はじめての方へ。 研究者としてキャリアを始め、バイオインフォマティクスの会社を起業しました。17年になります。 いまは、ライフサイエンス×AIを事業にする仕事と、いろいろな業界の経営者や、挑戦する人と話すことに、いちばん時間を使っています。 ここでは3つのことを書いています。 ・解析の道具とデータの早見（朝） ・技術を事業にするときの学び（昼） ・異業種の経営者との対話から気づいたこと 技術を事業にしたい人、新しい挑戦を始めたい人とつながれたらうれしいです。

【保存版】GWASのサマリー統計、どこから取るか早見。 ・まず探す窓口：GWAS Catalog（サマリー統計の全文が置かれた研究だけを絞り込める。GCST の番号で引く） ・取ってすぐ解析に使う：IEU OpenGWAS（R の ieugwasr や TwoSampleMR から直接引ける） ・UK Biobank の形質をまとめて：Pan-UK Biobank（祖先集団ごとの結果もある） ・フィンランドのバイオバンク：FinnGen（データフリーズごとに公開） ・日本人：バイオバンク・ジャパンの結果は、理研IMSのデータベースと NBDC ヒトデータベース（hum0014）から ・精神疾患：PGC（Psychiatric Genomics Consortium） ・身長・BMI などの体格：GIANT ・形質どうしの遺伝的な相関を見渡す：GWAS Atlas 取ってきたら、まずゲノムの版（GRCh37か38か）と、効果アレルがどの列かを確かめる。ここを取り違えると、符号が逆のまま解析が進む。保存推奨。

今週から、ここでの発信を少し広げます。 これまでは、解析の道具やデータの早見を中心に書いてきました。保存してくれる人も、質問をくれる人も増えて、本当にありがたいです。 一方で、自分がいちばん楽しいのは、いろいろな業界の経営者や、挑戦している人と話しているときだと気づきました。 研究者から起業して17年。 技術を事業にするときの学びや、人との対話から気づいたことも、書いていきます。 道具の早見は、これからも朝に続けます。 科学技術と経営をつなぐ。 そんな発信にしていきたいです。

【保存版】単一細胞RNA-seqから、コピー数の変化を推定する道具早見。 ・定番：inferCNV（正常な細胞を参照にして、染色体の区間ごとの発現の偏りを見る） ・Python から：infercnvpy（Scanpy の AnnData のまま回せる） ・参照の細胞がなくても：CopyKAT（がん細胞と正常細胞の見分けもする） ・アレルの情報も使う：Numbat（SNPのアレルの比を足して、サブクローンの系統まで推定） ・速く、大規模に：SCEVAN ・空間データで：CalicoST（空間トランスクリプトームで、アレルごとのコピー数と腫瘍の広がりを推定） 発現から推定したコピー数は、あくまで間接的な証拠。拾えるのは、染色体の腕レベルの大きな変化まで。細かい増幅は、DNAのデータで確かめる。保存推奨。

【保存版】論文とプレプリントを追いかける道具早見。 ・新着の通知：PubMed のメールアラート（検索式を保存しておく） ・プレプリント：bioRxiv・medRxiv（分野ごとの新着） ・本文と補足資料まで検索：Europe PMC（APIもある） ・引用のつながりをたどる：Semantic Scholar／Connected Papers ・文献の管理：Zotero（無料。ブラウザから取り込める） ・論文のコードとデータ：本文の Code availability から GitHub・Zenodo をたどる ・公開後の指摘：PubPeer（コメントを確認する） 新着を全部読むのは無理。検索式を1つに絞って、週1回だけ見る。保存推奨。

今週、実務で引けるようになったもの（10/12〜10/18）。 ・SPLENDID：祖先集団で分けずに、1つのモデルでポリジェニックスコアを作る ・tangermeme：配列の深層学習モデルを、手元で解釈と設計に使う ・摂動予測のベンチマーク：差を拾える指標で、モデルを比べ直す ・VIMA：空間データの症例と対照の差を、細胞型を決めずに探す 今週の早見：公共のエピゲノムデータ、どこから取るか／Perturb-seq 解析／病原体のゲノム疫学 来週も、明日使えるものだけを。保存推奨。

質量分析のタンパク質定量は、欠損値の扱い方ひとつで、有意に出るタンパク質の数が大きく変わる。 【保存版】質量分析プロテオミクス、定量の道具早見。 ・DIAの定量：DIA-NN（速くて定番） ・DDA・DIA・TMTをまとめて：FragPipe（MSFragger）／MaxQuant ・タンパク質の量を推定する：MaxLFQ（MaxQuant・DIA-NN・FragPipe に実装） ・統計：MSstats／limma／DEqMS（ペプチドの数で分散を補正） ・欠損値の補完：imputeLCMD（「測れなかった」と「無い」を分けて補う） ・品質の点検：PTXQC（MaxQuant の結果を自動でレポート） ・データの公開と入手：PRIDE（ProteomeXchange） 同定数を増やす設定は、偽陽性も増やす。FDRの基準をそろえてから、手法やツールを比べる。保存推奨。

【保存版】単一細胞ATACで、ピークを呼んだあとにやること早見。 ・モチーフの活性を細胞ごとに：chromVAR ・ピークと遺伝子をつなぐ：ArchR の peak-to-gene／Cicero（共アクセシビリティ） ・制御ネットワークまで組む：SCENIC+／FigR ・配列から読み解く：scBasset（ピークの開き方を配列で学習） ・差のあるピーク：疑似バルクにして DESeq2 ・RNAと同時に測ったデータ：Signac の LinkPeaks／MultiVI ・GWASの変異と重ねる：gchromVAR／S-LDSC（細胞型ごとの遺伝率の濃縮） 単一細胞ATACは1細胞あたりの情報が少ない。細胞ごとの結論ではなく、集団としての傾向として読む。保存推奨。

空間データで、症例と対照の差を「細胞型を決めずに」探せるようになった——VIMAが公開され、GitHubから使える。 多くの比較では、まず細胞を切り出して細胞型やニッチに分け、その割合を比べる。分け方が粗いと差が埋もれ、細かすぎると検体ごとのクセに引きずられる。 VIMAは、組織を小さなパッチに分けて深層学習で特徴をつくり、似たパッチの集まりが症例と対照で増減しているかを検定する。関節リウマチ・潰瘍性大腸炎・認知症の空間データで差を検出し、一部では他の手法が見つけられなかった差を、偽陽性を抑えたまま拾ったとある。 ただしGPUがほぼ前提で、パッチの大きさによって拾う信号が変わる。見つかった領域が何なのかは、あとから人が読み解く必要がある。

【保存版】多重染色・空間プロテオミクス画像の解析道具早見。 ・取り込みから発現表まで一気通貫：MCMICRO（Nextflow） ・イメージングマスサイトメトリー：steinbock → imcRtools（R） ・細胞の切り出し：Mesmer（DeepCell）／Cellpose ・目で見て確かめる：QuPath／napari ・細胞ごとの発現量を出す：MCQuant（MCMICRO の一部） ・空間の解析：SCIMAP（近傍・空間の相関）／imcRtools ・大きな画像をウェブで見せる：Minerva ・画像の形式：OME-TIFF（顕微鏡画像の標準） 空間の解析は、細胞の切り出しの誤差をそのまま引き継ぐ。隣の細胞のシグナルが混ざっていないか、画像で確かめてから次へ進む。保存推奨。

「深層学習の摂動予測モデルは、単純な基準に勝てない」という見方に、評価指標の側から反論が出た——ベンチマークのコードが公開されている。 遺伝子を壊したときの発現の変化を予測するモデル（scGPT・GEARS など9種）を、14の摂動データで評価し直した。よく使われる平均二乗誤差や相関は、効果の弱い摂動が多いデータでは、良い予測と「平均を返すだけ」の予測をほとんど区別できない。 そこで著者らは、各指標が本物の差をどれだけ拾えるかを測ったうえで比べた。差を拾える指標で見ると、多くのモデルが単純な基準を上回った。 ただし評価したのは、見たことのない遺伝子の摂動と、遺伝子の組み合わせまで。新しい細胞種や条件への予測は対象外。自分で比べるときも、指標は1つで決めない。

Perturb-seq では、ガイドが入っていても、標的の遺伝子が下がっていない細胞が一定の割合で混ざる。 【保存版】単一細胞の摂動データ（Perturb-seq）解析の道具早見。 ・まとめて回す枠組み：pertpy（Python。scverse） ・効いていない細胞を外す：Mixscape（Seurat） ・ガイドと遺伝子の関連を検定する：SCEPTRE（偽陽性を抑えた検定） ・公開データを同じ形式で：scPerturb（数十のデータセットを揃えて配布） ・摂動の結果を予測する：GEARS／CPA／scGPT ・遺伝子制御ネットワークで仮想ノックアウト：CellOracle ・大規模な参照データ：Replogle らのゲノム規模 Perturb-seq（K562 など） ・予測の評価：平均的な応答を返すだけの基準と必ず比べる ガイドが入った細胞と、遺伝子が下がった細胞は同じではない。まず標的の発現で効き具合を確かめる。保存推奨。

【保存版】公共のエピゲノムデータ、どこから取るか早見。 ・ヒトとマウスの標準データ：ENCODE ポータル（ChIP-seq・ATAC-seq・DNase-seq など。処理済みのピークもある） ・組織と細胞を広く：IHEC Data Portal（Roadmap Epigenomics を含む国際コンソーシアムのデータ） ・転写因子の結合をまとめて：ChIP-Atlas（公開データをほぼすべて再解析。日本発）／Cistrome DB／ReMap ・単一細胞のクロマチン：CATlas（ヒト・マウスの単一細胞ATACアトラス） ・3Dゲノム：4DN Data Portal ・DNAメチル化：GDC（TCGA のがん検体）／EWAS Atlas ・それ以外の個別のデータ：GEO・SRA（ChIP-Atlas が再解析済みのことも多い） ・転写因子のモチーフ：JASPAR 公共のピークをそのまま重ねると、ピークの呼び方の違いまで重なる。比べるなら、生データから同じ手順で呼び直す。保存推奨。

同じGWASから作ったポリジェニックスコアでも、ヨーロッパ系の集団で学習したものは、他の祖先集団では予測の精度が大きく下がる。 【保存版】ポリジェニックスコアの道具早見。 ・既存のスコアを探す：PGS Catalog（論文ごとの重みを配布） ・既存のスコアを手元のデータで計算：pgsc_calc（PGS Catalog 公式のパイプライン）／PLINK2 の --score ・サマリー統計から作る：LDpred2／PRS-CS ・複数の祖先集団のGWASをまとめて使う：PRS-CSx／PROSPER／CT-SLEB ・閾値とクランピングで作る：PRSice-2 ・個人のデータから直接作る：snpnet／bigstatsr（大規模な正則化回帰） ・精度の測り方：作るのに使っていない検体で、R² や AUC を測る スコアを作ったデータで精度を測ると、必ず良く見える。学習・調整・評価の3つにデータを分ける。保存推奨。

【保存版】リン酸化プロテオミクスとシグナル伝達の解析道具早見。 ・リン酸化部位の位置の確からしさ：PTMProphet（FragPipe）／MaxQuant の localization probability ・部位ごとの既報を引く：PhosphoSitePlus ・キナーゼの活性を推定する：KSEA／PTM-SEA（PTMsigDB） ・キナーゼと基質の対応：The Kinase Library（配列モチーフから）／NetworKIN ・経路に落とし込む：SIGNOR／OmniPath ・Rでの前処理と検定：PhosR／limma ・タンパク質量での補正：同じ検体のプロテオームを別に測っておく リン酸化の増減は、タンパク質の量が増えただけでも起きる。部位の変化と、タンパク質の変化を分けて見る。保存推奨。