scientific-gene-expression-transcriptomics

name	scientific-gene-expression-transcriptomics
description	遺伝子発現・トランスクリプトミクス解析スキル。GEO (Gene Expression Omnibus) からの 公開データセット取得・前処理、DESeq2 (PyDESeq2) による差次発現解析、 GTEx 組織発現参照・eQTL 解析、Expression Atlas (EBI GXA) 統合照会、 遺伝子セット濃縮解析 (GSEA)、バルク RNA-seq カウントデータの 標準解析パイプライン。

Scientific Gene Expression & Transcriptomics

バルク RNA-seq / マイクロアレイの遺伝子発現データを対象に、 GEO データセット取得→前処理→差次発現→GSEA→組織発現参照の 統合トランスクリプトミクスパイプラインを提供する。

When to Use

• GEO からバルク RNA-seq/マイクロアレイデータセットを取得・前処理するとき
• DESeq2 による差次発現遺伝子 (DEG) 解析が必要なとき
• GTEx 組織発現プロファイル・eQTL データを照会するとき
• 遺伝子セット濃縮解析 (GSEA/ORA) を行うとき
• Expression Atlas でベースライン/差次発現実験を検索するとき

---

Quick Start

1. GEO データセット取得

import pandas as pd
import GEOparse


def fetch_geo_dataset(accession, output_dir="data/geo"):
    """
    GEO (Gene Expression Omnibus) データセットの取得・前処理。

    GEO ID 形式:
    - GSE: Series (発現データセット)
    - GPL: Platform (アレイ/シーケンサー定義)
    - GSM: Sample (個別サンプル)
    - GDS: Dataset (キュレーション済み)
    """
    import os
    os.makedirs(output_dir, exist_ok=True)

    gse = GEOparse.get_GEO(geo=accession, destdir=output_dir)

    print(f"  GEO Accession: {accession}")
    print(f"  Title: {gse.metadata['title'][0]}")
    print(f"  Platform: {list(gse.gpls.keys())}")
    print(f"  Samples: {len(gse.gsms)}")
    print(f"  Type: {gse.metadata.get('type', ['unknown'])}")

    # サンプルメタデータ抽出
    metadata = []
    for gsm_name, gsm in gse.gsms.items():
        meta = {"sample_id": gsm_name}
        meta.update({k: v[0] if v else None
                     for k, v in gsm.metadata.items()
                     if k in ["title", "source_name_ch1", "characteristics_ch1"]})
        metadata.append(meta)

    metadata_df = pd.DataFrame(metadata)

    # 発現マトリクス取得
    pivot_df = gse.pivot_samples("VALUE")
    print(f"  Expression matrix: {pivot_df.shape[0]} genes × {pivot_df.shape[1]} samples")

    return gse, metadata_df, pivot_df

2. DESeq2 差次発現解析 (PyDESeq2)

import numpy as np
import pandas as pd


def deseq2_differential_expression(count_matrix, metadata, design_factor,
                                     contrast=None, alpha=0.05,
                                     lfc_threshold=1.0):
    """
    PyDESeq2 による差次発現解析パイプライン。

    1. カウントマトリクス入力 (genes × samples)
    2. サイズファクター正規化 (median of ratios)
    3. 分散推定 (shrinkage)
    4. GLM フィッティング (NB 分布)
    5. Wald 検定
    6. LFC 収縮 (apeglm)
    7. FDR 補正 (Benjamini-Hochberg)
    """
    from pydeseq2.dds import DeseqDataSet
    from pydeseq2.ds import DeseqStats

    # DeseqDataSet 構築
    dds = DeseqDataSet(
        counts=count_matrix,
        metadata=metadata,
        design_factors=design_factor,
    )

    # 正規化 + 分散推定 + 統計検定
    dds.deseq2()

    # 結果取得
    stat_res = DeseqStats(dds, contrast=contrast, alpha=alpha)
    stat_res.summary()

    results_df = stat_res.results_df.copy()

    # LFC 収縮
    stat_res.lfc_shrink(coeff=contrast)
    results_df["log2FoldChange_shrunk"] = stat_res.results_df["log2FoldChange"]

    # フィルタリング
    sig = results_df[
        (results_df["padj"] < alpha) &
        (results_df["log2FoldChange"].abs() > lfc_threshold)
    ]

    sig_up = sig[sig["log2FoldChange"] > 0]
    sig_down = sig[sig["log2FoldChange"] < 0]

    print(f"  DESeq2 results:")
    print(f"    Total genes tested: {len(results_df)}")
    print(f"    Significant (FDR < {alpha}, |log2FC| > ):")
    ()
    ()

     results_df, sig


 ():
    
     matplotlib.pyplot  plt

    fig, ax = plt.subplots(figsize=(, ))

    results_df[] = -np.log10(results_df[].clip(lower=))

    
    colors = []
     _, row  results_df.iterrows():
         row[] < alpha  row[] > lfc_threshold:
            colors.append()
         row[] < alpha  row[] < -lfc_threshold:
            colors.append()
        :
            colors.append()

    ax.scatter(results_df[], results_df[],
              c=colors, alpha=, s=)
    ax.axhline(-np.log10(alpha), color=, linestyle=, lw=)
    ax.axvline(lfc_threshold, color=, linestyle=, lw=)
    ax.axvline(-lfc_threshold, color=, linestyle=, lw=)
    ax.set_xlabel()
    ax.set_ylabel()
    ax.set_title()
    plt.tight_layout()
    plt.savefig(output_file, dpi=)
    plt.close()

     output_file

3. GTEx 組織発現・eQTL 照会

import pandas as pd


def query_gtex_expression(gene_name, tissue=None):
    """
    GTEx (Genotype-Tissue Expression) 組織発現プロファイル照会。

    GTEx v8: 54 組織, 948 ドナー, 17,382 サンプル。
    TPM (Transcripts Per Million) ベースの発現量。
    """
    print(f"  GTEx gene expression query: {gene_name}")
    if tissue:
        print(f"  Tissue: {tissue}")
    else:
        print("  All tissues (54 tissue sites)")

    return {"gene": gene_name, "tissue": tissue}


def query_gtex_eqtl(gene_name, tissue, pvalue_threshold=1e-5):
    """
    GTEx eQTL (expression Quantitative Trait Loci) 照会。

    eQTL = 遺伝子発現量に影響する遺伝的変異
    - cis-eQTL: 遺伝子の ±1 Mb 以内の変異
    - trans-eQTL: 遺伝子から離れた変異
    """
    print(f"  GTEx eQTL query: gene={gene_name}, tissue={tissue}")
    print(f"  P-value threshold: {pvalue_threshold}")
    print("  Types: cis-eQTL (primary), trans-eQTL")

    return {"gene": gene_name, "tissue": tissue}

4. 遺伝子セット濃縮解析 (GSEA)

import pandas as pd
import numpy as np


def gsea_preranked(ranked_gene_list, gene_sets="MSigDB_Hallmark_2020",
                    n_permutations=1000, min_size=15, max_size=500):
    """
    GSEA (Gene Set Enrichment Analysis) — Preranked。

    入力: log2FC × -log10(p) でランク付けされた遺伝子リスト
    遺伝子セットDB:
    - MSigDB Hallmark (H)
    - GO Biological Process (C5:BP)
    - KEGG Pathways (C2:KEGG)
    - Reactome (C2:REACTOME)
    """
    import gseapy as gp

    # ランクスコア = sign(log2FC) × -log10(pvalue)
    results = gp.prerank(
        rnk=ranked_gene_list,
        gene_sets=gene_sets,
        processes=4,
        permutation_num=n_permutations,
        min_size=min_size,
        max_size=max_size,
        outdir="results/gsea",
        seed=42,
    )

    sig_terms = results.res2d[results.res2d["FDR q-val"] < 0.05]

    print(f"  GSEA results ({gene_sets}):")
    print(f"    Gene sets tested: {len(results.res2d)}")
    print(f"    Significant (FDR < 0.05): {len(sig_terms)}")
    if len(sig_terms) > 0:
        print(f"    Top enriched:")
        for _, row in sig_terms.head(5).iterrows():
            direction = "UP" if row["NES"] > 0  
            ()

     results


 ():
    
     gseapy  gp

    results = gp.enrich(
        gene_list=gene_list,
        gene_sets=gene_sets,
        background=background,
        outdir=,
    )

    sig = results.res2d[results.res2d[] < ]

    ()
    ()
    ()

     results

References

Output Files

ファイル	形式
results/geo_expression_matrix.csv	CSV
results/deseq2_results.csv	CSV
results/gsea/	ディレクトリ
results/ora/	ディレクトリ
figures/volcano_rnaseq.png	PNG
figures/ma_plot.png	PNG
figures/gsea_dotplot.png	PNG

利用可能ツール

ToolUniverse SMCP 経由で利用可能な外部ツール。

カテゴリ	主要ツール	用途
GEO	geo_search_datasets	GEO データセット検索
GEO	geo_get_dataset_info	データセット詳細取得
GEO	geo_get_sample_info	サンプル情報取得
GTEx	GTEx_get_median_gene_expression	組織間中央値発現量
GTEx	GTEx_get_gene_expression	サンプルレベル発現データ
GTEx	GTEx_get_top_expressed_genes	高発現遺伝子取得
GTEx	GTEx_get_eqtl_genes	eQTL 遺伝子 (eGenes)
GTEx	GTEx_get_single_tissue_eqtls	単一組織 eQTL
GTEx	GTEx_get_multi_tissue_eqtls	多組織 eQTL
GTEx	GTEx_calculate_eqtl	eQTL 計算
Expression Atlas	ExpressionAtlas_search_experiments	実験検索
Expression Atlas	ExpressionAtlas_get_baseline	ベースライン発現
Expression Atlas	ExpressionAtlas_search_differential	差次発現実験
ArrayExpress	arrayexpress_search_experiments	ArrayExpress 実験検索

参照スキル

スキル	関連
scientific-bioinformatics	バルク RNA-seq 基盤
scientific-single-cell-genomics	scRNA-seq (単一細胞)
scientific-epigenomics-chromatin	発現-エピゲノム統合
scientific-multi-omics	マルチオミクス統合
scientific-network-analysis	共発現ネットワーク

依存パッケージ

pydeseq2, GEOparse, gseapy, pandas, numpy, matplotlib, scipy