次世代シークエンサー（NGS: next generation sequencer）の 活躍によって，さまざまな生命科学の謎が解き明かされてい る．マ イ ク ロ ア レ イ 同 様，NGSか ら 得 ら れ る デ ー タ も 公 共 データベースに収めることが論文投稿の条件となってきてお り，そのデータ量は約3.2ペタバイトにもなっている（ペタ は10の15乗）．これまでよく用いられてきたBLASTなどの 配列類似性による検索手段ではもはや歯がたたず，それぞれ のデータの付帯情報であるメタデータをたよりに必要な情報 を 探 し 出 す こ と に な る．膨 大 なNGSの デ ー タ ベ ー ス か ら 効 率よくデータを取り出し，自らの研究に活用する方策を紹介 する．
はじめに
Plant & Animal Genome（PAG）はアグリゲノム分 野で世界でも最大級の学会大会で，今年も1月9日から 13日までアメリカ合衆国サンディエゴにて第24回目が 開催された．PAGは元々植物ゲノムの会議として毎年 開催されていたのが，近年家畜ゲノムもカバーするよう
になり，現在では最新の次世代シークエンサー（NGS:
next generation sequencer）による塩基配列解読技術 が公表される場ともなっている．昨年はイルミナ社より HiSeq 3000, 4000がこの学会に合わせて発表され，今年 は同社よりMiniSeqが発表された．近年，NGSがいわ ゆる古典的なモデル生物だけでなく，植物や家畜，菌類 といった農芸化学分野でよく用いられるような生物種に 対しても盛んに用いられるようになってきた．
図1に示すようにさまざまな種類のNGSから得られ る配列データはFASTQ形式という読まれた塩基配列と そのクオリティの組がときに数十億収められたような ファイルとなっている．NGSデータ解析の最初のス テップは既知のリファレンスゲノム配列に対して写像
（マッピング）するか，それぞれの配列をつなぎ合わせ る（アッセンブル）か，することになる．図示していな いが，ゲノム配列解読やRNA-seqといった目的に応じ たデータ解析は，このさらに下流になる．
NGSデータは，クローニングした塩基配列やマイク ロアレイなどの遺伝子発現のデータがそうであったよう に，公共データベースに収められている．その配列を アーカイブしたデータベース（DB）にはおもにこの
日本農芸化学会
● 化学 と 生物
【解説】
How to Make Full Use of Database for Next-Gen Sequences Takeru NAKAZATO, Hidemasa BONO, 大学共同利用機関法人情 報・システム研究機構データサイエンス共同利用基盤施設ライフ サイエンス統合データベースセンター
次世代シークエンスデータベースの活用法最前線
仲里猛留，坊農秀雅
FASTQ形式のデータ（もしくは，これを圧縮した形式 のデータ）が収められている．NGSのDBに関して以下 に詳しく述べる．
NGSの デ ー タ ベ ー ス：Sequence Read Archive
（SRA）
NGSにより解読された塩基配列情報は，どのような 実験を行ったかというデータ（メタデータ）と合わせて 米国NCBI，欧州EBIとともに日本の国立遺伝学研究所 のDDBJにより収集されており，Sequence Read Ar- chive（SRA）と呼ばれる公共データベースに登録され ている(1)．なお，DDBJではDDBJ Sequence Read Ar- chive（DRA）と呼称しているが，NCBIやEBIとデー タ交換を行っており，内容は同じものである．SRAへ の登録は2007年から始まり，2016年4月現在，総塩基 数で約5.2ペタ塩基（ペタは10の15乗），データ量は約 3.2ペタバイト(2)と，想像を絶する大きさになっている．
研究分野による内訳では，ゲノムが1/2近くを占め，そ の残りの半分がトランスクリプトーム，次いでメタゲノ ムとなっている(3)．
NGSはヒトサンプルを用いた研究にも盛んに用いら れている．これらのデータはプライバシーの観点から誰 でも利用可能なopen accessではなく，controlled ac- cessなデータとして収集されており，塩基数で言うと収 集されたものの4割にあたる2.2ペタ塩基を占めるまで になっている．日本ではDDBJがDRAと同じ枠組みで JGA（Japanese Genotype-phenotype Archive）として 収載しており，利用時には倫理審査などの手続きを踏ん だうえで科学技術振興機構バイオサイエンスデータベー スセンター（NBDC: National Bioscience Database Cen- ter）によるNBDCヒトデータベース(4)から申請可能で ある．
DBCLS SRA
NGSはゲノム解読，発現解析，メタゲノム解析など 多様な目的に用いられている．SRAの検索においては，
キーワードで検索するのが主であることは想像に難くな いが，すると，たとえばメタゲノムのデータがほしいの に，ヒトSNP解析のデータが検索結果にいわばノイズ として混じってくることが起こりうる．また，シークエ ンサーの種類によって解析の方法が変わってくるので機 器で検索結果を絞り込みたいというニーズも大きい．そ こでわれわれはメタデータとして付与された実験目的，
使用した機器や試薬，サンプルの情報などの実験手法や 実験条件によってSRA登録データを整理し，これらで 容易にSRA登録データを検索できるDBCLS SRAを開
発した(5, 6)．週1回の定期的なデータ更新を行い，ウェ
ブサービスとして公開している（図2）．なお，このDB- CLS SRAの使い方の流れは，生命科学分野の有用な データベースやウェブツールの活用法を動画で紹介する ウェブサイトの統合TVに紹介されている(7)．
NGSは最近，さまざまな生物種に対して用いられる ようになってきているが，DBCLS DRAでは生物種に よる検索機能にも工夫をしている．従来のデータベース 検索では，イネ（ ）といわゆるインディカ 米（ ），ジャポニカ米（
）は別のtaxonomy ID（生物種ID）が振られ，一度 に検索することが困難な場合があった．また， 属 のほかの種と比較したいなどという場合，すべての種で いちいち検索せねばならない，というケースもあった．
そこで，DBCLS SRAでは，種→亜種，品種，交配種，株 というような下位構造も含めた検索や，種→属→科→…
というような上位構造へと範囲を広げる検索がワンク リックで簡便に行えるようにしている．
図1■次世代シークエンサーとそのデータ 解析の流れ
日本農芸化学会
● 化学 と 生物
ウェブインターフェースから利用可能なNGSデー タの活用事例
FASTQ形式の配列データを自ら解析する際，あるプ ログラムにかければワンストップで可能，という状況に はなっていないのが現状である(8)．表1にまとめたよう に，目的によってやるべき配列解析は異なる．コン ピュータリソースが必要であるうえに，なによりそれを 操作するための人手がかかる．
SRAに収められたNGSデータを再利用して，となる とその手間はなおさらである．そこで，すでにSRAに ある配列データに関して，あらかじめ配列解析済みの データをウェブインターフェイスから利用する方法が一 般 的 に は 便 利 で あ る．実 用 的 な 利 用 方 法 と し て，
DBCLSでサービスしているRefExとChIP-Atlasを以下 に紹介する．
RefEx
RefExは公共遺伝子発現データから作成されたリファ レンス遺伝子発現データセット（Reference Expression Dataset）である(9)．RefExには，かつてのESTのみな ら ず，Affymetrix社 の マ イ ク ロ ア レ イ（GeneChip）， CAGE, RNA-seqの合計4種類の遺伝子発現測定手法に
よる，40種類のヒト，マウス，ラット臓器での遺伝子 発現プロファイルが統合され，誰でも簡単に再利用でき るようになっている（図3）．
RefExには，上述のとおりSRAから取得した発現定 量がなされたRNA-seqのデータも含まれているが，そ れに加えてFANTOM5プロジェクトによって得られた CAGEデータによる遺伝子発現データも統合されてい る．500種類を超えるヒトおよびマウスそれぞれの細胞 株，初代培養細胞，さまざまな成体および胎児組織にお ける遺伝子発現プロファイルが閲覧可能となってい る(10)．RefExの使い方に関しても統合TVから動画で利 用可能である(11)．
ChIP Atlas
ChIP Atlasは，SRAに収められた公共ChIP-seqデー タを再解析，転写因子などのDNA結合タンパク質の結 合していたゲノム領域をウェブブラウザから閲覧できる ツールである(12)．たとえば，Peak Browserでは，使われ た抗体の種類（Antigen Class），サンプルの細胞種（Cell type Class）と閾値を選ぶことで，該当する公共ChIP- seqデータのゲノムへのマッピング結果をIGV（Integra- tive Genomics Viewer）上で閲覧することができる．
図2■DBCLS SRAによるデータ統計の可 視化
表1■目的によって利用法がさまざまなNGS（FASTQ）データ ゲノム未解読 ：アッセンブルして配列をつなぎ合わせて利用 ゲノム解読 ゲノムアッセンブルしてFASTA形式の配列データ
遺伝子発現 トランスクリプトームアッセンブリ→転写単位ごとに発現定量したデータ（Spreadsheet形式：縦に転写単位，横に サンプル）
ゲノム解読済み：基本はリファレンスゲノムに対してマッピング．マップ済みの配列や数値をゲノムブラウザで閲覧 遺伝子多型 BAM形式のファイルからデータ解析したVCF形式のファイル
遺伝子発現 転写単位ごとに発現定量したデータ（Spreadsheet形式：縦に転写単位，横にサンプル）
日本農芸化学会
● 化学 と 生物
これを実現するためには，SRAから必要なChIP-seq データを探し出し，該当するFASTQ形式のファイルを 取得し，さらにリファレンスゲノムへのマッピングを自 ら実行する必要があり，たいへん手間がかかる．しかし ながら，このChIP Atlasを使うと，その手間なく注目 している遺伝子のゲノム上でのコード領域へのマッピン グ結果を瞬時にチェックすることができる（図4）．な お，このゲノムマッピングを閲覧するために必要なゲノ ムブラウザIGVのインストール方法も，上述の統合TV に紹介されている(13)．
おわりに
データに対して何らかの情報を付与することをアノ テーション（annotation）と呼ぶ．塩基配列決定が高速
かつ大量になるにつれ，このアノテーションが重要に なってきている．DBCLS SRAでは各データにアノテー ションされたメタデータを検索する手段を，RefExは各 遺伝子にアノテーションされた定量済みの発現データ を，ChIP-Atlasでは各遺伝子コード領域にアノテーショ ンされたDNA断片のマッピング情報を，提供してい る．逆に，メタデータがきっちりアノテーションされて いないとそのデータは検索されず，「ないのと同じ」で ある．現在ではこの種のデータは誰かが論文を読んで親 切にアノテーションしてくれるものではなく，そのデー タを出した研究者自身がSRAに登録するときにすべき ものとなっている．自分のデータが再利用されること は，ひいてはその研究の価値を高めることになる．後か らでもアップデート可能なので，ぜひしっかりと自身の NGSデータをアノテーションしていただきたい．
図4■ChIP-AtlasのPeak Browserを用いたID4という遺伝子のゲノムコード領域付近でのChIP-seqデータのゲノムマッピング 結果
図3■ ヒ ト のAQP1に 対 す るRefEx検 索
日本農芸化学会
● 化学 と 生物 結果
文献
1) Y. Kodama, M. Shumway & R. Leinonen; International Nucleotide Sequence Database Collaboration:
, 40(D1), D54 (2012).
2) NCBI: Sequence Read Archive: Overview: http://www.
ncbi.nlm.nih.gov/Traces/sra/, 2016.
3) 坊農秀雅：領域融合レビュー，4, e008（2015）．
4) NBDCヒ ト デ ー タ ベ ー ス：http://humandbs.biosci- encedbc.jp/, 2016.
5) T. Nakazato, T. Ohta & H. Bono: , 8, e77910 (2013).
6) DBCLS SRA: http://sra.dbcls.jp/, 2016.
7) 統合TV: DBCLS SRAを使ってNGSデータを検索する，
http://doi.org/10.7875/togotv.2014.097, 2016.
8) 清水厚志，坊農秀雅： 次世代シークエンサー DRY解析
教本 ，学研メディカル秀潤社，2015.
9) RefEx: Reference Expression Dataset, http://refex.dbcls.
jp/, 2016.
10) M. Lizio, J. Harshbarger, H. Shimoji, J. Severin, T. Kasu- kawa, S. Sahin, I. Abugessaisa, S. Fukuda, F. Hori, S.
Ishikawa-Kato ; FANTOM consortium:
, 16, 22 (2015).
11) RefExの 使 い 方：http://doi.org/10.7875/togotv.2014.009, 2016.
12) ChIP-Atlas: http://chip-atlas.org/, 2016.
13) 統合TV: Integrative Genomics Viewer IGVを使い倒す〜
基本編〜，http://doi.org/10.7875/togotv.2014.027, 2016.
プロフィール
仲里 猛留（Takeru NAKAZATO）
＜略歴＞2000年東京工業大学生命理工学 部生体機構学科卒業／2002年同大学大学 院生命理工学研究科生体システム専攻修士 課程修了／同年NECバイオIT事業推進セ ンター入社／2007年情報・システム研究 機構ライフサイエンス統合データベースセ ンター特任技術専門員／2008年大阪大学 大学院情報科学研究科バイオ情報工学専攻 博士後期課程修了，博士（情報科学）／2009 年ライフサイエンス統合データベースセン ター特任研究員／2011年同センター特任 助教，現在に至る＜研究テーマと抱負＞
NGSデータの再利用促進．遺伝子の機能 や実験条件，生命現象などとつなげられる のが理想＜趣味＞昆虫採集，鉄道写真，大 相撲観戦
坊農 秀雅（Hidemasa BONO）
＜略歴＞1995年東京大学教養学部基礎科 学科卒業／2000年京都大学大学院理学研 究科生物科学専攻博士後期課程単位取得退 学／同年理化学研究所基礎科学特別研究 員／2003年埼玉医科大学ゲノム医学研究 センター助手／2007年情報・システム研 究機構ライフサイエンス統合データベース センター特任准教授，現在に至る．博士
（理学）＜研究テーマと抱負＞データベース を活用した生物学研究．コンピュータ上で のデータ解析も「実験」と呼ばれるように したい＜趣味＞温泉，スキー，赤ワイン
＜個 人 ホ ー ム ペ ー ジ＞http://dbcls.rois.
ac.jp/~bono/
Copyright © 2016 公益社団法人日本農芸化学会 DOI: 10.1271/kagakutoseibutsu.54.873
日本農芸化学会
