POINT 01
6通りの比較を同じ手順で一括実行
対照・病態・処置の3群を、2つの時点それぞれで総当たりに比較します。正規化から分散の推定、正確検定までを共通の関数で処理するため、すべての比較を同じ条件で実行できます。
発現量が変動したRNAを見つける
2群間比較・可視化システムの開発
RNAシーケンスで得たカウントデータを、群と時点の組み合わせごとに比較するシステムを開発しました。統計的な検定から、ボルケーノプロットとヒートマップの作図までを自動化し、変動したRNAを機械学習用の特徴量に変換する処理も実装しています。
- CLIENT
- 微生物系研究室
- SCOPE
- 解析システムの設計・実装
- ENVIRONMENT
- スーパーコンピューター（ジョブ投入）
- TECHNOLOGY
Challenge_
研究で求められたこと
複数の群と時点にわたるRNAの発現データから、条件によって発現量が変わるRNAを見つける必要がありました。比較の組み合わせが多く、検定と作図を1件ずつ行うのは手間がかかる状況でした。
- 多くの組み合わせを同じ条件で比較する3つの群と2つの時点を組み合わせた、6通りの2群間比較が必要でした。
- 変動したRNAをひと目で把握する数千件におよぶ検定結果から、発現が増えたRNAと減ったRNAを見分けられる図が求められました。
- 比較結果を次の解析に活かす抽出した変動RNAを、機械学習モデルの入力として使える形にする必要がありました。
Architecture_
処理の全体像
Excelのカウントデータを読み込み、群と時点の組み合わせごとにedgeRで2群間比較を行います。比較ごとに検定結果の表とボルケーノプロット、ヒートマップを出力します。変動の大きいRNAは配列から記述子を計算し、学習用のデータセットにまとめます。
INPUT
- カウントデータサンプルごとの転写産物のリード数（Excel）
- 設定ファイル群の割り当て、しきい値、図のサイズ
- 参照配列miRBase、EnsemblのノンコーディングRNA
PROCESS
- データの読み込みカウント列を抽出し、群ごとに整理
- 低発現RNAのフィルタリング設定に応じて実行
- 2群間比較正規化・分散の推定・正確検定（edgeR）
- 作図ボルケーノプロットとヒートマップ
- 特徴量の作成変動RNAの配列から記述子を計算
OUTPUT
- 検定結果の表logFC・logCPM・P値・FDR
- ボルケーノプロット比較ごとのPNG
- ヒートマップ全サンプル・比較ごと、実数と対数変換のPDF
- 学習用データセット学習・検証・テストに分割した記述子
Key Points_
開発のポイント
群の割り当てや強調表示のしきい値を設定ファイルにまとめ、コードを変更せずに条件を調整できる構成にしました。
POINT 02
変動したRNAが分かるボルケーノプロット
発現の変化量（log2 Fold Change）とP値をもとに、しきい値を超えて増加したRNAと減少したRNAを色分けして表示します。しきい値の位置は破線で示し、設定ファイルから変更できます。
POINT 03
サンプル間を見比べるヒートマップ
全サンプルと比較ごとに、カウントのヒートマップを出力します。値の差が大きいデータでも傾向を読み取れるよう、実数と対数変換の2種類を作成し、図のサイズや文字の大きさも設定で調整できます。
POINT 04
変動RNAを機械学習の特徴量に変換
比較結果から変動の大きいRNAを選び、miRBaseとEnsemblから配列を取得します。配列を分子構造に変換して記述子を計算し、学習・検証・テストに分けたデータセットとして出力します。
Tech Stack_
技術構成
統計解析と作図はR、配列の取得と記述子の計算はPythonで実装し、それぞれをスーパーコンピューターのジョブとして実行できるようにしています。
| 区分 | 技術 | 用途 |
|---|---|---|
| 統計解析 | R／edgeR | 正規化、分散の推定、2群間の正確検定 |
| 可視化 | ggplot2／pheatmap | ボルケーノプロット、ヒートマップの出力 |
| 配列データ | miRBase／Ensembl | 転写産物IDに対応する配列の取得 |
| 特徴量 | Python／pandas／RDKit／Mordred | 変動RNAの抽出、記述子の計算、データセットの作成 |
| 実行環境 | conda／ジョブスケジューラ | R・Python環境の構築、解析ジョブの投入 |
Outcome_
実現したこと
- 比較と作図の自動化6通りの2群間比較と、検定結果の表・ボルケーノプロット・ヒートマップの出力を、コマンド1つで実行できるようになりました。
- 変動RNAの把握比較ごとに、発現が増加・減少したRNAを図で確認できます。
- 機械学習へのデータ連携比較結果をもとに変動RNAを特徴量化し、予測モデルの学習に使えるデータセットを作成できます。
Contact_
研究テーマに合った開発方法を、
一緒に検討します
扱うデータや研究目的に応じて、必要なモデルとシステムをご提案します。検討中のテーマや実装したい機能からご相談ください。
研究開発について相談する