tooluniverse-cancer-variant-interpretation

精密腫瘍学におけるがん変異の解釈

がんの体細胞変異を包括的に臨床解釈します。遺伝子と変異の入力を、臨床エビデンス、治療選択肢、耐性メカニズム、臨床試験、予後への影響を網羅した、実行可能な精密腫瘍学レポートに変換します。

主な原則：

1. レポートを最初に作成 - まずレポートファイルを作成し、その後、段階的に内容を追加します
2. エビデンスの段階付け - すべての推奨にエビデンスレベル（T1～T4）を付与します
3. 実行可能な出力 - データを羅列するのではなく、優先順位付けした治療選択肢を提示します
4. 臨床に焦点を当てる - 「どのような治療を行うべきか」に答え、「どのようなデータベースがあるか」には答えません
5. 耐性を考慮する - 既知の耐性メカニズムを必ず確認します
6. がん種に特化する - がん種が提示されている場合は、すべての推奨を患者のがん種に合わせます
7. 出典を明記する - すべての記述で、ツールまたはデータベースの出典を引用します
8. 英語を優先したクエリ - ユーザーが別の言語で入力していても、ツール呼び出しでは常に英語の用語（遺伝子名、薬剤名、がん種）を使用します。回答はユーザーの言語で行います

---

推測せず、検索する

科学的な事実に不確かな点がある場合は、記憶に基づいて推論するのではなく、まずデータベース（PubMed、UniProt、ChEMBL、ClinVar など）を検索します。データベースで検証された回答は、推測よりも常に信頼できます。

---

説明するだけでなく、計算する

分析に計算（統計、データ処理、スコアリング、エンリッチメント）が必要な場合は、Bash 経由で Python コードを記述して実行します。実行方法を説明するだけでなく、実際に実行して結果を報告します。ToolUniverse ツールでデータを取得し、Python（pandas、scipy、statsmodels、matplotlib）で分析します。

使用する場面

ユーザーが次のように尋ねた場合に適用します。

• 「肺がんにおける EGFR L858R の治療法には何がありますか？」
• 「患者に BRAF V600E メラノーマがあります。治療の選択肢は何ですか？」
• 「KRAS G12C は標的治療が可能ですか？」
• 「オシメルチニブ投与中に病勢が進行しました。次の治療は何ですか？」
• 「PIK3CA E545K を対象とする臨床試験はありますか？」
• 「この体細胞変異を解釈してください：TP53 R273H」

---

入力の解析

必須：遺伝子記号と変異表記（例：「EGFR L858R」、「BRAF p.V600E」、「EML4-ALK fusion」、「HER2 amplification」） 任意：がん種（特異性が向上します）

遺伝子記号と変異を個別に解析します。融合遺伝子の場合は、キナーゼ側のパートナーを主要遺伝子として使用します。増幅／欠失の場合は、遺伝子名をそのまま使用します。一般的なエイリアスを正規化します：HER2 -> ERBB2、PD-L1 -> CD274、VEGF -> VEGFA。

---

フェーズ 0：ツールのパラメーター確認（重要）

ツールを初めて呼び出す前に、必ずパラメーターを確認してください。

ツール	誤ったパラメーター	正しいパラメーター
OpenTargets_get_associated_drugs_by_target_ensemblID	ensemblID	ensemblId（キャメルケース）
OpenTargets_get_drug_chembId_by_generic_name	genericName	drugName
OpenTargets_target_disease_evidence	ensemblID	ensemblId + efoId
MyGene_query_genes	q	query
search_clinical_trials	disease、biomarker	condition、query_term（必須）
civic_get_variants_by_gene	gene_symbol	gene_id（CIViC の数値 ID）
drugbank_*	任意の 3 つのパラメーター	必須パラメーターはすべて 4 つ：query、case_sensitive、exact_match、limit
ChEMBL_get_drug_mechanisms	chembl_id	drug_chembl_id__exact
ensembl_lookup_gene	種の指定なし	species='homo_sapiens' は必須

---

ワークフローの概要

Input: Gene symbol + Variant notation + Optional cancer type

Phase 1: Gene Disambiguation & ID Resolution
  - Resolve gene to Ensembl ID, UniProt accession, Entrez ID
  - Get gene function, pathways, protein domains
  - Identify cancer type EFO ID (if cancer type provided)

Phase 2: Clinical Variant Evidence (CIViC)
  - Find gene in CIViC (via Entrez ID matching)
  - Get all variants for the gene, match specific variant
  - Retrieve evidence items (predictive, prognostic, diagnostic)

Phase 3: Mutation Prevalence (cBioPortal)
  - Frequency across cancer studies
  - Co-occurring mutations, cancer type distribution

Phase 4: Therapeutic Associations (OpenTargets + ChEMBL + FDA + DrugBank)
  - FDA-approved targeted therapies
  - Clinical trial drugs (phase 2-3), drug mechanisms
  - Combination therapies

Phase 5: Resistance Mechanisms
  - Known resistance variants (CIViC, literature)
  - Bypass pathway analysis (Reactome)

Phase 6: Clinical Trials
  - Active trials recruiting for this mutation
  - Trial phase, status, eligibility

Phase 7: Prognostic Impact & Pathway Context
  - Survival associations (literature)
  - Pathway context (Reactome), Expression data (GTEx)

Phase 8: Report Synthesis
  - Executive summary, clinical actionability score
  - Treatment recommendations (prioritized), completeness checklist

各フェーズの詳細なコードスニペットと API 呼び出しパターンについては、ANALYSIS_DETAILS.md を参照してください。

---

臨床推論の戦略

ドライバー変異とパッセンジャー変異の推論

腫瘍のすべての変異が、がんを進行させているわけではありません。データベースを検索する前に、仮説を立てましょう。

• この遺伝子は、既知のがん遺伝子または腫瘍抑制遺伝子ですか？ EGFR、BRAF、KRAS、TP53、PIK3CA などの遺伝子は、がんのドライバーとして広く知られています。これらの遺伝子に変異がある場合は、詳しく調べる必要があります。がんとの関連が知られていない遺伝子の変異は、パッセンジャーである可能性が高いです。
• この特定の変異は、腫瘍間で繰り返し見られるホットスポットですか？ cBioPortal で特定の研究における頻度を確認するか、GenomeNexus_get_cancer_hotspots を使って、Chang らのホットスポットデータベースに基づく is_hotspot の真偽値と腫瘍数を直接確認してください（例：BRAF V600E：is_hotspot: true、単一残基のホットスポットとして897腫瘍、3Dクラスターのホットスポットとして545腫瘍）。独立した数百の腫瘍で見られる変異は、ほぼ間違いなくドライバーです。同じ遺伝子に見られる、これまでに報告のない固有のミスセンス変異は、確実性が低くなります。
• 機能的影響はどのように予測されていますか？ 腫瘍抑制遺伝子における終止変異（ナンセンス変異、フレームシフト変異）は、機能喪失型ドライバーである可能性が高いです。既知のホットスポット残基に生じたがん遺伝子のミスセンス変異は、機能獲得型ドライバーである可能性が高いです。
• ドライバー遺伝子における固有の（ホットスポットではない）ミスセンス変異では、病原性だけでなく作用機序を調べてください。 AlphaMissense はスコアを提示します。ESMC-6B SAE の複合ツール ESM_explain_variant_mechanism(sequence=wt_protein_seq, position=..., ref_aa=..., alt_aa=..., top_k_features=5) は、この置換が機能を「どのように」損なうのか、つまり触媒機能、リガンド結合、PTM、構造安定性の喪失を示します。同じ遺伝子の既知のドライバーホットスポットと同じ SAE 特徴カテゴリを損なう固有のミスセンス変異は、無関係な特徴を損なうミスセンス変異よりも、ドライバーである可能性が高くなります。ESM_API_KEY が必要です。ミスセンス変異のみが対象です。
• 結論のまとめ方：既知のドライバー遺伝子における再発変異は、治療標的となる可能性が高いです。がんとの関連がない遺伝子における固有の変異は、パッセンジャーである可能性が高いです。評価と、その根拠を述べてください。

治療標的としての有用性の推論

治療標的として有用であるとは、この変化を標的とする治療法が存在することを意味します。エビデンスの強さに基づいて、段階的に考えましょう。

• ティア1：このがん種におけるこの変異を対象とする FDA 承認薬がある場合です。標準治療であり、確信を持って推奨できます。推論の例：「CIViC ではレベル A のエビデンスが示され、FDA の添付文書で適応が確認されています。」
• ティア2：別のがん種におけるこの変異を対象とする FDA 承認薬がある場合、またはこのがん種で強い臨床試験エビデンス（第2～3相）がある場合です。特に、がん種を問わない承認がある場合や、分子腫瘍ボードでの検討を伴う場合は、検討に値します。
• ティア3：前臨床エビデンスのみがある場合です。細胞株データ、動物モデル、症例報告などが該当します。臨床試験への参加を検討する根拠にはなりますが、適応外使用の根拠にはなりません。
• ティア4：生物学的な根拠はあるものの、直接的なエビデンスがない場合です。変異が薬剤で標的にできる経路にある場合や、構造的に類似した変異が治療に反応する場合などが該当します。仮説の創出にのみ用います。

複数の情報を統合する際は、どのデータベースでヒットしたかだけでなく、見つかったエビデンスに基づいて、割り当てたティアとその理由を述べてください。

薬剤耐性の推論

患者がすでに治療を受けている場合は、この変異が薬剤耐性の機序になっている可能性があるかを考えてください。

• 標的上の耐性：薬剤標的遺伝子自体に生じる変異で、薬剤が結合していてもシグナル伝達を回復させます。通常、薬剤結合部位に現れます（例：エルロチニブ投与後の EGFR T790M、オシメルチニブ投与後の EGFR C797S、イマチニブ投与後の ABL T315I）。
• バイパス経路の活性化：並行するシグナル伝達経路の変異によって、標的が意味をなさなくなります（例：EGFR 阻害を迂回する MET 増幅、MEK 阻害を迂回する BRAF 活性化）。
• 表現型の転換：細胞系譜の変化（例：EGFR 変異肺がんにおける小細胞がんへの転換）によって、元のドライバーへの依存がなくなります。
• 検出時期が重要です：診断時から存在していた場合と比べ、治療後に検出された変異は、耐性機序である可能性が高くなります。

各ツールの使い分け

遺伝子の機能と変異の種類に基づいて、まず臨床仮説を立ててから、ツールを使って検証してください。

• CIViC（civic_search_genes、civic_get_variants_by_gene）：臨床エビデンスの主要な情報源です。エビデンスレベル、臨床的意義、関連する治療法を含む、キュレーション済みのエビデンス項目が返されます。臨床的に関連する可能性のある変異については、まずここから確認してください。
• cBioPortal（cBioPortal_get_mutations）：変異の頻度を評価するために使います。ホットスポットか、がん種全体でどの程度よく見られるかを確認します。これは、ドライバーかパッセンジャーかの評価に役立ちます。
• OpenTargets（OpenTargets_get_associated_drugs_by_target_ensemblID）：アクショナビリティの評価に使います。この遺伝子を標的とする薬剤を確認し、CIViC のエビデンスと照合してティアを割り当てます。
• PubMed（PubMed_search_articles）：対象の変異について CIViC にエントリーがない場合や、耐性メカニズムの報告、新しい臨床試験の結果を探す場合に使います。
• ClinicalTrials.gov（search_clinical_trials）：変異にアクショナビリティがある可能性を確認した後、参加可能な試験を探すために使います。

---

ツールリファレンス（確認済みのパラメーター）

遺伝子の解決

ツール	主なパラメーター	レスポンスの主なフィールド
MyGene_query_genes	query、species	hits[].ensembl.gene、.entrezgene、.symbol
UniProt_search	query、organism、limit	results[].accession
OpenTargets_get_target_id_description_by_name	targetName	data.search.hits[].id
ensembl_lookup_gene	gene_id、species（必須）	data.id、.version

臨床エビデンス

ツール	主なパラメーター	レスポンスの主なフィールド
civic_search_genes	query、limit	data.genes.nodes[].id、.entrezId
civic_get_variants_by_gene	gene_id（CIViC の数値）	data.gene.variants.nodes[]
civic_get_variant	variant_id	data.variant

薬剤情報

ツール	主なパラメーター	レスポンスの主なフィールド
OpenTargets_get_associated_drugs_by_target_ensemblID	ensemblId、size	data.target.drugAndClinicalCandidates.rows[]
FDA_get_indications_by_drug_name	drug_name、limit	results[].indications_and_usage
drugbank_get_drug_basic_info_by_drug_name_or_id	query、case_sensitive、exact_match、limit（すべて必須）	results[]

変異頻度

ツール	主なパラメーター	レスポンスの主なフィールド
cBioPortal_get_mutations	study_id、gene_list	data[].proteinChange
cBioPortal_get_cancer_studies	limit	[].studyId、.cancerTypeId

臨床試験と文献

ツール	主なパラメーター	レスポンスの主なフィールド
search_clinical_trials	query_term（必須）、condition	studies[]
PubMed_search_articles	query、limit、include_abstract	リスト形式の辞書を返します（ラップされません）
Reactome_map_uniprot_to_pathways	id（UniProt アクセッション）	パスウェイのマッピング
GTEx_get_median_gene_expression	gencode_id、operation="median"	組織別の発現量

バリアントアノテーションとがんホットスポット（Genome Nexus）

CIViC/cBioPortalを補完する、構造化された計算による影響予測（VEP/SIFT/PolyPhen/AlphaMissense）と、専用のがんホットスポット検索機能を提供します。キュレーション済みの臨床エビデンス検索の前または併用で、in silico の病原性とホットスポットの状態を確認するために使用してください。代わりに使用するものではありません。座標はGRCh37/hg19が必要です（GRCh38しかない場合は、tooluniverse-variant-analysisのNCBI Variation Servicesなどを使って、先に変換してください）。

ツール	主なパラメーター	レスポンスの主なフィールド
GenomeNexus_annotate_variant	hgvsg（GRCh37、例："7:g.140453136A>T"）	most_severe_consequence、transcript_consequences[].{hgvsp, sift_prediction, polyphen_prediction, alphaMissense}、hotspots.annotation、colocated_variants[].dbSnpId
GenomeNexus_annotate_mutation	chromosome、start、end、reference_allele、variant_allele（GRCh37）	annotate_variantと同じ形式です。HGVS文字列ではなく、個別の座標フィールドがある場合に使用します
GenomeNexus_annotate_dbsnp	rsid（例："rs121913529"）	同じ形式です。まずrsIDを座標に解決します
GenomeNexus_get_cancer_hotspots	hgvsg（GRCh37）	is_hotspot（bool）、hotspots[].{residue, tumorCount, type} — typeは"single residue"または"3d"（構造クラスター）です
GenomeNexus_get_canonical_transcript	gene_symbol	transcriptId、proteinId、proteinLength、refseqMrnaId、pfamDomains[]

がんドライバー遺伝子の分類（IntOGen）

Genome Nexusのis_hotspot（上記）は、「この特定のバリアントは再発性があるか？」に答えます。IntOGenが答えるのは、異なる遺伝子レベルの問い、「この遺伝子全体は、このがん種において統計的に確立されたがんドライバーか？」です。これは、271のコホート（TCGA、ICGC、Hartwigなど）にわたる数千の腫瘍に、7つの独立したドライバー検出手法（dNdScv、OncodriveFML、OncodriveCLUSTL、HotMAPS、smRegions、CBaSE、MutPanning）を適用した結果に基づいています。ホットスポットを確認する前または併せて、遺伝子レベルのドライバー状態を確認するために使用してください。このがん種でドライバーではない遺伝子のバリアントは、ホットスポットの状態にかかわらず、アクショナブルである可能性がはるかに低くなります。また、ドライバーである遺伝子でも、特定のバリアントが既知のホットスポットではない場合は、上記の「ドライバーとパッセンジャーの推論」で説明した、作用機序に基づく推論が必要になることがあります。

ツール	主なパラメーター	レスポンスの主なフィールド
IntOGen_list_cancer_types	なし	data.cancer_types[].{cancer_type_id, cancer_name}（87のコード、例：BRCA、LUAD、SKCM）
IntOGen_get_drivers	cancer_type（IntOGenコード、必須）	data.driver_genes[].{gene, mutations, samples, cohorts}
IntOGen_get_gene_info	gene（HUGOシンボル、必須）	data.cancer_types[].{cancer_type, cancer_name, methods[], mutated_samples, total_samples}
IntOGen_list_cohorts	cancer_type（任意のフィルター）	data.cohorts[].{cohort_id, name, samples, source, tumor_type, age_group}

組み合わせたワークフロー：遺伝子とがん種が与えられたら、IntOGen_get_drivers(cancer_type=...)を呼び出し、遺伝子がdriver_genes[]に含まれているか確認します。含まれていれば、この特定のがん種において統計的に確立されたドライバーです（裏付けとなるエビデンスとしてmutations／samples／cohortsを報告してください）。逆の問い（「この遺伝子は全体として、どのがん種でドライバーか？」）には、代わりにIntOGen_get_gene_info(gene=...)を使用してください。こちらは、がん種ごとに7つの検出methodsのうちどれがその遺伝子を検出したかも報告します。複数の独立した手法で検出された遺伝子は、単一の手法でのみ検出された遺伝子よりも強いエビデンスになります。運用上の注意：IntOGenのバックエンドは応答が遅くなることがあり、初回リクエストではタイムアウト（約45秒）する場合があります。「データが見つかりません」と報告する前に、1回再試行してください。

体細胞変異の分類ティア（CancerVar）

上記のすべて（Genome Nexus、IntOGen、CIViC、cBioPortal）は、自分で収集して評価するエビデンスです。一方、CancerVar_classify_variant は AMP/ASCO/CAP 2017 の基準をサーバー側で一括して適用し、Tier I～IV の判定結果をそのまま返します。これは、自分で行った手動評価をすばやく自動化して照合するために使い、レポートでは上記の基礎となるエビデンスを引用する代わりにしないでください。

ツール	主なパラメーター	レスポンスの主なフィールド
CancerVar_classify_variant	chrom、pos、ref、alt（デフォルトは GRCh37/hg19。GRCh38 では build="hg38" を渡します）、すべて必須	data.tier（Tier_I_strong|Tier_II_potential|Tier_III_unknown|Tier_IV_benign）、data.opai（Oncogenicity Pathogenicity Index、0～1）、data.cbp_criteria（名前付きエビデンススコア 12 項目。例：ホットスポットデータベースへの登録、FDA 承認治療との関連、集団における希少性）

BRAF V600E（chrom="7", pos=140453136, ref="A", alt="T", build="hg19"）でライブ検証済みです。結果は tier="Tier_I_strong"、opai=0.99 で、この変異で知られている FDA 承認治療との関連に基づくティアと一致し、ツールに記載されている検証済みの実例とも正確に一致しました（下記の InterVar とは異なり、この実例は正確でした）。Tier I には CBP_1 または CBP_2（FDA 承認との関連）が有効であることが必要です。Tier II は規制当局の承認を伴わない治験段階または前臨床段階のエビデンス、Tier III は真の VUS 相当、Tier IV は良性を示します。生殖細胞系列の判定で ACMG 基準を引用するのと同じように、判定ティアとともに、どの cbp_criteria が有効だったかを具体的に報告してください。根拠となる基準を示さないティア番号だけでは、監査に対応できる回答になりません。

---

フォールバック戦略

主要なツールで結果が得られない場合は、「データが見つかりません」と報告するのではなく、別の方法を試してください。

• CIViC の結果が空 -> PubMed で「[gene] [variant] clinical evidence」を検索します
• OpenTargets に薬剤がない -> ChEMBL でターゲットを指定して薬剤を検索します
• cBioPortal の特定の研究で結果が空 -> 汎がん研究（msk_impact_2017 など）を試します
• Reactome でパスウェイが見つからない -> UniProt の機能アノテーションを使ってパスウェイの背景情報を確認します