tooluniverse-data-integration-analysis

説明するのではなく、計算する

統計、データ処理、スコアリング、情報の付加など、計算が必要な分析では、Bash 経由で Python コードを記述して実行してください。実行方法を説明するのではなく、実際に実行して結果を報告してください。ToolUniverse ツールでデータを取得し、Python（pandas、scipy、statsmodels、matplotlib）で分析してください。

データ統合分析

統計的な結果と生物学的な理解の隔たりを埋めます。計算分析で有意な結果が得られたら、このスキルでは ToolUniverse の生物学的知識ツールを使って結果を解釈する方法を紹介します。これは、データ分析のみを行うプラットフォームに対する重要な利点です。

重要：ユーザーが別の言語で記述していても、ツールの呼び出しでは必ず英語の用語（遺伝子名、経路名、生物種名）を使用してください。回答はユーザーの言語で行ってください。

---

このスキルを使用する場面

次の場合に適用します：

• 統計分析によって、有意な遺伝子、変異、代謝物、または曝露の一覧が得られた
• ユーザーが、p 値にとどまらず、なぜ有意なのかを理解したい
• 計算結果と公表済みのエビデンスを組み合わせる
• 差次的発現、GWAS のヒット、または関連研究の結果を生物学的に解釈する
• 分析の実行後に、ユーザーが「この結果は何を意味しますか？」と尋ねた

対象外（代わりに他のスキルを使用してください）：

• 統計分析自体の実行 --> tooluniverse-statistical-modeling または tooluniverse-rnaseq-deseq2 を使用してください
• 事前の分析を伴わない遺伝子エンリッチメントのみ --> tooluniverse-gene-enrichment を使用してください
• 文献レビューのみ --> tooluniverse-literature-deep-research を使用してください
• 単一変異の解釈 --> tooluniverse-variant-interpretation を使用してください

---

ステップ 1：統計結果から生物学的な問いへ

有意な結果の種類ごとに、適切な生物学的な問いを対応させます：

結果の種類	生物学的な問い	ツール検索クエリ
有意な遺伝子リスト	どの経路がエンリッチされていますか？どの機能が共通していますか？	find_tools("gene enrichment pathway analysis")
有意な変異（rsID）	機能的な影響は何ですか？どの遺伝子が影響を受けていますか？	find_tools("variant annotation functional impact")
有意な曝露／化学物質	生物学的なメカニズムは何ですか？関与する経路はどれですか？	find_tools("chemical gene pathway toxicology")
有意な薬剤関連	分子標的は何ですか？作用機序（MOA）は何ですか？	find_tools("drug target mechanism action")
有意な代謝物	どの代謝経路が変化していますか？	find_tools("metabolite pathway identification")

重要な原則：「遺伝子 X が有意である」で止めないでください。どのような状況で有意なのか、どのようなメカニズムを介しているのか、その下流にどのような結果が生じるのかを問いましょう。

---

ステップ 2：複数データベースのエビデンス統合

重要な所見ごとに複数の情報源を調べ、統合します。手順は次のとおりです。

1. 文献エビデンス：PubMed／EuropePMC で、所見と表現型を関連付ける公表済み研究を検索します。まずメタアナリシスとシステマティックレビューを探します。
2. 遺伝的関連エビデンス：GWAS Catalog または OpenTargets を調べ、遺伝的エビデンスがこの関連を独立して裏付けているか確認します。
3. 経路の背景：KEGG、Reactome、または WikiPathways を調べ、所見を生物学的経路の中に位置付けます。上流の調節因子と下流のエフェクターを特定します。
4. 相互作用ネットワーク：STRING または BioGRID を調べ、タンパク質間相互作用を確認します。有意な遺伝子が同じネットワーク近傍に集まっているかを調べます。
5. 臨床的関連性：ClinVar でバリアントの臨床的意義を、DGIdb または ChEMBL で創薬可能性を、ClinicalTrials.gov で進行中の介入試験を確認します。

エビデンスのグレーディング（エビデンスの各項目を評価します）：

グレード	情報源の種類	例
T1（強い）	ランダム化臨床試験、メンデルランダム化	「RCT により、薬剤 X がアウトカム Y を低下させることが示された」
T2（中程度）	大規模コホート研究、再現性のある GWAS	「50 万人を対象とした GWAS メタアナリシス」
T3（示唆的）	症例対照研究、動物モデル	「マウスのノックアウトで表現型が示された」
T4（仮説）	インシリコ予測、経路推論	「ネットワーク解析により関与が示唆された」

---

ステップ 3：因果推論

統計的な関連は因果関係を意味しません。次の推論フレームワークを適用します。

DAG の構築：解釈する前に、因果有向非巡回グラフ（DAG）を描きます。

• 潜在的な交絡因子（曝露とアウトカムの共通原因）を特定します。交絡因子は調整する必要があります。
• 潜在的な媒介因子（因果経路上にある因子）を特定します。総効果を推定する場合は、これらを調整してはいけません。
• コライダー（共通の結果）を特定します。コライダーで条件付けると、バイアスが生じます。

三角測量：異なるバイアスを持つ複数の手法で同じ所見が裏付けられると、因果推論の確度が高まります。

• 観察研究での関連＋メンデルランダム化＋動物実験＝強い三角測量エビデンス
• MR が観察データと矛盾する場合は、観察研究に交絡がある可能性を疑います。

メンデルランダム化の考え方：遺伝的バリアント（操作変数）は受胎時に割り当てられるため、生活習慣や逆因果による交絡を受けません。曝露 X を増加させる遺伝的バリアントが疾患 Y も増加させる場合、X が Y を引き起こすという仮説が裏付けられます。操作変数の強さ（F 統計量 > 10）、除外制約（バリアントが X のみを介して Y に影響すること）、および多面発現（MR-Egger の切片）を確認します。

媒介分析：遺伝子 G が曝露とアウトカムの両方に関連する場合、曝露がアウトカムに及ぼす影響が G を介しているかを検討します。所見の経路の背景（ステップ 2）を用いて媒介因子を提案し、その媒介因子を調整すると効果が弱まるかを確認します。

---

ステップ 4：交差検証

所見を頑健なものとして報告する前に、その所見を反証できるか試みます。

1. 再現性：文献やデータセット（DataCite、GEO、ArrayExpress）を検索し、同じ所見を検証できる独立したデータセットを探します。独立したコホートで再現される所見は、はるかに強いエビデンスとなります。
2. 生物学的妥当性：そのメカニズムは生物学的に妥当ですか？動物モデルや細胞モデルで裏付けられているかを確認します（PubMed で「[gene] knockout [phenotype]」または「[chemical] exposure [cell type]」を検索します）。
3. 遺伝的裏付け：GWAS エビデンスが効果の方向性を支持しているか確認します。解析では遺伝子 X が保護的だと示されている一方、GWAS ではリスクアレルが X の発現を増加させると示されている場合、解決すべき矛盾があります。
4. 用量反応：データがあれば、用量に応じて効果が増加するか確認します。用量反応関係は因果推論を強化します。
5. ネガティブコントロール：可能であれば、関連がないと予想される所見に対して同じ解析を行います。ネガティブコントロールでも関連が示される場合は、方法論上のアーティファクトを疑います。

---

ステップ 5：実行可能なレポート

統合レポートは、次のように構成します。

エビデンスの概要表

重要な各知見について、1 行ずつ作成します。

知見	統計的エビデンス	生物学的メカニズム	文献による裏付け	遺伝学的裏付け	エビデンスの強さ
Gene X の発現上昇	FDR=0.001, log2FC=2.3	PI3K/AKT 経路	12 件の論文、2 件の RCT	GWAS：rs123（p=5e-8）	強い
変異 rs456	OR=1.4, p=2e-6	スプライシングの破綻	3 件の症例報告	GTEx の eQTL	中程度

エビデンスの強さの評価

• 強い：統計的有意性＋生物学的メカニズム＋独立した再現＋遺伝学的裏付け
• 中程度：統計的有意性＋生物学的メカニズム＋部分的な再現
• 弱い：統計的有意性＋妥当と思われるメカニズムはあるが、独立した裏付けがない
• 示唆的：統計的傾向＋計算による予測のみ

ナレッジギャップと次のステップ

• どの知見に再現性の裏付けがありませんか？検証に使用する具体的なデータセットを提案します。
• どのメカニズムが推定段階で、実験的に検証されていませんか？実験を提案します。
• どの知見について、エビデンスに相反がありますか？矛盾点を明示します。
• 検証可能な仮説を作成します：「知見 X が因果的であれば、［実験的予測］となる。」

臨床または公衆衛生への影響

• その知見が現時点で実用可能か、さらなる検証が必要かを示します。
• 創薬標的となる場合は、既存の治療薬とその開発段階を特定します。
• バイオマーカーの場合は、臨床的有用性に向けて感度と特異度を評価します。