Cleveland ClinicとIBM Researchの研究者たちは、免疫原性ネオ抗原を生成する腫瘍遺伝子変異を予測する量子機械学習フレームワークを開発した。免疫原性ネオ抗原とは、治療的T細胞免疫応答を引き起こす異常な細胞表面タンパク質である。Science Advancesに「Quantum convolutional HLA immunogenic peptide prediction (Q-CHIPP): Next-generation neoantigen prediction with quantum neural network」というタイトルで発表されたこの研究は、量子畳み込みニューラルネットワーク(QCNN)と生物医学分野の知識を組み合わせて、精密免疫腫瘍学におけるデータ不足と過学習の問題に取り組んでいる。
免疫原性ネオ抗原の予測は、個別化がんワクチンや標的免疫療法の開発において依然として大きな課題である。単一の腫瘍は数千の変異候補ペプチドを発現する可能性があるが、主要組織適合遺伝子複合体(MHC)に結合し、その後T細胞受容体(TCR)によって認識されるのはごく一部に過ぎない。古典的機械学習モデルは、小規模でノイズの多い生物学的データセットで訓練された場合に過学習に陥ることが多く、未知の抗原に対して評価した際の予測汎化性能が低い。共同研究チームは、わずか150サンプルのトレーニングセットから意味のある生物学的パターンを抽出できるQCNNアーキテクチャを設計することで、このデータ効率のボトルネックに取り組んだ。
Q-CHIPPフレームワークは、HLA-A*02:01制限9量体ペプチドを対象とする2つの異なるQCNNモデルを統合している。第1のモデルは、アンカー部位残基(アミノ酸位置2、4、5、9)を用いてペプチド-MHC結合を予測し、第2のモデルは、接触部位残基(位置3、5、6、7)を用いてTCR認識を予測する。結合特性が免疫原性予測を混乱させるのを防ぐため、TCRモデルは実験的に確認されたMHC結合体のみで訓練された。ペプチドは、両方の独立したQCNNチャネルが陽性予測を返した場合にのみ、免疫原性ネオ抗原として分類される。
耐故障性以前の量子ハードウェア上でアルゴリズムを実行するため、チームは経験的ノイズ軽減戦略—Pauliツイリング、動的デカップリング、制御されたショットベースサンプリング(回路実行あたり最大20,000ショット)を含む—と、シミュレータで最適化された重みを物理QPU上で直接微調整するウォームスタート転送プロトコルを実装した。研究者たちは、Cleveland Clinicに配備されたIBM Quantum System One上の46量子ビットを用いて、完全長9量体ペプチドモデリングへのアプローチをスケールさせた。同一のパラメータ制約と少数サンプルサイズの下で、エラー軽減されたQCNNは、パラメータを一致させた古典的畳み込みニューラルネットワークと比較して分類精度が6%向上した。
研究者たちは、免疫チェックポイント阻害剤で治療されたHLA-A*02:01陽性肺がん患者111名のコホートを評価することで、Q-CHIPPの臨床的妥当性を検証し、体細胞変異周辺のスライディングウィンドウを介して209,889の候補ペプチドを処理した。Q-CHIPPが予測した免疫原性ネオ抗原負荷に基づく患者層別化は、全生存期間において統計的に有意な分離を示し(P = 0.0085)、標準的なNetMHCpan結合ランク閾値(P = 0.0275)を上回った。特筆すべきことに、Q-CHIPPは古典的ベンチマークモデルでは見逃された25,542の独自の候補免疫原性ペプチドを同定し、位置7における主要なTCR相互作用残基に対する強い選択性を示した。
Science Advancesのオープンアクセス研究はこちら、Cleveland Clinic Lerner Research Institute Portalの研究最新情報はこちら、Cleveland ClinicとIBMのタンパク質シミュレーション用量子ワークフローに関する当サイトの過去の記事はこちら、溶融塩に関する異種量子-古典計算はこちらでご覧いただけます。
2026年8月1日
