【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 = "your_email@example.com"

# 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！