mcpField
T
tooluniverse-gwas-snp-interpretation

tooluniverse-gwas-snp-interpretation

github.com/mims-harvard其他1.8k374 次安装2 天前更新
代码仓库

关于 tooluniverse-gwas-snp-interpretation

ToolUniverse 技能，用于解读 GWAS SNP，整合变异注释、性状关联、精细定位和基因优先级证据，为遗传学及临床研究提供背景。强调查询当前数据，并将 SNP 视为候选区域证据而非直接因果结论。

主要功能

  1. 01SNP 注释与群体频率查询
  2. 02检索 GWAS 性状关联
  3. 03识别精细定位可信集
  4. 04利用 L2G 预测候选因果基因
  5. 05汇总临床意义证据

适用场景

  1. 01评估某个 rsID 关联的疾病或性状
  2. 02检查变异是否属于精细定位位点
  3. 03比较候选变异及其潜在作用基因

MCP 相关

该技能通过 ToolUniverse 工具获取 GWAS Catalog 和 Open Targets Genetics 数据，包括变异信息、关联、可信集及 L2G 预测，供 MCP 客户端使用。

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/mims-harvard/tooluniverse --skill tooluniverse-gwas-snp-interpretation

安装后在 Claude Code 中输入/tooluniverse-gwas-snp-interpretation确认已加载。

包含的文件

除 SKILL.md 外，安装时一起下载的参考资料和脚本。

.env.template
FINAL_VERIFICATION.txt
python_implementation.py
QUICK_START.md
test_gwas_snp_tools_simple.py
test_gwas_snp_tools.py
test_skill_comprehensive.py

详细介绍

GWAS SNP 解读技能

SNP 解读：GWAS 命中的是一个区域，而非单个因果变异。领先 SNP 可能不是因果变异——它可能与因果变异处于 LD 中。得出某个特定 SNP 在机制上负有因果责任的结论前，务必检查 LD 结构和功能注释。使用 LDlink_get_proxies(variant="rs...", population="EUR") 获取高 R² 的 LD 代理变异（需要免费的 LDLINK_TOKEN）——位于编码区或调控区的代理变异，比领先 SNP 本身更可能是机制上的候选变异。精细定位（SuSiE、FINEMAP 可信集）可以缩小因果变异集合的范围，但很少能确定单个变异。L2G 分数整合 eQTL、染色质互作和距离数据，用于预测因果基因——映射到基因 A 的领先 SNP，实际上可能通过远端增强子调控 500 kb 外的基因 B。

查询而非猜测：切勿假定 SNP 的功能后果、映射基因或人群频率——务必调用 gwas_get_snp_by_id 和 OpenTargets_get_variant_info 获取最新注释。

概览

通过汇总多个来源的证据，解读 GWAS 研究中的遗传变异（SNP），提供全面的临床和生物学背景。

使用场景：

  • “解读 rs7903146”（TCF7L2 糖尿病变异）
  • “rs429358 与哪些疾病相关？”（APOE 阿尔茨海默病变异）
  • “rs1801133 的临床意义”（MTHFR 变异）
  • “rs12913832 是否位于任何精细定位位点中？”（眼睛颜色变异）

功能

该技能通过以下方式全面解读 SNP：

  1. SNP 注释：获取变异的基本信息，包括基因组坐标、等位基因、功能后果和映射基因
  2. 关联发现：查找所有具有统计学显著性的 GWAS 性状／疾病关联
  3. 精细定位证据：识别该变异所属的可信集（精细定位的因果位点）
  4. 基因映射：使用 Locus-to-Gene（L2G）预测来识别可能的因果基因
  5. 临床摘要：汇总证据，形成可用于临床决策的意义评估

工作流

User Input: rs7903146
    ↓
[1] SNP Lookup
    → Get location, consequence, MAF
    → gwas_get_snp_by_id
    ↓
[2] Association Search
    → Find all trait/disease associations
    → gwas_get_associations_for_snp
    ↓
[3] Fine-Mapping (Optional)
    → Get credible set membership
    → OpenTargets_get_variant_credible_sets
    ↓
[4] Gene Predictions
    → Extract L2G scores for causal genes
    → (embedded in credible sets)
    ↓
[5] Clinical Summary
    → Aggregate evidence
    → Identify key traits and genes
    ↓
Output: Comprehensive Interpretation Report

数据来源

GWAS Catalog（EMBL-EBI）
  • SNP 注释：功能后果、映射基因、人群频率
  • 关联：P 值、效应值、研究元数据
  • 覆盖范围：350,000 多篇出版物、670,000 多项关联
Open Targets Genetics
  • 精细定位：使用 SuSiE、FINEMAP 方法得出的统计可信集
  • L2G 预测：基于机器学习的基因优先级排序
  • 共定位：用于识别因果基因的 QTL 证据
  • 覆盖范围：UK Biobank、FinnGen 及其他大型队列

输入参数

必需参数
  • rs_id（str）：dbSNP rs 标识符
    • 格式：“rs” + 数字（例如，“rs7903146”）
    • 必须是 GWAS Catalog 中有效的 rsID
可选参数
  • include_credible_sets（bool，默认值=True）：查询精细定位数据
    • True：完整解读（较慢，约 10–30 秒）
    • False：仅查询关联（较快，约 2–5 秒）
  • p_threshold（float，默认值=5e-8）：全基因组显著性阈值
  • max_associations（int，默认值=100）：要获取的最大关联数

输出格式

返回包含以下内容的 SNPInterpretationReport：

1. SNP 基本信息
{
    'rs_id': 'rs7903146',
    'chromosome': '10',
    'position': 112998590,
    'ref_allele': 'C',
    'alt_allele': 'T',
    'consequence': 'intron_variant',
    'mapped_genes': ['TCF7L2'],
    'maf': 0.293
}
2. 性状关联
[
    {
        'trait': 'Type 2 diabetes',
        'p_value': 1.2e-128,
        'beta': '0.28 unit increase',
        'study_id': 'GCST010555',
        'pubmed_id': '33536258',
        'effect_allele': 'T'
    },
    ...
]
3. 可信集（精细定位）
[
    {
        'study_id': 'GCST90476118',
        'trait': 'Renal failure',
        'finemapping_method': 'SuSiE-inf',
        'p_value': 3.5e-42,
        'predicted_genes': [
            {'gene': 'TCF7L2', 'score': 0.863}
        ],
        'region': '10:112950000-113050000'
    },
    ...
]
4. 临床意义
Genome-wide significant associations with 100 traits/diseases:
  - Type 2 diabetes
  - Diabetic retinopathy
  - HbA1c levels
  ...

Identified in 20 fine-mapped loci.
Predicted causal genes: TCF7L2

使用示例

平台特定示例请参阅 QUICK_START.md。

使用的工具

GWAS Catalog 工具
  1. gwas_get_snp_by_id：获取 SNP 注释
  2. gwas_get_associations_for_snp：获取所有性状关联
Open Targets 工具
  1. OpenTargets_get_variant_info：获取包含人群频率的变异详情
  2. OpenTargets_get_variant_credible_sets：获取包含 L2G 的精细定位可信集

解读指南

P 值显著性等级
  • p < 5e-8：全基因组显著（强证据）
  • p < 5e-6：提示性显著（中等证据）
  • p < 0.05：名义显著（弱证据）
L2G 分数解读
  • > 0.5：高置信度因果基因
  • 0.1-0.5：中等置信度
  • < 0.1：低置信度
临床可操作性
  1. 高：多个全基因组显著关联 + 位于可信集合中 + L2G 分数高
  2. 中等：存在全基因组显著关联，但精细定位有限
  3. 低：提示性关联或重复验证有限

局限性

  1. 变异 ID 转换：OpenTargets 要求使用 chr_pos_ref_alt 格式，可能需要查询等位基因
  2. 人群特异性：关联可能因祖源而异
  3. 效应值：Beta 值取决于研究（表型量表不同）
  4. 因果性：关联不能证明因果关系；精细定位可以提高置信度
  5. 数据时效性：数据反映已发表的 GWAS；可能未包含最新研究

最佳实践

  1. 使用完整解读：启用 include_credible_sets=True，用于临床决策
  2. 检查多个变异：查看同一基因座中的其他变异
  3. 验证人群：考虑祖源特异性的效应值
  4. 查阅论文：查看原始研究以了解背景
  5. 整合证据：结合功能数据、eQTL 和 pQTL

技术说明

性能
  • 快速模式（不含可信集合）：2-5 秒
  • 完整模式（含可信集合）：10-30 秒
  • 瓶颈：OpenTargets GraphQL API 的速率限制
错误处理
  • 无效 rs_id：返回错误消息
  • 无关联：返回带有说明的空列表
  • API 故障：平稳降级（返回部分结果）

相关技能

  • 基因功能分析：解读预测的因果基因
  • 疾病本体查询：了解性状分类
  • PubMed 文献搜索：查找原始 GWAS 论文
  • 变异效应预测：分析功能后果

参考资料

  1. GWAS Catalog：https://www.ebi.ac.uk/gwas/
  2. Open Targets Genetics：https://genetics.opentargets.org/
  3. GWAS 显著性阈值：Fadista et al. 2016
  4. L2G 方法：Mountjoy et al. 2021（Nature Genetics）

版本

  • 版本：1.0.0
  • 最后更新：2026-02-13
  • ToolUniverse 版本：>= 1.0.0
  • 所需工具：gwas_get_snp_by_id, gwas_get_associations_for_snp, OpenTargets_get_variant_credible_sets

评论

支持 Markdown