第12章: 臨床応用システム

この章を読む理由

臨床応用では、解析ができることと、診療や報告に使えることは同義ではありません。第12章では、研究用データやシステム設計を、匿名化、責任分界、証拠水準、監査可能性の観点から見直します。

本章で使う共通題材

題材B: TCGA-LUAD 研究用ミニケース
- TCGA-LUAD
- 公開の研究用データを使い、臨床レポート生成の前段で必要な整理事項を確認します。
- 研究用途の retrospective review であり、診断・治療判断に直接用いるものではありません。

学習目標

がんゲノム医療、希少疾患診断、薬理ゲノミクスの各場面で必要な入力、QC、責任分界を説明できる
研究用結果を臨床レポート候補へ変換する際に必要な追加確認事項を整理できる
診断補助に用いてよい情報と、専門家判断へエスカレーションすべき情報を切り分けられる

12.1 がんゲノム医療

体細胞変異解析パイプライン: 🧪 概念例（擬似コード）

class CancerGenomicsPipeline:
    """がんゲノム解析パイプライン"""
    
    def __init__(self, tumor_sample, normal_sample):
        self.tumor = tumor_sample
        self.normal = normal_sample
        
    def identify_driver_mutations(self):
        """
        ドライバー変異の同定
        """
        # 体細胞変異の検出
        somatic_variants = self.call_somatic_variants()
        
        # 既知のがん遺伝子との照合
        cancer_genes = self.load_cancer_gene_census()
        
        driver_candidates = []
        for variant in somatic_variants:
            if variant['gene'] in cancer_genes:
                # 機能的影響の評価
                impact = self.assess_functional_impact(variant)
                if impact == 'HIGH':
                    driver_candidates.append(variant)
                    
        return driver_candidates
    
    def tumor_mutational_burden(self, callable_mb, somatic_variants=None):
        """
        腫瘍変異負荷（TMB: mutations per megabase）の計算例。

        注:
        - 分母（Mb）は panel / exome / genome や callable region の定義に依存する。
        - 分子も「何を数えるか」（例: 非同義SNV/indel）を明確にする。
        - この例では、数えるべき変異タイプでのフィルタリングは事前に行われている
          （例: 非同義SNV/indel のみを somatic_variants に渡す）ことを前提とする。
        """
        if callable_mb <= 0:
            raise ValueError("callable_mb must be > 0")

        variants = somatic_variants if somatic_variants is not None else self.call_somatic_variants()
        # ここでは変異タイプに応じたフィルタリングは行わない想定。
        # 分子として数える変異の選択（例: 非同義SNV/indel のみ）は、
        # あらかじめ variants（somatic_variants）を用意する段階で実施しておく。
        total_mutations = len(variants)
        return total_mutations / callable_mb

精密医療への応用:

分子標的薬の選択
免疫チェックポイント阻害薬の適応判定
臨床試験へのマッチング

導入チェックリスト（実務）

データ保護・規制: 匿名化/仮名化、同意取得、監査ログ、データ保持期間（第11章/付録D参照）
精度評価: ゴールドスタンダード/外部精度管理（EQA）、バリデーション手順書
運用: SOP/手順書、権限管理、バックアップ/DR、障害時の連絡体制
品質管理: QC/QA基準、変更管理、バージョン管理、再現性（コンテナ/ワークフロー）
説明責任: レポート様式、根拠リンク（文献/DB）、可視化（臨床向け）
性能: スループット/遅延目標、スケーリング戦略、モニタリング/アラート

（関連）第11章（プライバシー）、付録D（セキュリティベストプラクティス）

12.2 希少疾患診断

エクソーム/ゲノム解析: 🧪 概念例（擬似コード）

class RareDiseaseAnalyzer:
    """希少疾患原因遺伝子探索"""
    
    def __init__(self, patient_vcf, parent_vcfs=None):
        self.patient_vcf = patient_vcf
        self.parent_vcfs = parent_vcfs
        
    def trio_analysis(self):
        """
        トリオ解析（患者+両親）
        """
        if not self.parent_vcfs:
            return None
            
        # de novo変異の検出
        de_novo = []
        
        for variant in self.patient_vcf:
            if (variant not in self.parent_vcfs['mother'] and 
                variant not in self.parent_vcfs['father']):
                de_novo.append(variant)
                
        return de_novo
    
    def prioritize_variants(self, variants):
        """
        変異の優先順位付け
        """
        scored_variants = []
        
        for variant in variants:
            score = 0
            
            # ACMG基準による評価
            if self.is_null_variant(variant):
                score += 10
            if self.in_disease_gene(variant):
                score += 5
            if self.rare_in_population(variant):
                score += 3
                
            scored_variants.append((variant, score))
            
        return sorted(scored_variants, key=lambda x: x[1], reverse=True)

12.3 薬理ゲノミクス

薬剤応答予測: 🧪 概念例（擬似コード）

class PharmacogenomicsPredictor:
    """薬理ゲノミクス予測"""
    
    def __init__(self):
        self.pgx_database = self.load_pharmgkb()
        
    def predict_drug_response(self, genotype, drug):
        """
        薬剤応答の予測
        """
        # 関連する薬理遺伝子変異の確認
        relevant_variants = self.pgx_database.query(drug)
        
        response_profile = {
            'efficacy': 'normal',
            'toxicity_risk': 'low',
            'dosage_adjustment': 1.0
        }
        
        for variant in relevant_variants:
            if self.has_variant(genotype, variant):
                # 応答プロファイルの更新
                response_profile = self.update_profile(
                    response_profile, variant
                )
                
        return response_profile

12.4 臨床レポート生成

自動レポート作成: 🧪 概念例（擬似コード）

class ClinicalReportGenerator:
    """臨床レポート自動生成"""
    
    def generate_report(self, analysis_results):
        """
        解析結果から臨床レポートを生成
        """
        report = {
            'patient_id': analysis_results['patient_id'],
            'test_date': datetime.now(),
            'findings': [],
            'recommendations': []
        }
        
        # 臨床的に重要な所見
        for variant in analysis_results['pathogenic_variants']:
            finding = self.format_clinical_finding(variant)
            report['findings'].append(finding)
            
        # 治療推奨
        recommendations = self.generate_recommendations(
            analysis_results
        )
        report['recommendations'] = recommendations
        
        return self.format_as_pdf(report)

まとめ

臨床応用で最も重要なのは、解析精度だけでなく、責任分界、証拠水準、監査可能性を明示することです。
TCGA-LUAD のような研究用公開データは、レポート様式や優先順位付けの練習には使えますが、診断そのものの根拠にはできません。
第13章では、こうした判断を支える研究計画、検証設計、再現性確保の考え方へ進みます。

Source notes / 次の一歩

次章への橋渡し

臨床応用で必要な説明責任を満たすには、なぜその解析条件を選び、どう妥当性を検証したかを研究計画として説明できなければなりません。第13章では、そのための研究設計と再現性の整理へ進みます。

最小入出力（期待成果物/期待ログ）

入力: 要件（対象疾患・検査範囲・報告形式）と、解析結果（合成/匿名化データでも可）
出力（期待成果物）: 臨床レポート（テンプレート＋主要所見）、運用チェックリスト（QC/妥当性/監査）、責任分界の整理（最小限）
期待ログ（例）: 解析バージョン・入力/出力・QC指標・承認フローの記録（監査可能な形）

前へ: プライバシー保護技術

次へ: 研究手法

演習

研究用公開データを前提に、臨床レポート候補を作るまでに必要な追加確認事項（同意、匿名化、QC、承認フロー）をチェックリスト化せよ。
TCGA-LUAD などの公開データから 1 症例分の所見サマリを作り、研究用途での所見と臨床判断へ回すべき所見を分けて記述せよ。
TMB、病的変異候補、薬剤応答候補のいずれか 1 つを選び、分母定義・根拠 DB・限界を 1 ページで説明せよ。

具体課題例

臨床レポートのテンプレートに、所見、根拠、制約、次の確認事項を分けて記載する。
第10章のスキーマ設計を前提に、どのログが監査証跡として必要かを洗い出す。
「研究用途の retrospective review」と「診療での利用」を分ける注意書きを明記する。