※本記事は、MIT Sloan Management ReviewとBoston Consulting Groupによる共同ポッドキャスト「Me, Myself, and AI」のエピソード「Training AI to Detect Disease: Stand Up To Cancer's Julian Adams」の内容を基に作成されています。ポッドキャストの完全なトランスクリプトは https://mitsmr.com/43hZx1H でご覧いただけます。本記事では、ポッドキャストの内容を要約しております。なお、本記事の内容は原著作者の見解を正確に反映するよう努めていますが、要約や解釈による誤りがある可能性もありますので、正確な情報や文脈については、オリジナルのポッドキャスト(https://www.youtube.com/watch?v=YhBBaGTEn5s )をお聴きいただくことをお勧めいたします。
Stand Up To Cancerへの寄付に関する情報は https://mitsmr.com/4j0hBDm をご覧ください。
登壇者紹介
Julian Adams(ジュリアン・アダムス)氏 Stand Up To Cancerの会長兼CEOであり、世界有数のがん研究者の一人。以前は、バイオ医薬品企業Gamida CellのCEO、Infinity PharmaceuticalsのR&D部門社長として、がん治療のための低分子医薬品の開発を監督。また、Millennium Pharmaceuticals、Boehringer Ingelheim、LeukoSite、ProScriptでも要職を歴任。
抗がん剤ボルテゾミブの発見と開発における功績により2012年Warren Alpert Foundation Prizeを受賞。その他、2012年にMemorial Sloan Kettering Cancer CenterからC. Chester Stock Award Lectureshipを、2001年にInternational Myeloma FoundationからVelcadeに対するRibbon of Hope Awardを受賞。40以上の特許を保有し、130以上の論文や書籍の章を執筆。McGill Universityで学士号と名誉理学博士号を、MITで合成有機化学の博士号を取得。
1. Stand Up To Cancerの概要とAI活用の必然性
1.1 組織の目的とドリームチーム方式の研究推進
Sam: 本日のゲストであるJulian Adams氏について、リスナーの皆さんにStand Up To Cancerがどのような組織なのか簡単に説明していただけますか。
Julian: Stand Up To Cancerは研究組織です。私たちは慈善団体であり、非営利団体として、がん研究に資金を提供するために資金調達を行っています。そして何よりも、私たちはチーム研究を奨励しています。私たちが最も好む研究スタイルは「ドリームチーム」と呼んでいるものです。これは複数の研究機関にまたがり、多数の研究者が協力して、がんにおける非常に困難な問題に取り組むことを意味します。このアプローチにより、個別の研究者や単一の機関では解決できないような複雑で挑戦的ながんの課題に対して、集合知と多様な専門性を結集することができるのです。
Shervin: そのドリームチームには、AIのような人間以外のメンバーが含まれることはありますか。
Julian: AIは遍在しています。私たちはそれを使わないわけにはいきません。AIは実験室の機器と同じように、単なるツールの一つなのです。より正確で深い情報を得るという点において、私たちが行うすべてのことの一部となっています。AIを活用することは、もはや選択肢ではなく必然なのです。
1.2 がん研究におけるAIの普及状況
Julian: がん研究において、AIが活用される最も明白な方法は2つあります。1つ目は放射線科学の分野です。CTスキャンやMRIを受けると、そのパターン認識は人間の目よりもコンピュータの方が優れています。10,000枚あるいは100,000枚ものスキャン画像を学習させることで、コンピュータは異常を検出することに非常に長けてくるのです。これがスキャンに関する部分です。
そしてご存知のように、がんにおいては生検を行い、顕微鏡で観察しなければならないことがよくあります。ここでもまた、パターン認識が重要になります。顕微鏡は画像を拡大し、組織の起源を染色することで、何が正常で何が異常かを見ることができます。つまり、がん組織とそれに隣接する組織を見ることができ、コンピュータはその区別を非常に正確に行うことができます。肉眼よりもはるかに優れているのです。
このAIの要素で重要なのは、コンピュータに見せる画像が多ければ多いほど、学習が進み、異常をより良く、より正確に記述できるようになるということです。ImageNetのようなプロジェクトを考えてみてください。ImageNetは1400万枚以上の画像を持つデータベースで、約10年前に画像認識のコンテストで使われ始めました。この10年間で本当に優れた性能を発揮するようになりました。実際、エラー率は人間のエラー率とほぼ同じか、あるいは人間のエラー率よりも優れているレベルにまで達したと考えています。
2. 画像診断分野におけるAI技術
2.1 放射線画像と病理組織診断でのパターン認識
Sam: CTスキャンやMRI、あるいはスライドを読み取ることができるようになるには、どれくらいの画像が必要なのでしょうか。
Julian: 問われている質問の種類や解像度のレベルによって異なりますが、通常は少ない画像よりも多くの画像が必要です。典型的には、500枚から1000枚程度の画像からなるトレーニングセットから始めます。これらは通常、レトロスペクティブ、つまり遡及的なものになります。つまり、すでにがんと診断されているものです。私たちはAIアルゴリズムをトレーニングして、それをがんと定義します。そして、プロスペクティブ、つまり前向き研究を行わなければなりません。これらの研究は数万、あるいはあなたがおっしゃったように数百万にも及ぶ可能性があり、より良い、より良い、さらに良い結果を得るためのものです。
AIの素晴らしいところは、機械が学習し続けるということです。人間は疲れます。長時間勤務の後には眠くなります。もう一杯コーヒーが必要になります。人間は最終的にコンピュータと競争することができないのです。コンピュータは休むことなく、一貫して学習を続け、その精度を向上させ続けることができるのです。
2.2 機械学習に必要なデータ量と学習プロセス
Julian: ImageNetのようなプロジェクトについて考えると、これは1400万枚以上の画像を持つデータベースで、約10年前に画像認識のコンテストで使用され始めました。そして、この10年間で本当に非常に優れた性能を発揮するようになったのです。実際、エラー率は人間のエラー率とほぼ同じレベル、あるいはおそらく人間のエラー率よりも優れているレベルにまで達しました。
医療画像の分野では、問われている質問の種類や必要とされる解像度のレベルによって、必要な画像の数は変わってきます。しかし典型的には、500枚から1000枚の画像からなるトレーニングセットから始めることになります。これらは通常レトロスペクティブなもの、つまり過去に遡って収集されたものです。すでにがんと診断されている症例を使用するのです。
私たちはAIアルゴリズムをトレーニングして、それをがんとして定義できるようにします。そして次に、プロスペクティブな研究、つまり前向き研究を行わなければなりません。これらの研究では、数万、場合によっては数百万もの画像を使用して、より良い、さらに良い結果を得ることができるのです。AIの素晴らしい点は、機械が学習し続けるということです。データが増えれば増えるほど、アルゴリズムの精度と信頼性は向上していくのです。
2.3 人間との比較におけるAIの優位性
Julian: AIの本当に素晴らしいところは、機械が学習し続けるということです。対照的に、人間は疲れます。長時間の勤務シフトの後には眠くなります。もう一杯コーヒーが必要になるのです。人間は最終的にコンピュータと競争することができません。
コンピュータは疲労を知りません。休憩も必要としません。一貫して同じレベルの集中力と精度を維持し続けることができます。画像を何千枚、何万枚と見続けても、その性能は低下しません。むしろ、見る画像が増えれば増えるほど、学習が進み、より正確になっていくのです。これは人間の能力では到底実現できないことです。人間の放射線科医や病理医がどれだけ熟練していても、長時間の作業では必ず判断力が低下します。しかしコンピュータにはその限界がありません。これが、医療画像診断の分野においてAIが人間に対して持つ根本的な優位性なのです。
3. 創薬研究へのAI応用
3.1 従来の創薬プロセスとその限界
Julian: しかし、他にも応用分野があります。例えば創薬の分野です。私たちは以前、数十万もの化合物を作成し、ロボット機器を使ってライブラリーをスクリーニングすることで創薬を行っていました。目的は、関心のある組織の受容体に何が結合するかを確認することでした。
この従来のアプローチは非常に労働集約的で時間がかかるものでした。何百、何千もの化合物を物理的に合成し、それぞれをテストして、標的タンパク質や受容体に結合するかどうかを確認しなければなりませんでした。このプロセスは膨大なリソースを必要とし、成功する化合物を見つけるまでに何年もかかることがありました。ロボット技術によって一部は自動化されましたが、それでも基本的なアプローチは試行錯誤に依存していたのです。数え切れないほどの化合物を合成し、それらを一つひとつテストして、ようやく有望な候補を見つけるという方法でした。
3.2 AlphaFoldによる革新とインシリコ創薬
Julian: 今日では、AlphaFoldのようなプログラムのおかげで、そのすべてをインシリコ、つまりコンピュータ上で行うことができます。AlphaFoldはタンパク質がどのように折り畳まれるかを教えてくれます。タンパク質は通常、薬剤や抗体の標的となるものです。これらのタンパク質の折り畳み構造と三次元構造は、AlphaFoldの驚くべき能力によって予測することができるのです。
このことから、創薬の多くをコンピュータ上で行うことが想像できます。そして最終的には、どの化合物が最も適合するかを見るために数百、数千もの化合物を作る必要はなくなります。おそらく数十個の化合物を作るだけで済むようになるでしょう。なぜなら、コンピュータはどの化合物が最もよく適合するかについて、階層的な評価を提供することもできるからです。
つまり、以前は何百、何千もの化合物を物理的に合成してスクリーニングしていたプロセスが、今ではコンピュータ上でのシミュレーションによって大幅に効率化されました。AlphaFoldがタンパク質の三次元構造を正確に予測できるため、どの化合物がその構造に最も適合するかを、実際に合成する前にコンピュータ上で評価できるのです。これにより、必要な化合物の数を数百、数千から数十程度にまで劇的に削減することが可能になりました。コンピュータは候補化合物を適合度の高い順にランク付けし、最も有望なものだけを実際に合成すればよいという状況が実現しているのです。
4. 早期発見の重要性と技術的課題
4.1 ステージ別生存率と早期発見の意義
Julian: まだ触れていない4番目の領域があり、それは本当にがんの早期発見に関するものです。これは私が最近最も注力していることであり、Stand Up To Cancerに大きな注意を払うよう導いている分野です。いくつかの事実を挙げさせてください。
がんをステージ1で検出できれば、つまり局所的に進行しているがまだ広がっていない段階で検出できれば、私たちはそれをステージ1と呼びますが、そのがんを治癒できる確率は90%あります。手術、放射線治療、あるいは薬物療法を使うこともあるでしょう。そして、私が最も興奮しているのは治療用ワクチンの分野です。
対照的に、もしこの腫瘍が広がってステージ4になり、多臓器に播種された状態になると、5年生存率は約10%にしかなりません。つまり、少なくとも現在の最先端技術においては、もしがんをより早期に検出できれば、より多くの命を救い、より多くの患者を治癒することができるのです。
Sam: ステージ5やステージ25のようなものは存在するのでしょうか。あなたはステージ1について話されましたが、そのタイムラインをさらに前に進める可能性はありますか。
Julian: ええ、実際これは整数なのです。前がん状態、あるいはアデノーマと呼ばれるものがあります。しかしアデノーマはカルシノーマ、つまりがんに進行する可能性があるのです。アデノーマは大腸のポリープのようなもので、単なる増殖ですが、悪性の性質はなく、広がることもありません。しかしそれでも、そこにあってほしくはないのです。なぜなら、腫瘍のDNAが追加の変異を獲得していくと、がんへの転化が起こる可能性があるからです。アデノーマからカルシノーマへの転化、これが私たちが恐れていることなのです。
Sam: これを聞いていると、素晴らしい、がんは解決された、大量の画像を投入すればすべてが素晴らしくなる、と思ってしまいます。現実に引き戻してください。
4.2 画像診断の限界とスケーラビリティの問題
Julian: さて、現実はこうです。がんを検出することは困難なのです。CTスキャナーやMRI画像装置を使って行う場合、腫瘤を見なければなりません。そして、その腫瘤が1ミリメートル以下であれば、人間の目には不可能かもしれません。しかし、コンピュータにとっても不可能かもしれないのです。たとえコンピュータがそれを検出できたとしても、数千万人の被験者を対象にスケールアップする場合、コンピュータはますます困難な状況に直面します。
腫瘍が小さければ小さいほど、最終的にはコンピュータも腫瘍を見つけるでしょうが、人々をスキャナーに通さなければなりません。そして、そのスケーラビリティこそが問題なのです。数千万人規模の集団ベースのスクリーニングを実施しようとすると、すべての人をCTスキャナーやMRI装置に通すことは現実的ではありません。機器の数、コスト、時間、すべてが制約となります。画像診断は確かに正確ですが、全人口をカバーするための方法としては限界があるのです。
4.3 リキッドバイオプシーの可能性と感度・特異度
Julian: 私が今お話ししているのはリキッドバイオプシーです。これは血液、唾液、汗、尿などの体液からがんを検出できるということです。そして、これらは入手が容易なのです。採血は非常に標準的な方法です。かかりつけ医でも実施できます。唾液であれば、チューブに吐き出すだけで済みます。
そして問題となるのは、血液中のDNAを測定する場合の感度と特異度です。時には血液や唾液中のRNAを測定することもできますし、尿中のタンパク質を測定することもあります。感度の問題こそが、これらの検査の感度と精度を向上させるために機械学習と人工知能が必要とされる理由なのです。
Sam: あなたは少し統計の話に入り込みました。感度と特異度という言葉を使われましたが、これらについて実用的な定義を教えていただけますか。
Julian: ええ、感度とは100万分の1なのか、それとも10億分の1なのかということです。10億個の細胞の中の1個を検出できるのか、それとも100万個の細胞の中の1個を検出できるのか。それが感度です。
特異度とは、何を検出しているのかということです。それは肺がん細胞なのか、前立腺がん細胞なのか、乳がん細胞なのか。両方が必要なのです。なぜなら、どこを探せばよいかを知る必要があるからです。血液中の情報だけでは、変異があることしか分かりません。これらの変異は悪性のがんにつながる可能性があります。では、どこを探せばよいのか。特異度が、おそらく乳がんである、あるいはおそらく肺がんであると教えてくれるのです。
そうすれば、それらの患者をMRIやCTスキャナーにトリアージし、確認することができます。ですから、これらのスキャナーは非常に重要です。なぜなら、最終的にはこれらが最も正確にがんを検出する方法だからです。しかし、後期がんの発症を予防するための集団ベースのスクリーニングにおいては、体液を通じて達成可能な、最も感度が高く、最も正確な検査を求めているのです。これは非常にスケーラブルでもあります。40歳や50歳の数千万人の患者に対して実施し、前がんや明らかながんを検出することができるのです。
5. 電子医療記録とリスク評価
5.1 AIによるリスク要因の統合的評価
Sam: 画像をより良く行うためにAIを使用するという話と、まだ設計していないかもしれない新しい検査の代替経路への希望を提供しているように感じます。液体について言及されましたが、まだ解明していない他のものもたくさんあるのではないでしょうか。
Julian: その通りです。AIのもう一つの用途は、本当に正確な電子医療記録を開発することです。コンピュータに話しかけることができます。コンピュータがメモを取ります。非常に正確な評価を行います。もちろん、年齢や居住地を伝えることができます。家族について話すこともできます。第一度近親者にがんの既往がある場合、リスクが高くなります。あなたの習慣は何ですか。飲酒しますか。喫煙しますか。ボディマス指数はどうですか。これらすべてががんのリスク要因を増加させる可能性があります。
電子医療記録には、処方されたすべての薬剤も含まれています。例えば、糖尿病でインスリンに依存している場合、あるいは抗糖尿病薬を服用している場合、これらは膵臓がんのような疾患を発症するリスク要因となります。膵臓がん患者の約50%は前糖尿病または糖尿病なのです。
繰り返しますが、これらすべては統計を通じて行うことができます。そして、そこでAIが非常に優れているのです。すべては数学であり、コンピュータはそれが本当に得意なのです。AIは複数のリスク要因を統合的に評価し、個人のがんリスクを総合的に算出することができます。これは人間の医師が手作業で行うには複雑すぎる計算ですが、コンピュータにとっては理想的な作業なのです。
5.2 医療現場での実践例と患者体験の変化
Sam: それは本当に魅力的に聞こえます。一方で、ここに座って考えていると、医者に行くたびに同じフォームに同じ質問を何度も何度も書かされているように感じます。これらのことを記憶してくれるという約束は本当に好きなのですが、実際には、毎回同じフォームに同じ病歴を記入しなくてもよくなるまでには、まだ長い道のりがあるように感じます。
Julian: それはちょうど変わり始めたところです。これは個人的な話ですが、私のかかりつけ医は60歳でした。彼は私の病歴を聞き取り、私はすべてのフォームに記入しなければなりませんでした。彼は私と話しながらコンピュータに向かってタイピングしていました。決して私の目を見ることはありませんでした。彼は引退し、私には今30代の若い医師がいます。彼はこの新しいタブレットを試しています。
タブレットは私たちの会話を聞いているのです。彼は私とアイコンタクトを取っており、私たちは会話をしています。そして彼は同じ質問をすべて私に尋ねていますが、タブレットはそれを本当に正確な医療記録に変換する方法を知っているのです。ですから、私はそのフォームに記入する必要がありません。そして彼は単に確認するだけです。例えば、去年私はアルコールを飲んでいたか。まだアルコールを飲んでいるか。アルコールを飲むのをやめたか。1日に何杯飲むか。私は嘘をついているか。
実際、コンピュータは私が真実を話しているかどうかを判断することができ、人間の耳や人間の観察では検出できないパターンを検出することにかなり優れているのです。これにより、医師は患者とより良い関係を築くことができ、同時により正確な医療記録を作成することができます。テクノロジーが医療の人間的な側面を強化しているのです。
6. AI導入における検証と安全性
6.1 早期導入のリスクと検証プロセスの必要性
Sam: これらについて話していると、より多くの問題の兆候を得られるようになるという考えは非常に魅力的だと思います。血液検査のような低コストの兆候を得られるようになり、より良い兆候を得られるようになります。何か欠点はありますか。
Julian: 欠点は、私たちがそれを早期に展開しすぎること、そしてこれらの検査が正確であることを本当に検証する前に展開してしまうことです。私が言ったように、あなたは体液と技術を使ってトレーニングセットを作成します。あなたが本当にがんを検査していることを知っている状態でです。そして、プロスペクティブな臨床試験を行わなければなりません。それは多施設共同でなければならず、数万人、場合によっては数十万人の患者に対して結果が出るように十分な検出力を持つように設計されなければなりません。そのトレーニングセットを検証できるのです。
そしてその後にのみ、本当にAIを信頼し始めることができるのです。検証プロセスは段階的で厳格でなければなりません。まず、既知のがん症例でアルゴリズムをトレーニングします。次に、それを未知の症例に適用し、その精度を測定します。しかし、本当の検証は大規模な前向き臨床試験を通じてのみ行われます。複数の医療機関にわたって、多様な患者集団で、統計的に有意な結果を得るのに十分な数の参加者を対象に実施する必要があります。この検証プロセスを経ずにAIツールを臨床現場に導入することは、患者に重大なリスクをもたらす可能性があります。偽陽性は不必要な不安と侵襲的な検査を引き起こし、偽陰性は致命的な遅延につながる可能性があるのです。
7. 治療用ワクチンの開発
7.1 微小残存病変への対応戦略
Sam: あなたは以前、治療用ワクチンについて言及されました。それはどういう意味ですか。
Julian: もし少量のがんの負荷がある場合、つまり切除または外科的に除去されたステージ1のがんがある場合、まだ数十万から100万個の細胞が残っている可能性があります。画像では見えず、目視もできず、おそらく血液中でも容易には検出できませんが、それらはそこに存在し、休眠状態にある可能性があります。そして今後数ヶ月または数年の間に潜伏し、その後、本格的ながんへと発展する可能性があるのです。
もしがんを除去し、遺伝子欠損がどこにあるかを知っていれば、これらの遺伝子欠損によってワクチンを作ることが可能になります。私たちは最初に感染症に対してこれを行う方法を学びました。そして今、初めてがんに対してこれを行う方法を学び始めているのです。遺伝子欠損はペプチドまたはアミノ酸配列につながり、そこには不自然なアミノ酸または不自然な配列があります。それは異物なのです。自己ではありません。
免疫系はそれを検出できるはずです。ここで、ワクチンを作成することによって免疫系がそれを検出するのを助けなければなりません。ワクチンは免疫系を目覚めさせ、危険信号があること、体内に異物があることを免疫系に伝えます。それを見つけてください、と。これらの異物抗原を提示する細胞は、T細胞応答を活性化することができます。そしてT細胞は増殖し、その細胞を認識し、腫瘍細胞のみを殺し、正常組織を無傷のまま残すことができるのです。
7.2 免疫システムの活性化メカニズムとmRNAワクチン
Julian: 遺伝子欠損はペプチドまたはアミノ酸の配列につながります。そこには不自然なアミノ酸または不自然な配列があり、それは異物です。自己ではないのです。免疫系は本来それを検出できるはずなのです。
しかし今、ワクチンを作成することによって免疫系がそれを検出するのを助けなければなりません。ワクチンは免疫系を目覚めさせ、免疫系に危険信号があることを伝えます。あなたの体内に何か異物があります。それを見つけなさい、と。これらの異物抗原を提示する細胞は、今やT細胞応答を活性化することができます。そしてT細胞は増殖することができます。
T細胞はその細胞を認識し、腫瘍細胞のみを殺し、正常組織を無傷のまま残すことができるのです。これが治療用ワクチンの美しいところです。化学療法のように体全体に影響を与えるのではなく、免疫系を訓練して、がん細胞だけを特異的に標的とし、破壊するのです。正常な健康な細胞は攻撃されません。この精密さこそが、治療用ワクチンアプローチが従来の治療法に比べて持つ大きな利点なのです。
7.3 メラノーマでの臨床試験結果
Sam: それは非常に魅力的です。しかし、これが実際に行われているという話は聞いたことがありません。どこまで進んでいるのでしょうか。
Julian: 昨年発表された最初のランダム化臨床試験は、MerckとModernaの共同研究で、メラノーマのアジュバント設定で行われました。つまり、メラノーマは除去されていました。使用されたワクチンはmRNAワクチンでした。これが彼らの特定の形式のワクチンです。他のタイプのワクチンもあります。
しかしmRNAワクチンでは、すべての変異が記録されました。どの変異が最も悪いか、どのmRNAをワクチンに形成すべきかを決定するためのアルゴリズムがありました。そして患者は免疫療法とワクチンの併用、または免疫療法単独のいずれかを受けました。
そして、ワクチンと免疫療法を組み合わせた場合に実質的な効果があることが確認されました。これを確認するために、昨年発表されたのはフェーズ2試験でした。そこで彼らは今、より大規模なフェーズ3試験で同じことを行い、はるかに大規模な患者集団で確認しているところです。この試験の結果は、治療用ワクチンががん治療の新しい標準となる可能性を示唆しており、特に早期に検出され外科的に除去されたがんの再発防止において、大きな期待が寄せられているのです。
8. がんとウイルスの特性比較
8.1 変異速度の違いとCOVID-19からの教訓
Sam: 少し懐疑的に反論したいと思います。COVIDパンデミックについて考えると、私が読んでいたすべてのものは、人工知能と機械学習がCOVIDを検出し、私たちのすべての問題を解決するだろうというものでした。そして、多くの点で、それは壮大に失敗したと思います。なぜ今回は、がんのような巨大で不吉なものを解決するというテクノロジーに関する他の多くの約束とは異なるのでしょうか。
Julian: 2つの問題を定義しましょう。なぜなら、それらは非常に異なる問題だからです。COVIDはウイルスでした。ウイルスはほぼ毎日、驚異的な速度で変異します。そして、がんも変異しますが、はるかにはるかに遅いペースです。1000分の1遅いペースなのです。
そのように考えてください。私たちはウイルスの変異を追いかけるよりも、がんの変異を追いかける方が速くできるのです。なぜなら、ウイルスは常に変異しているからです。ですから、私たちはまだCOVIDを抱えています。それは一般的な風邪やインフルエンザのような風土病ウイルスになりました。
がんは多くの点でより悪魔的です。なぜなら、最終的に私たちを殺し、異なる臓器に広がるからです。ウイルスとがんの根本的な違いは、その変異速度にあります。ウイルスが日々進化し続けるのに対し、がんの変異ははるかにゆっくりと進行します。この違いこそが、AIとバイオテクノロジーを使ってがんに対処する方が、急速に変異するウイルスに対処するよりも、より実現可能である理由なのです。
8.2 がんの複雑性と免疫療法
Julian: がんは多くの点でより悪魔的です。なぜなら、最終的に私たちを殺し、異なる臓器に広がるからです。がんは私たちの免疫系を回避します。これは私たちが最近、チェックポイント阻害剤と呼ばれる薬剤を使って免疫系を活性化する方法を理解し始めたものです。
これらの薬剤は、休眠状態にある免疫系のチェックポイントをブロックし、それを再び目覚めさせます。あるいは、個別化された方法で特別に設計されたさまざまなT細胞療法を通じて、一人ひとりのがんを攻撃するのです。
2つの分野には多くの共通点があります。遺伝学はウイルスにも当てはまりますし、がんにも当てはまります。しかし、速度は非常に異なり、複雑さも非常に異なります。なぜなら、宿主は両方のシナリオの下で非常に異なる振る舞いをしているからです。
ウイルス感染では、宿主の免疫系は外来の病原体に反応します。一方、がんでは、体自身の細胞が変異したものであり、免疫系を巧妙に回避するメカニズムを発達させています。チェックポイント阻害剤は、がん細胞が免疫系に送る「攻撃するな」という信号をブロックすることで機能します。T細胞療法は、患者自身の免疫細胞を体外で訓練または遺伝子改変して、がん細胞を認識し破壊する能力を高めてから体内に戻します。この複雑さと、がんと宿主の関係の特殊性こそが、がん治療をウイルス感染症とは根本的に異なるものにしているのです。
9. Julian Adams氏の経歴とビジョン
9.1 医薬品化学者からCEOへの道のり
Sam: あなたは魅力的な組織を率いていらっしゃいます。あなた自身とあなたの経歴、そしてどのようにしてこの分野に入られたのかについて、もう少し教えていただけますか。
Julian: では、自己紹介をさせてください。私は医薬品化学者としてキャリアをスタートさせました。MITで博士号を取得し、ポスドクフェローシップを行い、その後産業界に入りました。1980年代初頭に製薬業界に入り、薬剤の作り方と開発方法を学びました。
そして長年にわたって、私はがんの問題にますます固執するようになりました。私は40年以上にわたってがん研究に携わってきました。その過程で、Stand Up To Cancerの科学諮問委員会に参加する機会がありました。そして、Stand Up To Cancerが資金提供した多くのプロジェクトのレビュアーを務めました。
私は他の研究者が非常に困難な問題に取り組むのを見ることを楽しみました。がんがどのように発症し、どのように広がるか、そして治療法でどのように対処するか、そして私たちの治療の生物学的アウトカムをどのように測定するかについて、多くのことを学びました。いくつかのFDA承認を経て、最後のものは約1年半前でしたが、私は骨髄移植のための細胞療法を開発し、それがFDAに承認されました。
そして68歳という円熟した年齢で、私はおそらく引退するだろうと決めました。しかし、私は引退に見事に失敗しました。私はStand Up To Cancerの人々と会いました。彼らはカリフォルニアで毎年科学サミットを開催しています。私は理事会の議長であり、創設者の一人であるSherry Lansingのところに行きました。Stand Up To Cancerを設立した9人の素晴らしい女性たちは、全員がエンターテインメント業界とメディア業界出身です。
そして私は言いました、「私には時間があります」と。彼女は言いました、「素晴らしい。最高科学責任者として私たちに参加してください」と。そして私は約6ヶ月間それを行いました。そして昨年1月、私はCEOに降格されました。非常に興味深いですね。この「降格」という言葉の使い方には、Julianのユーモアのセンスが表れています。実際には昇進であるCEOへの就任を、謙遜を込めて「降格」と表現しているのです。
9.2 今後のがん研究への展望
Sam: 100年前を振り返ると、私たちは麻酔を使った最初の手術を行っていました。それ以前は、切り落とすか、壊れていて本当に直せないならそのままでした。手術や修復の考え方が生まれ、私たちはこの100年間で驚くべき距離を進んできました。そしてあなたがおっしゃるように、さらに前進し続けることは素晴らしいことです。
Julian: それに加えて、私たちの平均寿命は35歳または37歳から70代後半、80代へと延びました。上限がどこにあるのか、誰にも分かりません。私たちが皆永遠に生きたいと提案しているわけではありませんが、私たちは正常で健康的で生産的で質の高い生活を送りたいと思っており、それに反対する人は誰もいないでしょう。
Sam: これらのツールがその目標に向けて役立つことを願っています。人工知能と機械学習に非常に焦点を当てていますが、明らかにこのポッドキャストのためですが、これは時間とともに蓄積される成長する知識体系における、もう一つのツールに過ぎないと思います。そしてあなたがおっしゃったように、それを継続することが本当に重要なのです。
Julian: 米国はイノベーションの面で世界をリードしています。そして、がん研究資金提供の未来を支援していただけることを願っています。私たちは継続的な進歩を必要としています。AIと機械学習は確かに強力なツールですが、それらは医学研究の長い歴史の中で蓄積されてきた知識と経験の上に構築されているのです。100年前には想像もできなかった治療法が今日では標準的なものとなっています。そして今後100年で、私たちはさらに想像を超える進歩を遂げるでしょう。しかしそれは、研究への継続的な投資と支援があってこそ実現できるのです。Stand Up To Cancerの使命は、この重要な研究を支援し続け、がんとの戦いにおける次の大きなブレークスルーを可能にすることなのです。