OpenAI o3 Deep Research での希少遺伝性疾患の診断

ボストンチャイルドレンホスピタルの Manton Center for Orphan Disease Research、ハーバード大学、および OpenAI の研究者らは、OpenAI o3 Deep Research 推論モデルが、以前は専門家の分析をすり抜けていた希少遺伝性疾患の候補説明を医師が特定するのに役立つことを実証しました。2026年6月18日に NEJM AI に掲載された研究では、AI支援ワークフローにより以前未解決だった 18 症例の診断が確立され、これにより診断率が追加で 4.8% 向上しました。

AI支援による再解析が新たな診断をもたらす

OpenAI o3 Deep Research は、臨床医のレビューのために証拠にリンクした仮説を浮き彫りにする説明優先の推論レイヤーとして機能しました。このモデルは臨床的決定や診断を行うわけではなく、代わりに臨床的特徴、遺伝パターン、バリアント証拠、および科学文献を統合して、専門家が検証できる正当化を提供しました。

以前に分析された未解決の 376 症例のうち、モデルは 18 の新たな診断を確立するのに役立ちました。特定のコホートごとの結果は以下の通りです：

コホート	症例数	検出された診断	収益率
神経発達	100	10	10.0%
神経筋疾患	61	4	6.6%
小児における突然の予期しない死	200	2	1.0%
早期精神病	15	2	13.3%
合計	376	18	4.8%

これらの 18 診断のうち、7 つはローカル研究ワークフロー外で確立された診断の再発見であり、レビューされた記録から欠けていたもので、断片化されたデータソース間での情報統合の難しさを浮き彫りにしています。

技術的ワークフローと検証

研究チームは、各症例ごとに標準化された Human Phenotype Ontology 用語、臨床医のメモ、患者メタデータ（年齢と性別）、および希少性、予測されるタンパク質への影響、ClinVar 分類、およびシグナル品質を含むフィルタリングされたバリアントテーブルから構成される構造化データパケットを使用しました。

解決済み症例での検証

• 一般的な希少疾患: 51 症例のうち 48 症例で、重複実行により正しい遺伝子とバリアントを回復しました。
• 神経筋症例: 57 症例のうち 45 症例で、重複実行により正しい診断を返しました。
• 長読みゲノムセット: すべての 15 症例で正しい遺伝子を命名し、病原因性のアレルを両方とも 12 症例で特定しました。

信頼度スコアリング

モデルは精度と相関する自己報告の信頼度スコアを提供しました。一貫して正しい呼び出しの平均最小スコアは 85.6 で、誤っているか不明な呼び出しでは 42.1 でした。これらのスコアは、臨床的 adjudication の代替ではなく、専門家レビュー担当者が最も有望な候補者に向かうようにガイドするために使用されました。

高度なゲノミックな洞察と仮説

推論モデルは、複雑な遺伝事象を特定し、新規の生物学的メカニズムを提案する柔軟性を示しました：

• 構造バリアント推論: 早期精神病の 1 症例において、モデルは染色体 22 上の低品質のコールと患者の臨床的特徴を結びつけて、入力データに明示的にリストされていないにもかかわらず、DiGeorge 症候群に関連する 22q11.2 デリーションを推論しました。
• 二遺伝子説明: モデルは、LAMA2 と FOXP1 の組み合わせたバリアントや、TTN と SRPK3 を含む別のケースのように、2 つの遺伝子が表現型をよりよく説明する症例を特定しました。
• 新規メカニズム仮説: モデルは、S1PR1 の 11 アミノ酸欠失と白斑の間の可能性のある新規の関連を提案し、この欠失が受容体の構造とシグナルを変化させて色素生成を減少させると示唆しました。この仮説はさらなる実験的検証が必要です。
• 表現型の拡張: モデルは、神経筋コホートにおける HSPB8 と CDK13 の有害なバリアントに対して、より広範な臨床スペクトラムを示唆しました。

制限事項と臨床的ガードレール

この研究は後向きであり、非識別情報を使用しました。研究者らは、このモデルは研究ツールであり診断デバイスではないことを強調しました。AI が生成したすべてのリードは、少なくとも 2 名のチームメンバーによる ACMG/AMP フレームワークを使用したレビュー、バリアントの病原性または likely pathogenic との分類、CLIA 認定ラボによる確認、および最終的な医師によるレビューという厳格な人間主導のプロセスの対象となりました。

主な制限事項は以下の通り：

• この研究では、時間の短縮、コスト、または患者ケアの変化は測定されませんでした。
• 構造バリアント、リピート拡張、またはモザイク主義を体系的に評価することはありませんでした。
• LLM は妥当そうだが誤った説明を生成する可能性があり、そのため人間による adjudication が必要となります。

今後の方向性

OpenAI 財団からの助成金を受けた Manton Center は、プラットフォームに依存しない低コストの遺伝学 AI コパイロットを開発します。今後の研究は、診断率、臨床医の労力、および偽陽性の負担という観点で、LLM 支援による再解析と標準的な実践を比較する前向きなマルチセンター研究に焦点を当てます。