AWS HealthOmics と Amazon Bedrock AgentCore によるゲノムバリアント解釈の高速化

ゲノム研究は、変革の岐路に立っています。シーケンシングデータが指数関数的に増加するなか、それに見合う高度な解析能力が求められています。1000 Genomes Project によれば、典型的なヒトゲノムは参照配列 (リファレンス) に対して 410 万〜500 万か所で異なり、そのほとんどは一塩基多型（SNP）と短い挿入・欠失（indel）です。これらのバリアントは、多くの人のデータを合わせると、ポリジェニックリスクスコア（PRS：Polygenic Risk Score）として捉えられる疾患のかかりやすさの違いに寄与します。しかし、ゲノム解析ワークフローは、こうした大規模なバリアントデータを実際に活用できる知見へと変換することに苦労しています。ワークフローは依然として断片化しており、研究者はバリアントアノテーション、品質フィルタリング、ClinVar のような外部データベースとの統合といった複雑なパイプラインを、手作業で組み立てる必要があります。

AWS HealthOmics のワークフローは、Amazon S3 Tables および Amazon Bedrock AgentCore と組み合わせることで、これらの課題に対する変革的なソリューションを提供します。HealthOmics のワークフローは、Variant Call Format（VCF）ファイルに有用なオントロジーを付与するアノテーション処理をシームレスに統合できます。続いて、Variant Effect Predictor (VEP) でアノテーションした VCF ファイルを構造化データセットへ変換し、最適化された S3 Tables に格納します。これにより、大規模なバリアントコホート全体でのクエリ性能を高めます。Amazon Bedrock AgentCore 上で動作する Strands Agents SDK は、セキュアでスケーラブルな AI エージェントアプリケーションを提供し、研究者は専門的なクエリの知識を持たずとも、複雑なゲノムデータセットを扱えるようになります。

本ブログ記事では、エージェント型 (agentic) ワークフローが、自然言語インターフェースによって、ゲノミクスパイプラインの処理と解釈を大規模に高速化する方法をご紹介します。ここでは、自動化されたデータ処理とインテリジェントな解析を組み合わせた、包括的なゲノムバリアント解釈エージェントをデモンストレーションします。このエージェントは、生の VCF ファイルの取り込みから対話型クエリインターフェースまで、ワークフロー全体に対応します。最も重要な点として、このソリューションは、従来はゲノム解析を専門のバイオインフォマティシャンに限定してきた技術的な障壁を取り除きます。これにより、臨床研究者は生の VCF ファイルをアップロードし、たとえば「BRCA1 に病原性バリアントを持つ患者は誰か？」や「このコホートにおける薬剤耐性バリアントを見せて」といった質問を、すぐに投げかけられるようになります。本ソリューションのコードは、AWS 上のライフサイエンス向けスターターエージェントを集めたオープンソースのツールキットリポジトリで公開されています。

ゲノム解析におけるバリアントアノテーションの理解

ゲノムバリアント解釈の土台は、生の遺伝的バリアントを生物学的・臨床的な文脈に結びつける包括的なアノテーションパイプラインです。Variant Effect Predictor（VEP）と ClinVar は、現代のゲノム解析ワークフローにおける 2 つの不可欠な構成要素であり、それぞれが相互に補完的な情報を提供します。研究者は、意味のある知見を得るために、これらを統合する必要があります。

この比較図は、ClinVar と VEP による、ゲノムバリアント解釈のための、相補的でありながら異なるアノテーション機能を示しています。左側の ClinVar アノテーションは、主に臨床的意義の評価に重点を置き、キュレーションされた病原性分類（CLNSIG）、エビデンスの品質を示す指標（CLNREVSTAT）、そして臨床判断に直接関わる疾患との関連（CLNDN）を提供します。右側の VEP アノテーションは、影響 (コンシークエンス) タイプ（missense_variant、synonymous_variant、intron_variant）、影響度分類（HIGH、MODERATE、LOW、MODIFIER）、遺伝子シンボル、位置情報を含むトランスクリプトごとの効果など、包括的な機能情報を提供します。

現在のアノテーションワークフローの課題

バリアントアノテーションのワークフローは、通常、次のようなシーケンシャルなプロセスをたどります。

初期の VCF 処理：シーケンシングシステムから出力される生の Variant Call Format（VCF）ファイルは、表記を正規化し、低品質なコールを除去するための前処理が必要です。
VEP アノテーション：Variant Effect Predictor ツールの実行には多くの計算リソースを要します。特に、サンプルあたり数百万のバリアントを含む全ゲノムシーケンシングデータでは、その傾向が顕著です。VEP 解析は、利用可能な計算リソースとアノテーションの深さに応じて、ゲノムあたり 2〜8 時間かかることがあります。
ClinVar 統合：臨床アノテーションは ClinVar から取得し、別の処理でバリアントと照合する必要があり、データベース検索やフォーマット変換が求められます。
マルチサンプル統合：コホートレベルの解析を行うには、サンプル間で複雑な結合（join）操作が必要になります。これは通常、専用ツールで行われますが、生成されるのは大きくフラットなファイルで、効率的なクエリが困難です。
解釈：さらに科学者は、さまざまなツールを使って、アノテーション済みデータのフィルタリング、ソート、解析を行う必要があります。これは多くの場合、独自のスクリプトと相応のバイオインフォマティクスの専門知識を要します。この技術的なボトルネックにより、臨床研究者は自らのゲノムデータを自力では探索できず、生物学的な問いを立ててから答えを得るまでに数日から数週間の遅延が生じます。

データセットの複雑さと規模

ゲノムバリアント解析の規模を象徴するのが、1000 Genomes Phase 3 Reanalysis with DRAGEN のようなデータセットです。このデータセットには次のものが含まれます。

多様な集団に由来する 2,500 を超える個別サンプル
全サンプルにわたる、約 8,500 万件のユニークなバリアント
整合させる必要のある複数のアノテーションバージョン（DRAGEN 3.5、3.7、4.0、4.2）
SNP や indel に加えて、複雑な構造変異（structural variant）

こうした複雑さは、フラットファイルの処理や手作業での統合ステップに依存する従来型の解析パイプラインにおいて、大きなボトルネックを生み出します。

ソリューションの概要

ゲノムコホートの構築や、複数の患者にわたって PRS を計算したりするには、Variant Effect Predictor（VEP）のようなツールを用いて、結合されたバリアントコールテーブルと包括的なアノテーションを生成する必要があり、多くの計算リソースを要します。最も重要なのは、これらのワークフローが、SQL の専門知識とバリアントファイル形式への深い理解を持つバイオインフォマティシャンだけが意味のある知見を引き出せる、という技術的障壁を生み出している点です。その結果、臨床研究者は基本的なゲノムクエリでさえ専門の技術チームに依存せざるを得ません。

私たちの AI を活用したアプローチの変革的な利点は、自然言語による対話を通じてゲノム解析を誰もが使えるものへと民主化することにあります。従来の VEP パイプラインでは、「薬剤耐性遺伝子に高影響度 (high-impact) のバリアントを持つ患者は誰か？」といった臨床的な問いに答えるのに数日の技術的作業を要しました。一方、私たちのソリューションを使えば、研究者はこうした質問を会話形式で問いかけ、数分で答えを得られます。これは、技術への依存から、セルフサービス型のゲノム解析への移行を意味します。臨床研究者、腫瘍ボード（tumor board）、ゲノミクスチームは、バイオインフォマティクスの支援を待つことなく、自らのデータを直接探索できるようになります。

本ソリューションは、自動化されたデータ処理と、インテリジェントな自然言語解析を組み合わせた、生成 AI 活用型のゲノムバリアント解釈エージェントをデモンストレーションします。このアーキテクチャは、生の VCF ファイルの取り込みから対話型クエリインターフェースまで、ゲノム解析ワークフロー全体に対応します。

本ソリューションは、生のゲノムデータを実際に活用できる知見へと変換する、6 つの主要ステップで構成されます。

生の VCF 処理：シーケンシングプロバイダーからの生の VCF ファイルが Amazon S3 ストレージにアップロードされ、S3 イベント通知を通じて AWS Lambda 関数をトリガーします。この Lambda 関数が AWS HealthOmics のワークフローをオーケストレーションします。
VEP アノテーション：AWS HealthOmics のワークフローが、Variant Effect Predictor（VEP）を使って生の VCF ファイルを自動的に処理し、機能予測と臨床アノテーションを並列で付与してバリアントを強化します。その後、アノテーション済みの結果を S3 に格納します。
イベント連携：Amazon EventBridge がワークフローの完了を監視し、Lambda 関数をトリガーして、Amazon DynamoDB 内のジョブステータスを更新します。また、AWS Batch の Fargate コンピューティング環境で、PyIceberg モジュールを用いて、VEP アノテーション済み VCF ファイルと ClinVar アノテーションを Iceberg 形式に変換します。
データの整理：PyIceberg ローダーは Amazon S3 Tables の Iceberg REST エンドポイントと連携します。Amazon S3 Tables は、テーブルのメタデータを AWS Glue Data Catalog に登録します。アノテーション済み VCF と ClinVar アノテーションについて、スキーマ情報（列、データ型、パーティション）がカタログ化されます。また、下流の分析のための分析コネクタも確立します。
SQL による分析：Amazon Athena が、列指向 (カラムナ) 型ストレージ形式を通じてゲノムデータに対する SQL ベースのクエリ機能を提供します。これにより、数百万のバリアントにわたる大規模解析を、最適なクエリ応答で実現します。
自然言語による対話：AgentCore Runtime 上の Amazon Bedrock LLM を活用した Strands オーケストレーターエージェントが、Athena クエリを実行する 5 つの専用ツールを通じて自然言語インターフェースを提供します。
- query_variants_by_gene：特定の遺伝子に関連するバリアントを取得します
- query_variants_by_chromosome：染色体単位のバリアント解析を可能にします
- compare_sample_variants：患者サンプル間の比較ゲノミクスを可能にします
- analyze_allele_frequencies：集団遺伝学的な知見を提供します
- execute_dynamic_genomics_query：柔軟なアドホック解析のリクエストに対応します

このアーキテクチャには、きめ細かなアクセス管理のための AWS IAM と、モニタリングのための Amazon CloudWatch による包括的なセキュリティ制御が組み込まれています。この自動化されたイベント駆動型のパイプラインは、VCF ファイルのスケーラブルな並列処理をサポートし、増え続けるゲノムデータセットに自動的に適応しながら、一貫したアノテーション品質と分析能力を維持します。

PyIceberg を用いたAmazon S3 Tables : VCF から構造化コホートへの変換

PyIceberg と Amazon S3 Tables を組み合わせることで、VEP アノテーション済みの VCF ファイルを、構造化されたコホート、つまり AI 駆動の分析に最適化されたクエリ可能なデータセットへと変換します。これにより、自然言語インターフェースが複雑なゲノムデータと効率的に対話するためのデータ基盤が生まれます。

PyIceberg は、S3 Tables 形式で Apache Iceberg テーブルを作成し、次のような利点をもたらします。

最適なクエリ：エージェントは、最適化された列指向 (カラムナ) 型ストレージを通じて、数百万のバリアントにわたる複雑なゲノムクエリを最小限のレイテンシで実行できます。従来は数時間の SQL 開発と実行を要した分析が、対話による即時応答へと変わります。
豊富なアノテーションへのアクセス：VEP と ClinVar のアノテーションは、Amazon Athena を介した SQL で直接クエリ可能になり、AI エージェントが特定のゲノム知見を抽出できるようになります。
コホートレベルの解析：構造化された Iceberg 形式（PyIceberg）は、自然言語を通じた集団レベルのクエリのために、患者コホート間の効率的な比較が可能になります。

S3 Tables においてバリアントデータとアノテーションデータを分離することで、AI を活用した分析に適したデータ基盤となります。ゲノムバリアントの S3 Tables はエージェントが高速にフィルタリングできる中核的な位置情報が含まれ、一方でアノテーション／臨床情報の S3 Tables にはバリアントの解釈に必要な豊富な機能的・臨床的コンテキストが格納します。

この構造により、Strands エージェントは AWS Glue Data Catalog コネクタを通じて、ユーザーの質問に的確に答える、対象を絞ったクエリを構築できます。

生の VCF ファイルから構造化テーブルへのこの変換こそが、研究者が Amazon Bedrock AgentCore 上の Strands オーケストレーターエージェントを通じて、複雑なゲノムデータセットを会話形式でクエリできるようにするものです。

Strands Agents と AgentCore Runtime によるインテリジェントなゲノム解析

この対話型インターフェースは、私たちのゲノミクス AI ソリューションの中核をなすイノベーションであり、Strands Agents SDK を用いて構築され、Amazon Bedrock AgentCore Runtime 上にデプロイされています。この高度な AI エージェントは、複雑なゲノミクスの概念を理解し、自然言語のクエリを、構造化されたゲノムデータセットに対する適切な分析操作へと変換します。

AgentCore Runtime は、動的な AI エージェントとツールのデプロイおよびスケーリングのために専用設計された、セキュアでサーバーレスなランタイムです。本ソリューションは、ゲノム分析において次のような主要な利点をもたらします。

モデルとフレームワークの柔軟性：AgentCore のサービスは組み合わせ可能 (コンポーザブル) であり、Amazon Bedrock の内外を問わず、オープンソースまたはカスタムのフレームワークおよびモデルと連携します。
数時間規模のエージェント型ワークロード：最長 8 時間の長時間実行ワークロードと、最大 100MB のペイロードをサポートします。
セキュリティ：ユーザーセッションごとに専用のマイクロ VM（microVM）を割り当て、完全に分離します。
エンタープライズグレードの統合：AgentCore Identity と AWS IAM による認証を標準で備えています。
オブザーバビリティ：エージェントの推論とツール呼び出しを包括的にトレースします。
プライベートリソースへのアクセス：Amazon Virtual Private Cloud (VPC) 内のデータベースや API への接続が可能です。
市場投入までの時間短縮：AI エージェントソリューションのデプロイと開発のサイクルを加速します。

Amazon Bedrock AgentCore の機能に関する詳細は、Amazon Bedrock AgentCore のドキュメントを参照してください。

Strands Agents は、エージェンティックループ（agentic loop）の概念を用いてゲノム解析ツールをオーケストレーションする、モデル駆動のアプローチにより、専門的な機能を備えたドメイン特化型 AI エージェントを構築するための堅牢な基盤を提供します。この反復的な推論フレームワークにより、エージェントは解析要件に応じて適切なツールを動的に選択・実行できます。私たちのゲノムバリアント解釈エージェントは、Amazon S3 Tables が作成した構造化データを活用する、次の 5 つの主要ツールを実装しています。

バリアントのクエリ：遺伝子ベースの質問を、関連するバリアントを取得する的確な Athena SQL クエリへと変換します。
染色体解析：自然言語を通じて、特定のゲノム領域を対象とした問い合わせを可能にします。
サンプル比較：SQL の結合 (join) を必要とせずに、患者横断のゲノム解析を可能にします。
集団頻度解析：1000 Genomes のような参照データセットに照らして、結果所見を文脈づけます。
動的なクエリ生成：複雑な自然言語のリクエストを、最適化された SQL へと変換します。

自然言語によるクエリ

このエージェントは、多様な種類のクエリを扱う際に卓越した能力を発揮します。従来のモデルでは、臨床研究者はバイオインフォマティクスチームが独自のスクリプトを書き、複雑な解析を実行するのを待たなければなりませんでした。しかし今では、SQL クエリの作成や VCF ファイル形式との格闘に数日を費やす代わりに、研究者はゲノミクスの専門家と会話するように自然に、自らのゲノムデータを探索できます。

コホートレベルの分析

ユーザー「このコホートについて、患者ごとのバリアント総数と病原性を表形式でまとめてください」

このクエリでエージェントは次の処理を行います。

execute_dynamic_genomics_query ツールを使用します。
コホート内のサンプル全体のバリアントデータを解析します。
患者数とバリアントの統計を含むコホートのサマリーを生成します。
結果を表形式で整理して提示します。

コホートレベルの頻度分析

ユーザー「このコホートと 1000 Genomes で共有される、病原性または病原性の可能性が高いバリアントのアレル頻度を教えてください」

エージェントはこれを次のようなクエリへと変換します。

execute_dynamic_genomics_query ツールと analyze_allele_frequencies ツールを実行し、その患者の病原性バリアントの一覧を取得します。
臨床的に重要な病原性バリアントを絞り込み（フィルタリング）ます。
ClinVar から疾患レベルの情報を、VEP からアレル頻度を抽出します。
関連するコンテキストとともに結果を提示します。

併存疾患（コモルビディティ）のリスク関連分析

ユーザー「chr10:111079820 の ADRA2A 遺伝子にバリアントを持つ患者は誰か。また、これらの患者はスタチンやインスリン抵抗性に関連する、追加の高影響度のバリアントを持っているか？」

このクエリに対して、エージェントは次のように動作します。

特定の疾患コンテキストについて、薬剤耐性経路における追加のリスクバリアントを検索します。
併存疾患に関して、個々の患者レベルで臨床的意義と結びつけます。
臨床と薬剤耐性経路を統合した臨床的示唆を提供します。

この自然言語インターフェースにより、研究者が複雑な SQL 構文を習得したり、基盤となるデータ構造を理解したりする必要が最小限になり、技術的背景を問わず、臨床チームと研究チームがゲノム知見へアクセスしやすくなります。

高度な分析処理

クエリに加えて、このゲノムバリアント解釈エージェントは、基本的なバリアント同定を超える高度な分析能力を発揮します。研究者は、従来は数日の解析を要した複雑な問いを探索できます。

臨床意思決定支援

ユーザー「患者 NA21144 について徹底的な解析を行い、この患者のリスク層別化を提示してください」

このクエリに対して、エージェントは次のように動作します。

疾患経路の遺伝子やファーマコゲノミクスにおけるバリアントを解析し、エビデンスに基づく推奨を提供します。
バリアントの影響予測と臨床的意義の分類を組み合わせて、リスク層別化を行います。
意義不明のバリアント（VUS：Variant of Uncertain Significance）を特定します。
臨床的に重要な遺伝子における高影響度のバリアントにフラグを立てます。

ファーマコゲノミクスに基づく投薬戦略

研究者は、次のようなクエリを通じて、大規模コホートにわたる高度なファーマコゲノミクス経路解析にエージェントを活用できます。

ユーザー「この患者コホートで、遺伝的バリアントが有意に集積している主要な薬剤関連経路はどれか。最も影響の大きいファーマコゲノミクス経路と、関連する患者 ID を教えてください」

これにより、バリアント頻度の分布、影響 (コンシークエンス) タイプのパターン、集団ごとの遺伝子レベルのバリアント負荷を、複雑な SQL やバイオインフォマティクスパイプラインを介さず、会話型インターフェースを通じて探索できます。

利点と制限事項

本ソリューションは現在の課題を次のように解決します。

課題	解決策
初期の VCF 処理 – 低品質なコール	エージェントがバリアント解釈の判断前に、コールの品質を自動でチェックします
大規模な VEP アノテーション	20 件単位のバッチで VCF のアノテーションを自動化し、適切な計算リソースを使って必要な性能を確保します。
ClinVar との統合	エージェントがクエリの文脈を評価し、ユーザーの関心に応じて結合クエリを動的に組み立てます。
複数サンプルの統合	Iceberg 形式の Amazon S3 Tables と統合することで、VCF ファイルのコホートに十分な性能でクエリできます。
ゲノムの解釈	エージェントが文脈とユーザーの関心を理解し、アノテーションや自社データの適切なエビデンスに基づいて慎重に推論し、根拠のある判断を示します。

本ソリューションには、次のような制限事項があります。

Lambda ランタイムの制約：現在の実装では、VCF／GVCF 処理に AWS Lambda を使用しており、最大実行時間は 15 分です。大きな VCF ファイル、特に非常に大きな GVCF ファイルを Iceberg の S3 Tables に読み込む場合、これらの操作は Lambda のタイムアウト制限を大幅に超えることがあるため、この制約では不十分な場合があります。大規模なゲノムデータセットを扱う本番ワークロードでは、データ読み込み処理を扱うために、より長い実行時間を持つ AWS HealthOmics ワークフロー、AWS Batch、ECS タスク、または EC2 インスタンスの利用を検討してください。
スキーマ最適化のトレードオフ：本スキーマ実装では、サンプルおよび染色体によるパーティショニングを使用しており、患者レベルの解析に最適化されています。しかし、コホートレベルの解析では通常、大規模で最適なパフォーマンスを得るために、異なるパーティショニング戦略とスキーマ設計が必要です。数百サンプルを超えてコホートサイズが拡大するにつれ、単一のスキーマ内で患者レベルとコホートレベルの両方の分析を高性能に保つことは、ますます困難になります。大規模なコホート研究（数千〜数万サンプル）では、特定の分析パターンに最適化された別個のスキーマやマテリアライズドビューの実装、あるいは集団レベルのクエリをより適切にサポートする非正規化構造の検討を推奨します。

今後の技術的な発展

本ソリューションのモジュール型アーキテクチャは、AI 活用型ゲノム解析における継続的なイノベーションの基盤を確立します。将来のバージョンでは、追加のアノテーションデータベースや外部 API を統合し、ゲノムデータと臨床記録・画像を組み合わせたマルチモーダル解析のサポートが考えられます。ゲノムデータでのドメイン特化型のファインチューニングは解釈精度をさらに高め、電子カルテ（EHR）との統合は、診療現場（point-of-care）でのゲノム知見の提供を可能にするでしょう。

とりわけ有望な方向性が、医薬品研究機関 R&D におけるマルチエージェント連携です。このゲノムバリアント解釈エージェントが、薬剤プロファイリング、標的同定、文献エビデンス、仮説生成を担う専門エージェントと協調して動作できます。この協調的なエージェントフレームワークは、バリアントレベルの知見を治療開発へと直接つなぎ、遺伝的発見から臨床応用への橋渡しを効率化することで、創薬パイプラインを劇的に加速できます。

まとめ

この次世代のゲノミクスエージェント型 AI ソリューションは、研究者や臨床医がゲノムデータとどのように対話するかという点で、根本的な変革をもたらします。自動化されたバリアントアノテーションとデータ変換を担う AWS HealthOmics と、インテリジェントな解釈のための Amazon Bedrock AgentCore をシームレスに統合することで、ゲノム解析ワークフロー全体をカバーする包括的なソリューションを実現しました。

自動化された VEP アノテーションワークフロー、VCF データをクエリ可能な Iceberg テーブルへ変換する S3 Tables、そして自然言語での対話のための Amazon Bedrock AgentCore 上の Strands Agents。これらの組み合わせにより、バリアントアノテーション、データ処理、臨床的解釈の間にある従来の障壁を最小化するシステムが生まれます。複雑な技術的プロセスを自動化し、直感的な対話手段を提供することで、研究者は技術的な実装の詳細ではなく、生物学的な問いそのものに集中できるようになります。

ゲノムデータが指数関数的に増え続け、臨床応用がますます高度化する中で、このようなシステムは、精密医療（プレシジョンメディシン）を前進させ、科学的発見を加速するための不可欠なインフラとなるでしょう。1000 Genomes Phase 3 Reanalysis データセットで示したこのソリューションは、大規模なゲノムコホートでさえ、シンプルな会話型インターフェースを通じて解析でき、高度なゲノム知見へのアクセスを誰もが使えるよう民主化できることを示しています。

本ソリューションのコードは Life sciences agents toolkit で公開されています。ぜひこのテンプレートを試し、発展させてみてください。Amazon Bedrock AgentCore を使い始めるためのサンプルについては、Amazon Bedrock AgentCore リポジトリをご確認ください。

原文はこちらです。

著者について

この記事はSolutions Architect の Masahiro Imai が翻訳しました。

Amazon Web Services ブログ