次世代フェノタイピング（NGP）とは？ AI顔貌解析・GestaltMatcher・HPOで変わる希少疾患診断を遺伝専門医が解説

遺伝子を読む技術が飛躍的に進んだいま、次の壁は「見つかった遺伝子の変化が、本当に病気の原因なのかを見分けること」に移りました。この壁を越えるために登場したのが、患者さんの顔つき（顔貌）の写真や症状をAIで数値化し、ゲノムデータと組み合わせて診断を助ける「次世代フェノタイピング（NGP）」です。本記事では、顔貌解析AI「GestaltMatcher」、症状の共通言語「HPO」、そして統合診断「PEDIA」の仕組みから、日本での臨床応用や課題までを、遺伝専門医の視点でわかりやすく解説します。

1. 次世代フェノタイピング（NGP）とは：なぜいま必要とされるのか

次世代シーケンシング（NGS）と呼ばれるDNAを高速に読み取る技術が普及したことで、遺伝性の希少疾患の診断率は大きく向上しました。ところがその一方で、ヒトのゲノムを網羅的に読むと、「病気に関係あるのかどうか判断がつかない遺伝子の変化」が大量に見つかるという新しい問題が生まれました[1]。診断のボトルネックは「配列を読むこと」から「読んだ結果の意味を解釈すること」へと移ったのです。この解釈の壁を越えるために登場したのが、患者さんの表現型（フェノタイプ）を定量的かつ高速にデータ化し、ゲノムデータと組み合わせる「次世代フェノタイピング（Next-Generation Phenotyping: NGP）」です。

NGPは複数の分野から合流してきた概念

「次世代フェノタイピング」という言葉は、実は臨床遺伝学だけのものではありません。いくつかの分野で独立に発展してきた考え方が、現在の統合的な枠組みへと合流してきた歴史を持ちます。第一の源流は、植物育種・農業ゲノミクスの分野で提唱された「ハイスループット表現型解析」です。作物の画像や環境データを自動計測し、遺伝的な要因と結びつけて品種改良の速度を上げる、という発想でした。第二の源流は、医療情報学における電子カルテ（EHR）を用いた高スループットフェノタイピングです。カルテに蓄積された断片的で不均一な臨床テキストや検査値を、研究に使える定義済みの特徴へと変換する試みから発展しました。

そして第三の、現在の遺伝医療の中心となっている源流が、コンピュータビジョンと深層学習を使った臨床形態学の解析です。これは主に顔つきなどの体の構造的な特徴をデジタルな記述子に変換し、遺伝性症候群との自動照合やゲノムバリアントの優先順位付けを行う技術です。共通するのは「生き物の定量的な特徴を標準化・高速データ化して、遺伝学的な解読の解像度を極限まで高める」という志向であり、NGPはこうした複数分野の合流点として理解されます。ゲノム解析そのものの基礎については、全ゲノムシーケンス（WGS）の解説もあわせてご覧ください。

2. 顔貌解析AIの進化：DeepGestaltからGestaltMatcher、3D顔メッシュへ

NGPの臨床応用のなかで最も成功しているのが、顔つき（顔貌形態）から特徴的な症候群を見分けるコンピュータビジョン技術です。多くの単一遺伝子疾患は特徴的な顔貌を伴うため、その「見た目のパターン」をAIに学習させれば、診断の強力な手がかりになります。初期を代表するアルゴリズムが「DeepGestalt」でした。これは深層畳み込みニューラルネットワーク（DCNN）を用い、患者さんの正面顔写真を前処理したうえで、あらかじめ学習しておいた症候群への「適合度」を出力する仕組みです。DeepGestaltは200以上の症候群を対象に、正解を上位10候補以内に挙げる精度が91%に達したと報告され、専門医と比較しても高い性能を示しました[1]。

しかしDeepGestaltには本質的な限界がありました。それは「学習セットに含まれる既知の疾患しか分類できない」という点です。世界的に報告例が極めて少ない「超希少疾患（ultra-rare disorders）」は、学習に必要な患者写真を集められないため、そもそも診断の対象外になってしまうのです。

GestaltMatcher：顔を「地図上の点」に変える発想

この限界を打破するために開発されたのが「GestaltMatcher」です。GestaltMatcherは、入力された正面顔写真を分類器にかけるのではなく、専用のエンコーダーを使って320次元の「顔貌表現型記述子（Facial Phenotype Descriptor）」という数値のベクトルに変換します。このベクトルを多次元の空間に投影することで、「臨床顔貌表現型空間（Clinical Face Phenotype Space）」と呼ばれる幾何学的な地図が描かれます[2]。

この地図の上では、2人の顔がどれくらい似ているかを「点と点の距離（コサイン距離）」として数学的に測ることができます。距離が近いほど顔つきが似ている、という直感的な解釈が可能です。GestaltMatcherの革新性は、学習セットに含まれていない未知の疾患の患者さんでも、とにかく地図上に点として置けることにあります。同じ原因遺伝子を持つ患者さんは、たとえ学習データがなくても地図上で自然に近くに集まる（クラスターを作る）ため、診断未確定の患者さん同士のマッチングや、新しい遺伝子と表現型の関連の発見が可能になりました[2]。この研究では、17,560人・1,115疾患の写真をもとに顔貌空間が定義されており、支援できる疾患の幅が大きく広がったことが示されています[2]。

2次元から3次元へ：顔メッシュとHPOへの直接マッピング

近年の技術は、平面的な2次元写真から、姿勢や照明の変化に強い「3次元の顔メッシュ」へと移りつつあります。研究段階のアプローチである「FaceMesh2HPO」は、2次元の顔写真から数百点の3Dランドマーク（網目状の点群＝メッシュ）を構築し、顔の幾何学的な歪みを、症候群名ではなく後述するHPO（症状の標準用語）の各項目に直接対応づけようとします[11]。これにより、「眼の異常」から「内眼角贅皮」といったより具体的な特徴まで、これまで医師の主観に頼っていた顔貌症状を、客観的に構造化できる可能性が示されています[11]。なおFaceMesh2HPOは現時点で査読前の研究報告であり、臨床での有効性が確立したものではありません。

3. HPOと知識グラフ：症状を「共通言語」にして遺伝子を絞り込む

NGPのもう一つの柱が、標準化された症状の記述言語である「ヒト表現型オントロジー（HPO: Human Phenotype Ontology）」の臨床活用です。患者さんの多彩な症状をHPOの用語（たとえば「小頭症」に対応するコード）で精密に記述することを「ディープフェノタイピング」と呼び、これがゲノム診断の解像度を左右します[13]。

従来の手法は、候補遺伝子に紐づく「教科書的な典型症状」と患者さんの症状がどれくらい一致するかを計算していました。しかしこの方法は、稀にしか出ない随伴症状や非典型的なケースをうまく扱えず、また医学論文が「わかりやすい典型例」ばかりを多く取り上げるという偏り（データバイアス）の影響を受けやすい弱点がありました[4]。

CADA：実際の症例データを重ねた知識グラフ

この課題に応えて開発されたのが「CADA」というアルゴリズムです。CADAは、HPOが持つ階層構造の上に、ClinVarなどのデータベースから抽出した実際の症例データ（現実の患者さんで見られた変異と症状の生データ）と、OMIMなどの疾患情報を重ね合わせ、巨大な臨床知識グラフを構築します[4]。そして、ネットワーク表現学習（グラフ埋め込み）という手法で「リンク予測」を行うことで、症状が不完全だったり非典型的だったりする患者さんの情報からでも、真の原因遺伝子を頑健に絞り込むことに成功しています[4]。疾患情報の基盤データベースであるOMIMについては、OMIMの解説ページもご参照ください。

SHEPHERDとPhenoScore：少ない症例でも学べる新世代のツール

グラフ構造を使うさらに新しいアプローチとして「SHEPHERD」が提案されています。これは生物医学の知識グラフ上に症状情報をマッピングし、グラフニューラルネットワーク（GNN）を用いる「少数事例学習（few-shot learning）」の枠組みです。米国の未診断疾患ネットワーク（UDN）に登録された465名を対象にした検証では、その多くが「コホート内でたった一人しかいない超希少疾患」であったにもかかわらず、非典型的な症例や新しい疾患遺伝子の発見において優れた性能を示したと報告されています[5]。

また、顔貌解析と症状解析を組み合わせた「PhenoScore」も注目されています。PhenoScoreは、顔貌から抽出した幾何学的特徴と、患者さんの症状（HPO）の類似性スコアを機械学習モデルで統合し、ゲノムデータを入力しなくても、患者さんが特定の遺伝性症候群のグループに属するかどうかを定量的に予測します。検証された多くの症候群で、他の神経発達障害と対象症候群を明確に区別でき、バリアントの解釈支援や疾患の再定義に役立つことが示されています[6]。

4. PEDIAと国家的検証：3つのスコアを束ねて診断精度を上げる

顔貌解析・HPO解析・塩基配列解析という個別の技術は、一つの診断システムに統合されたときに最大の力を発揮します。その代表が「PEDIA（Prioritization of Exome Data by Image Analysis）」です。PEDIAは、次の3つのスコアを統合して演算します[3]。

• ➤分子病原性スコア（CADD）：DNA配列レベルで、その変異がどれくらい影響しそうかを予測する配列ベースの指標
• ➤臨床症状類似性スコア（CADA）：患者さんのHPO用語と知識グラフから算出される症状ベースの指標
• ➤顔貌類似性スコア（GestaltMatcher）：顔貌空間での幾何学的な類似度に基づく画像ベースの指標

PEDIAはこの3次元（ゲノム・症状・画像）のスコアを機械学習モデルに入力し、患者さんの遺伝子ごとに「本当に原因遺伝子である確率」を計算して、一元化された優先順位リストを提示します。もとの研究では、顔写真の画像解析を加えることで、原因遺伝子を上位に挙げる精度が大きく向上したことが示されました[3]。

TRANSLATE-NAMSE：ドイツ国家プロジェクトでの実証

NGPの臨床的な有用性を大規模に証明したのが、ドイツの国家的な希少疾患プロジェクト「TRANSLATE-NAMSE」です。10の大学病院の希少疾患センターで、多職種の専門家チームによって症状をHPOで丁寧に記録された1,577名の患者さんにエクソーム解析が実施され、全体の32%で確定診断に到達しました。その大部分は有病率が5万人に1人以下という超希少疾患でした[7]。

重要なのは、顔貌画像解析の利用に同意した患者さんのサブグループで、配列データにAI技術（GestaltMatcher）を加えると、原因遺伝子をより効率的に優先順位付けできたことが示された点です[7]。診断過程では34の新規、23の候補となる遺伝子と表現型の関連も見つかっています[7]。「配列を読む技術」と「表現型を読む技術」を組み合わせることが、日常診療のなかで診断率を押し上げることを示した、記念碑的な研究といえます。

3つの独立したスコアを機械学習で統合し、一元化された順位リストを提示する。単独のスコアより高い精度が報告されている。

5. モワット・ウィルソン症候群の実例：VUSを再分類するAI

NGPが実際の診断でどう働くかを示す好例として、「モワット・ウィルソン症候群（MWS）」の解析事例が報告されています。MWSは、重度の発達の遅れ・小頭症・てんかん、そして特徴的な顔つきなどを呈する疾患で、ZEB2という遺伝子の変化が原因となります。この事例では、重い神経発達症を持つ患者さんに、当初は意義不明のバリアント（VUS）と分類されていたZEB2の新生突然変異（de novo変異）が見つかっていました[8]。

この未診断のケースにNGPを適用したところ、GestaltMatcherはMWSを最有力の候補として挙げ、PEDIAの統合によってZEB2が最も可能性の高い原因遺伝子として確認されました[8]。研究チームはさらに、この顔貌解析のスコアをACMG/AMPバリアント解釈指針の「PP4」という証拠レベルに対応づけるための閾値を、統計的な尤度比（ベイズ尤度比）を用いて算出しました。実際にこの患者さんの4枚の顔写真のうち、3枚が「中等度」、1枚が「支持的」の証拠レベルに達し、当初VUSだったバリアントを「病的の可能性が高い」へと再分類する後押しとなりました[8]。なお、この報告は査読前の研究段階のものです。

この事例は、NGPが単に「病名の候補を出す」だけでなく、バリアント解釈という診断の核心部分に、客観的な証拠を供給できることを示しています。VUSという「宙ぶらりんの結果」を減らし、診断を前へ進める――これはNGPが持つ大きな臨床的価値のひとつです。

6. 日本での展開と課題：民族的バイアスとプライバシー

NGP技術が世界中で本当に役立つためには、いくつかの重要な課題を越える必要があります。その筆頭が「民族的バイアス」の問題です。既存の顔貌診断データベースは、その歴史的な経緯から、構成データの多くがヨーロッパ系の症例写真で占められています。骨格や目元の基本的な配置には人種による正常範囲の差があるため、こうしたデータで学習しすぎたAIをアジア人（日本人）の患者さんにそのまま当てはめると、認識性能が下がる恐れが懸念されてきました。実際、複数のツールでは、より多様な民族的背景のデータを加えることで、代表性の低い集団での精度の差が縮まることが報告されています[9]。

日本人患者での検証：顔貌だけに頼らない

日本でも、先天異常症候群の日本人患者さんのデータを用いた実証研究が進められています。日本で集められた先天異常症候群の患者さんの顔写真を対象とした検証では、顔貌解析ツール（Face2Gene）を用いた診断支援において、ツールが対応していない疾患を除いたうえで、正しい症候群が上位10候補以内に挙がる割合が高い水準を示したことが報告されています[12]。この研究は、民族的背景が異なる集団に対しても顔貌解析AIが一定の有用性を持つ一方で、詳細な症状（HPO）を組み合わせることの臨床的価値を示す重要なエビデンスとなっています[12]。つまり、顔つきの数字だけに頼りすぎず、症状の記述と組み合わせることが、多様な集団では一層大切になるということです。

プライバシーという壁と、オンプレミス型の解決策

NGPを日常診療に組み込むうえで、もう一つ大きな壁となるのがプライバシーの保護です。顔写真は、極めて個人を特定しやすい要保護個人情報（生体識別情報）であり、生の画像を病院の外や海外のサーバーへ無防備に送ることは、各国の個人情報保護法のもとで厳しく制限されています。

この課題への技術的な答えの一つが、オンプレミス（施設内完結）型の実装です。オープンソースのバリアント解釈フレームワーク「VarFish」では、施設内でGestaltMatcherとCADAのサービスを内部的に連動させる仕組みが実装されており、診断の効率化とデータ保護の両立を図っています[10]。生の顔写真を外部に出さず、施設のなかだけで解析を完結させることで、プライバシーを守りながらAIの恩恵を受けられるようにする、という発想です。

次世代のマルチモーダル技術：GestaltMML

NGPの最先端は、各データを別々に処理してから最後に統合する方式から、AIモデルが最初から複数の情報を一体として取り込む「早期統合」へと進んでいます。トランスフォーマー技術に基づく「GestaltMML」は、この次世代統合の代表例です。GestaltMMLは、2次元の顔写真、年齢・性別・民族といった背景情報、そして臨床記述やHPO用語を、モデルの入力層で直接結びつけます[14]。これにより、あるデータに一部欠損やノイズがあっても、他の情報が動的に補い合い、超希少疾患の特定において高い汎化性能を発揮できると報告されています[14]。NGPは、顔貌・症状オントロジー・ゲノムデータの緊密な統合を伴いながら、今後の精密診断の主要な原動力になっていくと考えられます。

7. 遺伝診療との接続：NGPは遺伝カウンセリングの入り口

ここまで見てきたように、NGPは診断の「解像度」を高める強力な道具です。ただし忘れてはならないのは、NGPはあくまで診断を支援する補助技術であり、AIが診断を確定するわけではないということです。顔貌AIが挙げた候補も、HPO解析が絞り込んだ遺伝子も、最終的には遺伝専門医が患者さんの全体像のなかで解釈し、確定診断へと結びつけていきます。

NGPが関わる3つの遺伝診療の場面

NGPは、遺伝子診断・遺伝形式の判定・遺伝カウンセリングという遺伝診療の各段階に深く関わります。第一に遺伝子診断の場面では、NGPが候補疾患を絞り込むことで、どの遺伝子検査を選ぶべきか、見つかったバリアントをどう解釈すべきかの判断を助けます。第二に遺伝形式の判定では、MWSの例のように多くが新生突然変異（de novo変異）で生じる疾患か、あるいは親から受け継がれる疾患かを見極めることが、再発リスクの説明の出発点になります。そして第三に、確定した診断は必ず遺伝カウンセリングを通じて、患者さんとご家族に丁寧に伝えられる必要があります。

当院では、こうした網羅的な遺伝子解析や、その結果の解釈・説明を臨床遺伝専門医が担っています。NGPのような先端技術が普及するほど、その出力を医学的な文脈のなかで読み解き、患者さんにとって意味のある情報へと翻訳する専門家の役割は重要になります。遺伝子検査全般については遺伝子検査の総論ページもご参照ください。

8. よくある誤解

よくある質問（FAQ）

参考文献

• [1] Identifying facial phenotypes of genetic disorders using deep learning (DeepGestalt). Nature Medicine. 2019. [Nature Medicine]
• [2] GestaltMatcher facilitates rare disease matching using facial phenotype descriptors. Nature Genetics. 2022. [Nature Genetics] / [PubMed 35145301]
• [3] PEDIA: prioritization of exome data by image analysis. Genetics in Medicine. 2019. [Genetics in Medicine] / [PMC6892739]
• [4] CADA: phenotype-driven gene prioritization based on a case-enriched knowledge graph. NAR Genomics and Bioinformatics. 2021. [PMC8415429] / [PubMed 34514393]
• [5] Few shot learning for phenotype-driven diagnosis of patients with rare genetic diseases (SHEPHERD). npj Digital Medicine. 2025. [npj Digital Medicine] / [PMC12181314]
• [6] PhenoScore quantifies phenotypic variation for rare genetic diseases by combining facial analysis with other clinical features. Nature Genetics. 2023. [Nature Genetics] / [PMC11414844]
• [7] Next-generation phenotyping integrated in a national framework for patients with ultrarare disorders improves genetic diagnostics and yields new molecular findings (TRANSLATE-NAMSE / PEDIA). Nature Genetics. 2024. [Nature Genetics] / [PMC11319204]
• [8] Leveraging next-generation phenotyping for ACMG classification from VUS to likely pathogenic in Mowat-Wilson syndrome. medRxiv (preprint). 2025. [medRxiv]
• [9] GestaltMML: Enhancing Rare Genetic Disease Diagnosis through Multimodal Machine Learning Combining Facial Images and Clinical Texts (ethnicity analysis). PubMed / PMC. 2024. [PMC11071539]
• [10] Enhancing Variant Prioritization in VarFish through On-Premise Computational Facial Analysis. Genes (Basel). 2024. [PMC10969976] / [PubMed 38540429]
• [11] Hierarchical Classification via Cascading Feature Elimination: Application to Human Phenotype Ontology-Aligned Facial Phenotyping (FaceMesh2HPO). arXiv (preprint). 2026. [arXiv 2607.05585]
• [12] Evaluation of Face2Gene using facial images of patients with congenital dysmorphic syndromes recruited in Japan. Journal of Human Genetics. 2019. [J Hum Genet] / [PubMed 31138847]
• [13] Expansion of the Human Phenotype Ontology (HPO) knowledge base and resources. Nucleic Acids Research. 2019. [PMC6324074]
• [14] GestaltMML: Enhancing Rare Genetic Disease Diagnosis through Multimodal Machine Learning Combining Facial Images and Clinical Texts. PubMed / PMC. 2024. [PubMed 38711434] / [arXiv 2312.15320]

関連記事