before surgery. Pathology end points (complete response or residual disease) at surgery were then correlated with multi-omic features in these diagnostic biopsies. Here we show that response to treatment is modulated by the pre-treated tumour ecosystem, and its multi-omics landscape can be integrated in predictive models using machine learning. The degree of residual disease following therapy is monotonically associated with pre-therapy features, including tumour mutational and copy number landscapes, tumour proliferation, immune infiltration and T cell dysfunction and exclusion. Combining these features into a multi-omic machine learning model predicted a pathological complete response in an external validation cohort (75 patients) with an area under the curve of 0.87. In conclusion, response to therapy is determined by the baseline characteristics of the totality of the tumour ecosystem captured through data integration and machine learning. This approach could be used to develop predictors for other cancers.