mcpField
T
tooluniverse-precision-medicine-stratification

tooluniverse-precision-medicine-stratification

github.com/mims-harvardその他1.8k376 回インストール3 日前に更新
リポジトリ

tooluniverse-precision-medicine-stratification について

tooluniverse-precision-medicine-stratification は、患者のゲノム情報と臨床情報を統合し、リスク評価と治療提案を行う ToolUniverse スキルです。疾患の種類に応じて分析手順を切り替え、根拠レベル付きの定量的な提案を作成します。

主な機能

  1. 01疾患別の分析ワークフロー
  2. 02ゲノム情報と臨床データの統合
  3. 03薬理ゲノミクスと相互作用の評価
  4. 04根拠レベル別の所見
  5. 050～100 の精密医療リスクスコア

活用シーン

  1. 01分子所見に基づくがん治療群の層別化
  2. 02患者情報に基づく薬理ゲノミクス上の懸念の評価
  3. 03疾患リスク、併存症、治療根拠の統合

MCP 対応

ToolUniverse のツールで遺伝、臨床、薬剤、経路、試験の情報を取得し、患者層別化に活用します。

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/mims-harvard/tooluniverse --skill tooluniverse-precision-medicine-stratification

インストール後、Claude Code で/tooluniverse-precision-medicine-stratificationを入力して読み込まれたか確認します。

同梱ファイル

SKILL.md と一緒にインストールされる参考資料やスクリプト。

.env.template
EXAMPLES.md
QUICK_START.md
REPORT_TEMPLATE.md
SCORING_REFERENCE.md
test_skill.py
TOOLS_REFERENCE.md

詳細

精密医療による患者層別化

患者のゲノムおよび臨床プロファイルを、実行可能なリスク層別化、治療推奨、個別化治療戦略へと変換します。

検索前の推論

層別化とは、治療への反応や予後が異なる患者群に分けることです。ツールを実行する前に、次の点を確認してください。

  1. 治療反応を予測する分子特性は何ですか？ 候補：体細胞変異（例：EGFR L858R）、生殖細胞系列バリアント（例：BRCA1 LoF）、発現レベル（例：HER2 過剰発現）、生殖細胞系列の薬理ゲノム学的バリアント（例：CYP2C19 PM）、複合バイオマーカー（例：TMB-H + MSI-H）。
  2. 予測特性には臨床的な対応策がありますか？ その特性を知ることで、薬剤の選択、用量、モニタリング計画のいずれかが変わる必要があります。予後予測の価値はあっても治療上の影響がないバリアントは、層別化バイオマーカーではありません。
  3. 層別化因子のエビデンスレベルはどの程度ですか？ FDA 承認のコンパニオン診断（T1）か探索段階（T4）かによって、その所見をどの程度重視するかが変わります。

フェーズ 2 のツールを実行する前に、適切なフェーズ 3 の経路を選択してください。がん、代謝性疾患、CVD、希少疾患、自己免疫疾患のパイプラインでは、必要な層別化因子が異なります。

推測せず、調べてください：バリアントが病原性だと決めつけないでください。遺伝子が疾患に関連すると決めつけないでください。PharmGKB または CPIC のエビデンスなしに、代謝能を割り当てないでください。

重要な原則：

  1. レポート優先 - 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. 疾患固有のロジック - がん、代謝性疾患、希少疾患の各パイプラインはフェーズ 3 で分岐します
  3. 多層的な統合 - 生殖細胞系列、体細胞、発現、臨床データの各層を統合します
  4. エビデンスの段階付け - すべての所見にエビデンス区分（T1～T4）を付与します
  5. 定量的な出力 - 精密医療リスクスコア（0～100）
  6. 情報源の明記 - すべての記述にツールまたはデータベースの情報源を記載します
  7. 英語でのクエリを優先 - ツール呼び出しでは必ず英語の用語を使います

参考ファイル（同じディレクトリ内）：

  • TOOLS_REFERENCE.md - ツールのパラメーター、応答形式、フェーズごとのツール一覧
  • SCORING_REFERENCE.md - スコアリングマトリックス、リスク区分、病原性テーブル、PGx テーブル
  • REPORT_TEMPLATE.md - 出力レポートのテンプレート、治療アルゴリズム、完全性要件
  • EXAMPLES.md - 6 つの詳細な例（がん、代謝性疾患、NSCLC、CVD、希少疾患、神経疾患）
  • QUICK_START.md - プロンプト例と出力の概要

説明するのではなく、計算してください

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 コードを作成して実行してください。実行内容を説明するのではなく、実際に実行して結果を報告してください。ToolUniverse ツールでデータを取得し、その後 Python（pandas、scipy、statsmodels、matplotlib）で解析してください。

使用する場面

ゲノムまたは臨床データを伴う疾患について、患者のリスク層別化、治療選択、予後予測、個別化治療戦略をユーザーが求めている場合に適用します。

対象外（代わりに別のスキルを使用してください）：

  • 単一バリアントの解釈 -> tooluniverse-variant-interpretation
  • 免疫療法に特化した予測 -> tooluniverse-immunotherapy-response-prediction
  • 薬剤安全性プロファイリングのみ -> tooluniverse-adverse-event-detection
  • 標的の検証 -> tooluniverse-drug-target-validation
  • 臨床試験の検索のみ -> tooluniverse-clinical-trial-matching
  • 薬物間相互作用のみ -> tooluniverse-drug-drug-interaction
  • PRS の計算のみ -> tooluniverse-polygenic-risk-score

入力の解析

必須
  • 疾患／状態：自由記述の疾患名
  • 少なくとも 1 つ：生殖細胞系列バリアント、体細胞変異、遺伝子リスト、臨床バイオマーカー
任意（層別化の精度向上に有用）
  • 年齢、性別、民族性、疾患ステージ、併存疾患、過去の治療、家族歴
  • 現在の服薬（DDI および PGx 用）、層別化の目的
疾患タイプの分類

カテゴリーを1つ選択してください（Phase 3 の振り分けを決定します）。

カテゴリー例
CANCER乳がん、肺がん、大腸がん、メラノーマ
METABOLIC2型糖尿病、肥満、NAFLD
CARDIOVASCULARCAD、心不全、AF
NEUROLOGICALアルツハイマー病、パーキンソン病、てんかん
RARE/MONOGENICマルファン症候群、CF、鎌状赤血球症、ハンチントン病
AUTOIMMUNERA、ループス、MS、クローン病

重要なツールパラメーターに関する注意事項

詳細については TOOLS_REFERENCE.md を参照してください。主な注意点は次のとおりです。

  • MyGene_query_genes：パラメーターは query です（q ではありません）
  • EnsemblVEP_annotate_rsid：パラメーターは variant_id です（rsid ではありません）
  • ensembl_lookup_gene：species='homo_sapiens' が必須です
  • DrugBank tools：すべて query、case_sensitive、exact_match、limit の4つのパラメーターが必須です
  • cBioPortal_get_mutations：gene_list は配列ではなく文字列（スペース区切り）です
  • PubMed_search_articles：{articles: [...]} ではなく、辞書のプレーンなリストを返します
  • fda_pharmacogenomic_biomarkers：すべての結果を取得するには limit=1000 を使用してください
  • gnomAD：「Service overloaded」が返される場合があります。その場合は適切にスキップしてください
  • OpenTargets：常に {data: {entity: {field: ...}}} のネスト構造です

ワークフローの概要

Phase 1: Disease Disambiguation & Profile Standardization
Phase 2: Genetic Risk Assessment
Phase 3: Disease-Specific Molecular Stratification (routes by disease type)
Phase 4: Pharmacogenomic Profiling
Phase 5: Comorbidity & Drug Interaction Risk
Phase 6: Molecular Pathway Analysis
Phase 7: Clinical Evidence & Guidelines
Phase 8: Clinical Trial Matching
Phase 9: Integrated Scoring & Recommendations

Phase 1：疾患の曖昧さの解消とプロファイルの標準化

  1. OpenTargets_get_disease_id_description_by_name を使用して、疾患を EFO ID に解決します
  2. 疾患タイプを分類します（CANCER/METABOLIC/CVD/NEUROLOGICAL/RARE/AUTOIMMUNE）
  3. ゲノムデータを構造化形式（遺伝子、バリアント、タイプ）に解析します
  4. MyGene_query_genes を使用して遺伝子 ID を解決し、Ensembl/Entrez ID を取得します

Phase 2：遺伝的リスク評価

  1. 生殖細胞系列バリアントの病原性：ClinVar_search_variants、EnsemblVEP_annotate_rsid/_hgvs
  2. 遺伝子と疾患の関連：OpenTargets_target_disease_evidence
  3. GWAS ポリジェニックリスク：gwas_get_associations_for_trait、OpenTargets_search_gwas_studies_by_disease
  4. 集団頻度：gnomad_get_variant
  5. 遺伝子制約：gnomad_get_gene_constraints（pLI、LOEUF スコア）

スコアリング：遺伝的リスクスコアの構成要素（0～35点）については SCORING_REFERENCE.md を参照してください。

Phase 3：疾患別の分子層別化

CANCER の経路
  1. 分子サブタイピング：cBioPortal_get_mutations、HPA_get_cancer_prognostics_by_gene
  2. TMB/MSI/HRD：FDA のカットオフ値には fda_pharmacogenomic_biomarkers を使用します
  3. 予後の層別化：病期と分子特性を組み合わせます
METABOLIC の経路
  1. 遺伝的リスクの統合：GWAS_search_associations_by_gene、OpenTargets_target_disease_evidence
  2. 合併症リスク：HbA1c、罹病期間、既存の合併症に基づきます
CVD の経路
  1. FH 遺伝子の確認：LDLR、APOB、PCSK9 について ClinVar_search_variants を使用します
  2. スタチンの PGx：SLCO1B1 について PharmGKB_get_clinical_annotations を使用します
RARE DISEASE の経路
  1. 原因バリアントの特定：ClinVar_search_variants
  2. 遺伝子型と表現型：UniProt_get_disease_variants_by_accession

スコアリング：疾患別の表については SCORING_REFERENCE.md を参照してください。

Phase 4：薬理ゲノムプロファイリング

  1. 薬物代謝酵素：PharmGKB_get_clinical_annotations、PharmGKB_get_dosing_guidelines
  2. FDA PGx バイオマーカー：fda_pharmacogenomic_biomarkers（limit=1000 を使用してください）
  3. 治療別 PGx：PharmGKB_get_drug_details

スコアリング：PGx リスクスコア（0～10点）については SCORING_REFERENCE.md を参照してください。

Phase 5：併存疾患と薬物相互作用のリスク

  1. 疾患の重複：OpenTargets_get_associated_targets_by_disease_efoId
  2. DDI の確認：drugbank_get_drug_interactions_by_drug_name_or_id、FDA_get_drug_interactions_by_drug_name
  3. PGx によって増幅される DDI：PM 遺伝子型かつ CYP 阻害剤を使用している場合は、複合リスクとして警告します

フェーズ 6：分子経路解析

  1. 経路エンリッチメント：enrichr_gene_enrichment_analysis（ライブラリ：KEGG_2021_Human、Reactome_2022、GO_Biological_Process_2023）
  2. Reactome マッピング：ReactomeAnalysis_pathway_enrichment、Reactome_map_uniprot_to_pathways
  3. ネットワーク解析：STRING_get_interaction_partners、STRING_functional_enrichment
  4. 創薬可能な標的：OpenTargets_get_target_tractability_by_ensemblID

フェーズ 7：臨床エビデンスとガイドライン

  1. ガイドライン検索：PubMed_Guidelines_Search（フォールバック：PubMed_search_articles）
  2. FDA 承認済み治療法：OpenTargets_get_associated_drugs_by_disease_efoId、FDA_get_indications_by_drug_name
  3. バイオマーカーと薬剤のエビデンス：civic_search_evidence_items、civic_search_assertions

フェーズ 8：臨床試験のマッチング

  1. バイオマーカーに基づく試験：疾患と介入を指定して search_clinical_trials を実行します
  2. 精密医療試験：バスケット試験／アンブレラ試験を対象に search_clinical_trials を実行します

フェーズ 9：統合スコアリングと推奨事項

スコア構成要素（合計 0～100）
  • 遺伝的リスク（0～35）：病原性＋遺伝子と疾患の関連性＋PRS
  • 臨床リスク（0～30）：病期／バイオマーカー／併存疾患
  • 分子特性（0～25）：ドライバー変異、サブタイプ、対応可能な標的
  • 薬理ゲノム学的リスク（0～10）：代謝能力、HLA アレル
リスク区分
スコア区分管理
75-100非常に高い集中的な治療、専門分野への紹介、臨床試験
50-74高い積極的な治療、綿密なモニタリング
25-49中程度標準的なガイドラインに基づく治療、PGx に基づく用量設定
0-24低い経過観察、予防、リスク要因の修正
出力

REPORT_TEMPLATE.md に従ってレポートを生成します。詳細なスコアリングマトリックスについては、SCORING_REFERENCE.md を参照してください。

よくある使用パターン

詳細な使用例を 6 つ掲載した EXAMPLES.md を参照してください。

  1. がん＋対応可能な変異：乳がん、BRCA1、ER+/HER2- → スコア約 55～65（高い）
  2. 代謝疾患＋PGx の懸念：2 型糖尿病、クロピドグレル服用中の CYP2C19 PM → スコア約 55～65（高い）
  3. NSCLC の包括的評価：EGFR L858R、TMB 25、PD-L1 80% → スコア約 75～85（非常に高い）
  4. CVD リスク：LDL 190、SLCO1B1*5、心筋梗塞の家族歴 → スコア約 50～60（高い）
  5. 希少疾患：マルファン症候群、FBN1 バリアント → スコア約 55～65（高い）
  6. 神経学的リスク：APOE e4/e4、アルツハイマー病の家族歴 → スコア約 60～72（高い）

コメント

Markdown 対応