western-blot-quantification

ウエスタンブロットの定量と解析

---

メタデータ

概要：複数の実験反復を伴うウエスタンブロット画像の定量と解析に関する包括的なガイドです。強度測定、正規化、統計解析、可視化を扱います。

著者：Ohagent Team

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

---

概要

このガイドでは、特に複数の反復と条件を含む実験を対象に、ウエスタンブロット画像を解析するための標準的なワークフローを紹介します。このプロトコルでは、バンド強度の検出、正規化の手順、統計的な集計、可視化のベストプラクティスを説明します。

主要な概念

ローディングコントロールによる正規化

サンプル間でレーンあたりの総タンパク質量が異なるため（ピペッティング誤差、転写効率、ゲルのアーティファクトなど）、ウエスタンブロットの定量に生のバンド強度を使用することはできません。ローディングコントロールとは、すべてのサンプルで同じレベルで発現していると想定されるタンパク質です（一般的には GAPDH、β-actin、α-tubulin、または Ponceau S などの総タンパク質染色／stain-free イメージング）。ターゲットバンドの強度を同じレーンのローディングコントロールの強度で割ると、レーンごとの技術的なばらつきを補正した正規化値が得られます。ローディングコントロール自体が飽和しておらず、検出システムの線形ダイナミックレンジ内にあることが必要です。

2段階の正規化

同じブロットで関連する2つのシグナル（たとえば、全タンパク質型（SMAD2）とそのリン酸化型（PSMAD2））を測定する場合、2段階の正規化によって、タンパク質量の変化と修飾状態の変化を切り分けられます。ステップAでは、全タンパク質をハウスキーピングコントロールで正規化します（SMAD2_norm = SMAD2 / GAPDH）。ステップBでは、修飾型をローディング補正済みの全タンパク質で正規化します（PSMAD2_target = PSMAD2 / SMAD2_norm）。これにより、基となるタンパク質の発現変化から、修飾に特異的なシグナルを切り離せます。

反復間の統計的集計

各ウエスタンブロットは1つの実験観測値です。生物学的な結論を得るには、生物学的反復（独立した実験であり、1枚のゲルに複数のレーンを並べただけではありません）が必要です。集計の手順は、（1）各反復内で正規化し、（2）反復内の対照を基準に変化倍率を計算する（対照は定義上 1.0 になります）、（3）反復間で平均値とばらつき（SD または SE）を計算する、です。変化倍率の計算前に反復間で正規化すると、見かけの効果量が過大になり、ゲル間のばらつきと生物学的効果が混同されます。

標準偏差と標準誤差

SDは反復間における生物学的応答のばらつきを表し、「この効果にはどの程度のばらつきがあるか？」という問いに適しています。SE（= SD / √n）は平均値の推定精度を表し、「この平均値をどの程度確信できるか？」という問いに適しています。一般的な n=3 のウエスタンブロット実験では、SD のエラーバーは SE より大きく見えますが、根底にある生物学的なばらつきをより正直に伝えます。図の凡例には、どちらの誤差指標をプロットしたかを必ず記載してください。

判断フレームワーク

Western blot quantification decision tree
└── Single target protein measured?
    ├── Yes -> Single-step normalization: Target / LoadingControl  (per lane)
    │           └── Compute fold change vs control within each replicate
    │               └── Aggregate mean +/- error across replicates
    └── No, two related signals (e.g., total + modified form)
        └── Two-step normalization
            ├── Step A: TotalForm_norm = TotalForm / LoadingControl  (per lane)
            └── Step B: ModifiedForm_target = ModifiedForm / TotalForm_norm

Error bar choice:
└── Reporting biological variability of the effect? -> SD
└── Reporting precision of the mean estimate?       -> SE = SD / sqrt(n)

Experimental design choice:
└── Discrete treatments (control vs conditions)            -> Multi-condition design + bar graph + ANOVA / t-tests
└── Same treatment over multiple time points               -> Time course design + line graph; normalize to t0 control
└── Same treatment at multiple concentrations              -> Dose response design + log-x line graph; fit EC50 / IC50

状況	推奨される選択	理由
タンパク質総量の変化を定量する	1段階正規化（Target / LoadingControl）	レーンごとに測定は1回です。ローディングコントロールで総タンパク質量の差を補正します
翻訳後修飾（リン酸化、ユビキチン化）を定量する	2段階正規化（Modified / Total_norm）	総タンパク質の発現量の変化と修飾の化学量論を切り分けます
n = 3 の反復で、生物学的な結果を重視する図の場合	平均 ± SD	生物学的応答のばらつきを示します
n = 3 の反復で、統計的精度を重視する図の場合	平均 ± SE	平均の推定精度を示します
ノイズの多いブロットで小さな倍率変化（約1.5×）を扱う場合	n を ≥ 4–6 に増やし、凡例に n を明記して SE を報告する	効果量が小さい場合、十分な統計的検出力を得るには反復数を増やす必要があります
4つ以上の異なる条件を比較する場合	多条件デザインと、事後補正を伴う ANOVA を使用する	多数の条件間でペアワイズ t 検定を行うと、第I種過誤が増加します
同じ効果を経時的に追跡する場合	タイムコースデザインを用い、各反復内で t = 0 に正規化する	反復間のベースラインのドリフトを取り除きます
効力（EC50 / IC50）を求める場合	対数間隔の濃度を用いた用量反応デザインを使用する	対数間隔にすることでシグモイド応答を均等にサンプリングでき、非線形フィッティングで EC50 を求められます
ローディングコントロールのバンドが飽和している場合	露光時間を短くして再撮影するか、ライセートを希釈する	飽和したバンドは線形ダイナミックレンジの範囲外となり、気づかないうちに正規化に偏りが生じます
1つの反復だけでばらつきが異常に大きい場合	根拠（例：転写時のアーティファクト）を記録して除外する	ノイズの多い平均値を使うより、正直に除外するほうが適切です。データを黙って除外してはいけません

標準ワークフロー

ステップ 1：画像の前処理とバンド検出

目的：Western blot 画像内の ROI を特定し、個々のバンドを切り分けます。

主な考慮事項：

• analyze_pixel_distribution 関数、次に find_roi_from_image 関数を使用します
• find_roi_from_image で ROI を適切に検出できなかった場合は、lower_threshold パラメーターと upper_threshold パラメーターを変えて再試行します
• それでも検出されない ROI がある場合は、正しく検出された ROI を使って、未検出 ROI の座標を手動で推定できます（重要：正しく検出された ROI の座標は必ず保持してください）
• ROI を含む最終画像も画像ファイルとして保存します
• ターゲットタンパク質のすべてのバンドを検出します
• 実験の反復を特定します（通常はレーンごとに配置されています）
• 異なる条件（例：対照群、処理群）を識別します
• アーティファクト、バックグラウンドノイズ、レーンの位置ずれの可能性に対処します

ツール：analyze_pixel_distribution、find_roi_from_image

ステップ 2：強度の測定

目的：検出されたすべてのバンドの強度を定量します。

手順：

1. 各レーン／反復について、次の強度を測定します：

   • ターゲットタンパク質のバンド（例：PSMAD2）
   • ローディングコントロールのバンド（例：SMAD2、GAPDH）
   • バックグラウンド強度（必要に応じて補正するため）

2. 測定値を構造化された形式で記録します：

   • 条件名（例："control"、"P144"、"TGF-β1"、"Tβ1Ab"）
   • 反復番号（例：Rep1、Rep2、Rep3）
   • タンパク質ターゲット（例：PSMAD2、SMAD2、GAPDH）
   • 生の強度値

ベストプラクティス：

• すべてのバンドで一貫した ROI（関心領域）サイズを使用します
• 必要に応じてバックグラウンドを差し引きます
• 次に進む前に、バンドが正しく検出されていることを目視で確認します

ステップ 3：正規化手順

目的：ローディング量のばらつきを考慮して、ターゲットタンパク質の強度を正規化します。

2段階正規化プロセス：

ステップ A：ローディングコントロールの正規化

ローディングコントロールタンパク質の相対強度を計算します：

SMAD2_norm = Intensity_SMAD2 / Intensity_GAPDH

これにより、サンプル間の総タンパク質ローディング量のばらつきを補正します。

ステップ B：標的タンパク質の正規化

最終的な標的タンパク質強度を正規化して計算します。

Target_value = Intensity_PSMAD2 / SMAD2_norm

これにより、ローディングコントロールと相対的なタンパク質量の両方を考慮した、正規化済みのPSMAD2強度が得られます。

代替の正規化方法：

• 単一のローディングコントロール：GAPDHのみを使用できる場合：Target_norm = Intensity_Target / Intensity_GAPDH
• 総タンパク質による正規化：総タンパク質染色を使用する場合：Target_norm = Intensity_Target / Intensity_TotalProtein
• ハウスキーピング遺伝子：一般的なコントロールには、GAPDH、β-actin、α-tubulinがあります

ステップ 4：相対定量（倍率変化の計算）

目的：コントロール条件に対する相対値として結果を表します。

手順：

1. 実験の各反復について、コントロール条件を特定します
2. 各条件の倍率変化を計算します。

Fold_Change = Target_value_condition / Target_value_control

3. 定義上、コントロール条件の倍率変化は1.0になります
4. 処理条件では、コントロールに対する倍率変化が示されます（例：1.5＝50％増加、0.7＝30％減少）

重要な注意事項：

• 反復間で比較する前に、必ず同じ反復内で正規化してください
• コントロール条件を明確に特定してください
• ベースラインとして使用する条件を記録してください

ステップ 5：統計的集計

目的：複数の実験反復から得られたデータを統合します。

手順：

1. すべての反復から正規化値（または倍率変化）を集めます
2. 各条件について、以下を計算します。
   • 平均値：反復間の平均
   • 標準偏差（SD）：ばらつきの指標
   • 標準誤差（SE）：SD / √n。nは反復数です
   • サンプルサイズ（n）：反復数

統計上の考慮事項：

• 意味のある統計解析には、最低3回の反復を推奨します
• 平均値と誤差指標（SDまたはSE）の両方を報告してください
• 複数の条件を比較する場合は、統計検定（t検定、ANOVA）を検討してください
• 除外した反復とその理由を記録してください

ステップ 6：可視化

目的：明確で、論文掲載に適した可視化を作成します。

棒グラフの要件：

1. X軸：実験条件（例：Control、P144、TGF-β1、Tβ1Ab）
2. Y軸：正規化値または倍率変化（通常は0から開始）
3. 棒：各条件の平均値
4. エラーバー：標準偏差または標準誤差
5. ラベル：明確な条件名、単位、サンプルサイズ（n=X）

可視化のベストプラクティス：

• 図を通して、条件ごとに一貫した色を使用してください
• 該当する場合は、統計的有意性を示す記号を追加してください（例：、、）
• 図のタイトルと軸ラベルを追加してください
• 高解像度（論文掲載用は300 DPI）で保存してください

検証画像：

• 検出されたROIを示すグリッド画像／重ね合わせ画像を作成します
• バンドが正しく検出されたかを確認できます
• トラブルシューティングと品質管理に役立ちます
• 別ファイルとして保存します（例：wb_grid_verification.png）

一般的な実験デザイン

デザイン 1：複数条件と反復

• 構成：3～4条件 × 3反復 ＝ 9～12レーン
• 例：Control、Treatment A、Treatment B、Treatment C（各条件を3反復）
• 解析：各反復内で正規化してから、反復間で集計します

デザイン 2：タイムコース

• 構成：複数の時点 × 条件 × 反復
• 例：ControlとTreatmentについて、0h、6h、12h、24h
• 解析：0時間のコントロールを基準に正規化してから、時点間で比較します

デザイン 3：用量反応

• 構成：複数の濃度 × 反復
• 例：0、1、5、10、50 μMの処理
• 解析：濃度0を基準に正規化し、用量反応曲線をプロットします

トラブルシューティング

問題：バンド検出が一貫しない

問題：一部のバンドが検出されない、または誤って識別される
解決策：

• 検出パラメーター（しきい値、サイズフィルター）を調整します
• ROIの配置を手動で確認し、修正します
• 画像の品質とコントラストを確認します
• グリッド検証画像を使用して、検出結果を検証します

問題：反復間のばらつきが大きい

問題：標準偏差が大きい、または結果に一貫性がありません 解決策：

• ローディングコントロールによる正規化が正しく行われていることを確認します
• 技術的なアーティファクト（気泡、転写ムラ）がないか確認します
• サンプル調製が一貫していることを確認します
• 妥当な根拠がある場合は、外れ値の除外を検討します

問題：予想外の正規化結果

問題：正規化した値が、予想される生物学的応答と一致しません 解決策：

• ローディングコントロールのバンドが適切であること（飽和していないこと）を確認します
• コントロール条件が正しく特定されていることを確認します
• すべての計算が正しい順序で行われていることを確認します
• 生の強度値を確認し、異常がないか調べます

問題：背景に関する問題

問題：バックグラウンドが高く、強度測定に影響しています 解決策：

• バックグラウンドを差し引きます
• 各バンドの近傍で局所的なバックグラウンドを測定します
• 画像の前処理（コントラスト、明るさ）を調整します
• バックグラウンドが高すぎる場合は、再撮像を検討します

品質管理チェックリスト

解析を確定する前に、以下を確認します：

• すべてのバンドが正しく検出されている（グリッド画像で確認）
• すべてのサンプルでローディングコントロールのバンドが確認でき、測定可能である
• 正規化の計算が正しい
• コントロール条件が明確に特定されている
• 統計解析にすべての反復が含まれている
• エラーバーが適切な指標（SD または SE）を示している
• 可視化で実験デザインが明確に示されている
• 結果が生物学的に妥当である

出力ファイル

必須の出力：

1. 定量結果：以下を含む CSV または Excel ファイル：

   • 生の強度値
   • 正規化した値
   • 倍率変化
   • 統計的要約（平均、SD、SE）

2. 可視化：棒グラフ画像（例：psmad2_quantification.png）

   • 高解像度（最低 300 DPI）
   • 明確なラベルとエラーバー
   • 論文投稿に適した形式

3. 検証画像（任意ですが推奨）：wb_grid_verification.png

   • 検出された ROI を表示
   • 解析の検証に役立ちます

ワークフローの概要例

反復 3 回、条件 4 つの一般的な実験の場合：

1. バンドを検出：12 レーンにわたるすべての PSMAD2、SMAD2、GAPDH バンドを特定します
2. 強度を測定：各バンドの強度値を抽出します
3. 正規化：
   • ステップ A：SMAD2_norm = SMAD2 / GAPDH（各サンプル）
   • ステップ B：Target_value = PSMAD2 / SMAD2_norm（各サンプル）
4. 倍率変化を計算：Target_value_condition / Target_value_control（各反復内）
5. 集計：各条件について、3 回の反復にわたる平均 ± SD を計算します
6. 可視化：エラーバー付きの棒グラフを作成します
7. 保存：定量表と可視化画像をエクスポートします

主な計算式の一覧

Loading Control Normalization:
  Loading_norm = Intensity_LoadingControl / Intensity_Housekeeping

Target Normalization:
  Target_norm = Intensity_Target / Loading_norm

Fold Change:
  Fold_Change = Target_norm_condition / Target_norm_control

Statistics:
  Mean = Σ(values) / n
  SD = √[Σ(value - mean)² / (n-1)]
  SE = SD / √n

よくある落とし穴

• 落とし穴：ローディングコントロールで正規化せず、生のバンド強度を報告する。 ブロットで見られる差は、レーンごとのロード量のばらつきだけで説明できる場合があります。

  • 回避方法：必ず同じレーンで測定したローディングコントロールのバンド（または総タンパク質染色）で割ってください。定量結果として生の強度をプロットしないでください。

• 落とし穴：飽和したローディングコントロールを使う。 飽和したGAPDH／β-actinバンドは「均一」に見えますが、線形ダイナミックレンジを超えているため、正規化すると真の差が気づかないうちに過小評価されます。

  • 回避方法：正規化に使う前に、ローディングコントロールの強度が飽和未満であること（例：最大ピクセル値が検出器の範囲の90％未満）を確認してください。必要に応じて、露光時間を短くして再撮影してください。

• 落とし穴：フォールドチェンジを計算する前に、正規化値を反復間で集計する。 これにより、ゲル間のばらつきと生物学的シグナルが混同され、見かけの効果量が大きくなります。

  • 回避方法：まず各反復内で正規化し、反復内の対照に対するフォールドチェンジを計算してから、反復間でフォールドチェンジを集計してください。

• 落とし穴：SEのエラーバーをSDと表示する（またはその逆）。 査読者や読者が図を正しく解釈できなくなります。

  • 回避方法：図の凡例に誤差の指標（SDまたはSE）とnを明記してください。両方が有用な場合は、SDをプロットし、SEを本文で報告してください。

• 落とし穴：n = 1またはn = 2の実験から結論を導く。 観察が1回だけでは、生物学的効果と技術的ノイズを区別できません。

  • 回避方法：効果量を定量化する前に、独立した生物学的反復を最低n = 3実施してください。小さなフォールドチェンジ（約1.5×）の場合は、n ≥ 4–6を計画してください。

• 落とし穴：外れ値の反復を記録せずに除外する。 報告される平均値に偏りが生じ、再現できなくなります。

  • 回避方法：除外する場合はその理由（転写アーティファクト、膜の状態不良、ローディングコントロールにシグナルがないなど）を記録してください。判断に曖昧さがある場合は、除外後の解析と全データを含めた解析の両方を報告してください。

• 落とし穴：処理に反応するローディングコントロールを選ぶ。 一部の「ハウスキーピング」タンパク質（例：GAPDH）は、代謝ストレス、低酸素、飢餓状態で変化し、ローディングコントロールが一定であるという前提が成り立たなくなります。

  • 回避方法：ハウスキーピング遺伝子に影響する可能性のある処理では、単一のハウスキーピングタンパク質ではなく、総タンパク質染色（Ponceau S、stain-free）を使用してください。

• 落とし穴：すべての画像に固定しきい値による自動ROI検出を使う。 露光、コントラスト、ノイズフロアの違いに応じてしきい値を変える必要があり、一律の検出では薄いバンドを見逃したり、強いバンドを分割したりします。

  • 回避方法：画像ごとにlower_thresholdとupper_thresholdを調整してください。強度を抽出する前にグリッドオーバーレイを手動で確認し、パラメーターを調整する際は正しく検出されたROIを保持してください。

ベストプラクティス

1. 必ず正規化してください：正規化せずに生の強度を使わないでください。レーンごとのロード量のばらつきだけでも、生物学的な要因とは無関係に見かけ上2～3倍の差が生じることがあります。
2. 適切なコントロールを使用してください：調べる特定の処理条件下で安定しているローディングコントロールを選んでください。代謝、低酸素、またはストレス処理では、単一のハウスキーピングタンパク質よりも全タンパク質染色を優先してください。
3. 検出結果を確認してください：強度を抽出する前に、グリッド／検証画像のオーバーレイを必ず確認してください。ROI の自動検出によってバンドが分割または結合され、気付かないうちに誤差が入り込むことがあります。
4. 除外内容を記録してください：除外したサンプルとその理由を記録してください。除外を記録しないと、報告する平均値に偏りが生じ、再現性が損なわれます。
5. 統計値を報告してください：平均値と明示的な誤差指標（SD または SE）の両方を n とともに示し、図の凡例に、どの誤差指標をプロットしたかを明記してください。
6. 中間データを保存してください：再解析や補足資料としての公開に備え、生の強度、ROI の座標、反復ごとの正規化値を保存してください。
7. 視覚的に検証してください：最終的な可視化（棒グラフ／折れ線グラフ）を、元のブロットから受ける定性的な印象と照合してください。グラフと画像が一致しない場合は、公開前に原因を調べてください。

参考文献

• Pillai-Kastoori L, Schutz-Geschwender AR, Harford JA. 「A systematic approach to quantitative Western blot analysis.」Anal Biochem. 2020;593:113608. https://doi.org/10.1016/j.ab.2020.113608
• Taylor SC, Berkelman T, Yadav G, Hammond M. 「A defined methodology for reliable quantification of Western blot data.」Mol Biotechnol. 2013;55(3):217-226. https://doi.org/10.1007/s12033-013-9672-6
• Aldridge GM, Podrebarac DM, Greenough WT, Weiler IJ. 「The use of total protein stains as loading controls: an alternative to high-abundance single-protein controls in semi-quantitative immunoblotting.」J Neurosci Methods. 2008;172(2):250-254. https://doi.org/10.1016/j.jneumeth.2008.05.003
• Schneider CA, Rasband WS, Eliceiri KW. 「NIH Image to ImageJ: 25 years of image analysis.」Nat Methods. 2012;9(7):671-675. https://doi.org/10.1038/nmeth.2089
• ImageJ / Fiji のドキュメント — Gel Analyzer：https://imagej.nih.gov/ij/docs/menus/analyze.html#gels
• LI-COR Biosciences — Western Blot Normalization Handbook：https://www.licor.com/bio/applications/quantitative_western_blots/normalization
• Bio-Rad — Stain-Free Imaging Technology technical note：https://www.bio-rad.com/en-us/applications-technologies/stain-free-imaging-technology