ペンシルベニア大学、ヒト介在型AIフレームワークでCAR-T細胞療法の新たな固形がん標的「GPNMB」を特定～白血病・メラノーマ・大腸がんで効果確認

ペンシルベニア大学ペレルマン医学大学院の研究チーム（Daniel Baker氏、Carl June氏、Zoltan Arany氏ら）は、2026年6月25日付で学術誌『Cell』に、大規模言語モデル（LLM）とシングルセルRNAシーケンシング（scRNA-seq）データを統合した「ヒト介在型（human-in-the-loop）AIフレームワーク」を発表しました。この手法により、CAR-T細胞療法の新たな標的抗原を体系的に発見・優先順位付けすることに成功。最有力候補として特定されたのは GPNMB（glycoprotein non-metastatic melanoma protein B） で、GPNMBを標的とするCAR-T細胞はマウスモデルにおいて、メラノーマ、白血病、大腸がんに対して有効性を示しました。本フレームワークはモジュール型で疾患非依存的かつあらゆるLLMに適応可能な設計となっており、固形がんなど従来困難だった領域でのCAR-T療法の適応拡大を劇的に加速することが期待されています。これまで数か月～数年を要した標的発見プロセスを、わずか数週間に短縮できるとされています。

ヒト介在型AIフレームワークの仕組み

• データ統合と優先順位付け：チームはまず、4つの公開シングルセルRNAシーケンシング皮膚がんデータセットと公共データベースの情報を統合。その後、CAR-T細胞療法に適した特徴（腫瘍特異的な発現、細胞表面へのアクセス可能性など）を持つ1万以上の表面抗原候補を、生物学的ガイドラインに基づいて優先順位付けしました。
• LLMによる標的選定：優先順位付けされたリストから、複数の最先端大規模言語モデルを活用して理想的な標的抗原を選定しました。
• 幻覚リスクの低減：LLMが生成する「幻覚（hallucination）」のリスクを軽減するため、標的選定シミュレーションを1,000回独立して反復実行し、その結果を集約して最終的な短期リストを作成しました。
• 専門家による検証：科学者らが短期リストをレビューし、表面発現の確認、CAR構築、前臨床試験といった生物学的検証を実施しました。
• 処理速度：AI主導のパイプライン全体は従来の手動法が数か月～数年かかるのに対し、わずか数週間で完了しました。

最有力抗原「GPNMB」の特徴

• GPNMB（glycoprotein non-metastatic melanoma protein B）が、本フレームワークによる最有力候補として特定されました。
• GPNMBを標的とするCAR-T細胞は、マウスモデルにおいて メラノーマ、白血病、大腸がん に対する顕著な抗腫瘍活性を示し、複数のがん種にまたがる治療効果の可能性が実証されました。

血液がんから固形がんへ：標的発見の加速戦略

• 疾患非依存的な設計：本フレームワークは、実証実験に用いた皮膚がんデータセットに限らず、あらゆるがん種や疾患に一般化可能なモジュール型として設計されています。
• 公開データで動作：公開データセットで機能するため、臨床検体や独自のシーケンシングにアクセス可能な機関だけでなく、より多くの研究機関での標的発見を民主化します。
• LLMに非依存：特定のLLMに依存しない設計のため、今後登場するより高度なモデルにも適用可能です。
• 研究の目標：研究チームは、現在FDAが承認する血液がん以外へのCAR-T細胞療法の拡大における最大の障壁である、固形がんに対する安全で有効な表面標的の発見というボトルネックを打破することを明確に目的としています。