Open Targets入門 #2：Platform UIで疾患から創薬ターゲットを探す

前回の記事では[Open Targetsの概要]を解説しました。今回はWebインターフェース（UI）を実際に操作しながら、疾患から創薬ターゲット候補を探す流れを一通り体験します。

コードは一切不要です。ブラウザだけで完結します。

使用するツール

本記事では アルツハイマー病（Alzheimer’s disease） を例に解説します。

Step 1：疾患を検索する

https://platform.opentargets.org/ にアクセスし、検索バーに Alzheimer と入力します。

▲ “Alzheimer” と入力するとTarget・Disease・Variant・Study・Drug など種別ごとにサジェストが表示される

サジェストに複数の候補が表示されます。

ポイント：Open Targets Platformでは、疾患・表現型は主にEFO（Experimental Factor Ontology）に基づいて整理され、MONDOなど外部Ontologyとの対応関係も利用されています。疾患ページのAssociated Targetsでは、選択した疾患とその下位概念に紐づくエビデンスも含めてターゲットが集計されます。

Step 2：疾患ページの構成を把握する

疾患ページには2つのタブがあります。

Associated Targetsタブ内には、さらに表示モードを切り替えるボタンがあります。

まず Associated Targets タブが開いていることを確認してください。

Step 3：アソシエーションテーブルを読む

▲ Alzheimer disease のAssociated Targetsビュー。APP・PSEN1・APOE などが上位に並ぶ

Overall Scoreとは

テーブルの各行が1ターゲットに対応し、左端に Overall Score（0〜1） が表示されます。これは「その疾患に対して、そのターゲットをどの程度強く示唆するエビデンスが集まっているか」を比較するためのランキング指標です。

テーブルの各列がデータソースに対応しており、スコアは0〜1で色の濃さで表現されます。列はスクロールで横に続いており、Column options ボタンで絞り込みも可能です。

臨床・薬剤エビデンス

遺伝的エビデンス

体細胞変異・がんエビデンス

機能的・薬理学的エビデンス

間接的エビデンス

スコアの計算方法

Overall Scoreは、各データソースのエビデンススコアを正規化されたharmonic sumで統合して算出されます。単純平均ではなく、強いエビデンスを持つデータソースを反映しつつ、複数の独立したデータソースから支持されるターゲットが上位に来やすい設計です。

ただし、このスコアは「創薬ターゲットとして正しい確率」そのものではありません。データ量の多い疾患やよく研究された遺伝子ではスコアが高くなりやすいため、最終判断ではEvidenceページで根拠の内訳を確認する必要があります。

Step 4：ウェイトをカスタマイズする（Column options → Advanced options）

▲ Column options → Advanced options を展開した状態。各データソースの Weight スライダーが並ぶ

テーブル右上の Column options（歯車アイコン）をクリックし、展開されたパネル内の Advanced options をクリックすると、各データソースのウェイトを調整できます。

注意：テーブル左上の Advanced filters（漏斗アイコン）は別機能です。ターゲット名やカテゴリで表示を絞り込むフィルターであり、ウェイト調整とは無関係です。

Advanced options では2種類の設定が可能です。

活用例：

• 遺伝的根拠を重視したい → GWAS associationsやGene Burdenのウェイトを上げる
• 臨床開発済みのターゲットを優先したい → Clinical Precedenceのウェイトを上げる
• 文献バイアスを避けたい → Europe PMCのウェイトを下げる、またはInclude?をオフにする

プロジェクトの目的に合わせて探索戦略をカスタマイズできる点は、Open Targets PlatformをUIで使う大きな利点です。変更後はランキングがその場で再計算されるため、仮説ごとの優先順位の変化を確認できます。

Step 5：Target Prioritisationビューに切り替える

Associated Targetsタブ内の “Target prioritisation factors” に切り替えます。

▲ Target prioritisation factorsビュー。緑が有利、赤が不利を示す信号機カラーで各因子を一覧できる

各セルは**緑（優先材料）〜赤（懸念材料）**の信号機カラーで表示されます。ここで表示されるのは疾患固有のエビデンスではなく、ターゲットそのものの性質を4カテゴリで整理した補助情報です。

Precedence（先行性）：臨床実績はあるか

Tractability（ドラッカビリティ）：薬にしやすいか

Doability（実施可能性）：研究ツールが揃っているか

Safety（安全性）：副作用リスクはないか

実践的な使い方：まずOverall Scoreで疾患との関連が強いターゲットを拾い、次にTractability・Doability・Safetyで開発しやすさとリスクを確認します。Tractabilityに緑が多く、Safetyに赤が少ないターゲットは優先的に深掘りする価値があります。一方、赤が付いた因子は除外理由ではなく、追加検証すべきリスクとして扱うのが実務的です。

Step 6：ターゲットを深掘りする

気になるターゲット（例：APP）の行で ⋮ アイコンをクリックすると、コンテキストメニューが表示されます。

▲ ターゲット行のメニュー。目的に応じて移動先を選べる

通常の創薬ターゲット探索では、まず Navigate to profile でターゲット自体の特徴を確認し、次に Navigate to evidence で疾患との関連根拠を精査します。

Step 7：Navigate to profile〜ターゲットの総合情報を確認する

プロファイルページを開くと、タイル形式で全セクションが一覧表示されます。

▲ プロファイルページのトップ（例：APP）。各タイルをクリックして該当セクションへジャンプできる

各タイルの内容は以下のとおりです。

創薬ターゲット評価で特に参照頻度が高いのは DC・TR・S・GC・BE です。

Step 8：Navigate to evidence〜疾患との関連根拠を精査する

「なぜこのターゲットがこの疾患に関連するのか」の根拠を、データソースごとに確認できるページです。Associated Targetsのスコアだけでは判断せず、このページでどの種類のエビデンスが効いているかを確認します。

▲ ページ上部にターゲットと疾患の概要が並んで表示される

ページを下にスクロールすると、利用可能なデータソースがタイル形式で表示されます。

▲ データソースのタイル一覧。グレーは該当データなし、色付きはエビデンスあり

データソースはカテゴリ別に分かれています。

タイルをクリックすると、そのデータソースの詳細エビデンス一覧が展開されます。

Genetic associationsの読み方

遺伝的エビデンスは特に重要です。各レコードには以下の情報が含まれます。

L2GスコアはGWASヒット座位に含まれる複数の遺伝子の中から、距離、染色体構造、eQTL、コーディング変異の影響などを統合して「因果遺伝子らしさ」を推定します。「GWASでヒットした座位のどの遺伝子を狙うか」を考える重要な根拠になります。ただし、機械学習による推定値なので、文献・機能実験・疾患生物学と合わせて解釈します。

実践：アルツハイマー病での上位ターゲット例

まとめ：UIで疾患→ターゲット探索の基本フロー

① 疾患を検索
    ↓
② Associated Targets でスコアを確認
    ↓
③ Advanced Options でウェイト調整（必要に応じて）
    ↓
④ Target Prioritisation で4カテゴリを確認
    ↓
⑤ 候補ターゲットページで詳細確認
    ↓
⑥ Evidenceページで根拠を精査

次回はPython + GraphQL APIを使って、このデータをプログラムで取得・解析する方法を解説します。数百の疾患・ターゲットを一気に処理したいときに威力を発揮します。

関連記事

• Open Targetsとは？創薬ターゲット探索の最前線ツールを徹底解説
• Python + GraphQL APIでデータを取得する

参考： - Open Targets Platform - Target Prioritisation Documentation - Target–disease associations Documentation - Open Targets Blog - Platform 26.03 release