本研究では、発症前から長期追跡しているHTLV-1キャリアコホート「JSPFAD」、HAM患者レジストリ「HAMねっと」、ATLレジストリにより蓄積された検体と臨床データを活用して、ウイルス因子の多様性(ウイルスゲノム変異、ウイルス挿入部位)と、その違いにより引き起こされる宿主感染細胞のクロナリティならびにトランスクリプトームの特徴を明らかとし、機械学習を活用したこれらデータの融合的解析を通じて、疾患発症予測の精度を飛躍的に高めることを目指す。本研究により、「Pre-ATL」および「Pre-HAM」状態を定義することで、世界のHTLV-1感染者全体に対する発症リスクの推定が可能となり、これまで発症前に適切な医療介入を受けられなかった感染者に対して早期治療機会が提供される。また、本研究成果に基づきHTLV-1キャリア診療ガイドラインを改訂することで、HTLV-1感染者の診療レベルならびにQOLの向上に貢献することが期待され、本研究は、感染症対策の新たなモデルケースを提供することになると考えられる。