omics-analysis-guide

Name: omics-analysis-guide
Author: jaechang-hits

github.com/jaechang-hitsデータ・データベース38473 回インストール6 日前に更新

リポジトリ

omics-analysis-guide について

omics-analysis-guideは、トランスクリプトミクスやプロテオミクスを扱う研究者向けの段階的な分析ガイドです。検証済みパイプライン、標準ワークフロー、カスタム分析の順に検討し、定量済みデータに重点を置いています。

主な機能

013段階の分析選択方法
02トランスクリプトミクスとプロテオミクスの手順
03欠損メカニズムと処理方法
04品質管理と検定選択の指針

活用シーン

01バルク RNA-seq の差次解析法の選択
02プロテオミクスの欠損値処理と正規化
03小規模オミクスデータの検定方針の検討

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/jaechang-hits/sciagent-skills --skill omics-analysis-guide

インストール後、Claude Code で/omics-analysis-guideを入力して読み込まれたか確認します。

詳細

オミクスデータ解析ガイド：3段階のアプローチ

メタデータ

概要：検証済みパイプライン、標準ワークフロー、またはカスタム解析手法を用いて、オミクスデータ（トランスクリプトミクス、プロテオミクス）を解析するための包括的なガイドです。

著者：HITS

バージョン：1.0

最終更新日：2025年12月

ライセンス：CC BY 4.0

商用利用：許可

引用と謝辞

検証済みパイプラインまたはツールを使用する場合（オプション1）：

引用：各ツールまたはパイプラインに関連する原著論文を必ず引用してください
謝辞：解析で使用した具体的なツールと手法を記載してください

標準ワークフローを使用する場合（オプション2）：

謝辞の文言：「標準的なオミクスデータ解析ワークフローとベストプラクティスを用いて解析を実施」
RNA-seq解析の引用：Dobin A, et al. STAR: ultrafast universal RNA-seq aligner. Bioinformatics. 2013;29(1):15-21. PMID: 23104886
プロテオミクスの引用：Cox J, Mann M. MaxQuant enables high peptide identification rates, individualized p.p.b.-range mass accuracies and proteome-wide protein quantification. Nat Biotechnol. 2008;26(12):1367-72. PMID: 19029910

概要

このガイドでは、オミクスデータ解析に3段階のアプローチを提示し、カスタム解析に進む前に、検証済みパイプラインと標準ワークフローを優先します。必ずオプション1から始め、必要な場合にのみ後続のオプションに進んでください。

このガイドでは、以下を扱います：

トランスクリプトミクス：バルクRNA-seq
プロテオミクス：定量済みのタンパク質量データ（バルクRNA-seq解析と同様）

注：このガイドでは、すでに定量されたデータの解析に焦点を当てています。生データの処理（アライメント、定量）については、専門のツールとパイプラインを参照してください。

主な概念

検証済みパイプライン、標準ワークフロー、カスタム解析の違い

検証済みパイプラインとは、あなたのデータに類似したデータでの性能を示す、査読済みのベンチマークデータがある特定のツールです（例：RNA-seqカウントデータ向けのDESeq2、ラベルフリープロテオミクス向けのMaxQuant）。標準ワークフローとは、コミュニティで受け入れられている実践に基づくQC → 正規化 → 統計検定 → 多重検定補正の標準的な手順を、特定のデータセットに合わせて調整したものです。カスタム解析とは、前の2段階ではデータの種類や研究課題に対応できない場合に必要となる、個別の統計的または計算的モデリングです。オプション1 → オプション2 → オプション3と進むにつれて、再現性を柔軟性と引き換えにすることになります。必ず前の段階で対応できないかを先に確認してください。

欠損値のメカニズム（MCAR / MAR / MNAR）

オミクスデータの欠損は、適切な対処法がそれぞれ異なる3つのメカニズムによって生じます。MCAR（Missing Completely At Random：完全にランダムな欠損）とは、欠損の有無がいずれの値とも独立していることを意味します。この場合、平均値、中央値、またはKNNによる補完が安全です。MAR（Missing At Random：ランダムな欠損）とは、欠損の有無が観測された変数には依存するものの、観測されていない値には依存しないことを意味します。この場合、KNNまたはモデルベースの補完が適切です。MNAR（Missing Not At Random：ランダムでない欠損）とは、欠損の有無が欠損している値そのものに依存することを意味します。検出限界を下回る低存在量タンパク質が検出されないプロテオミクスで典型的に見られます。この場合、検出限界より低い値を用いる左側打ち切り補完（minprob/QRILC）が必要です。メカニズムを誤って選ぶと、下流の統計解析に体系的なバイアスが生じます。

検定の前提条件と選択

パラメトリック検定（Studentのt検定、Welchのt検定）は、近似的な正規性を仮定し、Studentのt検定では等分散性も仮定します。前提条件を満たす場合、ノンパラメトリック検定よりも検出力が高くなります。ノンパラメトリック検定（Mann-Whitney U検定、置換検定）は、より弱い仮定に基づいており、統計的検出力を犠牲にする代わりに、歪んだ分布やサンプル数の少ない場合にも適切です。選択は、サンプルサイズ（n < 10ではノンパラメトリック検定が望ましい）、正規性（特徴量ごとのShapiro-Wilk検定／Anderson-Darling検定）、分散の均一性（Levene検定）、および外れ値の割合に応じて決まります。

多重検定の補正

オミクス解析では、数千の特徴量を同時に検定します。補正を行わない場合、20,000 個の遺伝子に対して α＝0.05 では、偽陽性が 1,000 個発生すると予想されます。Bonferroni 法などの**家族内誤差率（FWER）補正は、偽陽性が 1 つでも発生する確率を制御しますが、保守的です。Benjamini-Hochberg 法などの偽発見率（FDR）**補正は、報告された有意な特徴量に占める偽陽性の期待割合を制御するもので、オミクス解析の標準です。有意性を判定する際は、必ず補正済み p 値を報告し、生の p 値は報告しないでください。

判断フレームワーク

このツリーを使って、データに適した解析の段階を選択してください。

              Have you searched for a validated
              pipeline matching your data type?
                            │
              ┌─────────────┴─────────────┐
              │                           │
             NO                          YES
              │                           │
              ▼                           ▼
       Run Method 1            Did you find a validated
       (literature) AND        pipeline with benchmarks
       Method 2 (consortia     matching your data type
       workflows) FIRST        and biological question?
                                          │
                                  ┌───────┴───────┐
                                  │               │
                                 YES              NO
                                  │               │
                                  ▼               ▼
                          OPTION 1:        Is your data a
                          Use validated    common type
                          pipeline         (RNA-seq counts,
                          (e.g., DESeq2,   pre-quantified
                          edgeR, MaxQuant) proteomics)?
                                                  │
                                          ┌───────┴───────┐
                                          │               │
                                         YES              NO
                                          │               │
                                          ▼               ▼
                                  OPTION 2:        OPTION 3:
                                  Standard         Custom analysis
                                  workflow         (consult
                                  (QC → norm →     statistician;
                                   test → FDR)     document
                                                   thoroughly)

判断表

データの種類	サンプルサイズ	検証済みパイプラインがあるか	推奨される段階	具体的なツール／アプローチ
バルク RNA-seq カウント	n ≥ 3/group	あり（DESeq2、edgeR）	Option 1	DESeq2（負の二項分布、デフォルトの FDR < 0.05）
定量済みプロテオミクス、正規分布	n ≥ 5/group	場合による	パイプラインが適合する場合は Option 1、そうでなければ Option 2	limma または t-test + BH-FDR
定量済みプロテオミクス、MNAR が多い	n ≥ 5/group	なし（メカニズム固有）	Option 2	minprob による補完 → t-test または Mann-Whitney → BH-FDR
小規模コホートのオミクス（n < 5）	n < 5	まれ	注意して Option 2	置換検定を行い、効果量を報告する。結果には予備的なものと明記する
マルチオミクス統合	可変	限定的	Option 3	MOFA、DIABLO、またはカスタムのベイズモデル
新しいデータの種類（例：空間マルチオミクス）	可変	なし	Option 3	基本原理から構築し、交差検証を行う
時系列オミクス	時点ごとの n	場合による（maSigPro、ImpulseDE2）	利用可能なら Option 1、そうでなければ Option 3	トランスクリプトミクスには maSigPro、プロテオミクスにはカスタム手法

Option 1：検証済みの解析手法を検索する（最初に推奨）

1.1 検証済みの解析パイプラインを検索する

重要：Option 2 に進む前に、Method 1 と Method 2 の両方を必ず完了してください。Method 1 で結果が見つからなくても、Method 2 を省略しないでください。

Method 1：ベストプラクティスに関する文献検索

Web 検索ツールや文献データベース（PubMed、Google Scholar）を使って、検証済みの解析手法を検索してください。

試す検索クエリ（複数使用してください）：

"[DATA_TYPE]" "[ANALYSIS_TYPE]" validated pipeline best practices
"[DATA_TYPE]" analysis workflow "[ORGANISM]" published
"[DATA_TYPE]" "[TOOL_NAME]" validation benchmark comparison

バルク RNA-seq の例：

"RNA-seq" "differential expression" validated pipeline human
"DESeq2" "edgeR" comparison validation RNA-seq

プロテオミクスの例：

"proteomics" "differential abundance" analysis validated methods
"proteomics" normalization imputation best practices

検索結果で調べる内容：

検証済みの解析パイプラインを掲載した論文
異なるツールを比較するベンチマーク研究
大規模コンソーシアム（例：ENCODE、TCGA）が作成したベストプラクティスガイド
検証データを含むツールのドキュメント

重要：文献検索には十分な時間をかけてください。少なくとも検索結果の最初の 10～15 件に目を通し、関連する論文の補足資料も確認してください。

Method 2：標準的な解析ワークフローを確認する

大規模コンソーシアムや論文で確立されているワークフローを確認してください。

ENCODE RNA-seq 解析パイプライン
TCGA 解析プロトコル
公開済みのベンチマーク研究

検索結果の扱い方：

検証済みのパイプラインや手法が見つかった場合：

パイプライン／手法名とバージョンを記録する
参考文献を記録する：論文の DOI／PubMed ID を記録する
検証の詳細を記録する：ベンチマーク結果、推奨パラメーター、制限事項
ワークフローを文書化する：解析手順をステップごとに記録する

結果の書式例：

Data Type: Bulk RNA-seq
Analysis Goal: Differential expression
Pipeline: DESeq2 (v1.40.0)
Reference: Love MI, et al. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biol. 2014;15(12):550. PMID: 25516281
Validation: Validated in multiple benchmark studies, recommended for count data
Parameters: Default parameters, FDR < 0.05, log2FC > 1

Method 1 と Method 2 の両方で検証済みパイプラインが見つからない場合： その場合に限り、Option 2：標準的なワークフローを使用するに進んでください。

Option 2：標準的な解析ワークフローを使用する

このオプションを使用する場合

特定のデータの種類に対する検証済みパイプラインが見つからない
標準的な要素を使ってカスタムワークフローを構築する必要がある
一般的なデータの種類（RNA-seq、プロテオミクス）を扱っている
コミュニティのベストプラクティスに従いたい

2.1 標準的なワークフローの概要

RNA-seq（バルク）：

品質管理
正規化とフィルタリング（カウントデータの場合は、DESeq2/edgeR の正規化を使用）
統計解析（差次的発現）
多重検定補正
機能エンリッチメント（任意）

プロテオミクス（定量済みデータ）：

品質管理
欠損値の評価と補完
正規化
バッチ補正（必要な場合）
統計解析（差次的存在量）
多重検定補正

2.2 必須の品質管理手順

重要：統計解析を行う前に、必ず品質管理を実施してください。データの品質が低いと、どのような統計手法を使っても信頼性の低い結果につながります。

サンプルレベルの品質管理

外れ値サンプルを確認する：

PCA + Isolation Forest を使用して外れ値サンプルを検出します
データを標準化し、PCA を実行してから Isolation Forest を適用します
外れ値として特定されたサンプルを除外するか、調査します

サンプルの相関を確認する：

サンプル間の相関行列を計算します
相関が低い（< 0.5）場合、サンプルの品質が低い可能性があります
一貫して相関が低いサンプルを除外します

バッチ効果を確認する：

PCA + シルエットスコアを使用して、バッチの分離を評価します
シルエットスコアが 0.3 を超える場合、強いバッチ効果が検出されています
必要に応じて、バッチ補正（ComBat など）を適用します

特徴量レベルの品質管理

欠損値のパターンを評価する：

特徴量ごと、サンプルごとに欠損率を計算します
平均強度と欠損の相関を検定します
メカニズムを判定します：MCAR（完全にランダムな欠損）、MAR（ランダムな欠損）、または MNAR（ランダムではない欠損）
MNAR：強度が低いほど欠損が多い（プロテオミクスで一般的）
MCAR：強度と欠損に関連性がない

特徴量の検出の一貫性を確認する：

最小サンプル数以上で検出された特徴量の数を数えます
50％未満のサンプルで検出された特徴量をフィルタリングします（しきい値は調整可能）

2.3 前処理の手順

欠損値の補完

重要：欠損値のメカニズムに基づいて補完方法を選択してください。

MNAR（ランダムではない欠損）：最小確率補完（minprob）を使用します
- 正規分布を使用して、検出限界未満の値を補完します
- パラメーター：downshift=1.8、width=0.3
MCAR/MAR（完全にランダムな欠損／ランダムな欠損）：KNN 補完を使用します
- k 近傍法（デフォルト：k=5）を使用して欠損値を補完します
- 平均値／中央値による補完よりも頑健です
単純な方法（欠損値が少ない場合）：
- 平均値による補完：特徴量の平均値に置き換えます
- 中央値による補完：特徴量の中央値に置き換えます

正規化

RNA-seq カウントデータの場合：通常、正規化は DESeq2/edgeR（サイズファクター）が行います。

プロテオミクス／連続データの場合：

中央値正規化：各サンプルを全体の中央値にスケーリングします
分位点正規化：サンプル間で分布を同一にします
Z スコア正規化：平均=0、標準偏差=1 になるよう標準化します
総強度正規化：総強度に合わせてスケーリングします

2.4 統計解析：適切な検定の選択

重要：解析を行う前に、必ず統計検定の前提条件を確認してください。誤った検定を使用すると、誤った結論につながる可能性があります。

ステップ 1：検定の前提条件を確認する

主な確認項目：

正規性検定：
- n < 50 の場合は Shapiro-Wilk 検定、n >= 50 の場合は Anderson-Darling 検定を使用します
- 処理を高速化するため、特徴量のサブセット（100 個）を抽出します
- 特徴量の 70% 以上が正規分布に従う場合、データは正規分布に従うとみなします
分散の均一性検定：
- Levene 検定を使用して分散が等しいか確認します
- 特徴量の 70% 以上で分散が等しい場合、分散は等しいと仮定します
サンプルサイズの確認：
- n < 5：非常に小さく、結果の信頼性が低いです
- n < 10：小さいため、ノンパラメトリック検定を優先します
- n >= 10：前提条件を満たす場合、パラメトリック検定を使用できます
外れ値の確認：
- z スコアを計算し、|z| > 3 の値にフラグを立てます
- 外れ値が 5% を超える場合、ノンパラメトリック検定を優先します

検定の選択ロジック：

n < 5：置換検定または Mann-Whitney U 検定
n < 10：Mann-Whitney U 検定（ノンパラメトリック）
正規分布 + 等分散：Student の t 検定
正規分布 + 不等分散：Welch の t 検定
非正規分布：Mann-Whitney U 検定

ステップ 2：統計検定を実施する

実装手順：

各特徴量について：
- group1 と group2 の値を抽出します
- NaN 値を除去します
- 平均値と log2 fold change を計算します
- 選択した検定（t 検定、Welch の t 検定、または Mann-Whitney U 検定）を実施します
- 統計量と p 値を記録します
FDR 補正を適用します：
- Benjamini-Hochberg 手順（FDR_BH）を使用します
- 多重検定に対して p 値を補正します
- p_adj < 0.05 の特徴量を有意としてマークします

主なライブラリ：

scipy.stats：統計検定（ttest_ind、mannwhitneyu、shapiro、levene）
statsmodels.stats.multitest：FDR 補正（method='fdr_bh' を指定した multipletests）

2.5 可視化

すべての図について、skills/data-visualization/omics-plotting/SKILL.md を読み、そのレシピに従ってください。すべてのプロットで、論文掲載に適した統一スタイルを使用します。以下の 2 つのプロットは、それぞれ対応するレシピ（ボルケーノプロットは「Volcano」、PCA は「PCA / UMAP / t-SNE」）に基づいて作成し、エクスポートした CSV から結果を読み込みます（計算とプロットは別々の手順で行います）。

ボルケーノプロット：

X 軸：Log2 fold change
Y 軸：-Log10 調整済み p 値
有意性に応じて色分け：上方制御（赤）、下方制御（青）、有意差なし（グレー）
fold change と p 値のしきい値線を追加します

PCA プロット（品質管理用）：

データを標準化し、PCA を実施します
PC1 と PC2 をプロットします
サンプルにラベルを付け、外れ値とバッチ効果を確認します

2.6 結果の扱い方

標準的なワークフローを完了したら：

すべての手順と使用したパラメーターを記録します
中間結果を保存して再現性を確保します
可能であれば、独立した方法を用いて結果を検証します
適切な統計値とともに主な知見を報告します

標準的なワークフローで要件を満たせない場合： オプション 3：カスタム解析に進みます

オプション 3：カスタム解析手法（最終手段）

このオプションを使用する場面

標準的なワークフローの対象外である新しいデータ型
カスタムのアプローチを必要とする、専門的な研究課題
複数のオミクスデータ型の統合
高度な統計モデリングの要件

3.1 一般原則

必須要件：

データ品質：カスタム解析の前に、データの品質を確保します
- オプション 2 のすべての QC 手順を実施します
- 外れ値とバッチ効果を除去します
- 技術的反復を検証します
統計的厳密性：
- 解析前に必ず検定の前提条件を確認します
- データの分布に適した統計検定を使用します
- 多重検定補正（FDR）を適用します
- 前提条件を検証します
再現性：
- すべての手順とパラメーターを記録します
- コードにバージョン管理を使用します
- 中間結果を保存します
- ランダム処理にはシード値を指定します
検証：
- 該当する場合は交差検証を行います
- 利用可能であれば独立した検証セットを使用します
- 可能であれば既知の結果と比較します

ベストプラクティス：

シンプルに始める：複雑な手法の前に、基本的な解析から始めます
仮定を検証する：正規性、独立性などを検定します
適切な変換を使用する：必要に応じて対数変換します
生物学的背景を考慮する：既知の生物学的知見を踏まえて結果を解釈します
文献を参照する：類似した研究を確認し、参考にします

クイックスタートの例

例 1：バルク RNA-seq の差次的発現解析

ステップ 1：品質管理

PCA と Isolation Forest を使用して外れ値サンプルを確認します
サンプル相関行列を確認します
品質の低いサンプルを除外します

ステップ 2：RNA-seq のカウントデータには、DESeq2 を使用します（通常は R で実行）

library(DESeq2)
dds <- DESeqDataSetFromMatrix(countData = count_matrix, colData = sample_metadata, design = ~ condition)
dds <- DESeq(dds)
res <- results(dds, contrast=c("condition", "treatment", "control"))

ステップ 3：機能エンリッチメント（任意）

GSEA または GO エンリッチメントツール（gseapy など）を使用します
log2FC から順位付けした遺伝子リストを作成します
エンリッチメント解析を実行します

例 2：プロテオミクスの差次的存在量解析