RNA-Seqやマイクロアレイ解析では、発現変動遺伝子を抽出した後に、 GO解析やPathway解析を行うことがよくあります。 これらの手法は長い間、オミクスデータ解析の最後に行う 代表的な解釈手段として使われてきました。
しかし、この使い方は急速に古くなるかもしれません。
GO解析やPathway解析そのものがなくなるという意味ではありません。 論文や報告書では、これからもGO termやPathwayの表は残るでしょう。 しかし、その表を人間が一つずつ読み、 そこから生物学的なストーリーを組み立てる作業は、 AIによる要約や文献との照合に置き換わっていくと考えられます。
AIはGO解析・Pathway解析の結果を読むようになる
これまでは、GO解析やPathway解析の結果表を人間が読み、 どのtermが重要そうかを選び、 論文や既存知識と照合しながら解釈していました。
しかし、AIを使えば、長いterm名の一覧、遺伝子リスト、発現パターン、 サンプル情報、疾患名、細胞種、実験条件、既存文献を組み合わせて、 より読みやすい形で要約できます。
たとえば、下記の動画の例をご覧ください。
上の動画では、クラスターごとの遺伝子リストだけを与えていますが、 現時点では、 クラスターごとのGO解析やPathway解析の結果もAIに渡して、 対話しながら解釈を進めるほうが、より文脈に沿った整理がしやすくなります。 将来的には、AIが遺伝子リストから必要なエンリッチメント解析まで行い、 その結果を含めて解釈を支援する形になるかもしれません。
このような使い方が一般的になると、 GO解析やPathway解析の表を人間が一つずつ読んで解釈する作業は、 実務では次第に主流ではなくなっていくでしょう。
それでも、GO解析・Pathway解析は残る
一方で、AIとの対話には再現性の問題があります。
同じ遺伝子リストをAIに与えても、 使うAIモデル、プロンプト、参照する情報、質問の仕方によって、 出力される説明は変わります。 同じAIを使っても、完全に同じ回答が返ってくるとは限りません。
そのため、論文や公式な報告書では、 どのデータベースを使い、どの統計手法を用い、 どのtermやPathwayが有意だったのかを、 再現可能な形で記録する必要があります。
GO解析やPathway解析の表は、 論文等で再現性のある根拠資料として必要であり続けるでしょう。
論文では表、実務ではAIという分離が起きる
今後、論文だけを読んでいると、 GO解析やPathway解析はこれまで通り使われているように見えるかもしれません。
しかし、実際の解析現場では、 その表をどのように読み、どのtermを重視し、 どのような生物学的ストーリーとして理解するかという部分で、 AIの利用が急速に広がっていくはずです。
つまり、これからRNA-Seqデータ解析を学ぶのであれば、 GO解析やPathway解析の表の読み方だけでなく、 AIへの問いの出し方や、回答を受け取るときの注意点を学ぶことが重要になります。
AIの回答には誤りが含まれることがあります。 もっともらしい説明であっても、元データや文献と照合すると、 根拠が弱いこともあります。
そのため、重要なのはAIを無条件に信じることではありません。 AIを使うことに慣れ、その回答を元データや文献に戻って確認することです。
AIの解釈は、元データに戻って確認する必要がある
AIは、GO解析やPathway解析の結果を要約できます。 しかし、元データの品質を自動的に保証してくれるわけではありません。
抽出された遺伝子群が、本当にサンプル間の違いを反映しているのか。 低発現遺伝子のばらつきが混ざっていないか。 外れサンプルやバッチ効果の影響を受けていないか。 正規化やフィルタリングの条件によって、結果が大きく変わっていないか。
これらを確認しないままAIに要約させても、 もっともらしい説明が返ってくるだけです。
AI時代のオミクス解析で重要になるのは、 AIが出した答えをそのまま採用することではありません。 AIが作った解釈を、元の発現データ、PCA、クラスタリング、ヒートマップ、 サンプル情報、遺伝子ごとの発現パターンに戻って確認できるスキルです。
まとめ
GO解析やPathway解析を終着点にする時代は、終わりつつあります。 これからの解釈は、AIと一緒に進め、その結果を元データで確認する時代へ移っていくのではないでしょうか。
