tooluniverse-drug-target-validation

創薬ターゲット検証パイプライン

ウェットラボでの作業に着手する前に、多次元の計算エビデンスを用いて創薬ターゲット仮説を検証します。優先度ティアの分類とGO／NO-GOの推奨を含む、定量的なターゲット検証スコア（0～100）を算出します。

検索前の推論

有効な創薬ターゲットは、4つのゲートを順番に通過する必要があります。早い段階のゲートに失敗した場合、それ以降のゲートは意味をなしません。

1. 疾患との関連を示す遺伝学的エビデンス：ヒトの遺伝学的データ（GWAS、希少バリアント研究、メンデル遺伝学）は、このターゲットが疾患に関与することを裏付けていますか？遺伝学的エビデンスは、臨床での成功を予測する最も強力な指標です。何よりも先にOpenTargetsとGWASカタログを使用してください。遺伝学的な関連が見つからない場合、この仮説は推測にすぎません。その点を明確に記録してください。
2. 創薬可能性：分子がターゲットに到達し、作用を調節できますか？構造の有無（PDB、AlphaFold）、結合ポケット予測（ProteinsPlus）、ターゲットクラス（キナーゼ、GPCR、核内受容体は有望、転写因子や足場タンパク質は困難）、既存の化学プローブを確認してください。
3. 安全性 — 正常組織での必須性：ターゲットは重要組織（心臓、肝臓、骨髄）で発現していますか？マウスでノックアウトすると致死的ですか？重要組織での高発現やマウスモデルでの致死性は、臨床データが出る前でも安全性に関する重大な危険信号です。
4. 競合状況：このターゲットを対象とする薬剤がすでに承認されている、または後期臨床試験に進んでいますか？該当する場合、目指すべきはファーストインクラスではなく差別化です。ChEMBL、DrugBank、ClinicalTrials.govを早い段階で確認してください。

フェーズ1（疾患との関連）を完了する前に、フェーズ3（化学物質）へ進んではいけません。ゲート1で失敗した場合は、NO-GOまたは方針転換を推奨してください。

推測せず、調べてください：タンパク質ファミリーだけを根拠にターゲットが創薬可能だと決めつけてはいけません。GTExまたはHPAを確認せずに、ある組織での発現が低いと決めつけてはいけません。ClinicalTrials.govを検索せずに競合がいないと決めつけてはいけません。

MLモデルを実行し、省略しないでください：深層学習予測ツール（ADMET-AI、ESMFold、AlphaFold、DoGSite、DynaMut2、DeepGO）が利用できる場合は、データベース検索や実験データで同じ特性がすでにカバーされていても、必ず実行してください。ML予測は、独立したメカニズムに基づく推定であり、このスキルの主要な出力です。代替手段ではありません。データベースのエビデンスがどれほど豊富でも、ML予測を含まないターゲット検証レポートは不完全です。

説明ではなく、計算してください

分析で計算（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コードを作成し、実行してください。何をするかを説明するだけでなく、実際に実行し、実際の結果を報告してください。ToolUniverseのツールでデータを取得し、Python（pandas、scipy、statsmodels、matplotlib）で分析してください。

主要な原則

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、順次内容を記入します
2. まずターゲットの曖昧さを解消 - 分析前にすべての識別子を解決します
3. エビデンスの評価 - すべてのエビデンスをT1（実験）からT4（計算）までで評価します
4. 疾患に応じた分析 - 疾患の情報が提供された場合は、それに合わせて分析を調整します
5. モダリティを考慮 - 低分子と生物製剤、それぞれの創薬適性を考慮します
6. 安全性を最優先 - 安全性への懸念を早い段階で目立つように示します
7. 定量的スコアリング - すべての評価軸を数値（複合スコア0～100）で採点します
8. 否定的な結果も記録 - 「データなし」もデータです。空のセクションは不備です
9. 出典を明記 - すべての記述に使用したツール／データベースを記載します
10. 英語を優先したクエリ - ツール呼び出しでは必ず英語の用語を使用し、ユーザーの言語で回答します

使用する場面

次のような質問があった場合に適用します。

• 「[target]は[disease]の優れた創薬標的ですか？」
• 標的の検証、創薬可能性の評価、または標的の優先順位付け
• 標的を調節することによる安全性リスク
• 標的検証に向けた化合物の出発点
• 標的に対するGO／NO-GOの推奨

対象外（他のスキルを使用）：一般的な標的生物学（tooluniverse-target-research）、薬剤化合物のプロファイリング（tooluniverse-drug-research）、バリアントの解釈（tooluniverse-variant-interpretation）、疾患研究（tooluniverse-disease-research）。

入力パラメーター

パラメーター	必須	説明	例
target	はい	遺伝子シンボル、タンパク質名、またはUniProt ID	EGFR、P00533
disease	いいえ	文脈として指定する疾患／適応症	Non-small cell lung cancer
modality	いいえ	希望する治療モダリティ	small molecule、antibody、PROTAC

参照ファイル

• SCORING_CRITERIA.md - 詳細なスコアリングマトリクス、エビデンス評価、優先度ティア、スコア計算
• REPORT_TEMPLATE.md - レポートの完全なテンプレート、完全性チェックリスト、セクション形式の例
• TOOL_REFERENCE.md - 検証済みツールパラメーター、既知の修正事項、フォールバックチェーン、モダリティ固有のガイダンス、フェーズ別のツール一覧
• QUICK_START.md - クイックスタートガイド

---

スコアリングの概要

合計：0～100点、5つの評価軸で採点します（詳細はSCORING_CRITERIA.mdを参照）。

評価軸	最高点	下位項目
疾患との関連性	30	遺伝学（10）＋文献（10）＋経路（10）
創薬可能性	25	構造（10）＋化合物データ（10）＋標的クラス（5）
安全性プロファイル	20	発現（5）＋遺伝学的検証（10）＋副作用（5）
臨床的先例	15	到達した最も高い臨床段階に基づく
検証エビデンス	10	機能研究（5）＋疾患モデル（5）

優先度ティア：80～100 = Tier 1（GO）｜60～79 = Tier 2（条件付きGO）｜40～59 = Tier 3（注意）｜0～39 = Tier 4（NO-GO）

エビデンス評価：T1（臨床的証明）> T2（機能研究）> T3（関連性）> T4（予測）

---

パイプラインのフェーズ

Phase 0：標的の曖昧性解消（必ず最初に実施）

分析を始める前に、標的をすべての識別子に対応付けます。

手順：

1. MyGene_query_genes - 初期IDを取得します（Ensembl、UniProt、Entrez）
2. ensembl_lookup_gene - バージョン付きEnsembl IDを取得します（species="homo_sapiens"は必須）
3. ensembl_get_xrefs - 相互参照を取得します（HGNCなど）
4. OpenTargets_get_target_id_description_by_name - OT標的を確認します
5. ChEMBL_search_targets - ChEMBL標的IDを取得します
6. UniProt_get_function_by_accession - 機能の概要を取得します（文字列のリストを返します）
7. UniProt_get_alternative_names_by_accession - 名称の衝突を検出します

出力：検証済み識別子（Gene Symbol、Ensembl、UniProt、Entrez、ChEMBL、HGNC）と、タンパク質の機能および標的クラスをまとめた表。

任意の高速クロスデータベース検索：TargetMine_search(q=<gene>, facet_Category="Gene") / TargetMine_search_genes(q=<gene>)は、UniProt、PDB、ChEMBL、Reactome、KEGG、DrugBank、TTD、臨床試験データをすでに統合しているInterMineウェアハウス1つを検索します。これは、データベースごとに実施するPhase 0～1の全手順に進む前に、複数のソース間で遺伝子／標的が一貫して解決されるかを1回の呼び出しで手早く確認するのに便利です。ただし、全手順の代替にはなりません（ライブで検証済み：TargetMine_search(q="EGFR", facet_Category="Gene")は、約0.3秒で生物種／カテゴリのファセットを含む実際の検索結果を返します）。

フェーズ1: 疾患関連性 (0～30点)

遺伝学的、文献、パスウェイのエビデンスから標的と疾患の関連性を定量化します。

主要ツール:

• OpenTargets_get_diseases_phenotypes_by_target_ensembl - 疾患関連性
• OpenTargets_target_disease_evidence - 詳細なエビデンス (efoId + ensemblId が必要)
• OpenTargets_get_evidence_by_datasource - データソース別のエビデンス
• gwas_get_snps_for_gene / gwas_search_studies - GWAS エビデンス
• gnomad_get_gene_constraints - 遺伝的制約 (pLI、LOEUF)
• PubMed_search_articles - 文献 (dict のプレーンなリストを返します)
• OpenTargets_get_publications_by_target_ensemblID - OT の出版物 (entityId を使用)

フェーズ2: 創薬可能性 (0～25点)

標的が治療的介入に適しているかどうかを評価します。

主要ツール:

• OpenTargets_get_target_tractability_by_ensemblID - 創薬標的としての扱いやすさ (SM、AB、PR、OC)
• OpenTargets_get_target_classes_by_ensemblID - 標的の分類
• Pharos_get_target - TDL: Tclin > Tchem > Tbio > Tdark
• DGIdb_get_gene_druggability - 創薬可能性カテゴリ
• alphafold_get_prediction (パラメータ: qualifier) / alphafold_get_summary
• ProteinsPlus_predict_binding_sites - ポケット検出
• OpenTargets_get_chemical_probes_by_target_ensemblID - ケミカルプローブ
• OpenTargets_get_target_enabling_packages_by_ensemblID - TEP
• TCDB_get_transporter - SLC/ABC トランスポーター標的向け: TC 分類、ファミリー、PDB 構造 (パラメータ: uniprot_accession)
• TCDB_search_by_substrate - 基質からトランスポーターを検索 (パラメータ: substrate_name)

フェーズ2b: キナーゼ特異的な構造データ (KLIFS)

標的クラスがプロテインキナーゼである場合、上記の一般的な創薬可能性/構造のチェックで止まらないでください。KLIFS (Kinase-Ligand Interaction Fingerprints and Structures) は、一般的な PDB/AlphaFold の検索では得られないキナーゼ特異的な結合ポケットコンフォメーションのデータを提供します:

• KLIFS_list_kinases(kinase_group, species) - グループ (TK、TKL、STE、CK1、AGC、CAMK、CMGC、RGC、Other) ごとに KLIFS キナーゼ ID を検索するか、すべてをリスト表示します。レスポンス内の遺伝子シンボルで照合してください
• KLIFS_get_kinase(kinase_ID) - キナーゼのファミリー/グループ、UniProt/IUPHAR 相互参照、および80残基の標準化された KLIFS ポケット配列
• KLIFS_get_structures(kinase_ID) - そのキナーゼについて注釈付けされたすべての結晶構造。それぞれに DFG ループのコンフォメーション (in/out/out-like) と alphaC ヘリックスのコンフォメーション (in/out)、分解能、品質スコア、結合リガンドが含まれます
• KLIFS_get_structures_by_pdb(pdb_codes) - 同じ DFG/alphaC の注釈を、キナーゼ ID ではなく PDB コードで検索します (複数の場合はカンマ区切り)
• KLIFS_get_ligands(kinase_ID) - そのキナーゼのすべての構造にわたる共結晶化阻害剤を、SMILES/InChIKey 付きで網羅します。キナーゼ標的について既知の化学的な出発点を列挙する最速の方法です

DFG/alphaC の状態が創薬可能性スコアにとって重要な理由: DFG-in + alphaC-in は活性コンフォメーションです (ATP 競合型のタイプ I 阻害剤はここに結合します)。DFG-out 構造は ATP 部位に隣接するアロステリックなバックポケットを露出させます (タイプ II 阻害剤、例: イマチニブ)。DFG-out 構造が確認されているキナーゼには、ATP 部位の先に 第2の、しばしばより選択的な創薬可能ポケットが存在し、その創薬可能性のサブスコアを引き上げるべきです。数百の PDB エントリにわたって DFG-in 構造しか持たないキナーゼは、タイプ II 戦略で選択的にヒットさせるのがより難しい可能性があります。単なる構造数だけでなく、DFG/alphaC の状態の分布 (例: 「527 DFG-in / 23 DFG-out / 15 DFG-out-like 構造」) をエビデンスとして報告してください。

Phase 3：化学的候補化合物（Phase 2 のスコアリングに反映）

標的の検証に使用できる既存の化学的な出発点を特定します。

主要なツール：

• ChEMBL_search_targets + ChEMBL_get_target_activities - 生物活性データ（注：target_chembl_id__exact はアンダースコアが 2 つです）
• BindingDB_get_ligands_by_uniprot - 結合データ（親和性は nM 単位）
• PubChem_search_assays_by_target_gene + PubChem_get_assay_active_compounds - HTS データ
• OpenTargets_get_associated_drugs_by_target_ensemblID - 既知の薬剤（size は必須）
• ChEMBL_search_mechanisms - 薬剤の作用機序
• DGIdb_get_gene_info - 薬剤と遺伝子の相互作用

Phase 3b：ADMET-AI ディープラーニングプロファイル（必須）

上記で特定した各リード化合物／承認済み化合物について、ADMET-AI Chemprop-GNN の 10 種類すべてのエンドポイントを実行してください。これはスキルの必須成果物であり、省略できません。

エンドポイント	ツール
物理化学的特性（MW、logP、HBA/HBD、TPSA）	ADMETAI_predict_physicochemical_properties
毒性（AMES、DILI、LD50、発がん性物質、皮膚感作性物質、ClinTox）	ADMETAI_predict_toxicity
BBB 透過性	ADMETAI_predict_BBB_penetrance
CYP 相互作用（1A2、2C9、2C19、2D6、3A4）	ADMETAI_predict_CYP_interactions
バイオアベイラビリティ（HIA、PAMPA、Caco-2、F20/F30）	ADMETAI_predict_bioavailability
クリアランスと分布（肝細胞、ミクロソーム、VDss、PPB）	ADMETAI_predict_clearance_distribution
核内受容体活性（NR-AR、NR-AhR、NR-Aromatase、NR-ER、NR-PPAR-γ）	ADMETAI_predict_nuclear_receptor_activity
ストレス応答（SR-ARE、SR-ATAD5、SR-HSE、SR-MMP、SR-p53）	ADMETAI_predict_stress_response
溶解性、親油性、水和	ADMETAI_predict_solubility_lipophilicity_hydration
代謝（CYP 媒介）	ADMETAI_predict_CYP_interactions

必須出力 — ADMET の直接比較表：候補薬剤が 2 つ以上（承認済みまたは開発後期）ある場合は、すべてのエンドポイントをそれぞれ同じ行に並べ、「Winner」列で安全性が高い薬剤を示す比較表を作成してください。この表はレポートの主要なビジュアルであり、短縮したり、文章に要約したりしてはいけません。

ADMET-AI のフォールバック（重要）：ADMETAI_predict_* の MCP 呼び出しが失敗する、空の結果を返す、またはタイムアウトする場合は、Bash と Python SDK を使用して実行してください。

from tooluniverse import ToolUniverse
tu = ToolUniverse()
tu.load_tools()
for endpoint in ['physicochemical_properties','toxicity','BBB_penetrance','CYP_interactions',
                 'bioavailability','clearance_distribution','nuclear_receptor_activity',
                 'stress_response','solubility_lipophilicity_hydration']:
    r = tu.run_one_function({'name': f'ADMETAI_predict_{endpoint}',
                              'arguments': {'smiles_list': [SMILES_DRUG_A, SMILES_DRUG_B]}})
    print(f'{endpoint}: {r}')

この SDK 経由の方法では CLI サブプロセスを回避でき、torch に関するセグフォールトの問題を防げます。必ず最初に MCP を試し、MCP がデータを返さない場合はこのフォールバックを使用してください。

Phase 4：臨床的先例（0～15 点）

承認済み薬剤と臨床試験から、臨床的な検証状況を評価します。

主要なツール：

• FDA_get_mechanism_of_action_by_drug_name / FDA_get_indications_by_drug_name
• drugbank_get_targets_by_drug_name_or_drugbank_id（すべてのパラメーターが必須：query、case_sensitive、exact_match、limit）
• search_clinical_trials（query_term は必須）
• OpenTargets_get_drug_warnings_by_chemblId / OpenTargets_get_drug_adverse_events_by_chemblId

Phase 5：安全性（0～20 点）

発現、遺伝学、既知の有害事象から安全性リスクを特定します。

主要なツール：

• OpenTargets_get_target_safety_profile_by_ensemblID - 安全性上の懸念
• GTEx_get_median_gene_expression - 組織での発現（operation="median" は必須）
• HPA_search_genes_by_query / HPA_get_comprehensive_gene_details_by_ensembl_id
• OpenTargets_get_biological_mouse_models_by_ensemblID - ノックアウト表現型
• FDA_get_adverse_reactions_by_drug_name / FDA_get_boxed_warning_info_by_drug_name
• OpenTargets_get_target_homologues_by_ensemblID - パラログのリスク

確認すべき重要な組織：心臓、肝臓、腎臓、脳、骨髄。

Phase 6: 経路におけるコンテキスト

生物学的ネットワークと疾患経路における標的の役割を把握します。

主要なツール：

• Reactome_map_uniprot_to_pathways（パラメーター：id。uniprot_idではありません）
• STRING_get_protein_interactions（パラメーター：protein_idsは配列、species=9606）
• intact_get_interactions - 実験的PPI
• OpenTargets_get_target_gene_ontology_by_ensemblID - GO用語
• STRING_functional_enrichment - エンリッチメント解析

評価項目：経路の重複性、代償リスク、フィードバックループ。

Phase 7: 検証エビデンス（0～10点）

既存の機能検証データを評価します。

主要なツール：

• DepMap_get_gene_dependencies - 必須性（スコア < -0.5 = 必須）
• PubMed_search_articles - CRISPR／siRNA／ノックアウト研究を検索
• CTD_get_gene_diseases - 遺伝子と疾患の関連

Phase 8: 構造的知見

創薬可能性と作用機序の理解に構造生物学を活用します。高解像度のPDBエントリーがすでに存在する場合でも、深層学習予測ツール（ESMFold、DoGSite）と実験構造の取得を必ず両方実行してください。MLモデルは独立したpLDDT／創薬可能性スコアを提供します。この出力は本フェーズで必須です。

必須のツール呼び出し（実行ごと）：

• ESMFold_predict_structure — UniProt配列からMeta ESM-2言語モデルで構造を予測します。報告項目：モデルのpLDDT、信頼度が最低の残基、利用可能な場合は参照PDBとのRMSD。
• alphafold_get_prediction / alphafold_get_summary — DeepMind AlphaFoldモデルと残基ごとのpLDDT。
• ProteinsPlus_predict_binding_sites — DoGSiteによる深層学習のポケットスコアリング。上位3つのポケットについて、体積、創薬可能性スコア、残基構成を報告します。

補助ツール：

• UniProt_get_entry_by_accession - PDB相互参照を抽出
• get_protein_metadata_by_pdb_id / pdbe_get_entry_summary / pdbe_get_entry_quality
• InterPro_get_protein_domains / InterPro_get_domain_details - ドメイン構成

Phase 9: 文献の詳細調査

検索語の衝突を考慮した包括的な文献分析を行います。

手順：

1. 衝突の検出：PubMedで"{gene_symbol}"[Title]を検索します。無関係な結果が20%を超える場合は、フィルターを追加します（AND protein OR gene OR receptor）。
2. 出版指標：総件数、過去5年間の推移、創薬に焦点を当てたサブセット
3. 主要なレビュー：PubMedでreview[pt]フィルターを使用
4. 被引用指標：影響度データにはopenalex_search_worksを使用
5. より広範な検索：EuropePMC_search_articles

Phase 10: 検証ロードマップ（統合）

すべてのフェーズを統合し、実行可能な出力を作成します。

1. 標的検証スコア（0～100）と構成要素の内訳
2. 優先度ティア（1～4）の割り当て
3. GO／NO-GOの推奨とその根拠
4. 推奨する検証実験
5. 試験用ツール化合物
6. バイオマーカー戦略
7. 主なリスクと軽減策
8. 寄与した深層学習モデル — 実行中に呼び出したすべてのML予測モデルと、その出力を列挙した明示的な帰属表。形式例：

モデル	アーキテクチャ	寄与内容
AlphaFold	DeepMindの反復型SE(3)等変Transformer	全長3Dモデル、残基ごとのpLDDT 91.5
ESMFold	Meta ESM-2タンパク質言語モデル	配列から構造へのベースライン、AlphaFoldとの信頼度比較
DoGSite3	CNNポケットスコアリング（ProteinsPlus）	体積と創薬スコアを含む上位3つの創薬可能なポケット
ADMET-AI	Chemprop GNNアンサンブル（TDC）	ソトラシブ／アダグラシブの10項目（上表）
DynaMut2	グラフベースの変異安定性予測モデル	G12CとWTのΔΔG
DeepGO	階層型GO用語分類器	分子機能の予測

実行中に実際に呼び出したモデルのみを記載してください。このセクションにより、科学者や投資家向けの資料でMLの内容を明確に示せます。

---

レポート出力

ファイルを作成：[TARGET]_[DISEASE]_validation_report.md

REPORT_TEMPLATE.md のテンプレート全体を使用します。主なセクション：

• エグゼクティブサマリー（スコア、ティア、推奨事項、主な調査結果、重大なリスク）
• 検証スコアカード（根拠を含む12のすべてのサブスコア）
• 各フェーズを網羅するセクション1～14
• 完全性チェックリスト（最終化前に必須）

最終化する前に、REPORT_TEMPLATE.md の完全性チェックリストに記入し、すべてのフェーズが網羅され、すべてのスコアに根拠が示され、否定的な結果が記録されていることを確認します。