tooluniverse-pathway-disease-genetics

説明するのではなく、計算する

解析に計算（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。何をするかを説明するのではなく、実行して実際の結果を報告します。ToolUniverse ツールでデータを取得し、次に Python（pandas、scipy、statsmodels、matplotlib）で解析します。

経路を介した疾患遺伝学：GWAS から創薬標的へ

ゲノムワイド関連解析（GWAS）のバリアントを生物学的経路と結び付け、メカニズムの理解と創薬標的の発見につなげます。

使用する場面

• 「[disease] では、GWAS に基づいてどの経路が破綻していますか？」
• 「[trait] の GWAS 遺伝子のうち、創薬可能な経路にあるものはどれですか？」
• 「[SNP/variant] を原因遺伝子と経路にマッピングする」
• 「[disease] の GWAS データから創薬標的を見つける」
• 「[tissue] における [gene] の eQTL エビデンスは何ですか？」

---

推論の基本原則

遺伝子から経路への推論

GWAS で見つかった遺伝子だけでは、どの経路が調節異常を起こしているかは分かりません。遺伝子 -> 経路 -> 疾患メカニズムを結び付けるには、この遺伝子がどのような生物学的プロセスに関与しているかを考えます。Reactome／KEGG を使って経路を特定し、次に、そのうちどの経路が疾患の表現型に関連するかを検討します。

たとえば、TCF7L2 は 2 型糖尿病（T2D）の GWAS で最も強く関連する遺伝子です。TCF7L2 は Wnt シグナル伝達経路に関与しています。そこで次に問うべきは、Wnt シグナル伝達の破綻がどのようにベータ細胞の機能やインスリン分泌を損なうのか、ということです。経路への関与から疾患メカニズムへと推論を進めるには、経路データを組織での発現（GTEx）や疾患生物学と組み合わせる必要があります。

非コード GWAS バリアントの大半は、最も近い遺伝子に影響を与えることはほとんどありません。こうしたバリアントは、数百キロ塩基離れた遺伝子の発現を変化させる調節エレメントを介して作用します。最も近い遺伝子が原因だと決めつける前に、必ず eQTL のエビデンスを確認してください。

経路の収束

複数の疾患遺伝子が同じ経路にマッピングされる場合、単一の遺伝子だけの場合より強いエビデンスとなります。ある疾患の GWAS ヒット 5 件がすべて NF-kB 経路にマッピングされるなら、それは強いメカニズム上のエビデンスです。つまり、その経路は偶然ヒットしたのではなく、原因である可能性が高いといえます。GWAS 遺伝子が関連のない経路に分散している場合は、メカニズムが明確でないため、分散した遺伝子をつなぐ上流の調節因子や遺伝子ネットワークのハブを調べる必要があるかもしれません。

エンリッチメント（Reactome、KEGG、STRING）を実行する場合は、複数のデータベースに共通して現れる経路を優先してください。3 つすべてでエンリッチされる経路は、1 つの解析にしか現れない経路より信頼性が高くなります。

創薬可能性の推論

構成要素を標的とする既存薬がある経路は、新規の経路よりも実用化につながりやすいといえます。標的を新規と提案する前に、経路の構成要素に既存の創薬標的があるかを確認します。DGIdb と OpenTargets を使って、その経路に関わる承認薬および臨床段階の薬を調べます。

優先順位：（1）GWAS で裏付けられた標的に作用する、別の適応症向けの承認薬＝有力なドラッグリポジショニングの機会。（2）GWAS で裏付けられた標的に作用する臨床試験中の薬＝検証を加速できる道筋。（3）既存薬はないが GWAS エビデンスが強い創薬可能な遺伝子＝新規標的の機会。

現在のモダリティでは「創薬困難」であっても、将来にわたって創薬不可能という意味ではありません。そのような遺伝子には印を付けつつ、除外しないでください。遺伝子治療、RNA 治療薬、または下流の経路への介入によって標的にできる可能性があります。

---

ツール選択ガイド

フェーズ 1：疾患の特定と GWAS の収集

まず疾患名をオントロジー ID に対応付けます。

• OpenTargets_multi_entity_search_by_query_string(queryString=<disease>) — EFO／MONDO ID を返します

GWAS シグナルを収集します。

• gwas_search_associations(query=<disease>) — 広範な検索
• gwas_get_variants_for_trait(trait=<trait>, p_value_threshold=5e-8) — ゲノムワイド有意なヒット
• gwas_get_snps_for_gene(gene_symbol=<gene>) — 遺伝子を起点とする検索

注意点： gwas_get_associations_for_trait は動作しません。代わりに gwas_search_associations を使ってください。gwas_get_snps_for_gene で使うのは mapped_gene ではなく gene_symbol です。

フェーズ 2：バリアントのアノテーションと eQTL のエビデンス

バリアントにアノテーションを付与します：

• EnsemblVEP_annotate_rsid(variant_id=<rsid>) — 機能的影響、最も近い遺伝子
• レスポンス形式は可変です：リスト、{data, metadata}、または{error} — 3つすべてに対応してください

疾患に関連する組織で eQTL のエビデンスを照会します（例：2型糖尿病では膵臓、神経疾患では脳）：

• GTEx_query_eqtl(gene_input=<gene>, tissue=<tissue>) — gene_input に空の値を渡さないでください
• GTEx_get_expression_summary(gene_input=<gene>) — すべての組織における発現
• GTEx_get_median_gene_expression(gencode_id=[<versioned_id>], tissue_site_detail_id=[<tissue>]) — バージョン付き Ensembl ID（例：ENSG00000148737.11）とgtex_v8を使用してください

フェーズ 3：パスウェイエンリッチメント

複数のデータベースでエンリッチメントを実行し、結果を相互検証します：

• ReactomeAnalysis_pathway_enrichment(identifiers="P04637 P38398 ...") — 配列ではなく、スペース区切りの UniProt STRING を指定します
• Reactome_map_uniprot_to_pathways(uniprot_id=<id>) — 遺伝子ごとのパスウェイ所属
• Reactome_get_participants(pathway_id=<R-HSA-XXXXX>) — パスウェイ内のすべての遺伝子
• KEGG_get_gene_pathways(gene_id=<kegg_id>) — 1つの遺伝子に対応する KEGG パスウェイ
• kegg_search_pathway(query=<disease_or_process>) — キーワード検索
• STRING_functional_enrichment(protein_ids=[<genes>], species=9606) — FDR を含む GO／KEGG／Reactome
• PANTHER_enrichment(gene_list="GENE1,GENE2,...", organism=9606, annotation_dataset="GO:0008150") — 配列ではなく、カンマ区切りの STRING を指定します

MetaCyc に関する注意： 現在利用できません（BioCyc には認証が必要です）。代謝パスウェイには KEGG または Reactome を使用してください。

フェーズ 4：創薬可能性と医薬品の状況

• DGIdb_get_gene_druggability(genes=[<gene_list>]) — カテゴリ：臨床的に有効な標的、創薬可能な標的など
• DGIdb_get_drug_gene_interactions(genes=[<gene_list>]) — gene_name ではなく、genes パラメーター（配列）を使用してください
• OpenTargets_get_associated_drugs_by_target_ensemblID(ensemblId=<id>) — 承認済み医薬品および臨床開発中の医薬品
• OpenTargets_target_disease_evidence(ensemblId=<id>, efoId=<disease_id>) — 遺伝的エビデンスとその他のエビデンスのスコア

---

3 段階のワークフロー

ステップ 1：GWAS から原因遺伝子へ

1. OpenTargets_multi_entity_search_by_query_string で疾患 ID を解決します
2. gwas_get_variants_for_trait で GWAS ヒットを取得します（p < 5e-8）
3. 各リード SNP に VEP でアノテーションを付与します — コーディング領域のバリアントですか、それとも非コーディング領域のバリアントですか？
4. 非コーディングバリアントについては、GTEx を使用して疾患に関連する組織の eQTL を確認します
5. 次の条件を満たす遺伝子を優先します：GWAS SNP が有意な eQTL でもあり、組織が疾患と生物学的に関連している
6. OpenTargets_target_disease_evidence で追加の遺伝的エビデンスを相互確認します

エビデンスの階層：高 = GWAS p < 5e-8 ＋ 関連組織での eQTL 共局在 ＋ コーディングバリアント、中 = GWAS p < 5e-8 ＋ いずれかの組織での eQTL、低 = GWAS p < 5e-8 ＋ 位置情報のみによるマッピング。

ステップ 2：遺伝子セットからパスウェイエンリッチメントへ

1. ステップ 1 で優先された遺伝子リストを収集します
2. ReactomeAnalysis_pathway_enrichment と STRING_functional_enrichment を実行します
3. KEGG_get_gene_pathways で各遺伝子を KEGG パスウェイにマッピングします
4. 複数のデータベースで共通して現れるパスウェイを特定します（収束は、より強いエビデンスを示します）
5. 代謝性疾患では、humanbase_ppi_analysis を使用して組織特異的なネットワークコンテキストを追加します（必須の 5 つのパラメーター：gene_list、tissue、max_node、interaction、string_mode）
6. エンリッチメント FDR × GWAS 遺伝子数 × 生物学的妥当性に基づいてパスウェイを順位付けします

ステップ 3：創薬ターゲットへの道筋

1. エンリッチメントされた経路から、Reactome_get_participants と KEGG_get_pathway_genes を使用してすべての構成遺伝子を抽出します
2. DGIdb_get_gene_druggability を使用して創薬可能性を評価します
3. OpenTargets_get_associated_drugs_by_target_ensemblID を使用して既存薬を調べます
4. 経路遺伝子と GWAS 遺伝子を相互参照します。一致する遺伝子を最有力候補とします
5. 各候補を分類します：既存薬の適応拡大の機会／新規ターゲット／（現時点では）創薬不可能

最終的な順位付け：遺伝学的エビデンス × 創薬可能性 × 経路の中心性。新規ターゲット（強い遺伝学的エビデンスがあり、既存薬がないもの）と、既存薬の適応拡大の機会（承認薬があり、この疾患に対する遺伝学的裏付けがあるもの）にフラグを立てます。

---

重要なパラメーター上の注意点

• gwas_get_snps_for_gene：mapped_gene ではなく gene_symbol を使用します
• OpenTargets_multi_entity_search_by_query_string：query ではなく queryString を使用します
• GTEx_query_eqtl：gene_input は空にできません
• GTEx_get_median_gene_expression：バージョン付きの gencode ID を使用します。gtex_v8 を使用します
• ReactomeAnalysis_pathway_enrichment：identifiers は配列ではなく、スペース区切りの STRING です
• DGIdb_get_drug_gene_interactions：gene_name ではなく genes（配列）を使用します
• PANTHER_enrichment：gene_list は配列ではなく、カンマ区切りの STRING です
• humanbase_ppi_analysis：5 つのパラメーターすべてが必須です
• EnsemblVEP_annotate_rsid：rsid ではなく variant_id を使用します
• kegg_find_genes：ヒト遺伝子には organism="hsa" を指定します

---

制限事項

• GTEx の eQTL 検索は、正式な統計的共局在解析（coloc/ENLOC）ではありません。そのため、示唆的なエビデンスとして扱ってください
• GWAS Catalog には最近の論文が含まれていない場合があります。Open Targets でも確認してください
• Reactome と KEGG では経路の定義が異なります。一方にのみ含まれる生物学的知見もあります
• DGIdb の創薬可能性カテゴリはヒューリスティックです。「創薬不可能」は現在のモダリティにのみ当てはまります
• eQTL は組織特異的です。誤った組織を検索すると、因果効果を見落とす可能性があります

---

関連スキル

• tooluniverse-gwas-trait-to-gene：GWAS から遺伝子へのマッピングに特化
• tooluniverse-gene-enrichment：詳細なエンリッチメント解析
• tooluniverse-drug-target-validation：詳細なターゲット検証
• tooluniverse-network-pharmacology：ネットワークレベルの薬剤解析
• tooluniverse-variant-functional-annotation：詳細なバリアント解釈