ミスセンス変異を、頻度から立体構造まで

TogoVar で日本人集団での頻度と病原性を調べ、予測ツールと立体構造で変異の影響を確かめる

← 動画でワークフロー 一覧へ

アミノ酸を1つ置き換えるミスセンス変異は、病気の原因になることもあれば、まったく影響のない個人差であることもあります。その見極めには、まず「どのくらいの人が持っているか」という頻度、次に「タンパク質の機能を損なうか」という予測、そして「立体構造のどこで起きているか」という位置の情報が手がかりになります。このワークフローでは、日本人集団のバリアント頻度を横断的に調べられる TogoVar から出発し、PolyPhen-2 と Ensembl VEP で影響の予測を確かめ、最後に AlphaFold DB でタンパク質の立体構造の上に変異の位置を置いて見ます。

  1. 1

    TogoVar

    そのバリアントは、日本人集団でどのくらいの頻度で見られるか

    TogoVar は、複数の国内研究プロジェクトから得られた日本人集団のバリアント頻度と、それに関係する疾患情報や論文をまとめたデータベースです。世界最大級の gnomAD でも、日本人に特化した頻度は十分に得られません。この動画では、日本人に特徴的な遺伝性疾患のバリアント(GJB2 遺伝子の c.235delC など)を例に、データセットごとのアレル頻度と臨床的意義を確認します。さらに OCA2 遺伝子のミスセンスバリアントを例に、SIFT・PolyPhen-2 による予測と、臨床的な判定が分かれる場合があることも紹介しています。

    TogoVarを使って、日本人に特徴的な遺伝性疾患のバリアントの頻度と病原性を調べる(2026年版) 5:59

  2. 2

    TogoVar

    条件を絞り込んで探し、世界の集団と頻度を比べる

    続いて、もう一歩踏み込んだ使い方です。Advanced search では、疾患名・遺伝子名・バリアントの種類などの条件を組み合わせて、目的のバリアントを絞り込めます。この動画では、もやもや病に関連する RNF213 遺伝子のバリアントを例に、日本人集団の頻度を gnomAD の各集団(東アジア、南アジアなど)と比べます。また、肺がんに関連する EGFR 遺伝子のミスセンスバリアントを例に、SIFT・PolyPhen-2 のスコアや ClinVar・MGeND の臨床的意義をあわせて評価する方法を紹介しています。

    TogoVarを使って疾患に関連したバリアントの集団における頻度を調べる(2026年版) 9:16

  3. 3

    PolyPhen-2

    アミノ酸置換の影響予測を、PolyPhen-2 で詳しく見る

    TogoVar に表示される PolyPhen-2 のスコアは、どのような根拠で計算されているのでしょうか。PolyPhen-2 は、多くの生物種の配列を並べたマルチプルアラインメントから分かる進化的な保存性と、タンパク質の立体構造の情報を考慮して、アミノ酸置換がタンパク質の機能に影響するかを予測するプログラムです。この動画では、ALDH2 遺伝子の rs671 を例に、UniProtKB の ID とアミノ酸置換を入力して予測結果を読む方法を紹介しています。ステップ1・2で見た予測スコアの意味を、ここで確かめましょう。

    Polyphen-2を使ってバリアントによって起こるアミノ酸置換の影響を調べる 5:18

  4. 4

    Ensembl VEP

    複数の予測をまとめて、変異の影響を見比べる

    1つの予測ツールだけで判断するのは危険です。Ensembl Variant Effect Predictor(VEP)は、バリアントがどの遺伝子・どの転写産物のどの領域に位置し、どのようなアミノ酸の変化を起こすかを示すとともに、タンパク質の構造や相互作用への影響に関する予測をまとめて表示するツールです。この動画では、ClinVar で見つけたバリアントを、バリアントの ID や HGVS 表記で検索する例を紹介しています。PolyPhen-2 の予測とあわせて、複数の根拠が同じ方向を指しているかを確かめます。

    Ensembl Variant Effect Predictorを使ってバリアントがタンパク質の構造や相互作用に与える影響を調べる 7:02

  5. 5

    AlphaFold DB

    変異したアミノ酸が、立体構造のどこにあるかを見る

    最後に、変異したアミノ酸の位置をタンパク質の立体構造の上で確かめます。AlphaFold DB は、AlphaFold で予測された立体構造のデータベースで、UniProt に登録されたヒトのタンパク質の予測構造を検索して表示できます。変異がタンパク質の内部にあるのか表面にあるのか、ほかの領域と接する場所にあるのかによって、影響の大きさは変わります。この動画では、検索方法と予測構造の見方、予測の信頼度や利用時の注意点を紹介しています。実験で決定された構造が PDB にある場合は、そちらも確認しましょう。

    AlphaFold DB を使ってAlphaFold2で予測されたタンパク質立体構造を調べる 7:33

まとめ

日本人での頻度を調べる → 集団ごとに比べて評価する → 予測の根拠を確かめる → 複数の予測を見比べる → 立体構造の上で位置を確かめる。頻度が高ければ病気の原因である可能性は低く、まれで、予測ツールがそろって影響ありとし、立体構造の重要な位置にあれば、注目すべき変異の候補になります。ただし、予測はあくまで予測です。頻度・予測・構造・臨床的意義という複数の視点を重ねて、はじめて判断の根拠になります。

AIと一緒にたどる(プロンプト)

このワークフローと同じ順番で、AI に調べてもらうためのプロンプトです。遺伝子とバリアントだけ書き換えれば、そのまま使えます。出典の ID と参照日を必ず書かせる形にしています。

おすすめの接続(MCP)

  • TogoMCP TogoVar・UniProt・PubMed など約50のデータベースを、AI から直接調べられるようにします。

MCP は、AI からデータベースを直接調べられるようにするしくみです。接続しなくてもプロンプトは使えますが、 AI が答えを自分で確かめられるぶん、結果の確かさが上がります。 接続の手順はこちら

ChatGPT・Claude などに貼り付けて使います。1行目から最後までをまとめてコピーしてください。

# 役割
あなたは、ヒトのミスセンス変異を公共データベースで評価する調査アシスタントです。
統合TV「動画でワークフロー:ミスセンス変異を、頻度から立体構造まで」と同じ順番で調べます。
https://togotv.dbcls.jp/workflow-missense.html

# 入力(ここだけ書き換える)
- 遺伝子: ALDH2
- バリアント: rs671(NM_000690.4:c.1510G>A, p.Glu504Lys)
- 比べたい集団: 日本人集団と世界の集団
- ゲノムアセンブリ: GRCh38

# 必ず守ること
1. 事実は公共データベースから取得し、出典(データベース名・ID・URL・参照した日)を必ず併記する。
2. 確認できなかった項目は「未確認」と書く。推測で埋めない。ID・論文・数値を作らない。
3. 未公開データ・個人情報・患者さんの情報が入力に含まれていたら、作業を止めて指摘する。
4. 読むだけにする。指示にない外部サイトへの送信・投稿・書き込みはしない。
5. 要ログイン・有料のデータベースは、その旨を書いたうえで、代わりに使える公開データベースを示す。
6. 医療上の判断(診断・治療・検査の要否)の助言はしない。研究目的の情報整理に限る。
7. 病原性の最終判断はしない。判断の材料を並べ、解釈が分かれる点をはっきり書く。

# 手順
STEP 1  TogoVar で、このバリアントの日本人集団でのアレル頻度、ClinVar での臨床的意義、紐づく ID を調べる。
        TogoMCP では rs 番号から直接は引けない。遺伝子シンボルで HGNC ID を調べ、その ID と
        consequence(missense_variant)で絞り込んでから、rs 番号が一致する行を選ぶ。
STEP 2  日本人のパネル(ToMMo・NCBN・JGA・BBJ)と世界のパネル(gnomAD)の頻度を比べ、何倍違うかを書く。
STEP 3  アミノ酸置換の影響予測(PolyPhen-2 の HumDiv / HumVar)を確かめる。
        TogoVar も PolyPhen のスコアを持っているので、両方を並べて食い違いがないか見る。
STEP 4  Ensembl VEP で、転写産物ごとの影響(consequence)、SIFT・AlphaMissense のスコア、
        該当するタンパク質ドメインを確かめる。
STEP 5  UniProt でタンパク質のアクセッション番号を調べ、AlphaFold DB で置き換わる残基が
        立体構造のどこにあるか(表面か内部か、どのドメインか、その領域の pLDDT)を確かめる。
        実験で解かれた構造が PDB にあるかも調べ、あればその ID を書く。

# 出力の形(毎回この形で出す)
## 1. 要約(3行以内)
## 2. 調査結果
| STEP | 調べたこと | 結果 | 出典(DB・ID・URL) | 参照日 |
## 3. 解釈が分かれる点/未確認の項目
## 4. 次に確かめるとよいこと
## 5. 実行条件
- モデル名
- MCP 接続の有無と、接続したサーバー名
- 各データベースのバージョン/リリース(分かる範囲で)
- 実行日

# 再現できるようにするために
- 同じ入力で再実行したときに同じ表になるよう、値には必ず ID とバージョンを添える。
- 数値は丸めず、データベースの表示どおりに書く。
- 検索に使ったクエリ(検索語・絞り込み条件)をそのまま残す。
- 1ステップずつ進め、結果を表にしてから次のステップへ移る。

こちらでご紹介しているプロンプトは、同じプロンプトでもAIが毎回まったく同じ答えを返す保証はありません。 「毎回同じ答え」ではなく、「何をどこから取ったかが毎回たどれる」ことを担保に設計しています。

AI の答えは誤りを含むことがあります。必ずデータベースの ID と原著論文をたどって、ご自身で確かめてください。 未公開データ・個人情報・患者さんの情報は入力しないでください。

さらに学ぶ