DNAメチル化プロファイルを用いた肺腺癌および扁平上皮癌の深層学習ベース分類：マルチコホート検証研究
Maram Fahaad Almufareh1, Samabia Tehsin2, Mamoona Humayun3
1Department of Information Systems, College of Computer and Information Sciences, Jouf University, Sakaka 72388, Saudi Arabia.
Cancers
|February 27, 2026
まとめ
DNAメチル化プロファイルを用いた深層学習モデルは、非小細胞肺癌（NSCLC）サブタイプである肺腺癌（LUAD）および肺扁平上皮癌（LUSC）を正確に分類し、治療決定を支援する。
科学分野:
- 腫瘍学
- ゲノミクス
- バイオインフォマティクス
背景:
- 非小細胞肺癌（NSCLC）を肺腺癌（LUAD）および肺扁平上皮癌（LUSC）に正確に分類することは、治療および予後にとって重要です。
- 現在のサブタイピング方法は、最適な患者管理のために改善が必要です。
研究 の 目的:
- ゲノムワイドなDNAメチル化プロファイルを用いたNSCLCサブタイプの分類のための深層学習モデルを開発および検証すること。
- NSCLC分類のための主要なDNAメチル化バイオマーカーを特定すること。
主な方法:
- Illumina HumanMethylation450 BeadChipデータから、分散ベースの特徴選択を用いて5000個の識別CpGプローブを特定しました。
- バッチ正規化とドロップアウト正則化を備えた5層の深層ニューラルネットワークを分類のために開発しました。
- The Cancer Genome Atlas（TCGA）データでモデルをトレーニングおよび検証し、Gene Expression Omnibus（GEO）データセット（GSE39279、GSE56044）で外部検証を行いました。
主要な成果:
- モデルはTCGAテストセットで96.92%の精度と0.9981のAUC-ROCを達成しました。
- データセットを横断した検証により、堅牢な一般化が実証され、GEOでトレーニングされたモデルはTCGAデータで88.92%の精度と0.9724のAUC-ROCを達成しました。
- SHAP分析により、分類決定に影響を与える主要なCpGバイオマーカーが特定されました。
結論:
- DNAメチル化データを活用した深層学習モデルは、NSCLCサブタイプ分類のための信頼できるアプローチを提供します。
- これらの発見は、NSCLCの診断と治療戦略の改善に向けた臨床応用の可能性を示唆しています。
