【バイオインフォ実習】第5回：NCBI DBから複数配列を自動検索・一括取得！マルチFASTAの活用とSeqIO.parseによるループ統計解析

前回（第4回）は、あらかじめ判明している1つのアクセッション番号（TP53）を指定して、NCBI APIから単一データを取得する方法を解説しました。

しかし、実際のデータ解析の現場では、「特定の検索条件にヒットする複数の配列を一括取得し、まとめて統計解析や比較解析を行う」というフローが頻出します。

今回は、NCBIデータベースへのキーワード検索（esearch）から、複数データのマルチFASTA一括ダウンロード（efetch）、そしてBiopythonの SeqIO.parse() を使ったループ統計処理までを完全自動化するパイプラインを構築します。

1. マルチFASTA（Multi-FASTA）とは？

マルチFASTAとは、1つのファイル内に複数のDNA・RNA・タンパク質配列を順番に格納したフォーマットです。

>NC_013993.1 Homo sp. Altai mitochondrion, complete genome
GATCACAGGTCTATCACCCTATTAACCACTCACGGGAGCTCTCCATGCAT...
>NC_012920.1 Homo sapiens mitochondrion, complete genome
GATCACAGGTCTATCACCCTATTAACCACTCACGGGAGCTCTCCATGCAT...
>NC_011137.1 Homo sapiens neanderthalensis mitochondrion, complete genome
GATCACAGGTCTATCACCCTATTAACCACTCACGGGAGCTCTCCATGCAT...

単一FASTAとマルチFASTAの比較

• 単一FASTA： 1ファイル ＝ 1配列（SeqIO.read() で読み込む）
• マルチFASTA： 1ファイル ＝ 複数の配列（SeqIO.parse() でループ処理する）

複数種の比較解析（マルチプルアライメントや系統樹作成）や、特定の遺伝子群を一括処理する際に必須となる形式です。

2. 検索から一括取得・ループ解析までの完全コード

以下のスクリプトは、NCBIの nuccore データベースから「ヒト属のミトコンドリア完全ゲノム（RefSeq）」を検索し、ヒットした上位3件をマルチFASTA形式で自動取得して解析するコードです。

from Bio import Entrez, SeqIO
from Bio.SeqUtils import gc_fraction

# 1. 共通設定
Entrez.email = "[e-mail]" # 自身のメールアドレスに変更してください

# 検索クエリ（ヒト属のRefSeqミトコンドリア完全ゲノム）
search_term = "Homo sapiens[Organism] AND mitochondrion[Title] AND srcdb_refseq[PROP]"
max_results = 3 # 取得件数上限

print(f"検索クエリ: {search_term}")
print("NCBI データベースを検索中...")

# 2. NCBI 検索（esearch）: 条件に合う ID リストの取得
with Entrez.esearch(db="nuccore", term=search_term, retmax=max_results) as handle:
    search_results = Entrez.read(handle)

id_list = search_results["IdList"]
count = search_results["Count"]

print(f"検索ヒット件数: {count} 件")
print(f"取得対象 ID リスト (上位{len(id_list)}件): {id_list}\n")

if not id_list:
    print("該当するデータが見つかりませんでした。")
    exit()

# 3. NCBI 一括取得（efetch）: 複数 ID を指定してマルチFASTAを受信
print("マルチFASTAデータを一括ダウンロード中...")

# id_list（GI番号等のリスト）をカンマ区切り文字列にして API に送る
with Entrez.efetch(db="nuccore", id=",".join(id_list), rettype="fasta", retmode="text") as handle:
    # 取得したマルチFASTAデータをローカルファイルに保存
    output_filename = "ncbi_multi_records.fasta"
    with open(output_filename, "w") as out_f:
        out_f.write(handle.read())

print(f"保存完了: {output_filename}\n")

# 4. SeqIO.parse() によるマルチFASTAのループ解析
print(f"=== {output_filename} の解析結果 ===")

# 複数配列が含まれるため SeqIO.parse を使用（イテレータ処理）
total_length = 0
record_count = 0

for record in SeqIO.parse(output_filename, "fasta"):
    record_count += 1
    seq_len = len(record.seq)
    total_length += seq_len
    
    # GC含有率の計算
    gc_val = gc_fraction(record.seq) * 100
    
    print(f"[{record_count}] ID: {record.id}")
    print(f" 概要: {record.description[:60]}...")
    print(f" 配列長: {seq_len:,} bp")
    print(f" GC率 : {gc_val:.2f}%")
    print("-" * 60)

# 全体の要約統計
avg_length = total_length / record_count if record_count > 0 else 0
print(f"解析完了: 合計 {record_count} 件 | 平均配列長: {avg_length:,.1f} bp")

3. 実行結果の確認

上記のプログラムを実行すると、アルタイ人（デニソワ人洞窟の個体）、現代人、ネアンデルタール人のミトコンドリア全ゲノムデータが自動で取得され、以下のようにパースされます。

検索クエリ: Homo sapiens[Organism] AND mitochondrion[Title] AND srcdb_refseq[PROP]
NCBI データベースを検索中...
検索ヒット件数: 3 件
取得対象 ID リスト (上位3件): ['292606408', '251831106', '196123578']

マルチFASTAデータを一括ダウンロード中...
保存完了: ncbi_multi_records.fasta

=== ncbi_multi_records.fasta の解析結果 ===
[1] ID: NC_013993.1
    概要: NC_013993.1 Homo sp. Altai mitochondrion, complete genome...
    配列長: 16,570 bp
    GC率 : 44.31%
------------------------------------------------------------
[2] ID: NC_012920.1
    概要: NC_012920.1 Homo sapiens mitochondrion, complete genome...
    配列長: 16,569 bp
    GC率 : 44.36%
------------------------------------------------------------
[3] ID: NC_011137.1
    概要: NC_011137.1 Homo sapiens neanderthalensis mitochondrion, complete...
    配列長: 16,565 bp
    GC率 : 44.39%
------------------------------------------------------------
解析完了: 合計 3 件 | 平均配列長: 16,568.0 bp

4. コードとデータ処理のポイント

一連のコードの中で、APIとBiopythonがどのように連動しているかをエンジニア目線で解説します。

• esearch による内部ID（GI番号）の取得：
  Entrez.esearch を実行すると、search_results["IdList"] に ['292606408', '251831106', '196123578'] というGI番号（NCBI内部の識別ID）が動的に返されます。
• カンマ区切りによる efetch の一括リクエスト：
  id=",".join(id_list) により、複数のGI番号を1つのリクエストとして送信しています。NCBIサーバーからまとめてマルチFASTA形式で返却されるため、通信回数を削減して効率的なダウンロードが可能です。
• SeqIO.parse() によるメモリ効率の良いループ処理：
  SeqIO.read() は1ファイル1配列専用ですが、SeqIO.parse() は配列を1つずつ順番に読み込むイテレータ（Generator）として機能します。そのため、数百〜数千件の配列が含まれる大規模ファイルでもメモリを消費せずに高速処理できます。

5. ITエンジニア的まとめ

今回の実習のポイントは以下の通りです。

• 自動検索と一括取得： esearch で得たIDリストをカンマ連結して efetch に送ることで、マルチFASTAの一括ダウンロードが可能。
• イテレータ処理によるパイプライン化： 複数配列の解析には SeqIO.parse() を使用し、for ループで各レコードの塩基長やGC率を動的計算する。

次回は【バイオインフォ実習】第6回：GenBank形式ファイルからのアノテーション抽出とPandas DataFrame化に挑戦します！

【バイオインフォ実習】第4回：Bio.EntrezでAPI連携！FASTAデータの自動取得パイプライン構築とRefSeq採番規則の完全理解

前回（第3回）は、FASTA形式の基本構造とBiopythonの SeqRecord オブジェクトによるパース方法を学びました。第4回の今回は、いよいよPythonコードからNCBI（米国国立生物工学情報センター）のAPIを呼び出し、本物の遺伝子データ（FASTA）を自動取得・解析するパイプラインを作成します。

Webブラウザでダウンロードする手間を省き、コード一発で公共データベースと連携する「ITエンジニアらしい実務的な手法」をマスターしていきましょう。

1. 今回扱うサンプルデータ：ヒトTP53遺伝子（NM_000546.6）

今回取得するのは、ヒトのTP53遺伝子（mRNA）のデータです。この NM_000546.6 という記号は、NCBIが管理するRefSeq（Reference Sequence）データベースにおける固有のルール（採番規則）に従って厳密に決められています。単なるランダムなIDではなく、コード自体に意味が埋め込まれています。

① 記号の解読（RefSeqの採番規則）

• 1. プレフィックス NM_（mRNAの意味）：
  先頭の2文字＋アンダースコアは、データの種類（分子種）を表しています。
  • NM_：RefSeq curated mRNA（構造が手動・実験的に検証・整理された「mRNA」の配列データ）
  • NP_：RefSeq curated protein（タンパク質データ。TP53なら NP_000537 など）
  • NC_：Complete Genomic Molecule（ゲノム全体・染色体レベルのデータ）
  • XM_：Predicted mRNA（計算機で予測された未検証のmRNAデータ）
  つまり、NM_ とついているだけで「これは信頼性の高い、検証済みのmRNA（転写産物）データだな」と分かります。
• 2. 連番 000546（識別ID）：
  NM_ の後ろに続く6桁（または8桁）の数字は、特定の遺伝子・転写産物を一意に識別するための固有IDです。000546 は、ヒトの TP53遺伝子（主要な転写産物バリアント1） に割り当てられた専用の番号です。
• 3. バージョン番号 .6（改訂履歴）：
  ドット（.）の後ろの数字は、データの更新（リビジョン）回数を示しています。新しい実験データやゲノム解読技術の向上によって配列情報やアノテーション（注釈）が修正・更新されると、.1 → .2 → .3 … とカウントアップしていきます。.6 は、「TP53のこのmRNAデータが過去に5回修正され、現在第6版のデータである」ことを意味します。

② なぜTP53がサンプルに選ばれるのか？

この TP53 という遺伝子は、がん研究やバイオインフォマティクスにおいて「最も有名で、最も重要」と言っても過言ではない超重要遺伝子です。ITで言えば、「Hello World」 や 「サンプルコードで言うところの User クラス / main() 関数」 に相当する、バイオ界の超定番サンプルです。

• 1. 「ゲノムの守護者（Guardian of the Genome）」と呼ばれる超有名遺伝子：
  TP53 は、細胞がガン化するのを防ぐがん抑制遺伝子です。DNAが傷ついた時に細胞周期を止めたり、修復不能な場合は細胞死（アポトーシス）を誘導したりする「エラー制御システム」の役割を果たします。
• 2. ヒトのがんの半数以上で変異が見られる：
  あらゆる「がん研究」で真っ先に解析される遺伝子です。そのため、実験データ、論文、データベースの注釈（アノテーション）が世界一充実しており、チュートリアルや教科書で真っ先に取り上げられます。
• 3. 配列長が手頃で学習に最適：
  転写産物（mRNA）の長さが 約 2,500 bp（塩基） と、短すぎず長すぎない非常に手頃なサイズです。プログラムのAPIで取得しても一瞬でダウンロードでき、メモリを圧迫せずにコードのテストができます。

2. NCBI APIからFASTAを取得するPythonコード

Biopython には、NCBIのWeb API（E-utilities）と通信するための Bio.Entrez モジュールが用意されています。これを使えば HTTP リクエストの構築を自作することなく、数行でデータを取り込めます。

from Bio import Entrez, SeqIO

# 1. NCBIマナーとしてメールアドレスを設定（必須）
Entrez.email = "[e-mail]"

# 2. Entrez.efetch APIでNCBIからFASTAデータを取得
with Entrez.efetch(db="nuccore", id="NM_000546.6", rettype="fasta", retmode="text") as handle:
    # 3. レスポンスストリームを SeqIO.read で直にパース
    record = SeqIO.read(handle, "fasta")

# 4. 解析結果の確認
print(f"ID: {record.id}")
print(f"Description: {record.description}")
print(f"Sequence (先頭50文字): {record.seq[:50]}...")
print(f"Length: {len(record.seq)} bp")

3. 実行結果の確認

ID: NM_000546.6
Description: NM_000546.6 Homo sapiens tumor protein p53 (TP53), transcript variant 1, mRNA
Sequence (先頭50文字): CTCAAAAGTCTAGAGCCACCGTCCAGGGAGCAGGTAGCTGCTGGGCTCCG...
Length: 2512 bp

4. コードとデータ処理のポイント

一連のコードの中で、Web APIとBiopythonがどのように連動しているかをエンジニア目線で解説します。

• Entrez.email の設定規則：
  NCBIのAPIを利用する際は、利用者の識別用としてメールアドレスの設定が義務付けられています（過剰アクセス時の連絡用）。これを怠るとAPI制限や遮断の対象となるため、必ず設定しておきましょう。
• Entrez.efetch()（HTTP GETリクエスト）：
  NCBIのデータベース（db="nuccore"）に対して、指定ID（NM_000546.6）のデータをFASTAテキスト形式（rettype="fasta", retmode="text"）で問い合わせるAPI呼び出しです。
• ストリームの直接パース：
  efetch が返すレスポンスハンドル（ストリーム）を、一旦ローカルファイルに保存することなくそのまま SeqIO.read(handle, "fasta") に流し込んでいます。これにより、メモリ上で完結するパイプラインが組めます。
• 塩基長（2,512 bp）：
  実際の実行結果から確認できる通り、正確に2,512 bpのmRNA配列が一瞬で取得され、SeqRecord オブジェクトとして扱えるようになります。スライス（record.seq[:50]）を使って先頭配列（CTCAAAAG...）の確認も容易です。

5. ITエンジニア的まとめ

今回の実習のポイントは以下の通りです。

• RefSeq IDの意味を理解する： NM_000546.6 のような文字列は、分子種（NM_）、固有ID（000546）、改訂版（.6）を示す意味のある識別子。
• 公共DBからの自動取得： Bio.Entrez を使えば、手動ダウンロード不要でコード内から直接Web API経由でデータを取得できる。
• ストリーム処理によるパイプライン化： APIレスポンスをそのまま SeqIO パーサーに渡して SeqRecord オブジェクト化可能。

これで「APIから実データを取得してプログラムに載せる」というデータインポートの手順が確立できました。

次回は【バイオインフォ実習】第5回：複数配列が含まれるマルチFASTAファイルのループ処理（SeqIO.parse）と統計解析に挑戦します！

【バイオインフォ実習】第3回：FASTA形式とBiopythonによる配列データ読み込み（SeqRecord）

前回はBiopythonを使ったセントラルドグマの基本操作を学びました。今回は、バイオインフォマティクスで最も頻繁に扱われるデータフォーマット「FASTA形式」と、それをBiopythonで読み込む基本コードを解説します。

配列データを扱うにあたり、まず「FASTA形式とは何か」をITエンジニア視点で整理しておきましょう。

1. FASTA形式とは？

FASTA（ファスタ）形式は、DNAやアミノ酸などの生物学的配列を扱うための標準的なテキストファイルフォーマットです。構造は至ってシンプルで、以下のように「ヘッダー」と「配列本体」で構成されています。

>seq1 Sample DNA sequence
ATGCGT

IT的に捉えると、以下のようなルールを持ったシンプルなデータ形式です。

• ヘッダー行（メタデータ）： 行頭が必ず > で始まります。> の直後の1単語が「配列ID」、それに続く文字列が「説明文（メタ情報）」となります。
• 配列行（データ本体）： 2行目以降にDNA塩基（A, T, G, C）が並びます。途中に改行が含まれていても、システム側では1つの連続したデータとして処理されます。
• メタデータ付き構造化テキスト： JSONやXMLほど厳密ではありませんが、「ヘッダー＋ペイロード」という構造を持った軽量なフォーマットです。

2. Biopythonでの実装コード

外部ファイルを用意する手間を省き、まずはコード内だけで自己完結する最小のFASTA読み込みプログラムを動かしてみましょう。io.StringIO を使うことで、文字列を疑似的なファイルとして読み込ませることができます。

from io import StringIO
from Bio import SeqIO

# 1. 最小構成のFASTA文字列を用意
fasta_data = """>seq1 Sample DNA sequence
ATGCGT"""

# 2. SeqIO.read でパース（単一配列の場合）
record = SeqIO.read(StringIO(fasta_data.strip()), "fasta")

# 3. 解析結果の出力
print(f"ID: {record.id}")
print(f"Description: {record.description}")
print(f"Sequence: {record.seq}")
print(f"Length: {len(record.seq)} bp")

3. 実行結果の確認

ID: seq1
Description: seq1 Sample DNA sequence
Sequence: ATGCGT
Length: 6 bp

4. record（SeqRecordクラス）とは何か？

コード内の record という変数には、一体どのような型が入っているのでしょうか？

このオブジェクトの正体は、Bio.SeqRecord.SeqRecord クラスのインスタンスです。Bio.SeqIO.read() 関数がパース処理を行った結果として返却されます。

• 提示されている場所（定型パッケージ）：
  Biopython 内の Bio.SeqRecord モジュールで定義されているクラスです。通常は直接インポートしなくても、Bio.SeqIO 経由でファイルを読み込んだ際に自動的に生成・返却されます。
• 何のための型（オブジェクト）？：
  単なる塩基配列（"ATGCGT" という文字列）だけでなく、「配列本体 ＋IDや説明文などのメタデータ」をセットで保持・管理するためのデータ構造（DTO/Entity）です。もし単なる文字列として配列を扱ってしまうと、「このDNAがどの遺伝子のものか」という重要情報が脱落してしまいます。それを防ぐため、配列（Seq オブジェクト）をコアに抱え込みつつ、属性情報（id, description など）を一つにまとめるカプセル化の役割を果たしています。

5. 出力結果の解説

プログラムを実行すると、FASTAテキストが自動的にパースされ、SeqRecord の各プロパティ（属性）として分解されたことがわかります。

• ID: seq1（record.id）
  ヘッダー行（>seq1 Sample DNA sequence）から、> の直後にある最初の単語（スペース手前まで）が一意の識別子（ID）として自動抽出されます。ITで言えば主キー（Primary Key）のような扱いです。
• Description: seq1 Sample DNA sequence（record.description）
  先頭の > を除いたヘッダー行全体のテキストが入ります。配列の名称や生物種情報などのメタデータがここに保持されます。
• Sequence: ATGCGT（record.seq）
  改行などを除去した純粋な配列データ本体です。文字列のように見えますが、内部的には Biopython 独自の Seq オブジェクトになっており、相補鎖変換や転写・翻訳などのメソッドをそのまま呼び出せます。
• Length: 6 bp（len(record.seq)）
  len() 関数を適用することで、配列の長さ（塩基数: base pairs）を簡単に取得できます。

6. ITエンジニア的まとめ

今回の実習のポイントは以下の通りです。

• FASTAは標準のヘッダー付き配列フォーマット： > で始まるヘッダー＋配列本体という、非常にシンプルなデータ構文。
• SeqRecord はメタデータ保持コンテナ： 配列データだけでなく、IDや説明文を一つにまとめて管理する専用オブジェクト。
• Bio.SeqIO は強力なパーサー： テキスト解析処理を自作することなく、オブジェクト（SeqRecord）として直感的にアクセスできる。

データフォーマットの構造さえ掴んでしまえば、バイオデータもファイルI/Oの1つに過ぎませんね。

次回は、複数の配列が含まれるFASTAファイルの読み込み（SeqIO.parse）や、NCBI等の公共データベースから実際のDNAデータを取得して解析する方法に挑戦します。

【バイオインフォ実習】第2回：セントラルドグマの実装（転写・翻訳）

前回はDNA配列の基本操作を学びました。第2回は、生物学の核心である「セントラルドグマ」をコードで動かしてみます。

セントラルドグマとは、遺伝情報が「DNA → RNA → タンパク質」と流れる仕組みです。IT的に言えば、DNAという「ソースコード」を、RNAという「中間形式」を経て、タンパク質という「実行プログラム」にビルドする工程と捉えると非常に分かりやすくなります。

1. セントラルドグマの実装コード

解説を分かりやすくするため、最小単位である6文字（アミノ酸2つ分）の配列で試してみましょう。

from Bio.Seq import Seq

# 1. DNA配列（最小構成の6文字）
dna = Seq("ATGTAA")
print(f"DNA: {dna}")

# 2. 転写（transcribe）：TをUに置換するだけ
mrna = dna.transcribe()
print(f"RNA: {mrna}")

# 3. 翻訳（translate）：3文字を1文字に変換
protein = mrna.translate()
print(f"Protein: {protein}")

2. 実行結果の確認

DNA: ATGTAA
RNA: AUGUAA
Protein: M*

3. 「Protein: M*」の正体は？

出力された M* は、3文字ずつの塩基（コドン）がデコードされた結果です。ここには生命の「規約（プロトコル）」が隠されています。

• M（メチオニン）は「開始フラグ」：
  AUG という配列は、アミノ酸の「メチオニン」を指すと同時に、システムに対して「ここから翻訳を開始せよ」と伝える開始コドンの役割を果たします。ITでいう main() 関数のエントリーポイントのような存在ですが、「開始地点には必ずメチオニンというパーツを置く」という物理的なルールがあるのが面白いところです。
• *（アスタリスク）は「終了フラグ」：
  UAA は終止コドンと呼ばれます。これは特定のパーツ（アミノ酸）を指すのではなく、「ここで翻訳を終了せよ」という命令そのものです。ITでいう return や break、あるいはファイルの終端を示す EOF に相当します。

4. ITエンジニア的まとめ

今回の実習で、以下の変換プロセスを体験しました。

• 転写： dna.transcribe() は、TをUに書き換えるだけの「形式変換」。
• 翻訳： mrna.translate() は、3文字の暗号を1つの記号に変換する「デコード」。

生命もITシステムと同様に、決まった「開始」と「終了」の合図（プロトコル）に従って動いていることが分かると、バイオインフォマティクスがぐっと身近に感じられますね。

次回は、いよいよ本物の遺伝子データ（外部ファイル）を読み込んで解析する手法に挑戦します。

【バイオインフォ実習】第1回：Biopythonの導入とSeqオブジェクトの基本

本シリーズでは、バイオインフォマティクスの基礎知識をベースに、Pythonの専門ライブラリである Biopython を用いた実装スキルの習得を目指します。

単なるツールの実行にとどまらず、ライブラリの仕様を理解し、自作の解析パイプラインやデータ処理に応用できる技術にしていく「実習形式」の連載です。

• 対象読者：Pythonの基本操作は習得済みの方、バイオインフォマティクスの基礎知識をコードに落とし込みたい方、DNA解析の実装力を強化したいITエンジニア

1. 環境構築（Mac + Miniconda）

解析環境をクリーンに保つため、Minicondaを用いて専用の仮想環境を構築します。Pythonのバージョンは 3.13.5 を指定します。

# 仮想環境の作成（Python 3.13.5を指定）
conda create -n bio-env python=3.13.5 -y
conda activate bio-env

# Biopythonのインストール（conda-forgeを使用）
conda install -c conda-forge biopython -y

Note: なぜ conda-forge なのか？
conda-forge はコミュニティベースのリポジトリで、公式（defaults）よりもバイオ系のライブラリの更新が早く、依存関係のトラブルも少ないのが特徴です。バイオインフォマティクス分野では標準的に利用されているため、こちらのチャンネルを指定するのが無難です。

2. インストール確認と配列操作の基本

まずはBiopythonのバージョンを確認し、中心的な存在である Seq オブジェクトを扱います。標準の文字列型（str）とは異なり、生物学的な操作メソッドが備わっています。

import Bio
from Bio.Seq import Seq

# バージョン確認
print(f"Biopython Version: {Bio.__version__}")

# DNA配列の定義
dna = Seq("ATGGCCATTGTAATGGGCCGCTGAAAGGGT")
print(f"Sequence  : {dna}")

# ① 相補鎖（Complement）：A-T, G-Cの置換
print(f"Complement: {dna.complement()}")

# ② 逆相補鎖（Reverse Complement）：配列を反転させてから置換
print(f"Rev-Comp  : {dna.reverse_complement()}")

3. 実行結果の確認

上記コードを実行すると、以下のような出力が得られます。逆相補鎖（Rev-Comp）が、DNAの方向性（5'→3'）を考慮した正しい「裏側の鎖」になっていることに注目してください。

Biopython Version: 1.87
Sequence  : ATGGCCATTGTAATGGGCCGCTGAAAGGGT
Complement: TACCGGTAACATTACCCGGCGACTTTCCCA
Rev-Comp  : ACCCTTTCAGCGGCCCATTACAATGGCCAT

4. ITエンジニア的チェックポイント

• データ構造の利点： 自前で置換ロジック（replace等）を組むのではなく、Seq オブジェクトのメソッドを用いることで、計算ミスを防ぎつつ可読性の高いコードを維持できます。
• イミュータブル（不変）： Seq は Python の str と同様にイミュータブルです。解析過程での意図しないデータ書き換えを防止する設計になっています。

まずは自分のMacで「DNAがコードとして動く」環境が整いました。次回は、生物学の基本原則である「セントラルドグマ（転写・翻訳）」の実装を扱います。