--- title: "OmicsLake 総合ガイド" author: "OmicsLake Development Team" date: "`r Sys.Date()`" output: rmarkdown::html_vignette vignette: > %\VignetteIndexEntry{OmicsLake 総合ガイド} %\VignetteEngine{knitr::rmarkdown} %\VignetteEncoding{UTF-8} --- ```{r setup, include = FALSE} knitr::opts_chunk$set( collapse = TRUE, comment = "#>", eval = isTRUE(getOption("omicslake.vignette.eval", FALSE)), fig.width = 7, fig.height = 5 ) ``` # はじめに OmicsLakeは、バイオインフォマティクスデータ解析のための 包括的なバージョン管理・依存関係追跡システムを提供する Rパッケージです。 このビネットでは、全ての主要機能を実例とともに紹介します。 ## 全コードを実行する前に このビネットは、パッケージチェック時の安定性のため既定で非評価設定です。 ローカルで全チャンクを実行するには、以下を先に設定してください。 ```r options(omicslake.vignette.eval = TRUE) ``` RNA-seqの代表フロー（`count -> edgeR -> limma-voom -> ORA`）を即時に試す場合は、以下のスクリプトを使えます。 ```bash bash tools/run_demo_count_edger_limma_voom_ora.sh ``` レイヤー別の代表ユースケース（SE/SCE/MAE/Spectra/QFeatures/MsExperiment） は次のビネットに整理しています。 - `vignettes/omicslake_layer_use_cases.Rmd` ## パッケージの主な機能 - **プロジェクト管理**: DuckDBベースのプロジェクト初期化と管理 - **データ保存**: テーブルとRオブジェクトの保存 - **バージョン管理**: タグ付け、履歴管理、バージョン比較 - **依存関係追跡**: データ解析フローの依存関係を自動追跡 - **可視化**: 依存関係グラフの視覚化 - **Bioconductor統合**: SE/SCE/MAE/Spectra/QFeatures/MsExperimentのサポート # 1. 基本操作 ## 1.1 プロジェクトの初期化 ```{r init} library(OmicsLake) # プロジェクトを初期化 ol_init("de_analysis") ``` `ol_init()` は指定した名前でプロジェクトを作成し、DuckDBデータベースを初期化します。 ## 1.2 テーブルの書き込みと読み込み ```{r tables} # サンプルデータの作成 set.seed(123) raw_counts <- data.frame( gene_id = paste0("GENE", 1:100), sample1 = rpois(100, 100), sample2 = rpois(100, 100), sample3 = rpois(100, 120), sample4 = rpois(100, 120) ) # テーブルとして保存 ol_write("raw_counts", raw_counts, mode = "create") # テーブルの読み込み counts <- ol_read("raw_counts") head(counts) # テーブル一覧の確認 ol_list_tables() ``` **出力の見方**: `ol_list_tables()` は現在のプロジェクトに保存されているすべてのテーブル名を返します。 ## 1.3 SQLクエリによる高度な分析 (ol_query) `ol_query()` を使用すると、DuckDBの全機能 （JOIN、集計、ウィンドウ関数など）を活用した 高度なデータ分析が可能です。 ```{r query_basic} # 基本的なクエリ result <- ol_query("SELECT * FROM raw_counts WHERE sample1 > 100") head(result) # 集計クエリ summary <- ol_query(" SELECT COUNT(*) as total_genes, AVG(sample1) as avg_sample1, MAX(sample1) as max_sample1 FROM raw_counts ") print(summary) ``` ### JOINとサブクエリ ```{r query_join} # テーブルのJOIN（例：遺伝子情報との結合） ol_write("gene_annotations", data.frame( gene_id = paste0("gene", 1:5), name = paste0("GeneA", 1:5), chromosome = c("chr1", "chr2", "chr1", "chr3", "chr2") )) joined <- ol_query(" SELECT r.gene_id, r.sample1, a.name, a.chromosome FROM raw_counts r JOIN gene_annotations a ON r.gene_id = a.gene_id WHERE r.sample1 > 50 ") head(joined) ``` ### 遅延評価とdplyrとの統合 ```{r query_lazy} # collect=FALSE で遅延評価 if (requireNamespace("dplyr", quietly = TRUE)) { lazy_tbl <- ol_query("SELECT * FROM raw_counts", collect = FALSE) # dplyrパイプラインで処理 result <- lazy_tbl %>% dplyr::filter(sample1 > 100) %>% dplyr::select(gene_id, sample1, sample2) %>% dplyr::arrange(dplyr::desc(sample1)) %>% dplyr::collect() head(result) } ``` **注意**: テーブル名は `ol.` プレフィックスなしで参照できます（例: `genes` でOK、`ol.genes` も使用可能）。 ## 1.4 集計・ウィンドウ関数による高度な分析 フェーズ2の関数を使用すると、 一般的な集計やウィンドウ関数の操作がより簡単になります。 これらの関数は、DuckDBの高度な分析機能を活用して、 遺伝子発現データの統計処理を効率化します。 ### 遺伝子発現統計の計算 ```{r aggregate_stats} # サンプル全体の統計 overall_stats <- ol_aggregate("raw_counts", mean_sample1 = list(func = "avg", col = "sample1"), median_sample1 = list(func = "median", col = "sample1"), sd_sample1 = list(func = "stddev", col = "sample1") ) print(overall_stats) # グループごとの統計（例：サンプル1が高発現 vs 低発現） # まず高発現/低発現のカテゴリを追加 ol_query(" CREATE OR REPLACE TABLE raw_counts_categorized AS SELECT *, CASE WHEN sample1 > 100 THEN 'high' ELSE 'low' END as expr_category FROM raw_counts ") grouped_stats <- ol_aggregate("raw_counts_categorized", group_by = "expr_category", count = list(func = "count", col = "*"), mean_s1 = list(func = "avg", col = "sample1"), mean_s2 = list(func = "avg", col = "sample2") ) print(grouped_stats) ``` ### 遺伝子のランキング ```{r ranking} # 発現量で遺伝子をランク付け ranked_genes <- ol_add_rank("raw_counts", rank_by = "sample1", method = "row_number", descending = TRUE, as_column = "expression_rank" ) head(ranked_genes) # トップ10遺伝子を取得 top_genes <- ol_top_n("raw_counts", n = 10, order_by = "sample1", descending = TRUE ) print(top_genes) # サンプルごとのトップ5遺伝子 # まずデータを縦型に変換 ol_query(" CREATE OR REPLACE TABLE raw_counts_long AS SELECT gene_id, 'sample1' as sample, sample1 as expression FROM raw_counts UNION ALL SELECT gene_id, 'sample2' as sample, sample2 as expression FROM raw_counts UNION ALL SELECT gene_id, 'sample3' as sample, sample3 as expression FROM raw_counts UNION ALL SELECT gene_id, 'sample4' as sample, sample4 as expression FROM raw_counts ") top_per_sample <- ol_top_n("raw_counts_long", n = 5, order_by = "expression", partition_by = "sample", descending = TRUE ) print(top_per_sample) ``` ### 移動平均と累積和 ```{r moving_cumulative} # 移動平均（スムージング） # 遺伝子IDでソートして3遺伝子の移動平均を計算 smoothed <- ol_moving_avg("raw_counts", column = "sample1", window_size = 3, order_by = "gene_id", as_column = "sample1_smoothed" ) head(smoothed, 10) # より大きなウィンドウサイズ smoothed_5 <- ol_moving_avg("raw_counts", column = "sample1", window_size = 5, order_by = "gene_id", as_column = "sample1_ma5" ) head(smoothed_5, 10) # 累積和（遺伝子IDでソートして累積カウント） cumulative <- ol_cumulative_sum("raw_counts", column = "sample1", order_by = "gene_id", as_column = "sample1_cumsum" ) head(cumulative, 10) tail(cumulative) # サンプルごとの累積和（縦型データを使用） cumulative_per_sample <- ol_cumulative_sum("raw_counts_long", column = "expression", partition_by = "sample", order_by = "gene_id", as_column = "cumulative_expr" ) head(cumulative_per_sample, 20) ``` ### 遅延評価との組み合わせ ```{r lazy_aggregation} # 集計関数も遅延評価をサポート if (requireNamespace("dplyr", quietly = TRUE)) { # 遅延評価で統計を計算 lazy_stats <- ol_aggregate("raw_counts", mean_s1 = list(func = "avg", col = "sample1"), collect = FALSE ) # さらにdplyrで処理 result <- lazy_stats %>% dplyr::collect() print(result) # ランキングと組み合わせ lazy_ranked <- ol_add_rank("raw_counts", rank_by = "sample1", as_column = "rank", collect = FALSE ) top_ranked <- lazy_ranked %>% dplyr::filter(rank <= 10) %>% dplyr::select(gene_id, sample1, rank) %>% dplyr::arrange(rank) %>% dplyr::collect() print(top_ranked) } ``` これらの関数を使用することで、 複雑なSQLを書かずに一般的な分析パターンを簡単に実行できます。 ## 1.5 Rオブジェクトの保存と読み込み ```{r objects} # 正規化係数を計算（例） norm_factors <- list( method = "TMM", factors = runif(100, 0.8, 1.2) ) # Rオブジェクトとして保存 ol_save("norm_factors", norm_factors) # オブジェクトの読み込み loaded_factors <- ol_read_object("norm_factors") str(loaded_factors) # オブジェクト一覧の確認 ol_list_objects() ``` **出力の見方**: `ol_list_objects()` は保存されているすべてのRオブジェクト名を返します。 # 2. 依存関係の追跡 ## 2.1 依存関係を指定してデータを保存 ```{r dependencies} # 正規化されたカウントを計算（depends_on で依存関係を指定） normalized_counts <- raw_counts for (i in 2:5) { normalized_counts[[i]] <- normalized_counts[[i]] * norm_factors$factors } # 依存関係を指定して保存 ol_write("normalized_counts", normalized_counts, depends_on = c("raw_counts", "norm_factors") ) # DEパラメータを保存 de_params <- list( method = "DESeq2", alpha = 0.05, lfc_threshold = 1.0 ) ol_save("de_params", de_params) # DE結果を計算（簡略化した例） de_results <- data.frame( gene_id = paste0("GENE", 1:20), log2FC = rnorm(20, 0, 2), pvalue = runif(20, 0, 0.1), padj = runif(20, 0, 0.1) ) # DE結果を依存関係付きで保存 ol_save("de_results", de_results, depends_on = c("normalized_counts", "de_params") ) ``` ## 2.2 依存関係の確認 ```{r view_dependencies} # 上流の依存関係（このオブジェクトが依存しているもの） upstream <- ol_get_dependencies("de_results", direction = "upstream") print(upstream) # 下流の依存関係（このオブジェクトに依存しているもの） downstream <- ol_get_dependencies("raw_counts", direction = "downstream") print(downstream) # 完全な系統樹を表示 lineage <- ol_show_lineage("de_results", direction = "upstream") print(lineage) ``` **出力の見方**: - `ol_get_dependencies()`: 直接の依存関係をdata.frameで返します - `ol_show_lineage()`: 再帰的に全ての祖先/子孫を探索し、完全な系統樹を返します ## 2.3 Parquet ファイルのインポート・エクスポート OmicsLakeは、DuckDBの高性能Parquetサポートを活用して、 テーブルを効率的にParquetファイルにエクスポートしたり、 Parquetファイルからインポートしたりできます。 ### Parquetエクスポート ```{r parquet_export} # 基本的なエクスポート（デフォルトはSnappy圧縮） ol_export_parquet("genes", "genes.parquet") # zstd圧縮でエクスポート（高圧縮率） ol_export_parquet("genes", "genes_zstd.parquet", compression = "zstd", compression_level = 3 ) # 行グループサイズを指定してエクスポート ol_export_parquet("genes", "genes_optimized.parquet", compression = "zstd", row_group_size = 50000 ) # 圧縮なしでエクスポート（最速） ol_export_parquet("genes", "genes_uncompressed.parquet", compression = "uncompressed" ) ``` ### Parquetインポート ```{r parquet_import} # Parquetファイルからテーブルを作成 ol_import_parquet("genes.parquet", "imported_genes", mode = "create") # 既存のテーブルを上書き ol_import_parquet("genes_new.parquet", "genes", mode = "overwrite") # 既存のテーブルにデータを追加 ol_import_parquet("genes_batch2.parquet", "genes", mode = "append") # 複数のParquetファイルを一度にインポート ol_import_parquet(c("genes_part1.parquet", "genes_part2.parquet"), "all_genes", mode = "create" ) # 依存関係を記録してインポート ol_import_parquet("processed_genes.parquet", "final_genes", depends_on = "raw_genes", mode = "create" ) ``` ### パフォーマンスのヒント **圧縮アルゴリズムの選択:** - `snappy`: バランスが良く、デフォルト推奨 - `zstd`: 最高の圧縮率、読み書き速度も良好 - `lz4`: 最速の圧縮・解凍 - `brotli`: 最高の圧縮率だが遅い - `uncompressed`: 圧縮なし、最速だがファイルサイズ大 **行グループサイズ:** - 小さい値(10,000-50,000): メモリ効率が良い、フィルタリングに有利 - 大きい値(100,000-500,000): 圧縮率が高い、スキャン性能に有利 - デフォルト(100,000): バランスが良い ```{r parquet_performance} # 大規模データセットの最適化例 ol_export_parquet("large_dataset", "large_dataset.parquet", compression = "zstd", compression_level = 1, # 最速のzstd row_group_size = 250000 ) ``` # 3. バージョン管理 ## 3.1 タグ付けとラベル付け ```{r tagging} # オブジェクトにタグを付ける ol_tag_object("de_results", "baseline_analysis") # プロジェクト全体にラベルを付ける（全テーブル・オブジェクトにタグが付く） ol_label("experiment_v1") # タグ一覧の確認 ol_list_tags() # プロジェクトラベル一覧 ol_list_labels() ``` ## 3.2 複数バージョンの作成 ```{r multiple_versions} # パラメータを変更して再解析 de_params_v2 <- list( method = "DESeq2", alpha = 0.01, lfc_threshold = 1.5 ) ol_save("de_params", de_params_v2) # 新しいパラメータでDE結果を再計算 de_results_v2 <- data.frame( gene_id = paste0("GENE", 1:10), log2FC = rnorm(10, 0, 2.5), pvalue = runif(10, 0, 0.01), padj = runif(10, 0, 0.01) ) ol_save("de_results", de_results_v2, depends_on = c("normalized_counts", "de_params") ) # 新バージョンにタグ付け ol_tag_object("de_results", "strict_analysis") # 別の解析手法を試す de_params_edger <- list( method = "edgeR", alpha = 0.05, lfc_threshold = 1.0 ) ol_save("de_params", de_params_edger) de_results_edger <- data.frame( gene_id = paste0("GENE", c(1:12, 25:30)), log2FC = rnorm(18, 0, 2), pvalue = runif(18, 0, 0.1), padj = runif(18, 0, 0.1) ) ol_save("de_results", de_results_edger, depends_on = c("normalized_counts", "de_params") ) ol_tag_object("de_results", "edger_analysis") ``` ## 3.3 バージョン一覧と比較 ```{r version_comparison} # 全バージョンをリスト表示 versions <- ol_list_object_versions("de_results") print(versions) # バージョン間の比較 comparison <- ol_compare_versions("de_results") print(comparison) # 特定のタグ間の比較 tag_comparison <- ol_compare_versions("de_results", versions = c("baseline_analysis", "strict_analysis") ) print(tag_comparison) ``` **出力の見方**: - `version_ts`: バージョンのタイムスタンプ - `tags`: そのバージョンに付けられたタグ - `size_bytes`: オブジェクトのサイズ（バイト） - `dependencies`: そのバージョンの依存関係 - `size_change`: 前のバージョンからのサイズ変化 - `time_since_previous`: 前のバージョンからの経過時間 - `deps_added`: 新しく追加された依存関係 - `deps_removed`: 削除された依存関係 ## 3.4 特定バージョンの読み込み ```{r load_versions} # タグを指定して読み込み baseline_results <- ol_read_object( "de_results", ref = "@tag(baseline_analysis)" ) strict_results <- ol_read_object("de_results", ref = "@tag(strict_analysis)") cat("Baseline analysis:", nrow(baseline_results), "genes\n") cat("Strict analysis:", nrow(strict_results), "genes\n") ``` # 4. コミットと履歴管理 ## 4.1 コミットの作成 ```{r commits} # 解析の節目でコミットを作成 commit_id <- ol_commit( note = "Completed initial DE analysis with three methods", params = list( methods = c("DESeq2_baseline", "DESeq2_strict", "edgeR"), date = as.character(Sys.Date()) ) ) cat("Commit ID:", commit_id, "\n") ``` ## 4.2 履歴の確認 ```{r history} # コミット履歴を表示 commits <- ol_log_commits(n = 10) print(commits) # 特定のテーブルの履歴 table_log <- ol_log("raw_counts") print(table_log) ``` # 5. 依存関係の可視化 ## 5.1 依存関係グラフの作成 ```{r visualization, fig.width=8, fig.height=6} # igraphパッケージが必要 if (requireNamespace("igraph", quietly = TRUE)) { # 上流の依存関係を可視化 ol_plot_lineage("de_results", direction = "upstream", layout = "sugiyama", main = "DE Results - Upstream Dependencies" ) # 双方向の依存関係を可視化 ol_plot_lineage("normalized_counts", direction = "both", layout = "tree", main = "Normalized Counts - Full Lineage" ) } ``` **可視化の見方**: - 青色のノード: テーブル - オレンジ色のノード: Rオブジェクト - 赤色のノード: 指定したフォーカルノード - 矢印: 依存関係の方向（親→子） # 6. プロジェクトの復元 ## 6.1 ラベルを使った状態の復元 ```{r checkout} # 新しいテーブルを追加 filtered_results <- de_results[de_results$padj < 0.05, ] ol_write("filtered_de", filtered_results) # 以前のラベル状態に戻る ol_checkout("experiment_v1") # filtered_deテーブルは存在しなくなる current_tables <- ol_list_tables() cat( "Tables after checkout:", paste(current_tables$table_name, collapse = ", "), "\n" ) ``` `ol_checkout()` は指定したラベル時点の全テーブルとオブジェクトの状態を復元します。 # 7. 高度な機能 ## 7.1 データのフィルタリング読み込み ```{r fread} # 再度raw_countsを作成（checkoutで消えた可能性があるため） ol_write("raw_counts", raw_counts, mode = "overwrite") # 特定の列のみを選択して読み込み selected <- ol_fread("raw_counts", select = c("gene_id", "sample1", "sample2"), nrows = 10 ) head(selected) # 条件でフィルタリング filtered <- ol_fread("raw_counts", filter = "sample1 > 100" ) head(filtered) ``` ## 7.2 遅延評価での読み込み ```{r lazy_eval} if (requireNamespace("dplyr", quietly = TRUE)) { # collect = FALSE で遅延評価 lazy_tbl <- ol_read("raw_counts", collect = FALSE) # dplyrで処理 result <- lazy_tbl %>% dplyr::filter(sample1 > 100) %>% dplyr::select(gene_id, sample1) %>% dplyr::collect() head(result) } ``` ## 7.3 テーブルの削除 ```{r drop} # 不要なテーブルを削除 ol_drop("filtered_de") ``` # 8. Bioconductor統合 ## 8.1 SummarizedExperimentの作成 ```{r bioc_se} if (requireNamespace("SummarizedExperiment", quietly = TRUE)) { # ロングフォーマットのデータを作成 long_counts <- data.frame( feature = rep(paste0("GENE", 1:100), each = 4), sample = rep(paste0("sample", 1:4), times = 100), value = rpois(400, 100) ) ol_write("long_counts", long_counts, mode = "overwrite") # SummarizedExperimentとして読み込み se <- ol_read_se("long_counts", feature_col = "feature", sample_col = "sample", value_col = "value", backing = "memory" ) print(se) } ``` ## 8.2 MultiAssayExperimentの作成 ```{r bioc_mae} if (requireNamespace("MultiAssayExperiment", quietly = TRUE)) { # 複数のアッセイデータを準備 rna_data <- data.frame( feature = rep(paste0("GENE", 1:50), each = 4), sample = rep(paste0("sample", 1:4), times = 50), value = rpois(200, 100) ) ol_write("rna_assay", rna_data, mode = "overwrite") protein_data <- data.frame( feature = rep(paste0("PROT", 1:30), each = 4), sample = rep(paste0("sample", 1:4), times = 30), value = rnorm(120, 50, 10) ) ol_write("protein_assay", protein_data, mode = "overwrite") # MultiAssayExperimentとして読み込み mae <- ol_read_mae( assays = list( rna = list(name = "rna_assay"), protein = list(name = "protein_assay") ), backing = "memory" ) print(mae) } ``` # 9. 実践的なワークフロー例 ## 9.1 完全な差次発現解析ワークフロー ```{r complete_workflow} # 1. プロジェクト初期化 ol_init("rnaseq_project") # 2. 生データの保存 set.seed(456) raw_data <- data.frame( gene_id = paste0("GENE", 1:200), control_1 = rpois(200, 100), control_2 = rpois(200, 100), control_3 = rpois(200, 100), treated_1 = rpois(200, 120), treated_2 = rpois(200, 120), treated_3 = rpois(200, 120) ) ol_write("raw_expression", raw_data) # 3. QCパラメータの保存 qc_params <- list( min_counts = 10, min_samples = 3, method = "standard" ) ol_save("qc_parameters", qc_params) # 4. QC後のデータ qc_data <- raw_data[rowSums(raw_data[, -1] > 10) >= 3, ] ol_write( "qc_filtered", qc_data, depends_on = c("raw_expression", "qc_parameters") ) # 5. 正規化パラメータ norm_params <- list( method = "TMM", log_transform = TRUE ) ol_save("norm_parameters", norm_params) # 6. 正規化データ norm_data <- qc_data for (i in 2:ncol(norm_data)) { norm_data[[i]] <- log2(norm_data[[i]] + 1) } ol_write("normalized", norm_data, depends_on = c("qc_filtered", "norm_parameters") ) # 7. 統計解析パラメータ stats_params <- list( test = "t-test", alpha = 0.05, correction = "BH" ) ol_save("stats_parameters", stats_params) # 8. 統計解析結果 set.seed(789) de_final <- data.frame( gene_id = sample(qc_data$gene_id, 30), log2fc = rnorm(30, 1, 0.5), pvalue = runif(30, 0, 0.05), padj = runif(30, 0, 0.05) ) ol_save("final_de_results", de_final, depends_on = c("normalized", "stats_parameters") ) # 9. 解析をコミット ol_commit( note = "Complete RNA-seq differential expression analysis", params = list( samples = 6, genes_tested = nrow(qc_data), significant = nrow(de_final), date = as.character(Sys.Date()) ) ) # 10. ラベルを作成 ol_label("final_analysis_v1") # 11. 完全な系統を確認 full_lineage <- ol_show_lineage("final_de_results", direction = "upstream") print(full_lineage) # 12. 依存関係を可視化 if (requireNamespace("igraph", quietly = TRUE)) { ol_plot_lineage("final_de_results", direction = "upstream", layout = "sugiyama", main = "RNA-seq Analysis Pipeline" ) } ``` # 10. まとめ ## 主要な関数一覧 ### プロジェクト管理 - `ol_init()`: プロジェクト初期化 - `ol_label()`: プロジェクト全体のラベル付け - `ol_checkout()`: ラベル状態への復元 ### データ保存・読み込み - `ol_write()`: テーブルの保存 - `ol_read()`: テーブルの読み込み - `ol_save()`: Rオブジェクトの保存 - `ol_read_object()`: Rオブジェクトの読み込み - `ol_load()`: ol_read()のエイリアス - `ol_fread()`: フィルタリング付き読み込み ### バージョン管理 - `ol_tag()`: テーブルのタグ付け - `ol_tag_object()`: オブジェクトのタグ付け - `ol_list_object_versions()`: バージョン一覧 - `ol_compare_versions()`: バージョン比較 ### 履歴管理 - `ol_commit()`: コミットの作成 - `ol_log()`: テーブル履歴の表示 - `ol_log_commits()`: コミット履歴の表示 ### 依存関係 - `ol_get_dependencies()`: 依存関係の取得 - `ol_show_lineage()`: 完全な系統樹の表示 - `ol_plot_lineage()`: 依存関係グラフの可視化 ### 一覧表示 - `ol_list_tables()`: テーブル一覧 - `ol_list_objects()`: オブジェクト一覧 - `ol_list_tags()`: タグ一覧 - `ol_list_labels()`: ラベル一覧 ### Bioconductor - `ol_read_se()`: SummarizedExperiment作成 - `ol_read_mae()`: MultiAssayExperiment作成 ### その他 - `ol_drop()`: テーブル削除 ## ベストプラクティス 1. **依存関係を明示的に指定**: `depends_on` パラメータを使って解析フローを記録 2. **重要な節目でラベル作成**: 再現可能性のため、重要な時点で `ol_label()` 2. を実行 3. **タグを活用**: 異なる解析方法やパラメータには明確なタグを付ける 4. **コミットメッセージを詳細に**: 解析の内容と結果を `ol_commit()` に記録 5. **可視化で確認**: 複雑な解析フローは `ol_plot_lineage()` で視覚化 6. **バージョン比較を活用**: `ol_compare_versions()` 6. でパラメータ変更の影響を追跡 ## Session Information ```{r session_info} sessionInfo() ```