こんにちは、アメリエフ受託解析コンサルチームのkoya-sです。
前回は、RNA-seq発現マトリクスを例に、ワイド形式からロング形式へ変換する方法を紹介しました。
今回は、ロング形式に変換したデータをさらに扱いやすくするために、separate()によるサンプル名の分割や、dplyrを用いた集計・抽出について解説します。

データを整形することで、条件ごとの集計や比較がどれだけシンプルになるのかを、実際のコードとともに見ていきましょう。
4-2. separate()による列の分割
ロング形式への変換ができたところで、もう一歩データを扱いやすくしてみましょう。
現在のデータでは、サンプル名が Sample_A_1 のように1つの文字列としてまとまっています。この中には、
- A:条件(Condition)
- 1:リピート番号(Replicate)
といった情報が含まれています。
このままでも解析は可能ですが、条件ごとの平均発現量を計算したり、グループごとに比較したりする際には少し扱いにくい形です。
そこでここでは、tidyrのseparate()関数を使ってサンプル名を分割し、さらに解析では使用しない共通の接頭辞(Sample)を削除して、扱いやすいデータへ整形します。
まずは、現在のロング形式データを対象にします。
library(tidyr)
library(dplyr)
expression_long2 <- expression_long %>%
separate(
col = Sample,
into = c("Prefix", "Condition", "Replicate"),
sep = "_"
) %>%
select(-Prefix)
それでは、引数の意味を見ていきましょう。
引数の意味
- col:分割したい列を指定します。
- into:分割後に作成される列名を指定します。
- sep:どの文字で分割するかを指定します。
select(-Prefix)で、解析では使用しないPrefix列を削除しています。
変換前のデータは次のような形でした。
| Gene | Sample | TPM |
|---|---|---|
| TP53 | Sample_A_1 | 25 |
| TP53 | Sample_A_2 | 27 |
| TP53 | Sample_B_1 | 40 |
| TP53 | Sample_B_2 | 39 |
これをseparate()で分割すると、次のようになります。
| Gene | Condition | Replicate | TPM |
|---|---|---|---|
| TP53 | A | 1 | 25 |
| TP53 | A | 2 | 27 |
| TP53 | B | 1 | 40 |
| TP53 | B | 2 | 39 |
Sample列がConditionとReplicateに分割され、解析では不要な共通の接頭辞(Sample)を削除することで、より扱いやすいデータになりました。 このように整理しておくと、条件ごとの集計や可視化をシンプルに記述できます。
次は、この整理したデータを使って、dplyrで条件ごとの集計や加工を行っていきましょう。
4-3. dplyrと組み合わせて集計する
ここまでで、RNA-seqの発現マトリックスをロング形式に変換し、さらにサンプル名から「Condition」と「Replicate」を分割するところまで整理できました。 この状態になると、いよいよdplyrの本領発揮です。データが「扱いやすい形」になっているので、条件ごとの比較や集計が非常にシンプルに書けるようになります。
条件ごとの平均発現量を計算する
まずは、最もよく使う処理の一つである「条件ごとの平均TPM」を計算してみます。
library(dplyr)
expression_long2 %>%
group_by(Condition, Gene) %>%
summarise(
mean_TPM = mean(TPM),
sd_TPM = sd(TPM),
.groups = "drop"
)
ここでやっていることは、group_by()関数で
- Condition(AやBなどの実験条件)
- Gene(遺伝子名)
の組み合わせごとにデータをまとめています。 つまり、「同じ条件・同じ遺伝子」を1つのグループとして扱う準備をしています。
そして、summarise()関数で各グループごとに、
- 平均発現量(mean_TPM)
- 標準偏差(sd_TPM)
を計算しています。
条件ごとの平均発現量やばらつき(標準偏差)を比較し、条件間の発現傾向を把握する際によく用いられる集計です。 結果は以下のような形になります。
| Condition | Gene | mean_TPM | sd_TPM |
|---|---|---|---|
| A | EGFR | 79.0 | 1.41 |
| A | TP53 | 26.0 | 1.41 |
| B | EGFR | 66.5 | 2.12 |
| B | TP53 | 39.5 | 0.71 |
(※実際のデータ構造に応じて変わります)
filter()で特定条件の遺伝子だけ見る
例えば、TP53について、すべての条件・リピートの発現量だけを抽出したい場合は次のように書けます。
expression_long2 %>% filter(Gene == "TP53")
arrange()で発現量順に並べる
発現の高い遺伝子を確認したい場合は、並べ替えも簡単です。desc()を使うことで、平均TPMの高い順(降順)に並べ替えています。
expression_long2 %>%
group_by(Gene) %>%
summarise(
mean_TPM = mean(TPM),
.groups = "drop"
) %>%
arrange(desc(mean_TPM))
このようにdplyrを使うと、
- 何をしているかがコードの流れで理解できる
- 中間データを作らずに処理をつなげられる
- 集計・抽出・並べ替えが直感的に書ける
といった利点があります。
特にRNA-seq解析では、 「整形 → 集計 → 可視化」 という流れがほぼ毎回出てくるため、dplyrは非常に相性の良いツールです。 次は、この整形済みデータを使ってggplot2での可視化(箱ひげ図や発現分布プロット)に進んでいきます。