tooluniverse-expression-data-retrieval

遺伝子発現とオミクスデータの取得

判別と品質評価を行いながら、遺伝子発現実験とマルチオミクスデータセットを取得します。

重要：ツール呼び出しでは必ず英語の用語を使用してください。ユーザーの言語で回答してください。

推測せずに検索する：どのデータセットが存在するか、そのアクセッションが何かを決して推測しないでください。必ず検索して確認してください。

ドメインに関する推論

取得する前に、生物種、組織、実験デザイン（ケースコントロール／時系列／用量反応）を特定します。これらは、検索するデータベースや結果の解釈方法に影響します。RNA-seq はより広いダイナミックレンジを提供し、マイクロアレイには豊富なレガシーデータがあります。生物学的反復が3回以上あり、注釈が完全で、生データと処理済みデータの両方がある実験を優先してください。

ワークフロー

Phase 0: Clarify (if ambiguous) → Phase 1: Disambiguate → Phase 2: Search & Retrieve → Phase 3: Report

---

フェーズ 0：確認（必要な場合）

次の場合にのみ質問します：遺伝子名が曖昧、組織／条件が不明確、生物種が指定されていない。 次の場合は省略します：具体的なアクセッション（E-MTAB-, E-GEOD-, S-BSST*）、疾患／組織と生物種が明確、プラットフォームが明示的に指定されている。

---

フェーズ 1：クエリの判別

公式遺伝子シンボル（ヒトの場合は HGNC、マウスの場合は MGI）を特定します。検索範囲を広げるため、一般的な別名も記録します。

ユーザークエリの種類	検索戦略
具体的なアクセッション	直接取得
遺伝子＋条件	「[gene] [condition]」＋生物種フィルター
疾患のみ	「[disease]」＋生物種フィルター
技術を指定	プラットフォームのキーワードを追加

---

フェーズ 2：データ取得（内部処理）

検索は内部で行います。処理の経過を説明しないでください。

# ArrayExpress search
result = tu.tools.arrayexpress_search_experiments(keywords="[gene/disease]", species="[species]", limit=20)

# Get experiment details, samples, files
details = tu.tools.arrayexpress_get_experiment(experiment_id=accession)
samples = tu.tools.arrayexpress_get_experiment_samples(experiment_id=accession)
files = tu.tools.arrayexpress_get_experiment_files(experiment_id=accession)

# BioStudies for multi-omics
biostudies = tu.tools.biostudies_search(query="[keywords]", pageSize=10)
study = tu.tools.biostudies_get_study(accession=study_accession)
study_files = tu.tools.biostudies_get_study_files(accession=study_accession)

フォールバックチェーン

主要手段	フォールバック
ArrayExpress の検索	BioStudies の検索
arrayexpress_get_experiment	biostudies_get_study
arrayexpress_get_experiment_files	「ファイルを利用できません」と記載

---

フェーズ 3：データセットのプロファイルを報告

データセット検索レポートとして提示します。検索プロセスは記載しないでください。次を含めます：

1. 検索概要：クエリ、検索したデータベース、結果件数
2. 主な実験（実験ごと）：
   • アクセッション、生物種、種類（RNA-seq／マイクロアレイ）、プラットフォーム、サンプル数、日付
   • 説明、実験デザイン（条件、反復、組織）
   • サンプルグループの表、データファイルの表
   • 品質評価（●●●／●●○／●○○）
3. マルチオミクス研究（BioStudies から）：アクセッション、種類、含まれるデータの種類
4. 概要表：すべての実験を順位付け
5. 推奨事項：ユーザーの目的に最適なデータセット、統合に関する注記
6. データへのアクセス：ダウンロードリンク、データベースの URL

---

データ品質の段階

段階	記号	基準
高	●●●	生物学的反復が3回以上、メタデータが完全、処理済みデータを利用可能
中	●●○	反復が2～3回、または一部のメタデータに不足あり
低	●○○	反復なし、メタデータが乏しい、またはアクセスに問題あり
注意	○○○	サンプルが1つ、反復なし、古いプラットフォーム

---

推論フレームワーク

データセットの品質：生物学的反復が3回以上あり、注釈が完全で、生データと処理済みデータの両方があるものを優先します。反復が1回の実験も参考になりますが、唯一の根拠にはできません。

プラットフォームの比較：RNA-seq ＝ より広いダイナミックレンジ、新規転写産物。マイクロアレイ ＝ プローブによる制限はありますが、豊富なレガシーデータがあります。異なるプラットフォームのデータを統合するには、バッチ補正が必要です。

メタデータのスコア付け：（1）サンプル注釈、（2）デザインの記載、（3）パイプラインの説明、（4）生データの登録、（5）論文へのリンクを、0～5で評価します。スコアが2以下の場合は注意が必要です。

GEO と ArrayExpress：GEO はより広範なデータを収録しています（古い研究を含む）。ArrayExpress はより厳格なメタデータ要件を課しています。BioStudies はマルチオミクスデータを収録しています。両方を検索してください。

統合に関する質問

1. データセットには、目的の解析に十分な反復とメタデータがありますか？
2. バッチ効果や交絡変数はありますか？
3. 複数のデータセットで一致するパターンが見られますか。また、それらを統合できますか？

---

エラー処理

エラー	対応
"No experiments found"	キーワードを広げ、種のフィルターを外し、同義語を試します
"Accession not found"	形式を確認し、取り下げられていないか確認します
"Files not available"	次のように記載します：「データファイルは登録者によって制限されています」
"API timeout"	1 回再試行し、「（メタデータの取得は未完了）」と記載します

---

ツールリファレンス

ArrayExpress：arrayexpress_search_experiments（検索）、arrayexpress_get_experiment（メタデータ）、arrayexpress_get_experiment_files（ダウンロード）、arrayexpress_get_experiment_samples（アノテーション）

BioStudies：biostudies_search（検索）、biostudies_get_study（メタデータ＋セクション）、biostudies_get_study_files（ファイル）

その他の情報源：

• GEO_search_rnaseq_datasets / geo_search_datasets -- GEO（最大の RNA-seq リポジトリ）
• OmicsDI_search_datasets -- リポジトリ横断型の集約（GEO+ArrayExpress+PRIDE+MassIVE）
• GTEx_get_expression_summary -- 組織におけるベースライン発現（正常組織 54 種、パラメーター：gene_symbol）
• ENAPortal_search_studies -- シーケンシング研究（description="..." を含む query がパラメーター）
• CxGDisc_search_datasets -- 単一細胞データセット（正確な疾患オントロジー用語が必要）
• GxA_list_experiments / GxA_get_experiment_info / GxA_get_experiment_expression -- EBI Gene Expression Atlas：キュレーション済みのベースライン（組織）および差次的発現（条件比較）のバルク RNA-seq／マイクロアレイ実験。まず species と experiment_type（"baseline" または "differential"）で GxA_list_experiments を絞り込みます。GxA_get_experiment_expression には、特定の experiment_accession（例：E-MTAB-2836）と gene_id が必要です。
• ARCHS4_get_gene_expression / ARCHS4_get_gene_correlations -- ARCHS4：ヒト／マウスの組織および細胞株におけるボックスプロット発現統計（最小値／Q1／中央値／Q3／最大値、log2）と、一律に再処理された 30 万件以上の RNA-seq サンプルに基づくピアソン相関係数の高い共発現遺伝子。完全な差次的発現解析パイプラインを実行せずに、ベースライン発現を手早く確認したり、共調節される可能性のある遺伝子候補を見つけたりするのに適しています。
• Bgee_search_genes / Bgee_get_gene_expression / Bgee_list_species -- Bgee：29 種以上の動物種を対象とした、キュレーション済みの組織別ベースライン発現情報（ヒト／マウスのみを対象とした ARCHS4 の再処理済み RNA-seq や、キュレーション済みながら対象実験の範囲がより狭い GxA と比較）。Bgee_get_gene_expression には、Ensembl 遺伝子 ID と NCBI taxonomy ID の両方が必要です（例：ヒト TP53 の場合は gene_id="ENSG00000141510"、species_id="9606"）。シンボルしかない場合は、まず Bgee_search_genes で遺伝子 ID を特定します。Bgee が対象種を扱っていると仮定する前に、Bgee_list_species で対象種が含まれているか確認してください。種間比較（「遺伝子 X はマウスとゼブラフィッシュで同じ組織に発現していますか？」など）に最適です。ダウンロード用の生シーケンシングデータセットを探す用途には向きません。
• PubMed_search_articles -- 論文を通じたデータセットの探索

---

検索パラメーター

ArrayExpress：keywords（フリーテキスト）、species（学名）、array（プラットフォームのフィルター）、limit BioStudies：query（フリーテキスト）、limit