DLL3を補う標的としてB7-H3とSEZ6を比べる

Daiki Kumakura · 2026-11-17 · Technical note · 1.0

SCLCの公開共発現表から、DLL3へB7-H3・SEZ6を加えた追加被覆率を標本別に計算。二つのコホートで順位と不確実性を比較し、RNA検出と薬効の違いを整理する。

On this page

DLL3が検出されない細胞を、B7-H3とSEZ6のどちらが多く補うのか。小細胞肺癌(SCLC)の公開シングルセル共発現表を使い、標本ごとの追加被覆率を比較した。

平均では両コホートともSEZ6が大きかった。しかし差のブートストラップ区間は0をまたぎ、B7-H3の追加被覆が大きい標本もほぼ半数あった。コホートの平均順位だけでは、各標本で何が残るかを説明しきれなかった。

ここでいう被覆は、悪性細胞で少なくとも一つの標的RNAが検出された割合である。タンパク質の細胞表面発現、薬剤の結合、殺細胞効果を測った値ではない。

問いと用途

解析の問いは、DLL3を対象にしたとき、B7-H3とSEZ6のどちらを加えると、各標本でより多くの細胞をカバーできるかを調べた。

利用範囲は、次のタンパク質測定や薬効実験で調べる標的を検討するための記述的解析に限る。治療薬の選択や投与順序・用量の決定には使わない。

Mishraらの原著 (1)は、DLL3・SEZ6・B7-H3の発現が細胞ごとに完全には重複しないことを既に示している。本稿は、新しい標的の発見を主張するものではない。公開された標本別集計から「どれだけ追加されるか」「標本によって順位が変わるか」「三標的でも何が残るか」を同じ分母で計算する。

公開表と解析対象

入力は原著の補足データS2 (2)である。Data 2A・2Bには、各標本のDLL3・SEZ6・B7-H3陽性割合、DLL3陽性細胞内での共陽性割合、三標的いずれかの陽性割合が収録されている。原著の悪性細胞注釈とRNA検出の判定をそのまま用い、生の発現行列から再解析したとは扱わない。

表1. 解析コホートの構成と除外行。

Population Main-analysis units Composition and handling
Cohort B 10 samples From 10 patients; all SCLC-A; 6 untreated and 4 previously treated
Cohort C 18 donor-label rows From Chan et al. (3); SCLC-A 12, SCLC-N 5, SCLC-P 1; 7 untreated and 11 previously treated
C pleural-effusion row 1 row excluded Public code states uncertain correspondence to existing patients; inclusion is a sensitivity analysis

S2には計29行があり、主解析には28行を用いた。Cの残る18行は互いに異なるRUドナーラベルである。胸水の PleuralEffusion 行は、患者の重複を独立した観測として数えないために除外した。原著の19行全体と本稿の主解析18行を混同しない。

コホートCは、ChanらのSCLCアトラス (3)に由来する独立した採取集団だが、今回用いる共発現割合はMishraらが既に処理した表である。生データ処理の独立再現や、治療反応の外部検証を行ったわけではない。

公開コードでは、DLL3・SEZ6・CD276(B7-H3)のRNAアッセイの正規化値が0を超える細胞を陽性としている (4)。これはタンパク質量に基づく治療用の陽性閾値ではない。各標本の検出感度をそろえ直していないため、同じ判定式でも測定の深さなどが異なれば非検出割合は変わり得る。

追加被覆率の計算

DLL3・SEZ6・B7-H3のRNAが検出された事象を、それぞれ \(D,S,B\) と書く。B7-H3を追加して新しく含まれるのは、DLL3が検出されずB7-H3が検出される細胞である。

\[ \Delta_B=P(D^-\cap B^+)=P(B^+)-P(D^+)P(B^+\mid D^+). \]

\[ \Delta_S=P(D^-\cap S^+)=P(S^+)-P(D^+)P(S^+\mid D^+). \]

S2の Pbind は \(P(B^+\mid D^+)\)、Psind は \(P(S^+\mid D^+)\) である。この分母は全悪性細胞ではなくDLL3陽性細胞であり、そのまま全体の共陽性率として引くと計算を誤る。表の脚注と公開コード (4)の定義を照合した。

例えば、DLL3単独の被覆率に \(\Delta_B\) を足せばDLL3+B7-H3の和集合が得られる。B7-H3の単独陽性割合を丸ごと足すと、両方で検出された細胞を二重に数える。

主要な比較量は同じ標本内の \(\Delta_B-\Delta_S\) である。正ならB7-H3、負ならSEZ6の追加被覆が大きい。各標本を同じ重みで平均し、細胞数の多い一標本が結果を支配する集計はしない。この平均が表すのは、採取された標本を一つ等確率で選んだ場合の平均RNA被覆率である。患者集団全体の腫瘍細胞を一つ無作為に選んだ場合の被覆率や、患者ごとの総腫瘍量を重み付けした値ではない。両コホートも一つに混ぜない。

不確実性は標本・ドナー行単位の10,000回ブートストラップで調べた。細胞を独立した患者のように再標本化しない。95%区間は各比較に対する探索的なパーセンタイル区間で、多重比較の補正や臨床的な採否基準としての校正は行っていない。原表の細胞注釈・RNA検出・標本内の測定誤差を含む区間ではなく、それらを固定した行間の不確実性を表す。

標本ごとに追加標的の順位が変わる

標本ごとのB7-H3とSEZ6の追加被覆率。各点は同一標本の悪性細胞に占める割合の増分。胸水行は主解析から除外した。

図1. 標本ごとのB7-H3とSEZ6の追加被覆率。各点は同一標本の悪性細胞に占める割合の増分。胸水行は主解析から除外した。

以下は analysis/run.py と outputs/tables/group_summaries.csv の出力である。ppはパーセントポイントで、例えば10 ppは悪性細胞全体に対して10ポイント追加されることを表す。

表2. コホート別のRNA被覆と追加被覆。

Cohort n DLL3 Additional B7-H3 Additional SEZ6 All three undetected
B 10 37.60% 9.78 pp 11.26 pp 44.45%
C 18 65.13% 4.53 pp 6.53 pp 24.96%

平均の追加被覆率は両コホートでSEZ6が上回った。ただし、標本内差の区間は以下のようになった。

表3. 標本内の追加被覆率差と区間。

Cohort Mean difference B7-H3−SEZ6 Row-bootstrap 95% interval
B -1.48 pp -5.51 to 1.78 pp
C -1.99 pp -5.54 to 0.53 pp

このデータから、どちらか一方を一般に優れた追加標的と結論する根拠は弱い。一方、図1の標本別の違いは、平均の僅かな差だけを見ていては把握できない。

B7-H3の追加被覆が大きい標本はBで5/10、Cで8/18だった。残りの標本ではSEZ6の方が大きかった。

ただし、標本内のRNA検出誤差を評価していないため、個々の標本で見えた順位差が安定した生物学的差を示すとは限らない。

比較のため、Bの平均追加被覆が大きかったSEZ6を全標本へ一律に選ぶ規則を作り、同じ規則をCにも適用した。これは既知の公開表を使った記述比較であり、未閲覧データによる事前検証ではない。

表4. 一律SEZ6と同じ表を見た後の標本別選択。

Cohort Uniform SEZ6 Larger target per sample Difference
B 11.26 pp 12.56 pp 1.31 pp
C 6.53 pp 7.48 pp 0.96 pp

「各標本の大きい方」は、今回の二つの追加標的と測定済みRNA表を固定した場合の、事後選択による記述上の上限である。生物学的に実現可能な最大薬効や、別の標的も含めた最大被覆率ではない。未知患者での選択性能ではなく、平均値だけで標的を一つに固定したときの取りこぼしを確認する比較として使う。この選び分けを薬効予測として利用するには、タンパク質量と薬効を対応させた別の検証が必要になる。

同じ表で選び分けた場合でも、一律SEZ6に対する平均上積みはBで1.31 pp、Cで0.96 ppだった。標本間で順位が変わる頻度と、選び分けによる平均被覆率の改善量は区別する必要がある。

三標的にしても全細胞を捉えるわけではない

三標的の重複から、検出・非検出の8組合せを包含排除で再構成した。\(P(S^+\cap B^+)\) は、三者の和集合と既知の共陽性割合から求める。

\[ \begin{aligned} P(S^+\cap B^+) &= P(D^+)+P(S^+)+P(B^+)\\ &\quad-P(D^+\cap S^+)-P(D^+\cap B^+)\\ &\quad+P(D^+\cap S^+\cap B^+)\\ &\quad-P(D^+\cup S^+\cup B^+). \end{aligned} \]

3標的の検出・非検出を8つの重複しない状態へ分けた図。各コホート内の標本を同じ重みで平均しており、全細胞を一つにプールした割合ではない。

図2. 3標的の検出・非検出を8つの重複しない状態へ分けた図。各コホート内の標本を同じ重みで平均しており、全細胞を一つにプールした割合ではない。

図2の灰色は三標的ともRNAが検出されなかった細胞の割合である。これは三標的のタンパク質が欠如している割合でも、治療抵抗性細胞の割合でもない。遺伝子の検出漏れ、発現量、細胞状態などの影響を分ける情報は、この集計表にはない。

第三の標的を加える場合の増分も、重複を除いた割合として計算できる。

表5. 第三標的の増分と三標的の平均被覆。

Cohort Add B7-H3 to DLL3+SEZ6 Add SEZ6 to DLL3+B7-H3 Mean three-target coverage
B 6.69 pp 8.17 pp 55.55%
C 3.38 pp 5.37 pp 75.04%

標的を追加すればRNA上の和集合が減らないこと自体は、集合の定義から決まる。この解析で調べているのは、その増分の実測集計上の大きさと標本間差である。増分があることだけで、追加薬剤の便益や毒性との釣り合いは決まらない。また、この和集合は「どちらか一方が検出されれば含める」というOR条件である。例えば二つの腫瘍抗原を同時に必要とする設計を考えるなら、対応する量は和集合ではなく共陽性部分になる。二標的の薬剤であるという名称だけでは、本稿の被覆率をそのまま適用できない。

除外行と標本構成による感度

コホート間では分子サブタイプと治療歴の構成が違う。Cについて胸水行を含めた場合と、Bと同じSCLC-Aだけへ限定した場合を比較した。

表6. 胸水行とサブタイプ構成の感度分析。

C population Rows Mean difference B7-H3−SEZ6
Exclude effusion 18 -1.99 pp
Include effusion 19 -1.77 pp
SCLC-A only, exclude effusion 12 -0.45 pp

主解析と胸水行・サブタイプ構成による感度分析。同じ標本内の追加被覆率差を比較し、行単位のブートストラップ区間を示した。

図3. 主解析と胸水行・サブタイプ構成による感度分析。同じ標本内の追加被覆率差を比較し、行単位のブートストラップ区間を示した。

SCLC-Aへ限定すると平均差は小さくなった。この比較だけでサブタイプが差の原因だとは言えないが、コホートの平均順位をそのまま疾患全体の性質として読むことには注意が必要である。

一標本ずつ外した平均差の範囲も調べた。

表7. 一標本除外による平均差の範囲。

Cohort Minimum–maximum leave-one-sample-out mean difference
B -2.30 to 0.04 pp
C -2.36 to -0.55 pp

Bでは一標本を外すと平均順位が逆になる場合があった。平均順位を固定したまま議論するより、どの標本の構成が順位を動かしているかを確認する必要がある。

RNA被覆率は表面抗原の被覆率ではない

この集計が数えたのはRNAの判定条件に合う細胞である。表面抗原の密度、抗体が結合できる割合、T細胞エンゲージャー(TCE)や抗体薬物複合体(ADC)の殺細胞効果は推定していない。RNA非検出と表面抗原陰性も区別できず、細胞数を増やすだけではこの差は埋まらない。

原著 (1)は循環腫瘍細胞(CTC)を用いてタルラタマブへの反応を調べた研究であり、その治療反応集団と今回の組織シングルセル集団は対応する患者集団ではない。原著の奏効率をこの被覆率に当てはめても、個人の治療反応モデルにはならない。複数標的のRNAが相補的に見えることは、併用効果や抗原逃避の抑制を示した結果ではない。

今回、SEZ6の平均追加被覆は大きかったが、標本別に選び分けても平均の上積みは約1 ppにとどまった。したがって、標本ごとの順位が変わるという結果だけでは、複雑な個別選択を支持しない。まずRNA上での追加被覆量が、この程度の差を持つ比較であることを押さえる必要がある。二つのコホートの差も、サブタイプ・治療歴に加え、標本採取とRNA検出を含む条件の差と分離できていない。

データとコードの公開状況

解析一式に、CC BYの入力表、出典・ハッシュ、抽出CSV、解析コード、結果表、検査コードを収録した。

python -m pip install -r requirements.txt
python analysis/import_s2.py
python analysis/run.py
python -m unittest discover -s tests -v

原著の共発現集計に対応するMethodsとFigure 7と公開コードの定義を2026年10月29日に再照合した。元のワークシートの行番号は抽出CSVに保持する。sample_coverage.csv に全29行と除外フラグ、group_summaries.csv に主解析と感度分析、frozen_rule_comparison.csv に一律標的と同じ表を見た後の選択を保存した。乱数シードは2026102502、再標本化は10,000回で固定する。原表の丸めにより8状態に生じる絶対値 \(10^{-7}\) 未満の微小な負値は図のみ0として扱い、計算出力には元の値を保持した。

参照

  1. Mishra A, Meador CB, Kikkeri K, Cunneely Q, Lin M, Carmona-LaSalle TJ, et al. Circulating Tumor Cells Predict Response to the DLL3-Targeting Bispecific Antibody Tarlatamab. Cancer Discov. 2026;16(5):911–930. doi:10.1158/2159-8290.CD-25-1483.
  2. Mishra A, Meador CB, Kikkeri K, Cunneely Q, Lin M, Carmona-LaSalle TJ, et al. Supplementary Data S2 from Circulating Tumor Cells Predict Response to the DLL3-Targeting Bispecific Antibody Tarlatamab [dataset]. AACR Figshare. 2026. CC BY 4.0. doi:10.1158/2159-8290.32728810. Accessed 2026 Oct 25.
  3. Chan JM, Quintanal-Villalonga Á, Gao VR, Xie Y, Allaj V, Chaudhary O, et al. Signatures of plasticity, metastasis, and immunosuppression in an atlas of human small cell lung cancer. Cancer Cell. 2021;39(11):1479–1496.e18. doi:10.1016/j.ccell.2021.09.008.
  4. Lin M and contributors. SCLC_response_to_Tarlatamab [source code]. Commit c14f343adda1e5c35fc56e8e2b3d9ed2a82e9894. MIT License. Repository. Accessed 2026 Oct 25.

All articles