【Rデータ操作②】separate()による列分割・dplyrでデータ集計&抽出

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。