医療におけるデジタルツイン：SIMCOは早産予防をモデル化できるか？
医療分野におけるデジタルツインは、工学的な発想を生物医学研究にもたらそうとしている。大規模な探索的薬剤試験が困難であったり、倫理的な制約がある場合、まず個人の生物学的システムの計算機上の対応物を作成し、さまざまな介入がその軌跡をどのように変化させるかを比較することはできないだろうか？
2026年10月21日、『サイエンス・アドバンシズ』誌に「早産予防戦略のための単一細胞レベルのデジタルツイン」という論文が掲載された。研究者らは、体外全血薬物スクリーニング、質量サイトメトリー、単一細胞最適輸送、および臨床転帰モデリングを結びつけるフレームワークであるSIMCO（Simulated Immunome Modeling of Clinical Outcomes）を紹介した。
この研究は説得力があるものの、その中心的なメッセージは「AIが早産を予防する薬を発見した」というものではない。より正確な解釈は、SIMCOが候補となる介入策をランク付けし、メカニズムに関する仮説を生成する方法を提供する、というものである。既存のデータセットにおいて、いくつかの介入策が分娩までのモデル化された時間を短縮できる可能性を予測しただけであり、妊婦に対する治療効果、安全性、または早産予防効果を実証したものではない。
早産予防のためにデジタルツインを構築する理由とは？
早産とは一般的に、妊娠37週未満での出産と定義されます。世界保健機関（WHO）の推計によると、2020年には1340万人の赤ちゃんが早産で生まれており、これは出生児の約10人に1人の割合に相当します。また、早産に伴う合併症は、5歳未満の子供の主要な死因の一つとなっています。
自然早産は単一の疾患ではありません。感染症、子宮頸部の構造異常、胎盤機能不全、慢性的な母体疾患、炎症、その他のメカニズムが関与する可能性があり、多くの症例では明確な原因が特定されていません。妊娠には動的な免疫バランスも必要です。母体と胎児の免疫寛容は早期に維持されなければなりませんが、分娩が近づくにつれて炎症反応が高まります。この「免疫時計」の早期活性化や調節不全は、自然早産と関連している可能性があります。
妊娠に関する臨床試験は、安全性、倫理、被験者募集、費用など、通常とは異なる制約に直面します。研究者が効果の低い候補を除外し、反応を示す可能性のあるグループを特定し、動物実験や臨床試験における介入の優先順位付けを行うのに役立つ血液ベースのモデルがあれば、開発リスクを軽減できる可能性があります。SIMCOは、まさにこの問題に対処するために設計されています。
医療分野におけるデジタルツインとは何ですか？
デジタルツインは工学分野で生まれた概念である。航空機エンジン、工場機械、建物などの仮想モデルは、実物からデータを受信し、状態を更新することで、故障予測や運用戦略の比較に役立つ。
医療分野において、物理的ツインとは患者、あるいはその患者の体内の特定の生物学的システムを指し、デジタルツインとは個々のデータから構築された仮想的な表現である。厳密な定義によれば、臨床的に意義のあるデジタルツインは以下の条件を満たすべきである。
パーソナライズ：これは単なる人口平均ではなく、特定の個人を表しています。
動的に更新されます：実験データ、画像データ、オミクスデータ、ウェアラブルデバイスデータ、または治療反応データが変更された場合、再較正が可能です。
予測的かつ意思決定指向的：将来のリスクや介入策を比較し、検証可能な意思決定を支援する。
つまり、すべての患者アバター、3D臓器モデル、または機械学習によるリスクスコアがデジタルツインとして認められるわけではないということだ。
モデル：電子カルテ ・主な機能：臨床履歴の保存 ・完全なデジタルツインとの主な違い：過去の記録は残すが、介入のシミュレーションは行わない場合がある
モデル：静的仮想モデル ・主な機能：臓器、細胞、または疾患構造を表す ・完全なデジタルツインとの主な違い：新しい個別データで更新されない場合がある
モデル：AI予測モデル ・主な機能：人口データからリスクまたはクラスを予測する ・完全なデジタルツインとの主な違い：同期のない一方向入出力システムである可能性がある
モデル：デジタルツイン ・主な機能：パーソナライズされた状態を維持し、更新し、「AとBを比較した場合どうなるか？」を比較する ・完全なデジタルツインとの主な違い：予測、更新、および意図された決定について検証する必要がある
これは厳しい基準です。2025年に実施された149件のヒトデジタルツイン研究を対象とした概観調査では、パーソナライゼーション、動的更新、臨床意思決定支援という著者らの基準をすべて満たしていたのはわずか18件でした。今日、デジタルツインと呼ばれているシステムの多くは、デジタルモデル、デジタルシャドウ、あるいは一度限りのコンピュータシミュレーションと表現する方が適切でしょう。
SIMCOは、このようなスペクトラムの中で捉えるべきである。SIMCOは、未治療および薬剤治療を受けた個々の免疫ツインを生成し、反事実シミュレーションをサポートする。しかし、各参加者の治療後データを継続的に取り込んだり、臨床ワークフロー内で再調整したりする機能はない。したがって、SIMCOは、妊娠患者の完全な仮想レプリカではなく、概念実証のための単一細胞免疫デジタルツインフレームワークと表現するのが最も適切である。
AIはデジタルツインにどのような付加価値をもたらすのか？
従来のデジタルツインは、物理方程式、メカニズムモデル、または事前に定義された生物学的ルールに依存することが多い。これらのモデルは前提条件を明示するが、人体は分子、細胞、臓器、行動といった様々なスケールにまたがり、非線形な相互作用や多くの未知のパラメータが存在する。
AIは、生物学的推論を置き換えることなく、デジタルツインの能力を拡張することができる。
異種データを統合する。機械学習は、画像データ、臨床検査値、電子カルテ、ゲノムデータ、単一細胞データ、ウェアラブルデバイスからの信号などを組み合わせて、患者の現在の状態を推定することができる。
個体差を学習する。表現学習と基盤モデルは、大規模な集団から共通の構造を学習し、少量の個別データを用いてそれを適応させることができる。
反事実をシミュレーションする。生成モデル、因果推論、摂動モデルは、単一のリスクスコアを予測するだけでなく、無治療、治療A、治療B、または異なる投与量を比較することができる。
時間の経過とともに再調整を行う。新たな測定値や観察された治療反応によってパラメータが更新され、モデルのずれが明らかになる。
複雑な出力を意思決定に変換する。知識グラフと言語モデルは、記録、文献、モデル結果を整理することができる。ただし、言語モデル自体は検証済みの生理学的シミュレーターではない。
最も有力な方向性は、ハイブリッド型のデジタルツインである。生理学、薬理学、生物学的制約によって妥当な推論が定義され、AIは高次元パターン、欠落パラメータ、計算速度の改善に役立つ。どちらの構成要素も、明確に定義された使用状況に基づいて不確実性の推定と検証が必要となる。
AIを活用したデジタルツインは、現在どのような分野で活用されているのでしょうか？
実際の目標は、人間の身体全体を完全に再現する万能の複製を作ることではない。測定可能で検証可能な判断に基づいて構築された、特定のタスクに特化した複製を作ることである。
応用分野：創薬および用途転換 ・双子が答えるのに役立つ可能性のある質問：介入後にどの細胞、経路、または臓器の状態が変化する可能性があるか？ ・現在の妥当な役割：候補物質のランキング、メカニズム仮説、およびオフターゲットスクリーニング
応用例：投与量と投与レジメンの検討 ・双子が答えるのに役立つ可能性のある質問：投与量、投与スケジュール、または組み合わせによって曝露反応はどのように変化するか？ ・現在の妥当な役割：治験設計のサポートであり、薬物動態、毒性、またはヒト用量漸増試験の代替ではない
応用例：臨床試験設計 ・双子が答えるのに役立つ可能性のある質問：どの患者が進行する可能性が高いか、またプラセボ投与後の結果はどうなるか？ ・現在の妥当な役割：予後共変量、エンリッチメント、または合成／外部対照研究（規制当局の承認が必要）
応用例：臓器特異的な計画立案 ・双子が答えるのに役立つ質問：異なる介入下で心臓の血流、腫瘍の増殖、または手術経路はどのように変化するか？ ・現在の妥当な役割：検証可能な出力を伴う、臓器または処置に焦点を当てたシミュレーション
応用分野：慢性疾患モニタリング ・双子が答えるのに役立つ質問：新しい血糖値、活動量、睡眠、または検査データは、変化した軌跡を示しているか？ ・現在の妥当な役割：動的なリスク予測と個別化された管理（前向き検証が必要）
応用分野：精密産科医療 ・双子が答えるのに役立つ可能性のある質問：候補となる介入によって患者の免疫状態はどのように変化するか？ ・現在の妥当な役割：SIMCOで示されているように、候補の早期ランク付けとバイオマーカーを豊富に用いた臨床試験設計
FDAは、モデリングとシミュレーションを、試験管内試験、動物実験、および臨床試験のエビデンスを補完するツールとして認識しています。2024年のFDA-CTTI公開ワークショップのプレゼンテーションでは、AIで生成されたデジタルツインが参加者固有のプラセボ効果を推定し、予後共変量調整と組み合わせた審査シナリオについても議論されました。これはワークショップの例であり、FDAが特定のデジタルツイン手法を承認したものではなく、デジタルツインがプラセボ群を単純に置き換えることができるという意味ではありません。データの出所、代表性、エンドポイント、事前に規定された分析、バイアス、不確実性、およびモデル失敗の影響はすべて、意図された用途について評価する必要があります。
生成型AIにも同様の制約が当てはまります。非構造化データの解析、知識の関連付け、検証可能なシナリオの提案、モデル出力の説明などに役立つ可能性はありますが、実際の生物学的データ、メカニズム上の制約、そして将来的な検証がなければ、流暢な出力はもっともらしい物語に過ぎず、患者に適用可能なデジタルツインとは言えません。
SIMCOはどのようにして単一細胞のデジタルツインを構築したのか？
この研究は4つの層に分けて理解することができる。
1. 妊娠中の免疫撹乱に関するアトラスを作成する
研究者らは、非妊娠女性8名と妊娠20～27週の妊婦11名から全血を採取した。各サンプルは、8つの免疫アッセイ状態（7つの刺激と1つの非刺激状態）と9つの候補介入および実験コントロールを組み合わせた96ウェルのex vivoデザインに投入された。候補は、8つの個別薬剤（クロルタリドン、マプロチリン、メトホルミン、ランソプラゾール、プラバスタチン、リファブチン、サリチル酸［SA、アスピリンの主要代謝物］、および5-メチルテトラヒドロ葉酸［THF、葉酸の活性型］）とSA-ランソプラゾール併用薬（SALPZ）から構成されていた。
質量サイトメトリーにより、28種類の免疫細胞集団、12種類のリン酸化タンパク質、および8種類の活性化マーカーが測定された。その結果作成されたアトラスは、約2億1800万個の白血球と80種類の摂動シナリオを網羅している。
2. 未処理の細胞がどのように反応するかを学ぶ
単一細胞アッセイでは、測定に細胞が消費されるため、通常、処理前後の同じ細胞を測定することはできません。CellOTは、ニューラルネットワークによる最適輸送を用いて、未処理細胞分布と処理済み細胞分布間の可能性のある変換を学習し、その変換を未知のベースラインサンプルに適用します。
生成される双子は、患者全体、胎盤、子宮頸部、胎児をシミュレーションしたものではありません。それは、ある時点における末梢免疫状態の計算上の対応物です。同じベースラインサンプルから、未治療の双子と、複数の薬剤投与候補の双子を生成することができます。
3. モデルを独立した縦断的コホートに投影する
SIMCOはその後、63人の妊婦から採取した177の血液サンプルを使用しました。正期産群は58人の参加者から153のサンプルを提供し、早産群は5人の参加者からわずか14のサンプルでした。サンプルは分娩前120日以内に、1人あたり1～3回の時点で採取されました。この研究の主要評価項目は、自然分娩開始までの時間でした。
このモデルは、刺激を与えていない各サンプルから、刺激に対する反応と候補薬に対する反応をシミュレーションした。Stabl特徴選択により、分娩までの時間を予測するモデルに適した、安定していて解釈可能な免疫学的特徴が特定された。
4. 治療を受けた双子と治療を受けていない双子を比較する
各参加者について、予測される薬剤効果は、治療を受けた双子と治療を受けていない双子の差として算出された。このペアデザインは、両方の予測に共通する誤差を低減する可能性があるが、これはあくまでコンピュータ上での比較であり、無作為化臨床試験における治療効果ではない。
主な結果は何でしたか？
未処理のデジタルツインでは、自然分娩開始までの予測時間はピアソン相関係数R = 0.64、RMSEは24.1日でした。サンプリング時間と分娩までの予測時間を組み合わせると、正期産と早産のサンプルを区別するためのAUROCは0.75（95%信頼区間、0.59～0.88）でした。ただし、AUPRCはわずか0.29（95%信頼区間、0.12～0.54）であり、独立したデータセットには5人の参加者からの14の早産サンプルしか含まれていませんでした。この結果は実現可能性を裏付けていますが、臨床リスクツールとしては十分ではありません。
モデル化された妊娠期間代理指標効果のうち、最も高い3つは以下のとおりです。
候補戦略：THF ・予測される遅延期間の中央値：24.7日（四分位範囲 11.4～45.9） ・利益が見込まれる参加者の割合：90.5% ・解釈：モデル化された最高値であり、観察された妊娠期間の延長ではない
候補戦略：マプロチリン ・予測される遅延期間の中央値：18.8日（四分位範囲 8.6～27.5日） ・効果が見込まれる参加者の割合：82.5% ・解釈：モデルランキングは高いが、中止と副作用により臨床応用への魅力が低下する
候補戦略：SA + ランソプラゾール（SALPZ） ・予測される遅延期間の中央値：17.3日（四分位範囲 3.5～33.8） ・効果が期待される参加者：87.3% ・解釈：用途変更の根拠はあるが、妊婦における有効性のエビデンスはない
SA単独では、参加者の約46%に効果があると予測された。SALPZの摂動プロファイル全体において、79%の機能が相加的、3%が相乗的、18%が拮抗的と分類された。したがって、この組み合わせを広く相乗的と表現するのは不正確である。
要約ではTHFとSALPZが強調されているが、本文中の上位3位にはマプロチリンも含まれている。これは矛盾ではなく、臨床応用の観点からの判断を反映している。疲労感、体重増加、抗コリン作用、妊娠中の抗うつ薬使用に関する議論などから、マプロチリンはモデル上の順位にもかかわらず、予防戦略としては魅力に欠けると言える。
このモデルはどのような免疫メカニズムを示唆していたのか？
分娩までの時間予測モデルでは、21種類の免疫学的特徴が用いられた。上位10項目のうち5項目はCD4陽性T細胞のシグナル伝達に関わるもので、分娩が近づくにつれて特定の刺激条件下でpSTAT3応答が増加するという特徴も含まれていた。顆粒球のpS6シグナル伝達は、妊娠期間においてこれとは逆の傾向を示した。
シミュレーションでは、THFとSALPZはナイーブCD4陽性T細胞におけるpSTAT3をより一貫して減少させ、顆粒球におけるpS6を増加させた。著者らは、考えられる2つの経路を提案した。
JAK-STAT3活性の低下は、炎症誘発性T細胞の分化を抑制し、母体と胎児間の免疫寛容を延長する可能性がある。
mTOR-pS6シグナル伝達の亢進は、自然免疫細胞においてより抗炎症的な状態を維持する可能性がある。
これらは生物学的に妥当な仮説であり、pSTAT3またはpS6が早産を引き起こす原因となるスイッチであることを証明するものではありません。末梢血の変化は、上流の疾患要因ではなく、胎盤または母体・胎児界面からの下流シグナルを反映している可能性があります。
これは既存の証拠とどのように関連するのでしょうか？
9つの戦略は、無制限のAI検索から得られたものではありません。これらは、早産遺伝子発現シグネチャーを逆転させる可能性のある薬剤を探した、チームの2020年版『JCI Insight』の計算による薬剤再利用パイプラインから選定されたものです。ランソプラゾールは、LPS誘発性胎児死亡マウスモデルにおいて胎児の生存率を改善しました。この結果は、炎症性動物モデルから得られたものであり、妊婦を対象とした予防試験から得られたものではありません。
低用量アスピリンは妊娠中の使用が確立されているが、米国予防医学専門委員会（USPSTF）の現在の推奨は、妊娠12週以降に81mg/日を服用する、妊娠高血圧症候群のリスクが高い患者に適用される。これを自然早産予防のための普遍的な治療法として再定義すべきではない。
葉酸の公衆衛生上の標準的な目的は、神経管欠損症の予防です。米国予防サービス特別委員会（USPSTF）は、妊娠を計画している、または妊娠可能な人に対して、1日あたり0.4～0.8mgの葉酸摂取を推奨しています。SIMCOの論文では、表2に葉酸の参照用量として800μgが記載されている一方、考察ではTHFの高用量として4mgが想定されています。この矛盾については、著者による説明が必要です。このモデルは、早産予防を目的とした自己判断による高用量葉酸摂取を正当化するものではありません。
本論文では、FDAの過去の妊娠カテゴリーAおよびBについても言及している。FDAは2015年に妊娠・授乳期表示規則に基づき、A、B、C、D、Xの各カテゴリーを置き換え始めた。現在の評価においては、過去のカテゴリーを現在の安全性の宣言として扱うのではなく、各製品のリスク概要、臨床的考察、および裏付けとなるデータを用いるべきである。
この研究で証明されていないことは何か？
1. サンプル数が少なかった（特に早産児グループ）。
摂動アトラスには、妊婦参加者はわずか11名しか含まれていなかった。臨床データセットには63名の参加者が含まれていたが、自然早産だったのは5名のみであった。集団、感染症、胎盤疾患、妊娠期間、多胎妊娠における一般化可能性は不明である。
2. 急性的な体外シグナル伝達は、長期的な体内応答ではない
血液を1時間薬物に曝露した後、2時間刺激した。これにより、急性リン酸化シグナル伝達と一部の二次シグナル伝達は捉えられるが、肝代謝、胎盤輸送、組織分布、慢性投与、感染防御、胎児への曝露は捉えられない。
3. 「24.7日」は臨床効果の推定値ではありません
この研究では、反復投与の近似値として、最大3つのサンプリング時点にわたる予測効果を合計しました。著者らは、SIMCOは正確な定量的予測よりも、戦略の比較やメカニズムの生成に適していると述べています。これらの代理値は、薬剤によって妊娠期間が何日間延長されるかを示すものではありません。
4. 末梢血は母体と胎児の界面ではない
重要な事象は、脱落膜、胎盤、胎膜、子宮頸部、または羊膜腔で発生する可能性があります。血液検査は測定範囲が広く、侵襲性も低いですが、組織特異的なメカニズムを見逃す可能性があります。
5. 治療反応の将来的な検証は行われなかった。
参加者はTHF、SALPZ、またはその他の候補治療薬の投与を受けなかったため、予測された反応と観察された反応を比較することができた。今後の研究では、妊娠期間全体にわたる外部コホート、適切な動物モデル、前向き臨床研究、感染リスク、胎児の安全性、および長期的な転帰の評価が必要となる。
6．特許および競合利益の開示は重要である
複数の著者がSurgeCare社で顧問または経営幹部を務めていることを報告しており、スタンフォード大学はこの研究に関連する特許を出願している。これらの開示は研究の有効性を損なうものではないが、翻訳や商業化に関する主張を評価する際には、証拠の文脈において考慮されるべき事項である。
真の進歩は処方ではなく優先順位付けである
この論文の最も興味深い貢献は、馴染みのある化合物が突然早産治療薬になったことではない。それは、提案された研究の順序にある。
少量の血液サンプルから、高次元の単一細胞摂動アトラスを構築する。
細胞やシグナル伝達経路における多様な応答について学ぶ。
これらのルールを、臨床転帰を持つ独立したコホートに適用する。
各人の治療を受けた免疫双生児と治療を受けていない免疫双生児を比較する。
前臨床試験およびヒト臨床試験の候補を選択する前に、システムレベルの影響をランク付けする。
これは、従来のバイオマーカー単独の問題よりも、薬剤開発の問題に近い。早産のリスクがあるのは誰かというだけでなく、どのような免疫介入が個人のモデル化されたシステムを妊娠初期の状態へと導く可能性があるのかという問いにもつながる。
その約束は、エビデンスの境界線をより重要なものにするものであり、重要性を低下させるものではない。SIMCOは現在、概念実証段階のデジタルツインフレームワークであり、臨床意思決定支援装置ではない。THFとSALPZは検証候補であり、実証済みの予防療法ではない。
結論：検索範囲を絞り込むことは重要だが、臨床検証を省略してはならない。
妊娠治療薬の研究における課題は、候補分子の不足ではなく、どの候補分子が次の実験に値するかを安全に判断することです。SIMCOは、単一細胞免疫プロファイリング、最適な輸送、および臨床転帰モデリングを組み合わせることで、平均的な免疫応答のみに基づく場合よりも、より詳細な優先順位付け戦略を提供します。
妊娠期間全体にわたる、より大規模で多様なコホートで再現され、前向き治療反応データとの比較検証が行われれば、精密産科医療のための初期研究ツールとなる可能性がある。バイオマーカーを重点的に用いた臨床試験を支援し、標的以外の免疫効果を特定し、妊娠研究に投入される候補薬の有効性を評価するのに役立つかもしれない。
現時点での責任ある結論は、より限定的なものである。すなわち、この研究は、単一細胞免疫デジタルツインが早産予防のための検証可能な仮説を生成できることを示している。しかし、シミュレーションされた候補が臨床現場で安全かつ効果的に早産を予防できることを示しているわけではない。
参考文献
Einhaus J, et al.早産予防戦略のための単一細胞レベルのデジタルツイン。*Science Advances*. 2026;12:eaed2741. DOI: 10.1126/sciadv.aed2741.
世界保健機関。早産。2023年。
Bunne C, et al.神経最適輸送を用いた単一細胞摂動応答の学習。*Nature Methods*. 2023;20:1759–1768.
Le BL, et al.早産予防のための治療候補の計算による発見。 *JCI Insight*. 2020;5:e133761.
米国食品医薬品局。 妊娠および授乳に関する表示リソース。
米国予防サービス特別委員会。 妊娠高血圧症および関連する罹患率と死亡率を予防するためのアスピリンの使用。2021年。
米国予防サービス特別委員会。 神経管欠損症を予防するための葉酸サプリメント摂取。2023年。
SIMCOの作者。SIMCOソースコード。GitHub; 2026年10月22日アクセス。
Tudor BH, et al.医療アプリケーションと使用パターンにおける人間のデジタルツインの概観レビュー。*npj Digital Medicine*. 2025;8:587.
De Domenico M, et al.複雑系視点から見た精密医療におけるデジタルツインの課題と機会。 *npj Digital Medicine*. 2025;8:37.
Coveney P, et al.デジタルツインとビッグAI：真に個別化されたヘルスケアの未来。*npj Digital Medicine*. 2025;8:494.
Venkatesh KP, et al.精密医療のためのツールとしてのヘルスデジタルツイン：計算、実装、および規制に関する考察。*npj Digital Medicine*. 2022;5:150.
米国食品医薬品局。FDA におけるモデリングとシミュレーション。2026年10月22日アクセス。
米国食品医薬品局。人工知能／機械学習：医薬品開発と規制の新たなフロンティア。FDA-CTTI公開ワークショップ資料；2024年。
2026年10月22日（米国/ニューヨーク時間）時点の事実確認済み。この記事は科学的研究に基づく解釈であり、医学的助言ではありません。妊娠中の投薬、葉酸の投与量、アスピリンの使用に関する決定は、個々のリスクに基づいて産科医または母体胎児医学の専門家と相談の上で行うべきです。
コメント