顕微鏡画像解析と定量的画像データ

pandas、numpy、scipy、statsmodels、scikit-image を使用した顕微鏡由来の計測データ解析向けの本番環境対応スキル。

推測するのではなく、調査する

科学的事実について不確実な場合は、記憶から推論するのではなく、まずデータベースを検索してください。

---

使用する場面

• CSV/TSV 形式の顕微鏡計測データ（面積、円形度、強度、細胞数）
• コロニー形態計測、細胞数統計、蛍光定量化
• 統計的比較（t 検定、ANOVA、Dunnett 検定、Mann-Whitney 検定、Cohen's d、検出力分析）
• 用量反応曲線またはラシオ データのための回帰モデル（多項式、スプライン）
• 画像解析ソフトウェア出力（ImageJ、CellProfiler、QuPath）

非対応: 系統学、RNA-seq DEG、シングルセルscRNA-seq、画像解析の背景がない統計解析。

---

コア原則

1. データファースト - 解析前にすべての CSV/TSV を読み込んで検査する
2. 質問駆動型 - 要求された統計量を正確に解析する
3. 統計的厳密さ - 効果量、多重比較補正、モデル選択
4. 画像解析の理解 - ImageJ/CellProfiler の列を理解する（Area、Circularity、Round、Intensity）
5. 精密性 - 期待される回答形式に合わせる（整数、範囲、小数点以下の桁数）

---

必要なパッケージ

import pandas as pd, numpy as np
from scipy import stats
from scipy.interpolate import BSpline, make_interp_spline
import statsmodels.api as sm
from statsmodels.formula.api import ols
from statsmodels.stats.power import TTestIndPower
from patsy import dmatrix, bs, cr
# オプション: skimage, cv2, tifffile

---

ワークフロー決定木

事前定量化データ（CSV/TSV）→ 読み込み → 質問解析 → 統計解析
生画像（TIFF、PNG）→ 読み込み → セグメンテーション → 計測 → 解析（references/参照）

統計的比較:
  2 グループ → t 検定または Mann-Whitney 検定
  複数グループ vs コントロール → Dunnett 検定
  2 つの要因 → Two-way ANOVA
  効果量 → Cohen's d + 検出力分析

回帰:
  用量反応 → 多項式（2 次/3 次）
  ラシオ最適化 → 自然スプライン
  モデル比較 → R-squared、F-statistic、AIC/BIC

---

解析ワークフロー

フェーズ 0: 質問解析とデータ発見

import os, glob, pandas as pd
csv_files = glob.glob(os.path.join(".", '**', '*.csv'), recursive=True)
df = pd.read_csv(csv_files[0])
print(f"Shape: {df.shape}, Columns: {list(df.columns)}")

一般的な列: Area、Circularity、Round、Genotype/Strain、Ratio、NeuN/DAPI/GFP。

フェーズ 1-3: グループ化統計 → 統計検定 → 回帰

完全な実装については、references/statistical_analysis.md を参照してください（grouped_summary、Dunnett 検定、Cohen's d、検出力分析、多項式/スプライン回帰）。

---

一般的な BixBench パターン

パターン	質問例	ワークフロー
コロニー形態計測（bix-18）	「最大面積の遺伝子型の平均円形度は？」	遺伝子型でグループ化 → 最大平均面積 → 円形度を報告
細胞数計数（bix-19）	「NeuN 数の Cohen's d は？」	フィルタ → 条件で分割 → プール SD → Cohen's d
マルチグループ（bix-41）	「コントロール相当のラシオは何個？」	Area と Circularity の Dunnett 検定 → 両方で有意でないものをカウント
回帰（bix-54）	「自然スプラインからのピーク周波数は？」	ラシオ→周波数 → spline(df=4) → グリッドサーチピーク → CI

---

生画像処理

from scripts.segment_cells import count_cells_in_image
result = count_cells_in_image(image_path="cells.tif", channel=0, min_area=50)

セグメンテーション: 核 → Otsu + ウォーターシェッド；コロニー → Otsu；位相差 → 適応的閾値。 references/segmentation.md、references/cell_counting.md、references/image_processing.md を参照してください。

---

R から Python への対応

• R Dunnett（multcomp::glht）→ scipy.stats.dunnett()（scipy >= 1.10）
• R 自然スプライン（ns(x, df=4)）→ 明示的な分位数ノット付き patsy.cr(x, knots=...)
• R t.test()→ scipy.stats.ttest_ind()
• R aov() → statsmodels.formula.api.ols() + sm.stats.anova_lm()

回答フォーマット

• 「最も近い千の位まで」: int(round(val, -3))
• Cohen's d: 小数点以下 3 桁
• サンプルサイズ: 整数（切り上げ）
• ラシオ: 文字列「5:1」

---

エビデンスグレーディング

グレード	基準
強	p < 0.001、d > 0.8、N >= 30/グループ
中程度	p < 0.05、0.5 <= d < 0.8
弱	p < 0.05、d < 0.5 または低 N
不十分	p >= 0.05 または N < 5/グループ

円形度が 1.0 に近い = 丸い/健康的；< 0.5 = 不規則。事後検出力 < 0.80 = 検出力不足。

---

リファレンス

スクリプト: segment_cells.py、measure_fluorescence.py、batch_process.py、colony_morphometry.py、statistical_comparison.py ドキュメント: statistical_analysis.md、cell_counting.md、segmentation.md、fluorescence_analysis.md、image_processing.md