複雑疾患モデリングと意思決定支援のための多段階ソフトコンピューティングフレームワーク：肝硬変の事例

Abstract

肝硬変は主要な世界的な健康問題であり、毎年何百万人もの死因となっています。また、適時の検出と積極的な治療により、患者の生活の質を大幅に改善できます。生物医学データから複雑な疾患をモデル化することは、高次元性、強い特徴量の相関、ノイズ、そして限られたラベル付きサンプル数のために、計算上の難しさがあります。従来の機械学習（ML）パイプラインは、このような条件下では頑健性、解釈可能性、そして汎化性能の面でしばしば課題を抱えます。本研究では、複雑疾患のモデリングと治療探索のための、ML駆動のマルチステージ意思決定フレームワークを提案します。このフレームワークは、単一細胞トランスクリプトームプロファイリング、高次元のネットワークベース特徴量安定化、マルチモデル学習、深い表現構築、そして事後的な意思決定支援を統合します。具体的には、単一細胞シーケンスデータを解析して主要な細胞サブ集団を特定し、その後、高次元の重み付き遺伝子共発現ネットワーク解析（hdWGCNA）を用いて、疎性とノイズのもとで遺伝子モジュールを安定化させます。非線形な特徴量相互作用のモデリングを強化するために、表形式の分子特徴量を2次元の疾患マップへ再構成し、CNNで解析します。最後に、分子ドッキングを意思決定支援モジュールとして組み込み、候補となる治療薬化合物を評価します。肝硬変を代表例として用いた場合、このフレームワークは疾患関連の内皮細胞サブ集団を同定し、7つの頑健なシグネチャ遺伝子（HSPB1、GADD45A、CLDN5、ATP1B3、C1QBP、ENPP2、PARL）を抽出しました。CNNベースの表現学習モジュールは、分類において従来のパイプラインよりも優れた性能を示しました。このフレームワークは疾患非特異的であり、不確実性、異質性、そして限られたサンプルを含む他のオミクス駆動の生物医学応用へ容易に拡張できます。