scientific-disease-research

name	scientific-disease-research
description	疾患研究スキル。GWAS Catalog・Orphanet・OMIM・HPO・DisGeNET を統合し、 疾患-遺伝子関連解析・希少疾患診断支援・表現型-遺伝型マッピング・ 疫学的特性評価を支援。 「疾患と遺伝子の関連を調べて」「希少疾患を診断して」「GWAS 結果を解析して」で発火。
tu_tools	[{"key":"disgenet","name":"DisGeNET","description":"疾患-遺伝子関連スコア (GDA) データベース"}]

Scientific Disease Research

疾患研究のための統合解析スキル。ゲノムワイド関連解析（GWAS）、 希少疾患データベース、表現型オントロジーを横断活用し、 疾患メカニズムの解明と診断支援を行う。

When to Use

• GWAS 結果の解釈と遺伝子-疾患関連の同定
• 希少疾患の表現型マッチング・診断候補絞り込み
• 遺伝的リスクスコア (PRS) の算出
• 疾患ネットワーク・共有メカニズム解析
• HPO (Human Phenotype Ontology) ベースの表現型解析
• DisGeNET での遺伝子-疾患関連スコアリング

Quick Start

疾患研究パイプライン

Phase 1: Phenotype Characterization
  - HPO ベースの表現型プロファイリング
  - OMIM / Orphanet 疾患同定
  - 表現型クラスタリング
    ↓
Phase 2: Genetic Association
  - GWAS Catalog 検索 (EBI)
  - Significant loci 同定 (p < 5e-8)
  - LD (連鎖不平衡) ブロック解析
    ↓
Phase 3: Gene-Disease Mapping
  - DisGeNET GDA スコア算出
  - OMIM Morbid Map 参照
  - eQTL / sQTL 機能的アノテーション
    ↓
Phase 4: Rare Disease Diagnosis
  - Orphanet 疾患カタログ参照
  - HPO-based differential diagnosis
  - ACMG variant classification
    ↓
Phase 5: Network & Pathway Analysis
  - 疾患モジュール同定 (PPI ネットワーク上)
  - パスウェイ濃縮解析
  - 疾患間コモビディティ解析
    ↓
Phase 6: Report Generation
  - 疾患研究レポート (JSON + Markdown)
  - 遺伝子-疾患関連テーブル
  - 診断候補リスト

Workflow

1. GWAS Catalog API

import requests
import pandas as pd
import numpy as np

GWAS_API = "https://www.ebi.ac.uk/gwas/rest/api"

def search_gwas_associations(trait_keyword, p_threshold=5e-8):
    """GWAS Catalog で形質関連の SNP を検索"""
    resp = requests.get(
        f"{GWAS_API}/efoTraits/search/findBySearchQuery",
        params={"searchString": trait_keyword}
    )
    traits = resp.json().get("_embedded", {}).get("efoTraits", [])

    all_assocs = []
    for trait in traits[:5]:  # 上位 5 形質
        trait_uri = trait["_links"]["self"]["href"]
        assoc_resp = requests.get(
            f"{trait_uri}/associations",
            params={"size": 500}
        )
        for a in assoc_resp.json().get("_embedded", {}).get("associations", []):
            p_value = float(a.get("pvalue", 1))
            if p_value < p_threshold:
                for locus in a.get("loci", []):
                    for gene in locus.get("authorReportedGenes", []):
                        all_assocs.append({
                            "trait": trait.get("trait", ""),
                            "gene": gene.get("geneName", ""),
                            "rsid": a.get("snpInteraction", False),
                            "p_value": p_value,
                            "or_beta": a.get("orPerCopyNum", ""),
                            "risk_allele": "",
                            "study": a.get("study", {}).get("publicationInfo", {}).get("title", ""),
                        })

    df = pd.DataFrame(all_assocs).sort_values("p_value")
    print(f"GWAS associations for '{trait_keyword}': {len(df)}")
    return df

gwas_results = search_gwas_associations("type 2 diabetes")

2. DisGeNET 遺伝子-疾患関連

DISGENET_API = "https://www.disgenet.org/api"
DISGENET_KEY = "YOUR_API_KEY"

def query_disgenet_gda(gene_symbol, source="ALL"):
    """DisGeNET で Gene-Disease Associations (GDA) を取得"""
    headers = {"Authorization": f"Bearer {DISGENET_KEY}"}
    resp = requests.get(
        f"{DISGENET_API}/gda/gene/{gene_symbol}",
        headers=headers,
        params={"source": source, "format": "json"}
    )
    data = resp.json()

    results = []
    for item in data:
        results.append({
            "gene": item.get("gene_symbol", ""),
            "disease": item.get("disease_name", ""),
            "disease_id": item.get("diseaseid", ""),
            "score": item.get("score", 0),
            "ei": item.get("ei", 0),  # Evidence Index
            "el": item.get("el", ""),  # Evidence Level
            "n_pmids": item.get("pmid_count", 0),
            "source": item.get("source", ""),
        })

    df = pd.DataFrame(results).sort_values("score", ascending=False)
    return df

3. HPO (Human Phenotype Ontology) 表現型解析

HPO_API = "https://hpo.jax.org/api"

def phenotype_matching(hpo_terms):
    """HPO タームリストから疾患候補をランキング"""

    # HPO term → disease mapping
    disease_scores = {}

    for hpo_id in hpo_terms:
        resp = requests.get(f"{HPO_API}/hpo/term/{hpo_id}/diseases")
        diseases = resp.json().get("diseases", [])

        for d in diseases:
            disease_name = d.get("diseaseName", "")
            disease_id = d.get("diseaseId", "")
            if disease_id not in disease_scores:
                disease_scores[disease_id] = {
                    "name": disease_name,
                    "matched_hpo": [],
                    "total_hpo": d.get("numberOfAnnotations", 0),
                }
            disease_scores[disease_id]["matched_hpo"].append(hpo_id)

    # Jaccard-like スコア
    results = []
    for did, info in disease_scores.items():
        matched = len(info["matched_hpo"])
        total_query = len(hpo_terms)
        total_disease = info["total_hpo"]
        # Harmonic mean of precision and recall
        precision = matched / total_query if total_query > 0 else 0
        recall = matched / total_disease if total_disease > 0 else 
        f1 =  * precision * recall / (precision + recall)  (precision + recall) >   

        results.append({
            : did,
            : info[],
            : matched,
            : total_disease,
            : (precision, ),
            : (recall, ),
            : (f1, ),
        })

     pd.DataFrame(results).sort_values(, ascending=)


patient_hpo = [, , ]  
candidates = phenotype_matching(patient_hpo)
()
(candidates.head())

4. Orphanet 希少疾患検索

ORPHANET_API = "https://api.orphacode.org"

def search_orphanet(query):
    """Orphanet で希少疾患を検索"""
    resp = requests.get(
        f"{ORPHANET_API}/EN/ClinicalEntity/ApproximateName/{query}",
        headers={"apiKey": "YOUR_ORPHANET_KEY"}
    )
    data = resp.json()

    results = []
    for item in data:
        results.append({
            "orpha_code": item.get("ORPHAcode", ""),
            "name": item.get("Preferred term", ""),
            "type": item.get("typology", ""),
            "prevalence": item.get("prevalence", ""),
            "inheritance": item.get("inheritance", ""),
            "age_of_onset": item.get("age_of_onset", ""),
        })

    return pd.DataFrame(results)


def get_disease_genes(orpha_code):
    """Orphanet 疾患に関連する遺伝子を取得"""
    resp = requests.get(
        f"{ORPHANET_API}/EN/ClinicalEntity/orphacode/{orpha_code}/Gene",
        headers={"apiKey": "YOUR_ORPHANET_KEY"}
    )
    data = resp.json()
    genes = []
    for g in data.get("DisorderGeneAssociationList", []):
        gene_info = g.get("Gene", {})
        genes.append({
            : gene_info.get(, ),
            : gene_info.get(, ),
            : g.get(, {}).get(, ),
            : g.get(, {}).get(, ),
        })
     pd.DataFrame(genes)

5. Polygenic Risk Score (PRS) 算出

def calculate_prs(gwas_summary_stats, individual_genotypes):
    """
    Polygenic Risk Score (PRS) by C+T (Clumping + Thresholding)

    PRS = Σ (beta_i × genotype_i) for i in selected SNPs
    """
    # LD Clumping (概念的)
    clumped = gwas_summary_stats[gwas_summary_stats["p_value"] < 5e-8].copy()

    # 効果量の方向統一
    clumped["beta"] = np.where(
        clumped["effect_allele"] == clumped["risk_allele"],
        clumped["beta"],
        -clumped["beta"]
    )

    # PRS 算出
    prs_scores = []
    for sample_id, geno in individual_genotypes.groupby("sample_id"):
        merged = clumped.merge(geno, on="rsid", how="inner")
        prs = (merged["beta"] * merged["dosage"]).sum()
        prs_scores.append({
            "sample_id": sample_id,
            "prs_raw": prs,
            "n_snps_used": len(merged),
        })

    prs_df = pd.DataFrame(prs_scores)

    # Z-score 標準化
    prs_df["prs_zscore"] = (prs_df["prs_raw"] - prs_df["prs_raw"].mean()) / prs_df["prs_raw"].std()

    # パーセンタイル
    prs_df["percentile"] = prs_df["prs_zscore"].rank(pct=True) * 100

    return prs_df

6. 疾患研究レポート生成

import json

def generate_disease_report(disease_name, gwas_df, gda_df, hpo_df,
                            output_dir="results"):
    """疾患研究統合レポート"""
    report = {
        "disease": disease_name,
        "analysis_date": pd.Timestamp.now().isoformat(),
        "gwas_summary": {
            "total_associations": len(gwas_df),
            "genome_wide_significant": len(gwas_df[gwas_df["p_value"] < 5e-8]),
            "top_loci": gwas_df.nsmallest(10, "p_value").to_dict("records"),
        },
        "gene_disease_associations": {
            "total_genes": gda_df["gene"].nunique(),
            "strong_associations": len(gda_df[gda_df["score"] >= 0.6]),
            "top_genes": gda_df.nlargest(10, "score").to_dict("records"),
        },
        "phenotype_network": {
            "hpo_terms_used": len(hpo_df) if hpo_df is not None else 0,
        },
    }

    with open(f"{output_dir}/disease_research_report.json", "w") as f:
        json.dump(report, f, indent=2, default=)

    md = 
    md += 
    md += 
    md += 
     locus  report[][]:
        md += 
    md += 
    md += 
    md += 
     g  report[][]:
        md += 

     (, )  f:
        f.write(md)

     report

---

Best Practices

1. GWAS 有意水準: ゲノムワイド有意水準は p < 5×10⁻⁸ を使用
2. LD を考慮: 隣接 SNP の連鎖不平衡を考慮し独立シグナルを同定
3. DisGeNET スコア: GDA score 0.6 以上を「強い関連」とする
4. HPO の粒度: 一般的すぎる HPO ターム（例: HP:0000001）は避ける
5. PRS の限界: PRS は集団レベルの予測であり個人の診断には限界がある
6. 希少疾患では遺伝子パネル優先: GWAS より WES/WGS + ACMG 分類が有効
7. 交絡の考慮: 集団層別化 (Population Stratification) を補正

Completeness Checklist

• 疾患/形質の定義と HPO マッピング
• GWAS Catalog 検索・有意 loci 同定
• DisGeNET GDA スコア取得
• Orphanet 希少疾患情報参照
• HPO ベースの表現型マッチング
• パスウェイ・ネットワーク解析
• 疾患研究レポート（JSON + Markdown）生成

References

Output Files

ファイル	形式	生成タイミング
results/disease_research_report.json	疾患研究レポート（JSON）	解析完了時
results/disease_research_report.md	疾患研究レポート（Markdown）	レポート生成時
results/gwas_significant_loci.json	GWAS 有意 loci（JSON）	GWAS 検索完了時

利用可能ツール

ToolUniverse SMCP 経由で利用可能な外部ツール。

カテゴリ	主要ツール	用途
OpenTargets	OpenTargets_get_disease_id_description_by_name	疾患 ID・記述取得
OpenTargets	OpenTargets_get_associated_targets_by_disease_efoId	疾患関連ターゲット
EFO/OLS	OSL_get_efo_id_by_disease_name	EFO ID 解決
HPO	get_HPO_ID_by_phenotype	表現型→HPO マッピング
Monarch	Monarch_get_gene_diseases	遺伝子-疾患関連
ClinVar	clinvar_search_variants	病原性バリアント検索
ClinicalTrials	search_clinical_trials	疾患関連臨床試験

参照スキル

スキル	連携
scientific-variant-interpretation	→ 候補バリアントの ACMG 分類
scientific-bioinformatics	← 発現データ・eQTL 解析
scientific-network-analysis	← 疾患モジュール・PPI ネットワーク
scientific-meta-analysis	← GWAS メタアナリシス
scientific-precision-oncology	→ がん疾患の精密医療連携
scientific-deep-research	← 疾患関連文献リサーチ