OpenAIとボストン小児病院、o3モデルを用いたゲノム再解析で希少疾患の診断リードを特定

何が発表されたのか

ボストン小児病院のマントン希少疾患研究センター（The Manton Center for Orphan Disease Research）とOpenAIは、共同研究において、OpenAIの推論LLM「o3d-research」（以下、o3d）を統合した新たなゲノム解析ワークフローを開発しました。このシステムを用いて、これまで原因不明とされていた376件の小児希少疾患の未解決症例を再解析したところ、18件の症例において、診断確定に直結する新たな遺伝学的手がかり（リード）を特定することに成功しました。

本共同研究は、ゲノム解析における最大の課題である「時間的ボトルネック」を解消するためのアプローチです。次世代シーケンサーの普及により全ゲノムデータの取得は容易になりましたが、そこから疾患の原因となる極小の遺伝子変異を特定する作業は、依然として専門医による膨大な手作業と文献調査に依存しています。本システムは、AIが膨大なゲノム変異データと患者の臨床症状、そしてPubMedなどの医学文献データベースを横断的に推論し、根拠付きの診断仮説を高速で生成するものです。

本発表は研究段階の成果であり、ただちに一般提供（GA）されるものではありません。しかし、今後はOpenAI Foundation（OpenAI財団）からの助成金（グラント）を活用し、ボストン小児病院のような高度な医療機関だけでなく、世界中の臨床医がセキュアに利用できる汎用ツールの開発が進められる計画です。

発表された機能・アップデートの全容

1. 「o3d-research」を中核としたゲノム・症状の双方向推論ワークフロー

本研究で開発されたシステムは、患者のゲノムデータと臨床症状（フェノタイプ）を高度に統合して解析するワークフローです。解読された全ゲノムデータは、患者1人あたり約50万行に及ぶ膨大な変異（バリアント）データを含んでいます。AIはこの変異リストと、患者の具体的な症状を記述した数値オントロジーコード（HPOコード）を入力として受け取ります。モデルは、自身の持つ広範な医学知識ベースを活用し、「どの遺伝子変異が、どのような生化学的経路を通じて、患者の具体的な症状（足下垂や筋力低下など）を引き起こしているか」を双方向から推論します。

2. 「ブラックボックス」を排除した証拠提示型の仮説生成

従来のAI解析ツールは、特定の遺伝子を「原因候補」としてパーセンテージやスコアで提示するのみで、その判断に至った理由が不透明な「ブラックボックス」になりがちでした。これに対し、本システムは「なぜその遺伝子が疑わしいのか」の論理的根拠を明確に言語化して提示します。具体的には、変異がタンパク質構造に与える予測影響、関連するシグナル伝達経路、そして過去のPubMed文献から抽出した学術的証拠を紐付けた詳細なレポートを生成します。これにより、臨床医はAIの提示した仮説を即座に検証し、信頼性を判断することができます。

3. 未解決症例（コールドケース）の自動・定期的な再スキャン機能

希少疾患の領域では、10〜15年前にゲノム解読を行ったものの、当時の医学知識では原因を特定できずに「未解決」として放置されている症例（コールドケース）が大量に存在します。疾患に関連する遺伝子は日々新しく発見されており、現在では約8,000〜9,000個が解明されています。本システムは、これらのコールドケースのデータを、医学知識の更新に合わせて自動かつ定期的に「再解析」するワークフローを可能にします。ゲノムデータ自体は変わりませんが、AIが最新の文献情報を基に再スキャンを行うことで、過去に見逃された診断の手がかりを動的に浮き彫りにします。

4. Manton Case 151における「S1PR1」遺伝子の発見エピソード

本ワークフローの驚異的な実用性を示す具体例として、マントンセンターに登録されていた極めて古い未解決症例「Manton Case 151」の解析結果が紹介されました。この患者は、尋常性白斑（vitiligo）、大血管転位（transposition of the great vessels）、肺高血圧症（pulmonary hypertension）という、一見して関連性のない複雑な症状を併発していました。o3dモデルは、この症例に対して「S1PR1」遺伝子の変異を提示しました。当初、臨床医は関連性を疑いましたが、AIが提示した根拠を辿ると、2000年に発表された（26年前の）古い論文にS1PR1と尋常性白斑の関連性を示す記述があることを発見しました。さらに、1988年にこのS1PR1遺伝子を世界で初めてクローニングした研究者が、ボストン小児病院の隣のビルに在籍していることが判明し、即座に共同研究へと発展しました。

5. 臨床データに最適化されたプロンプトエンジニアリングとエラー回避

AIモデルが臨床で実用的な精度を持つために、研究チームは解決済みの既知の症例を用いてモデルの調整（反復改良）を行いました。初期段階では、AIがシーケンス深度の不足（データの信頼性が低い変異）を誤って原因と判断するなどのエラーが発生しました。これに対し、「シーケンス深度が十分である場合のみ変異を信頼する」といったエラー回避のルールをプロンプトに組み込むことで、モデルの推論プロセスを最適化しました。この反復的なプロンプトエンジニアリングにより、最終的に解決済み症例の80〜90%において、正しい原因遺伝子を特定する高い再現性を達成しました。