系統分類に依存しない機械学習による噬菌体 - 宿主相互作用の菌株レベル予測の実現
Contents
01. 研究背景と未解決課題
噬菌体は、薬剤耐性菌感染症の治療や微生物叢のエンジニアリングにおいて、抗生物質に代わる有望な手段として期待されています。しかし、特定の細菌菌株に感染する噬菌体を選択する難しさが、その応用を制限する主要なボトルネックとなっています。従来の予測手法は、宿主や噬菌体の系統分類（phylogeny）に依存しており、未知の菌株や新しい噬菌体に対する予測精度に限界がありました。また、感染メカニズムに関する事前知識が必要となるケースが多く、新規の感染決定因子の発見を妨げる要因となっていました。
特に、臨床現場や産業利用において、迅速かつ正確に標的となる細菌株に対して有効な噬菌体を選定することは極めて重要です。しかし、実験的にすべての組み合わせをテストすることは時間とコストの面で非現実的であり、ゲノム情報に基づいた高精度な予測モデルの構築が強く求められていました。
02. この論文で明らかになったこと
本研究では、系統分類に依存しない（phylogeny-agnostic）機械学習フレームワークを開発し、ゲノム配列のみから多様な細菌属における菌株レベルの噬菌体 - 宿主相互作用を予測することに成功しました。このモデルは、既存の種特異的手法と同等の性能（AUROC 0.67〜0.94）を達成しながら、系統制約を排除し、未知の噬菌体や宿主に対する一般化能力を実証しました。
実験的な検証として、1,240 の E. coli 噬菌体 - 宿主相互作用を予測・検証した結果、AUROC 0.84 という高い精度を達成しました。さらに、ゲノム全体の RB-TnSeq スクリーニングにより、実験的に同定された感染媒介因子の 68.6% が計算機モデルによって捕捉されていることが確認されました。モデルガイドによる噬菌体カクテルの設計では、5 つの噬菌体で最大 97.5% の細菌カバレッジを達成し、従来の広範囲な噬菌体選択法よりも最大 3.1 倍の改善が見られました。
03. 研究デザインと技術的ポイント
研究では、6 つの既存データセット（115,037 の相互作用、949 の細菌菌株、518 の噬菌体）を用いてモデルを構築・最適化しました。ゲノムデータを数値特徴量に変換する際、タンパク質ファミリーの存在・不在を特徴量として利用し、再帰的特徴量選択（recursive feature elimination）と勾配ブースティング決定木（CatBoost）のアンサンブル学習を採用しました。
- 1320 万回以上のトレーニング実行を通じて、モデルパラメータを体系的に最適化
- 系統分類に依存せず、ゲノム情報のみから新規菌株・噬菌体の相互作用を予測
- SHAP 値を用いた特徴量の解釈により、感染に関与する遺伝子（ポリン、LPS 合成酵素など）を同定
- RB-TnSeq による実験的検証で、予測特徴量の生物学的妥当性を確認
このアプローチは、高次元で不均衡なデータに対しても過学習を防ぎつつ、生物学的に解釈可能な特徴量を抽出できる点が特長です。特に、感染経路全体の調節メカニズムを単一の遺伝子レベルで捉える能力が示されました。
04. 疾患研究・創薬研究への示唆
この研究は、噬菌体療法 の合理的な設計と精密な微生物叢工学 に大きな示唆を与えます。抗生物質耐性菌という世界的な健康危機に対し、特定の菌株のみを標的とし、周囲の有益な微生物叢への影響を最小限に抑える治療法の開発が可能になります。
また、モデルガイドによる噬菌体カクテルの設計は、耐性菌の出現リスクを低減し、治療効果を最大化する戦略を可能にします。臨床、農業、産業微生物学の幅広い文脈において、迅速な噬菌体選定と治療プロトコルの最適化が実現されつつあります。
05. 前臨床モデル・研究ツールとの関連
本研究で開発された予測プラットフォームは、前臨床研究 段階における噬菌体スクリーニングの効率化に直接貢献します。Cyagen では、特定の病原体やモデル生物に対応する遺伝子改変マウス や細胞モデル を提供しており、噬菌体 - 宿主相互作用の研究や、噬菌体療法の実証試験（in vivo/in vitro）に不可欠なリソースとなります。
特に、CRISPR 技術を用いた遺伝子機能解析や、トランスジェニック マウスモデルを用いた感染メカニズムの解明において、本研究で同定された感染決定因子（ポリン、受容体など）を標的としたモデル構築が有効です。また、CRO サービスを通じて、噬菌体カクテルの効能評価や安全性試験を包括的にサポートすることが可能です。
06. まとめ
系統分類に依存しない機械学習による噬菌体 - 宿主相互作用の予測は、噬菌体療法の新たなパラダイムを切り開くものです。ゲノム情報から高精度な予測を行い、実験的検証を伴うこのアプローチは、抗生物質耐性菌対策や微生物叢制御において、迅速で精密なソリューションを提供します。今後の研究では、より多様なデータセットの統合や、環境条件を考慮したモデルの進化が期待されます。
