バリアントから疾患、そして創薬へ
ひとつの塩基の違いを、意味づけて、たどっていく
← 動画でワークフロー 一覧へ手元に「気になるバリアント」がひとつあるとします。それは本当に病気と関係あるのか、タンパク質の働きをどう変えるのか、そして治療の標的になり得るのか。どれも一つのデータベースだけでは答えが出ません。このワークフローでは、頻度を調べ、影響を予測し、疾患との関連を確かめ、複数DBを重ねて絞り込み、最後に創薬ターゲットとしての可能性まで、5つのデータベースを順に渡り歩きます。
ワークフロー
- 1
出発点 ― まず、そのバリアントが何者かを押さえる
最初にやるべきは「珍しさ」の確認です。日本人集団でありふれた多型なのか、ほとんど報告のない稀な変異なのか。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、既存の疾患データベースとの関連をまとめて参照できる日本発のデータベースです。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を例に、頻度と臨床的意義の調べ方を紹介しています。頻度が高ければ病原性は考えにくく、逆に稀であれば追いかける価値が出てきます。ここで方向性が決まります。
- 2
その変異は、タンパク質に何をするのか
頻度が分かっても、それだけでは機能への影響は分かりません。Ensembl Variant Effect Predictor (VEP) は、バリアントが遺伝子のどの領域に落ち、アミノ酸置換を起こすのか、タンパク質の構造や相互作用にどう影響し得るのかを予測します。同じ「稀な変異」でも、イントロンの奥にあるのか、活性部位のど真ん中なのかで意味はまったく違います。ここで解像度がぐっと上がります。
- 3
その遺伝子は、すでに病気と結びつけられているか
予測は予測でしかありません。次に、すでに人類が積み上げてきた知識を照合します。OMIM はヒトの遺伝性疾患と原因遺伝子・バリアントを網羅的にまとめたカタログで、「この遺伝子の変異でこういう疾患が起きる」という報告があるかを確認できます。既知であればその表現型と自分のケースを突き合わせ、未報告であれば新規性のある所見かもしれない——判断の分かれ目です。
- 4
1件ずつの確認から、候補群の絞り込みへ
ここまでは1つのバリアントを深掘りしてきました。実際の研究では「候補が何十個もある」ほうが普通です。TogoDX/Human はヒトに関する多数のデータベースを統合的に扱えるツールで、希少疾患編では疾患情報を軸に条件を重ねて候補を絞り込めます。組織発現、疾患関連、構造情報の有無といった条件を掛け合わせることで、追跡すべき候補が現実的な数まで減ります。
- 5
それは、薬で狙える標的なのか
最後は出口の話です。Open Targets は遺伝学的エビデンス・発現・パスウェイ・既存薬の情報を統合し、疾患と標的の結びつきをスコアとして示してくれます。「病気と関係がありそう」から一歩進んで、「介入できる見込みがあるか」を評価する段階です。すでに他疾患向けの薬が存在する標的なら、ドラッグリポジショニングの糸口にもなります。
まとめ
頻度 → 分子への影響 → 疾患との関連 → 候補の絞り込み → 創薬可能性。一つのバリアントを軸に、これだけの視点を重ねられます。大事なのは、どの段階の情報も単独では結論にならないということ。複数のデータベースが同じ方向を指したときにはじめて、検証価値のある手がかりになるでしょう。
AIと一緒にたどる（プロンプト）
バリアントから疾患、創薬ターゲットまでを、このワークフローと同じ順番で AI に調べてもらうプロンプトです。遺伝子とバリアントだけ書き換えて使えます。
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、ヒトのバリアントを疾患と創薬のつながりまでたどる調査アシスタントです。
統合TV「動画でワークフロー：バリアントから疾患、そして創薬へ」と同じ順番で調べます。
https://togotv.dbcls.jp/workflow-variant.html
# 入力（ここだけ書き換える）
- 遺伝子: ALDH2
- バリアント: rs671
- 知りたいこと: この遺伝子・バリアントが、どの疾患とつながり、創薬の標的になりうるか
- 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・創薬可能性の最終判断はしない。材料を並べ、根拠の強さ（報告数・研究の規模）を添える。
# 手順
STEP 1 TogoVar で、バリアントの集団頻度と ClinVar / MGeND での臨床的意義を調べる。
遺伝子シンボル → HGNC ID → 絞り込み の順で探す（rs 番号からは直接引けない）。
STEP 2 Ensembl VEP で、転写産物ごとの影響と予測スコアを確かめる。
STEP 3 この遺伝子に関連する遺伝性疾患を調べる。OMIM は一部が要ログインなので、
MedGen・MONDO・ClinVar の条件名でも確かめ、どちらの情報かを明記する。
STEP 4 遺伝子・疾患・タンパク質・発現などを横断して、この遺伝子の全体像をまとめる
（TogoDX / TogoMCP で、UniProt・Bgee・Reactome などを横断する）。
STEP 5 創薬の標的としての可能性を調べる。ChEMBL で、この遺伝子産物を標的とする化合物や
活性データがあるかを確かめ、Open Targets でも確認する。なければ「なし」と書く。
# 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
- 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 ステップ2の予測を、別の手法でも裏取りしたいときに。
- GTEx Portalを使ってヒトの各組織での遺伝子発現量や影響するeQTLを調べる 8:08 コード領域外のバリアントが、発現量を通して効いている可能性を調べる。
- DECIPHER Phenotype browserを使って表現型からバリアントを調べる 7:50 遺伝子側からではなく、症状（表現型）側から攻めたいときの入口。
