scientific-variant-effect-prediction

name	scientific-variant-effect-prediction
description	計算バリアント効果予測スキル。AlphaMissense (タンパク質構造ベース病原性予測)、 CADD (統合アノテーションスコア)、SpliceAI (スプライシング影響予測) の 3 大予測ツールを統合したコンセンサス病原性評価パイプライン。 Ensembl VEP 連携、バリアントフィルタリング、優先順位付け対応。 9 の ToolUniverse SMCP ツールと連携。
tu_tools	[{"key":"spliceai","name":"SpliceAI","description":"スプライシングバリアント効果予測"},{"key":"cadd","name":"CADD","description":"統合アノテーション依存性枯湇スコア"}]

Scientific Variant Effect Prediction

AlphaMissense / CADD / SpliceAI の 3 大計算予測ツールを統合した バリアント病原性評価・優先順位付けパイプラインを提供する。

When to Use

• ミスセンスバリアントの病原性を計算予測するとき
• CADD スコアで全ゲノムバリアントの有害度を評価するとき
• SpliceAI でスプライシング影響を予測するとき
• 複数予測ツールのコンセンサススコアを算出するとき
• WGS/WES バリアントの優先順位付けが必要なとき

---

Quick Start

1. AlphaMissense 病原性予測

import pandas as pd
import numpy as np
import requests


def alphamissense_predict(variants, uniprot_id=None):
    """
    AlphaMissense タンパク質構造ベース病原性予測。

    Parameters:
        variants: list[dict] — [{"protein": "P12345", "position": 42, "ref": "A", "alt": "V"}]
        uniprot_id: str — タンパク質単位で全ポジションのスコア取得
    """
    results = []

    if uniprot_id:
        # タンパク質全体のスコアマップ取得
        # AlphaMissense は事前計算済みスコアを提供
        print(f"Fetching AlphaMissense scores for {uniprot_id}...")
        # ToolUniverse 経由: AlphaMissense_get_protein_scores
        # または AlphaMissense_get_residue_scores

    for var in variants:
        protein = var.get("protein", uniprot_id)
        pos = var["position"]
        ref_aa = var.get("ref", "")
        alt_aa = var.get("alt", "")

        # スコア分類閾値 (DeepMind 推奨)
        # pathogenic: score > 0.564
        # benign: score < 0.340
        # ambiguous: 0.340 - 0.564
        score = var.get("score", np.nan)

        if not np.isnan(score):
            if score > 0.564:
                classification = "likely_pathogenic"
            elif score < 0.340:
                classification = "likely_benign"
            else:
                classification = "ambiguous"
        else:
            classification = "unknown"

        results.append({
            "protein": protein,
            "position": pos,
            "ref_aa": ref_aa,
            "alt_aa": alt_aa,
            "am_score": score,
            "am_class": classification,
            "variant": f"{ref_aa}{pos}{alt_aa}",
        })

    df = pd.DataFrame(results)
    print(f"AlphaMissense: {len(df)} variants scored")
    return df

2. CADD スコア取得

def cadd_score_variants(variants, genome="GRCh38", version="v1.7"):
    """
    CADD (Combined Annotation Dependent Depletion) スコア取得。

    Parameters:
        variants: list[dict] — [{"chr": "1", "pos": 12345, "ref": "A", "alt": "G"}]
        genome: "GRCh37" or "GRCh38"
        version: CADD バージョン
    """
    base_url = f"https://cadd.gs.washington.edu/api/{version}"

    results = []
    for var in variants:
        chrom = str(var["chr"]).replace("chr", "")
        pos = var["pos"]
        ref = var["ref"]
        alt = var["alt"]

        # CADD API クエリ
        # ToolUniverse 経由: CADD_get_variant_score
        url = f"{base_url}/{genome}/{chrom}:{pos}"
        try:
            resp = requests.get(url, timeout=30)
            if resp.status_code == 200:
                data = resp.json()
                for hit in data:
                    if hit.get("Ref") == ref and hit.get("Alt") == alt:
                        raw = hit.get("RawScore", np.nan)
                        phred = hit.get("PHRED", np.nan)
                        break
                else:
                    raw, phred = np.nan, np.nan
            else:
                raw, phred = np.nan, np.nan
        except Exception:
            raw, phred = np.nan, np.nan

        # CADD PHRED 閾値目安
        
        
         phred >= :
            cadd_class = 
         phred >= :
            cadd_class = 
         phred >= :
            cadd_class = 
        :
            cadd_class = 

        results.append({
            : chrom, : pos, : ref, : alt,
            : raw,
            : phred,
            : cadd_class,
            : ,
        })

    df = pd.DataFrame(results)
    (
          )
     df

3. SpliceAI スプライシング予測

def spliceai_predict(variants, genome="GRCh38",
                      delta_threshold=0.2):
    """
    SpliceAI スプライシング影響予測。

    Parameters:
        variants: list[dict] — [{"chr": "1", "pos": 12345, "ref": "A", "alt": "G"}]
        delta_threshold: float — Δスコア閾値
            0.2: high recall, 0.5: recommended, 0.8: high precision
    """
    results = []

    for var in variants:
        chrom = str(var["chr"]).replace("chr", "")
        pos = var["pos"]
        ref = var["ref"]
        alt = var["alt"]

        # ToolUniverse 経由: SpliceAI_predict_splice
        # SpliceAI は 4 つの Δスコアを出力:
        # DS_AG: acceptor gain, DS_AL: acceptor loss
        # DS_DG: donor gain, DS_DL: donor loss
        ds_ag = var.get("ds_ag", 0)
        ds_al = var.get("ds_al", 0)
        ds_dg = var.get("ds_dg", 0)
        ds_dl = var.get("ds_dl", 0)

        max_delta = max(ds_ag, ds_al, ds_dg, ds_dl)

        if max_delta >= 0.8:
            splice_class = "high_impact"
        elif max_delta >= 0.5:
            splice_class = "moderate_impact"
        elif max_delta >= 0.2:
            splice_class = "low_impact"
        else:
            splice_class = "no_impact"

        results.append({
            "chr": chrom, "pos": pos, : ref, : alt,
            : ds_ag,
            : ds_al,
            : ds_dg,
            : ds_dl,
            : max_delta,
            : splice_class,
            : ,
        })

    df = pd.DataFrame(results)
    impacted = (df[] >= delta_threshold).()
    (
          )
     df

4. コンセンサス病原性評価

def consensus_pathogenicity(am_df, cadd_df, spliceai_df,
                             am_threshold=0.564, cadd_threshold=20,
                             splice_threshold=0.5):
    """
    AlphaMissense + CADD + SpliceAI のコンセンサス評価。

    Parameters:
        am_df: AlphaMissense 結果 DataFrame
        cadd_df: CADD 結果 DataFrame
        spliceai_df: SpliceAI 結果 DataFrame
    """
    # バリアント ID で結合
    merged = cadd_df.copy()

    if len(am_df) > 0:
        merged = merged.merge(
            am_df[["variant", "am_score", "am_class"]],
            on="variant", how="left"
        )
    if len(spliceai_df) > 0:
        merged = merged.merge(
            spliceai_df[["variant", "max_delta", "splice_class"]],
            on="variant", how="left"
        )

    # コンセンサススコア
    def compute_consensus(row):
        votes = 0
        total = 0

        if "cadd_phred" in row and not pd.isna(row.get("cadd_phred")):
            total += 1
            if row["cadd_phred"] >= cadd_threshold:
                votes += 1

        if "am_score" in row and not pd.isna(row.get()):
            total += 
             row[] >= am_threshold:
                votes += 

           row   pd.isna(row.get()):
            total += 
             row[] >= splice_threshold:
                votes += 

         total == :
             
        ratio = votes / total
         ratio >= :
             
         ratio >= :
             
        :
             

    merged[] = merged.apply(compute_consensus, axis=)
    merged[] = merged.apply(
         r: (  c  [, , ]
                       c  r   pd.isna(r.get(c))), axis=)

    (
          
          
          )
     merged

References

Output Files

ファイル	形式
results/alphamissense_scores.csv	CSV
results/cadd_scores.csv	CSV
results/spliceai_scores.csv	CSV
results/consensus_pathogenicity.csv	CSV
figures/variant_score_distribution.png	PNG

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
AlphaMissense	AlphaMissense_get_protein_scores	タンパク質全体スコア
AlphaMissense	AlphaMissense_get_variant_score	個別バリアントスコア
AlphaMissense	AlphaMissense_get_residue_scores	残基レベルスコア
CADD	CADD_get_variant_score	個別バリアント PHRED スコア
CADD	CADD_get_position_scores	ポジション全体スコア
CADD	CADD_get_range_scores	範囲一括スコア
SpliceAI	SpliceAI_predict_splice	スプライシングΔスコア予測
SpliceAI	SpliceAI_predict_pangolin	Pangolin スプライシング予測
SpliceAI	SpliceAI_get_max_delta	最大Δスコア取得

参照スキル

スキル	関連
scientific-variant-interpretation	ACMG/AMP 臨床バリアント解釈
scientific-population-genetics	gnomAD 集団頻度参照
scientific-disease-research	疾患-バリアント関連
scientific-pharmacogenomics	PGx バリアント効果
scientific-protein-structure-analysis	構造→機能影響評価

依存パッケージ

pandas, numpy, requests