RNA-Seqデータ解析の新しいスタイル｜R/Pythonで解析 × Subioで可視化・データ管理

Subio Platform X R Python

Subio Platformでは、データの可視化や前処理を直感的に行うことができます。

一方で、RやPythonを用いることで、より高度な統計解析やカスタム解析を実行することが可能です。

これらを組み合わせることで、「理解しながら解析する」ワークフローを実現できます。

本ページでは、Subio PlatformとR / Pythonを連携させるためのデータ形式と、実際の解析の流れについて解説します。

なぜSubioとR / Pythonを連携するのか

Subio Platformは、データの可視化とデータの蓄積・管理（データベース化）に強みがあります。

一方で、RやPythonは、様々な高度な統計処理に適しています。

この2つを組み合わせることで：

解析手法の柔軟な選択と、解析結果の資産化が可能になります。

Subio Platformからは、以下のようなデータをエクスポートし、R / Pythonで利用することができます。

データ	形式	主な用途
Gene Count / TPM / FPKM（生データまたは前処理後）	TSV	差分解析（DESeq2 / edgeR）、PCA・UMAP、クラスタリング、機械学習による分類・予測など
サンプル情報（グループ・条件など）	TSV	差分解析のグループ設定、分類・ラベル付け（教師付き機械学習など）、バッチ情報の管理
アノテーション付き遺伝子リスト	TSV	エンリッチメント解析、ネットワーク解析
値付きゲノム領域リスト（ChIP-Seq、メチル化、CNVなど）	BED	ゲノム位置に基づく解析、マルチオミクス統合解析

これらのデータは、RやPythonでそのまま読み込むことができます。

RやPythonで解析した結果は、Subio Platformに取り込み、可視化・解釈することができます。

たとえば、以下のようなデータをインポートできます：

統計モデルを用いた差次的発現解析結果（P値、FDR など）
Measurement Listとしてインポートすることで、差次的発現遺伝子の可視化や、ベン図による条件間の比較・組み合わせが可能
正規化・補正済みデータ
別のサンプルとしてインポートすることで、元データとの比較や補正手法どうしの違いを可視化して検証
クラスタリングや機械学習による分類・特徴づけ
サンプル属性情報として取り込み、可視化・比較・検証、生存曲線分析などに利用
ゲノム領域とそれに付加された数値
ゲノムブラウザー上で棒グラフやヒートマップとして可視化し、遺伝子発現との対応関係や相関の解析に利用
PCAのloadings（各遺伝子の係数）や、NMF・ICAなどで得られる成分ベクトル
Profile（Scatter Plot of Samplesでの可視化に利用）

※ PCAやNMFなどの線形手法では、これらの係数を用いてサンプルのスコア（位置）を計算できます。

※ UMAPやt-SNEなどの非線形手法では同様の係数は定義されませんが、サンプルの座標として可視化に利用できます。

これらのデータを取り込むことで、解析結果をさまざまな視点から可視化し、解釈することができます。

RやPythonとの連携では、以下の点に注意が必要です：

これらが適切に対応していない場合、サンプルや遺伝子の対応関係がずれ、解析結果の解釈を誤る原因となることがあります。

近年では、ChatGPTを用いてRやPythonのコードを生成し、解析を実行することも一般的になっています。

Subio Platformでデータを整理し、必要な部分だけコード生成することで：

大規模なパイプラインをAIで一度に構築するのはリスクがありますが、小さなプログラムを組み合わせて使うことで、現実的かつ効率的な運用が可能になります。

RNA-Seqデータ解析の全体の流れについては、以下のチュートリアルをご覧ください：

Subio PlatformとR / Pythonを組み合わせた解析を、実際のデータを使ってステップごとに進めることができます。