English

 ███████╗███████╗ ██████╗ ██████╗
 ██╔════╝██╔════╝██╔═══██╗╚════██╗
 ███████╗█████╗  ██║   ██║  ██╔═╝
 ╚════██║██╔══╝  ██║▄▄ ██║ ██╔╝
 ███████║███████╗╚██████╔╝██████╗
 ╚══════╝╚══════╝ ╚══▀▀═╝ ╚═════╝
 ██████╗ ██╗██████╗ ███████╗
 ██╔══██╗██║██╔══██╗██╔════╝
 ██████╔╝██║██████╔╝█████╗
 ██╔═══╝ ██║██╔═══╝ ██╔══╝
 ██║     ██║██║     ███████╗
 ╚═╝     ╚═╝╚═╝     ╚══════╝
      sequence -> pipeline

ローカル LLM で QIIME2 マイクロバイオーム解析を自動化 — オフライン・API キー不要・オープンソース

Current: v3.0.0

日本語 | English

これは何？

seq2pipe は、あなたの PC で動くローカル AI エージェントです。生の FASTQ データを渡すだけで、QIIME2 解析パイプラインの設計・実行・Python 解析・図の修正・レポート生成まで自動で行います。

起動時に日本語 / 英語を選択し、以降の AI 応答・レポートを統一
起動時に Python 依存パッケージ（numpy / pandas 等）の存在を自動確認
データ構造を自動で調査（FASTQ / メタデータ / 既存 QZA）
データに合った QIIME2 コマンドをゼロから組み立てる
すぐ実行できる .sh / .ps1 スクリプトを書き出す
2 つのモード: Pipeline (--auto) / Smart (--smart)

モード比較

	Pipeline (`--auto`)	Smart (`--smart`)
用途	FASTQ → レポートまで全自動	データに応じて最適な解析を自動選択
判断エンジン	なし（全 71 ステップ実行）	ベイズ推論 + 学習機構
判断精度	53.8%	86.1%
Wrong skips	0	3 / 21,000,000 (学習後)
判断時間	—	60ms (LLM 不要)
データ圧縮	1x	FT 90x / DM 8x / LLM tokens 82%↓
71 解析から選択	全て実行	データに基づき自動選択
安全モード	—	`--safe` で偽陰性 = 0 保証
学習機構	—	wrong skip を記録 → 次回は防止

コード生成精度比較 (4 公開データセット × 2 タスク = 8 回)

手法	成功率	平均時間	特徴
Naive LLM (3 retry)	12% (1/8)	77s	同じエラーを繰り返す
AdaptiveCoder (学習+fallback)	100% (8/8)	82s	エラー分析→自動修正→テンプレート
テンプレートのみ	100% (8/8)	0.1s	LLM 不要、770 倍高速

AdaptiveCoder は LLM にエラーの根本原因と具体的修正方法をフィードバックし、自動パッチでコードを直接修正する。全リトライ失敗時はテンプレートフォールバックで 100% を保証。

# Pipeline: FASTQ から全自動
./launch.sh --fastq-dir ~/data --auto

# Smart: ベイズ推論で最適解析を選択（推奨）
./launch.sh --fastq-dir ~/data --smart \
  --metadata meta.tsv --research-question "Your question"

# Smart + 安全モード: 偽陰性 = 0 保証
./launch.sh --fastq-dir ~/data --smart --safe \
  --metadata meta.tsv --research-question "Your question"

--ai-driven モード（v1.4.0 新機能）: AI がデータを偵察 → 統計検定を自前実行 → 8 軸スコア評価 → 文献ベース判断木で次の解析を確定的に決定。LLM が落ちても Python だけで完走する自律解析エンジン
--manual-auto モード（v1.2.0）: メタデータから実験デザインを自動解析 → 40+ 種の可視化・統計解析を研究目的に合わせて全自動実行
3 ステップ自動解析パイプライン（--auto モード）:
- STEP 1: QIIME2 パイプライン（DADA2 デノイジング → 系統樹 → 多様性解析 → 分類学的解析）
- STEP 1.5: 決定論的包括解析（analysis.py）— LLM に依存せず 29 種類の出版品質 PNG 図を確実に生成
- STEP 2: LLM 適応型自律エージェント — STEP 1.5 の解析サマリーをもとにデータ適応型の応用解析を自動実行
- STEP 3: HTML レポート自動生成
ツール呼び出し型コード生成エージェント（vibe-local 方式）: LLM がまず read_file でデータの列名・形式を確認してからコードを生成するため精度が高く、エラーが出ても NEVER GIVE UP で自動修正を繰り返す
解析後の振り返り・修正モード: 生成された図に対して「色を変えて」「凡例を外に出して」など自然言語で修正を指示し、LLM が自動でコードを修正・再実行
QIIME2 の出力を Python（pandas / scipy / scikit-learn / matplotlib / seaborn）で高度解析
解析図をすべて PNG として自動保存（PDF/SVG が出力された場合も macOS 内蔵 sips で自動変換）
メタデータなしでも多様性解析を実行: メタデータファイル不要で α 多様性・β 多様性を自動計算
--classifier オプション: SILVA 138 分類器の自動探索・指定による分類学的解析
解析終了後に HTML レポートを自動生成（--auto モード）、またはチャットモードで「レポート」→ HTML / 「PDF」→ LaTeX/PDF

すべて あなたのマシン上 で完結。クラウドや有料 API は一切使いません。

デモ出力 — 実際の解析結果

ヒト便検体 10 サンプル（TEST01〜TEST10、凍結乾燥便、Illumina MiSeq ペアエンド V3-V4）を seq2pipe で解析した実際の出力です。すべて analysis.py（STEP 1.5）が決定論的に自動生成した PNG 図です。

DADA2 デノイジング統計

α 多様性 — Shannon / Faith PD / Observed ASVs

Shannon 多様性（サンプル別ストリッププロット）

β 多様性 — Bray-Curtis PCoA

β 多様性 — Unweighted UniFrac PCoA

β 多様性 — 距離行列ヒートマップ（4 指標）

分類組成 — 属レベル積み上げ棒グラフ

分類組成 — 属レベルヒートマップ

科レベル積み上げ棒グラフ

ラレファクションカーブ

NMDS（Bray-Curtis）

属間共起ネットワーク

コアマイクロバイオーム

Simpson 多様性 + Pielou 均等度

上記を含む全 29 図は --auto モードで自動生成され、HTML レポートにまとめられます。

必要なもの

	macOS	Linux	Windows
Python	3.9 以上	3.9 以上	3.9 以上
Ollama	`setup.sh` で自動	`setup.sh` で自動	`setup.bat` で自動
QIIME2	conda 環境（推奨）または Docker	conda 環境または Docker Engine	Docker Desktop
Docker	任意（QIIME2 conda env があれば不要）	任意	Docker Desktop
Python 解析パッケージ	QIIME2 conda env に含まれる	QIIME2 conda env に含まれる	手動 pip
RAM	8 GB 以上推奨	8 GB 以上推奨	8 GB 以上推奨
ディスク	約 10 GB（LLM + QIIME2）	約 10 GB	約 10 GB

Python 解析パッケージ（setup.sh が自動インストール）: numpy, pandas, matplotlib, seaborn, scipy, scikit-learn, biom-format, networkx, statsmodels

インストール（3 ステップ）

macOS

git clone https://github.com/Rhizobium-gits/seq2pipe.git
cd seq2pipe
chmod +x setup.sh launch.sh
./setup.sh      # 初回のみ（Ollama + Python パッケージ + Docker 確認）
./launch.sh     # 起動

Linux（Ubuntu / Debian / Fedora / Arch など）

git clone https://github.com/Rhizobium-gits/seq2pipe.git
cd seq2pipe
chmod +x setup.sh launch.sh
./setup.sh      # 初回のみ（Docker Engine を自動インストール）
./launch.sh     # 起動

Linux の場合、setup.sh 完了後に newgrp docker または再ログインが必要な場合があります。

Windows

1. git clone https://github.com/Rhizobium-gits/seq2pipe.git
2. seq2pipe フォルダを開く
3. setup.bat をダブルクリック（初回のみ）
4. launch.bat をダブルクリックして起動

PowerShell を使う場合:

Set-ExecutionPolicy -Scope CurrentUser -ExecutionPolicy RemoteSigned
.\setup.ps1   # 初回のみ
.\launch.ps1  # 起動

Windows の Python 解析パッケージは手動でインストールしてください:

pip install numpy pandas matplotlib seaborn scipy scikit-learn biom-format networkx statsmodels

起動方法

./launch.sh     # macOS / Linux
.\launch.bat    # Windows

起動すると言語選択（日本語 / English）の後、対話型ターミナルセッションが始まります。

使い方

モード 1 — 自然言語でリクエスト（指定解析）

$ ./launch.sh --fastq-dir ~/input

やりたい解析を入力: Shannon 多様性をグループ別に violin plot で比較

[list_files]  エクスポートファイル一覧を確認
[read_file]   alpha/shannon_vector.tsv の列名を確認
[write_file]  analysis.py を生成
[run_python]  EXIT CODE: 0 → figures/shannon_violin.png 保存

✅ 解析完了！

  ✏️  振り返り・修正モード
  生成された図に対して自然言語で修正を指示できます。
  例: 「積み上げ棒グラフの凡例を外に出して」
      「PCoA の点を大きくして、サンプル名を表示して」
      「色盲対応のパレットに変えて」
  📄 レポート出力:
      HTML: 「レポート」と入力
      PDF:  「PDFレポート」または「PDF」と入力
  終了: 空 Enter / quit / done

✏️  修正内容> PCoA の点を大きくしてサンプル名も表示して

[write_file] analysis.py を修正
[run_python] EXIT CODE: 0 → figures/fig10_beta_pcoa.png 更新

✏️  修正内容> PDF

📐 PDF レポートを生成しています（LaTeX）...
📐 LaTeX エンジン検出: lualatex
✅ PDF レポート生成完了！
📄 ファイル: /path/to/results/report.pdf

モード 2 — 完全自律（--auto）

FASTQ ディレクトリを指定するだけで、QIIME2 パイプライン + 決定論的解析 + レポートまで自動実行します。

cd ~/seq2pipe
./launch.sh --fastq-dir ~/input --auto

  🚀 STEP 1: QIIME2 パイプライン実行中
    -> dada2 denoise-paired, phylogeny, diversity, taxonomy...
  ✅ パイプライン完了

  📊 STEP 1.5: 包括的解析（analysis.py — 29 図）
    fig01 DADA2 デノイジング統計        ✅
    fig02 シーケンシング深度            ✅
    fig03-04 α多様性                   ✅
    fig05-08 PCoA（4 指標 + 分散説明率 %）  ✅
    fig09 β多様性距離ヒートマップ        ✅
    fig10-12 ASV・リッチネス解析         ✅
    fig13-15 分類組成（属・門）          ✅
    fig16 ラレファクションカーブ          ✅
    fig17 NMDS                         ✅
    fig18 Rank-Abundance               ✅
    fig19 分類学的 Alluvial             ✅
    fig20 共起ネットワーク               ✅
    fig21 科レベル組成                   ✅
    fig22 コアマイクロバイオーム          ✅
    fig23 ボルケーノプロット（BH FDR）    ✅
    fig24 サンプルデンドログラム          ✅
    fig25 属間相関クラスターマップ        ✅
    fig26-27 綱・目レベル組成            ✅
    fig28 Simpson + Pielou 均等度       ✅
    fig29 ASV 共有パターン              ✅
  📋 解析サマリー: 5 個のパターンを検出
  ✅ 29 図を生成しました

  🤖 STEP 2: 適応型自律エージェント
    解析サマリーをもとにデータ適応型の応用解析を自動実行
    adaptive_01_outlier_investigation.png  ✅
    adaptive_02_high_variance_genera.png   ✅
    ...

  📄 STEP 3: HTML レポート生成
  ✅ レポート完了

モード 4 — 研究目的駆動の自律解析（--manual-auto）

メタデータと研究の問いを指定すると、実験デザインを自動解析し、40+ 種の解析を全自動実行します。

./launch.sh --fastq-dir ~/input --manual-auto \
    --metadata metadata.tsv \
    --research-question "抗生物質投与群とコントロール群の腸内細菌叢の違い"

📋 メタデータを解析中...

Samples: 10
Columns: treatment, timepoint, subject, age
Primary grouping: 'treatment' (2 groups: antibiotic=5, control=5)
Longitudinal: timepoint column = 'timepoint'
Paired design: subject column = 'subject'

Research Question: 抗生物質投与群とコントロール群の腸内細菌叢の違い
Total steps: 41 (skipped: 2)

── Data Quality (3 steps) ──
   1. DADA2 Denoising Statistics
   2. Sequencing Depth per Sample
   3. ASV Frequency Distribution
── Taxonomic Composition (8 steps) ──
   4. Phylum-Level Composition (Stacked Bar)
   5. Genus-Level Composition (Stacked Bar)
   ...
── Alpha Diversity (5 steps) ──
  12. Alpha Diversity Comparison (Multi-Metric)
  13. Alpha Diversity Raincloud Plots
  14. Rarefaction Curves
  15. Alpha Diversity Trajectory (Longitudinal)
  16. Alpha Diversity Effect Sizes
── Beta Diversity (9 steps) ──
  17. PCoA Ordination (All Metrics)
  18. NMDS Ordination
  19. t-SNE Visualization
  20. UMAP Ordination
  ...
── Differential Abundance (4 steps) ──
  26. Volcano Plot (Differential Abundance)
  27. MA Plot (Mean-Difference)
  28. Effect Size Forest Plot
  29. LEfSe-Style Differential Analysis
── Advanced Analysis (9 steps) ──
  30. Co-Occurrence Network
  31. Genus-Genus Correlation Heatmap
  32. UpSet Diagram (Shared/Unique Taxa)
  33. Taxonomy Alluvial / Sankey Diagram
  ...
── Publication Figures (3 steps) ──
  39. Main Figure Composite (4-Panel)
  40. Supplementary Figure Composite
  41. Statistical Results Summary Table

═══════════════════════════════════════════
  🔬 Manual-Auto Analysis: 41 steps planned
  📋 Research: 抗生物質投与群とコントロール群の腸内細菌叢の違い
═══════════════════════════════════════════

  📊 Step 1/41: DADA2 Denoising Statistics
  ✅ 成功 — 図: ['step01_dada2_stats_main.png']

  📊 Step 2/41: Sequencing Depth per Sample
  ✅ 成功 — 図: ['step02_read_depth_main.png']
  ...

═══════════════════════════════════════════
  🏁 Manual-Auto Analysis Complete
  ✅ Completed: 39/41
  ❌ Failed:    2/41
  ⏭  Skipped:   2
  📊 Total figures: 52
═══════════════════════════════════════════

実験デザイン自動検出

検出項目	方法
グループ列	優先リスト (treatment, group, condition, genotype, diet...) + カーディナリティ判定
タイムポイント	カラム名パターン (timepoint, day, week, visit, dpi...)
被験者列	カラム名パターン (subject, patient, donor, mouse, animal...)
ペアデザイン	被験者列 × グループ列から自動判定
不均衡デザイン	群間サンプル数比 > 2.0 で警告
連続変数	数値型かつユニーク値 > 10 のカラム

データ適応型の統計検定

実験デザインに基づいて最適な検定を自動選択:

デザイン	選択される検定
2群・対応なし	Mann-Whitney U test
2群・対応あり	Wilcoxon signed-rank test
3+群・対応なし	Kruskal-Wallis + Dunn's post-hoc (Bonferroni)
3+群・対応あり	Friedman test + Nemenyi post-hoc
β多様性群間比較	PERMANOVA (999 permutations)
多重検定補正	Benjamini-Hochberg FDR
効果量	Cliff's delta / Hedges' g

40+ 種の解析レジストリ

Phase	解析手法
Data Quality	DADA2 統計、リード深度、ASV 頻度分布
Composition	門/属/科積み上げ棒、ヒートマップ(clustermap)、バイオリン+ストリップ、グループ別箱ひげ図、コアマイクロバイオーム、Indicator Species
Alpha Diversity	マルチメトリクス箱ひげ図、Raincloud plot、レアファクション、効果量 Forest plot、縦断軌跡（spaghetti）
Beta Diversity	PCoA (全メトリクス+95%信頼楕円)、NMDS、t-SNE、UMAP、PCA-CLR biplot、PERMANOVA/ANOSIM、Beta Dispersion、階層クラスタリング樹形図
Differential	Volcano plot (FDR補正)、MA plot、Forest plot (効果量)、LEfSe-style (LDA効果量)、多群 KW ヒートマップ
Advanced	共起ネットワーク、相関 clustermap、Ternary plot (3群)、UpSet diagram、Alluvial/Sankey、Venn diagram、サンプル類似度ヒートマップ
Publication	4パネル Main Figure、6パネル Supplementary、統計結果サマリーテーブル

解析は実験デザインとデータ可用性に基づいて自動フィルタリングされます（例: 2群 → Volcano plot 有効 / Ternary plot スキップ、縦断データなし → Trajectory スキップ）

検証結果

テスト	結果
インポート・レジストリ読み込み	43 解析仕様
メタデータ解析（2群・ペア・縦断）	treatment/timepoint/subject 正しく検出
メタデータ解析（3群）	Ternary 追加、Volcano スキップ
存在しないファイル	クラッシュせず空デザイン返却
#q2:types 行スキップ	QIIME2 形式メタデータ対応
プラン構築（2群、全データあり）	41 ステップ選択、2 スキップ
プラン構築（3群、一部データのみ）	25 ステップ（データ要件で絞り込み）
プロンプトへの実験情報埋め込み	グループ名・統計検定・メタデータパスが展開
CLI --version	`seq2pipe 1.2.0`

モード 5 — AI 駆動の適応的解析（--ai-driven）

v1.4.0 新機能。 データを「見て」統計的に判断し、結果に応じて次の解析を動的に決定する自律解析エンジンです。

./launch.sh --fastq-dir ~/input --ai-driven \
    --metadata metadata.tsv \
    --research-question "重力環境が腸内細菌叢に与える影響"

アーキテクチャ — 3 層構造

┌─────────────────────────────────────────────────────────────┐
│ Layer 1: DataInspector（Python）                            │
│   feature-table.tsv → 豊度分布, スパース度計算              │
│   alpha/*.tsv       → 自前 Mann-Whitney U / Kruskal-Wallis │
│   beta/*.tsv        → 自前 PERMANOVA (199 permutation)     │
│   taxonomy.tsv      → 群別相対豊度, fold change 計算       │
│   scipy 不要 — 全て純 Python 実装                          │
├─────────────────────────────────────────────────────────────┤
│ Layer 2: EvalMediator + DecisionEngine（Python）            │
│   8 軸スコア評価 → SVD 3主成分に圧縮                       │
│   文献ベース判断木:                                         │
│     alpha p<0.05 かつ effect>0.5 → 深掘り                  │
│     beta p>0.05 → beta 系全ステップをスキップ               │
│     fold_change>10 かつ低豊度 → バイアス警告 + 再検定       │
│   確定的 — 同じデータなら常に同じ判断                       │
├─────────────────────────────────────────────────────────────┤
│ Layer 3: LLM（qwen2.5-coder:7b）                           │
│   役割限定: 創造的調査仮説の生成 + コード生成のみ           │
│   Python 判断と矛盾する場合は Python が優先                 │
│   LLM が落ちても Python 判断木だけで完走可能                │
└─────────────────────────────────────────────────────────────┘

8 軸評価スコア

各解析ステップの結果を実データから定量評価:

軸	重み	計算方法
statistical_significance	20%	p 値の対数スケール変換（実データから自前検定）
biological_relevance	18%	群間 fold change + 既知重要菌属へのヒット
actionability	15%	次ステップに繋がるトリガー数
novelty	12%	既知発見との非類似度 + 予想外の fold change
data_quality	10%	スパース度, read depth CV, evenness
effect_magnitude	10%	Cliff's delta / pseudo-F / fold change
confidence	8%	群あたり最小サンプルサイズ
reproducibility	7%	同カテゴリ解析間の一貫性

判断木の実例

入力: 重力実験 138 サンプル（6 群）
  Alpha: Shannon Kruskal-Wallis p=0.034, effect=0.05
  Beta:  Bray-Curtis PERMANOVA p=0.81 (ns)
  Taxa:  Blautia 5.0x, Escherichia 379x enriched

Python 判断木の出力:
  SKIP: beta_dispersion, beta_nmds, beta_heatmap, permanova_detail
    理由: beta p=0.81 で有意でない (Anderson 2001)
  ADD:  qc_summary [優先度1], differential_volcano [2],
        lefse [4], indicator_species [5], picrust2 [6]
    理由: 379x fold change → 正式検定必須
          9属 >2x → 機能予測で解釈
  INVESTIGATE: low-abundance bias check
    理由: 極端な fold change が低豊度菌で発生 → artifact の可能性

モード 4 との違い

	モード 4 (manual-auto)	モード 5 (ai-driven)
プラン決定	事前に全ステップを固定	データを見て動的に変更
途中判断	なし（全ステップ実行）	各ステップ後にスコア評価 → skip/add
不要な解析	実行してしまう	Python 判断木がスキップ
LLM 依存度	コード生成に必須	コード生成のみ（判断は Python）
耐障害性	LLM エラーで停止	LLM なしでも判断木で完走可能（コード生成除く）

評価結果（252 独立判断 + 頑健性検証）

指標	値	注記
独立判断数	252 (12 シナリオ × 21 ステップ)	これが実質的な評価規模
ベースライン精度	33% (21 中 7 ステップは常に正解)	判断不要ステップを含む
精度（taxonomy あり）	95% (+31 pp)	14 の判断対象中 13-14 正解
精度（taxonomy なし）	52% (改善なし)	データ不完全で判断不能
全体平均精度	73.0%	taxonomy 有無の混合
偽陰性スキップ	0	ただし構造的にゼロ（skip のみで add しない）
再現性	120 回で std = 0	確定的コードなので自明
重み独立性	10,221 設定で同一判断	重みは判断に影響しない
scipy 有意性一致	99-100%
Caporaso 2011 結論一致	7/7
LLM コード生成（registry）	47%
LLM コード生成（investigation）	25%

正直な評価: 精度 73% は 33% のベースラインを含む。taxonomy ありのデータでは実質 93-100% の判断精度だが、taxonomy なしでは改善ゼロ。偽陰性 0 は「skip しかしない」保守的設計の結果であり、precision の指標としては misleading。エキスパートプロトコルと DecisionEngine は同じ文献ルールを符号化しており、一致は独立検証ではない。

Docker で再現性保証

# ビルド
docker build -t seq2pipe:2.0.0 .

# 実行
docker run -v ~/data:/data -v ~/results:/results \
  seq2pipe:2.0.0 --fastq-dir /data --ai-driven \
  --metadata /data/metadata.tsv --research-question "Your question"

# GPU 付き（Ollama 高速化）
docker run --gpus all -v ~/data:/data seq2pipe:2.0.0 --fastq-dir /data --ai-driven

# docker-compose
DATA_DIR=~/data docker-compose run seq2pipe --fastq-dir /data --ai-driven

YAML 設定ファイル

全パラメータを config.yaml で管理。CLI フラグ > YAML > 環境変数 > デフォルト値の優先順位。

# config.yaml
pipeline:
  mode: "ai-driven"
  n_threads: 4
dada2:
  trunc_len_f: auto    # リード長から自動検出
llm:
  model: "qwen2.5-coder:7b"
  max_retries: 3
ai_driven:
  replan_interval: 4
  max_investigations: 8
logging:
  level: "INFO"
  log_eval_scores: true
  log_decisions: true

構造化ロギング（トレーシング）

各ステップの判断・スコア・エラーを JSON Lines で記録:

{"timestamp":"2026-03-29T00:01:23Z","event":"step_start","step":1,"key":"alpha_boxplot"}
{"timestamp":"2026-03-29T00:01:45Z","event":"eval_score","step":1,"composite":0.535,"axes":{"statistical_significance":0.79,...}}
{"timestamp":"2026-03-29T00:01:46Z","event":"decision","step":4,"skip":["beta_nmds"],"add":["lefse"],"reasoning":["beta ns"]}

DADA2 パラメータの自動検出

--auto フラグ使用時、リード長から DADA2 パラメータを自動検出します:

./launch.sh --fastq-dir ~/input --auto
# → trunc_len_f, trunc_len_r, sampling_depth を自動推定

# 手動上書きも可能
./launch.sh --fastq-dir ~/input --auto \
  --trim-left-f 20 --trim-left-r 20 \
  --trunc-len-f 260 --trunc-len-r 230

分類学的解析（`--classifier`）

SILVA 138 Naive Bayes 分類器を指定して分類学的解析を有効化できます:

# 自動探索（seq2pipe ディレクトリ内に分類器がある場合）
./launch.sh --fastq-dir ~/input --auto

# 明示的に指定
./launch.sh --fastq-dir ~/input --auto --classifier ~/silva-138-99-nb-classifier.qza

分類器が検出されると、QIIME2 パイプラインで分類学的解析が実行され、 analysis.py が属・門レベルの組成図（fig13〜fig15）を自動生成します。

レポート出力

入力例	出力
`--auto` モード	HTML レポートを自動生成（STEP 3/3）
`レポート` / `html`	HTML レポート（図を base64 埋め込み、ブラウザで開く）
`PDF` / `PDFレポート` / `latex`	LaTeX → PDF レポート（lualatex/xelatex でコンパイル）

生成されるファイル

~/seq2pipe_results/<タイムスタンプ>/
├── exported/                 ← QIIME2 エクスポートデータ
│   ├── feature-table.tsv
│   ├── taxonomy/taxonomy.tsv
│   ├── alpha/<指標>/alpha-diversity.tsv
│   ├── beta/<行列>/distance-matrix.tsv
│   └── denoising_stats/stats.tsv
├── figures/                  ← すべて PNG 形式で保存
│   ├── fig01_dada2_stats.png 〜 fig15_genus_heatmap.png  ← 基本解析 15 図
│   ├── fig16_rarefaction_curves.png 〜 fig25_genus_correlation.png  ← 拡張解析 10 図
│   ├── fig26_class_composition.png 〜 fig29_asv_overlap.png  ← 網羅的解析 4 図
│   └── adaptive_01_*.png 〜            ← LLM 適応型エージェントが生成
├── report.html               ← HTML レポート（自動生成）
├── report.tex                ← LaTeX ソース（「PDF」で生成）
└── report.pdf                ← PDF レポート（lualatex/xelatex でコンパイル）

対応解析一覧

QIIME2 コア解析（STEP 1）

解析	コマンド
インポート・デマルチプレックス	`qiime tools import`
DADA2 デノイジング	`qiime dada2 denoise-paired/single`
分類（SILVA 138）	`qiime feature-classifier classify-sklearn`
分類組成バーチャート	`qiime taxa barplot`
α・β 多様性（メタデータあり）	`qiime diversity core-metrics-phylogenetic`
α・β 多様性（メタデータなし）	`qiime diversity alpha` / `qiime diversity beta` など個別実行
差次解析 ANCOM-BC	`qiime composition ancombc`

決定論的包括解析（STEP 1.5 — `analysis.py`、LLM 不要・29 図）

図番号	解析内容	パッケージ
fig01	DADA2 デノイジング統計	pandas, matplotlib
fig02	シーケンシング深度（サンプル別）	pandas, matplotlib
fig03	α 多様性ボックスプロット（Shannon / Faith PD / Observed ASVs）	pandas, seaborn
fig04	Shannon 多様性（サンプル別ストリッププロット）	pandas, seaborn
fig05	Bray-Curtis PCoA（分散説明率 % 付き）	sklearn MDS, numpy
fig06	Jaccard PCoA（分散説明率 % 付き）	sklearn MDS, numpy
fig07	Unweighted UniFrac PCoA（分散説明率 % 付き）	sklearn MDS, numpy
fig08	Weighted UniFrac PCoA（分散説明率 % 付き）	sklearn MDS, numpy
fig09	β 多様性距離ヒートマップ（4 指標 2×2）	pandas, seaborn
fig10	Top 30 ASV ヒートマップ	pandas, seaborn
fig11	α 多様性相関プロット	pandas, matplotlib
fig12	ASV リッチネス vs シーケンシング深度	pandas, matplotlib
fig13	属レベル積み上げ棒グラフ（分類器あり）	pandas, matplotlib
fig14	門レベル積み上げ棒グラフ（分類器あり）	pandas, matplotlib
fig15	属レベルヒートマップ（分類器あり）	pandas, seaborn
fig16	ラレファクションカーブ	pandas, numpy
fig17	NMDS（Bray-Curtis）	sklearn MDS
fig18	Rank-Abundance カーブ	pandas, matplotlib
fig19	分類学的 Alluvial プロット（門→綱→目）	matplotlib (Bézier)
fig20	属間共起ネットワーク	networkx, matplotlib
fig21	科レベル積み上げ棒グラフ	pandas, matplotlib
fig22	コアマイクロバイオーム（出現頻度 vs 存在量）	pandas, matplotlib
fig23	差次的存在量ボルケーノプロット（BH FDR 補正）	scipy, matplotlib
fig24	サンプルデンドログラム（UPGMA）	scipy hierarchy
fig25	属間 Spearman 相関クラスターマップ	scipy, seaborn
fig26	綱レベル積み上げ棒グラフ	pandas, matplotlib
fig27	目レベル積み上げ棒グラフ	pandas, matplotlib
fig28	Simpson 多様性 + Pielou 均等度	pandas, matplotlib
fig29	サンプル間 ASV 共有パターン（UpSet 風）	itertools, matplotlib

Python ダウンストリーム解析（LLM コード生成エージェント — モード 1）

解析手法	パッケージ
α 多様性 4 指標（Shannon / Faith PD / Evenness / Observed Features）	pandas, seaborn
Bray-Curtis PCoA（sklearn MDS）	pandas, sklearn
UniFrac PCoA（unweighted / weighted）	pandas, sklearn
NMDS（Bray-Curtis 非計量多次元尺度法）	pandas, sklearn
CLR 変換 PCA（組成データ向け主成分分析）	pandas, sklearn
門・属レベル stacked bar（taxonomy あり）	pandas, seaborn
属レベル heatmap（taxonomy あり）	pandas, seaborn
サンプル相関行列	pandas, scipy, seaborn
HTML / LaTeX+PDF レポート自動生成	report_generator.py（lualatex / xelatex）

研究目的駆動の自律解析（モード 4 — `--manual-auto`、43 解析レジストリ）

解析手法	カテゴリ	条件
DADA2 Denoising Statistics	Quality	denoising
Sequencing Depth per Sample	Quality	feature_table
ASV Frequency Distribution	Quality	feature_table
Phylum / Genus / Family Stacked Bar	Composition	feature_table + taxonomy
Genus Abundance Heatmap (Clustermap)	Composition	2+群
Top Genera Violin + Strip	Composition	2+群
Group-wise Genus Boxplot (FDR)	Composition	2+群
Core Microbiome Scatter	Composition	feature_table + taxonomy
Indicator Species Analysis	Composition	2+群
Alpha Diversity Multi-Metric Boxplot	Alpha	2+群
Alpha Diversity Raincloud Plot	Alpha	2+群
Rarefaction Curves (by group)	Alpha	feature_table
Alpha Diversity Trajectory	Alpha	縦断データ
Alpha Effect Size Forest Plot	Alpha	2群のみ
PCoA (All Metrics + 95% Ellipses)	Beta	2+群
NMDS + Convex Hulls	Beta	2+群
t-SNE	Beta	2+群
UMAP	Beta	2+群, umap-learn
PCA-CLR Biplot	Beta	feature_table + taxonomy
PERMANOVA / ANOSIM Table	Beta	2+群
Beta Dispersion (Homogeneity)	Beta	2+群
Hierarchical Clustering Dendrogram	Beta	2+群
Beta Diversity Trajectory	Beta	縦断データ
Volcano Plot (BH-FDR)	Differential	2群のみ
MA Plot	Differential	2群のみ
Effect Size Forest Plot (Cliff's delta)	Differential	2群のみ
Multi-Group Differential Heatmap	Differential	3+群
LEfSe-Style (LDA Effect Size)	Differential	2+群
Co-Occurrence Network	Advanced	feature_table + taxonomy
Genus-Genus Correlation Clustermap	Advanced	feature_table + taxonomy
Ternary Plot	Advanced	3群のみ
UpSet Diagram	Advanced	2+群
Taxonomy Alluvial / Sankey	Advanced	feature_table + taxonomy
Rank-Abundance Curves	Advanced	feature_table
Venn Diagram	Advanced	2-3群, matplotlib-venn
Sample-Sample Similarity Heatmap	Advanced	2+群
Diversity vs Metadata Correlation	Advanced	alpha + 連続変数
Taxa Prevalence Heatmap	Advanced	2+群
Main Figure Composite (4-Panel)	Publication	2+群
Supplementary Figure Composite (6-Panel)	Publication	feature_table + taxonomy
Statistical Results Summary Table	Publication	2+群

環境変数

変数	デフォルト	説明
`QIIME2_AI_MODEL`	`qwen2.5-coder:7b`	使用する Ollama モデル
`SEQ2PIPE_AUTO_YES`	`0`	`1` にするとコマンド確認をスキップ（自律モード）
`SEQ2PIPE_MAX_STEPS`	`100`	エージェントループの最大ステップ数
`SEQ2PIPE_PYTHON_TIMEOUT`	`600`	Python 実行のタイムアウト秒数
`QIIME2_CONDA_BIN`	自動検出	QIIME2 conda 環境の bin ディレクトリ（手動指定用）

# 例: 自律モードで起動（確認なし）
SEQ2PIPE_AUTO_YES=1 ./launch.sh

# 例: QIIME2 conda env を手動指定
QIIME2_CONDA_BIN=/opt/conda/envs/qiime2/bin ./launch.sh

使用モデル

モデル	パラメータ数	ディスク容量	推奨 RAM	特徴
`qwen2.5-coder:7b`	7.6B	4.7 GB	8 GB+	コード生成に最適（推奨）
`qwen2.5-coder:3b`	3.1B	1.9 GB	4 GB+	軽量・高速、メモリ制約時に最適
`llama3.2:3b`	3.2B	2.0 GB	4 GB+	汎用・会話能力高め
`qwen3:8b`	8.2B	5.2 GB	16 GB+	最高品質・推論能力も高い
`codellama:7b`	6.7B	3.8 GB	8 GB+	Meta のコード特化モデル
`deepseek-coder-v2:lite`	2.4B	1.5 GB	4 GB+	超軽量コーディングモデル

ストレージ目安: Ollama 本体 (~500 MB) + 選択モデル (1.5〜5.2 GB) + QIIME2 conda 環境 (~3 GB) + SILVA 分類器 (~400 MB, optional) = 合計約 6〜10 GB

小型モデルへの対応（ロバストネス機能）

7B 以下の小型モデルでは Ollama の tool_calls フォーマットに非対応のことがあります。 seq2pipe は以下の多層フォールバック機構でこれを自動的に補います:

_parse_text_tool_calls: テキスト本文に埋め込まれた JSON をツール呼び出しとして解析（5 パターン対応）
Auto-inject run_python: write_file で .py ファイルを書いた直後、モデルが run_python を呼ぶのを待たずに自動実行
ステップ 6 フォールバック: ツール呼び出しループが 5 ステップ進まない場合は自動的に 1 ショット生成（run_code_agent）に切り替え
繰り返し検出: 同じ 50 文字チャンクが 4 回連続したら生成を打ち切り（無限ループ回避）

別のモデルを使うには:

QIIME2_AI_MODEL=qwen2.5-coder:3b ./launch.sh

アーキテクチャ

トラブルシューティング

Ollama に接続できない

ollama serve

QIIME2 conda 環境が自動検出されない

QIIME2_CONDA_BIN=/opt/conda/envs/qiime2/bin ./launch.sh

自動検出される候補: ~/miniforge3/envs/qiime2*/bin, ~/miniconda3/envs/qiime2*/bin, ~/anaconda3/envs/qiime2*/bin

Docker が見つからない / 起動していない

QIIME2 conda 環境が検出されている場合、Docker は不要です。

macOS / Windows: Docker Desktop を起動してください
Linux: sudo systemctl start docker

Python 解析パッケージが足りない

pip install numpy pandas matplotlib seaborn scipy scikit-learn biom-format networkx statsmodels

PDF レポートの LaTeX コンパイルに失敗する

lualatex または xelatex が必要です（MacTeX に含まれています）。

# macOS（推奨・約 100 MB の minimal インストール）
brew install --cask mactex-no-gui

# または MacTeX フルインストール（約 4 GB）
# https://tug.org/mactex/

# Linux（TeX Live）
sudo apt install texlive-luatex texlive-xetex texlive-lang-japanese

LaTeX がインストールされていない場合、report.tex ファイルのみ保存されます。以下のコマンドで手動コンパイルできます:

lualatex report.tex   # 日本語対応（推奨）
xelatex  report.tex   # 代替オプション

図が PDF/SVG で出力される（macOS プレビューで開けない）

seq2pipe は生成された PDF/SVG を macOS 内蔵の sips で自動的に PNG へ変換します。既存の PDF ファイルがある場合は以下で一括変換できます:

for f in ~/seq2pipe_results/*/figures/*.pdf; do
  sips -s format png "$f" --out "${f%.pdf}.png" && rm "$f"
done

モデルが重い / 応答が遅い

QIIME2_AI_MODEL=qwen2.5-coder:3b ./launch.sh

ファイル構成

seq2pipe/
├── cli.py              # ターミナル エントリーポイント（虹色バナー・モード選択）
├── qiime2_agent.py     # QIIME2 パイプライン生成エージェント（11 ツール）
├── pipeline_runner.py  # QIIME2 実行ラッパー + 結果エクスポート（_Tee ログ収集）
├── analysis.py         # 決定論的包括解析モジュール（29 図、LLM 不要）
├── code_agent.py       # LLM コード生成エージェント（vibe-local 方式）
│                       #   └── run_refinement_loop()  振り返り・修正ループ
├── manual_auto_agent.py # 研究目的駆動 自律解析（43 解析レジストリ）
├── ai_driven_agent.py  # AI 駆動 適応的解析エンジン（Phase 1-3）
├── eval_mediator.py    # DataInspector + 8軸スコア + DecisionEngine 判断木
├── microbiome_knowledge.py  # ドメイン知識（メソッド選択・検出力推定）
├── experiment_knowledge.py  # 実験系文献知識（抗生物質・食事・疾患モデル等）
├── experiment_analyzer.py   # メタデータ → 実験デザイン自動解析
├── config.yaml         # YAML 設定ファイル（全パラメータ集約）
├── config_loader.py    # Config 駆動: CLI > YAML > ENV > default
├── trace_logger.py     # 構造化ロギング（JSON Lines トレーシング）
├── code_templates.py   # LLM コード生成の validated preamble
├── report_generator.py # HTML / LaTeX+PDF レポート生成
├── Dockerfile          # 再現性保証コンテナ（QIIME2 + Ollama + seq2pipe）
├── docker-compose.yml  # GPU 対応 compose 設定
├── chat_agent.py       # 自律解析セッション管理（レガシー）
├── Figure/             # デモ出力図（実データ解析結果 29 図）
│   ├── fig01_dada2_stats.png 〜 fig29_asv_overlap.png
├── Paper/              # 技術レポート（TeX / PDF）
│   ├── seq2pipe_ja.tex / seq2pipe_ja.pdf
│   └── seq2pipe_en.tex / seq2pipe_en.pdf
├── launch.sh           # macOS / Linux 起動スクリプト
├── setup.sh            # macOS / Linux セットアップ
├── LICENSE             # MIT License
└── README.md           # このファイル

Contributors

	Name	Role
@Rhizobium-gits	Tsubasa Sato	Author

Coding assistance by Claude (Anthropic).

参考リンク

ライセンス

このツール: MIT License
SILVA 138 データ: CC BY 4.0
QIIME2: BSD License

English

 ███████╗███████╗ ██████╗ ██████╗
 ██╔════╝██╔════╝██╔═══██╗╚════██╗
 ███████╗█████╗  ██║   ██║  ██╔═╝
 ╚════██║██╔══╝  ██║▄▄ ██║ ██╔╝
 ███████║███████╗╚██████╔╝██████╗
 ╚══════╝╚══════╝ ╚══▀▀═╝ ╚═════╝
 ██████╗ ██╗██████╗ ███████╗
 ██╔══██╗██║██╔══██╗██╔════╝
 ██████╔╝██║██████╔╝█████╗
 ██╔═══╝ ██║██╔═══╝ ██╔══╝
 ██║     ██║██║     ███████╗
 ╚═╝     ╚═╝╚═╝     ╚══════╝
      sequence -> pipeline

Automate QIIME2 microbiome analysis with a local LLM — offline, no API key, open source

日本語

What is this?

seq2pipe is a local AI agent that runs entirely on your own machine. Give it your raw FASTQ data, and it automatically handles pipeline design, execution, Python analysis, figure refinement, and report generation.

Select Japanese or English at startup — all AI responses and reports follow your choice
Automatically checks for required Python packages (numpy / pandas / etc.) at startup
Inspects your data structure automatically (FASTQ / metadata / existing QZA)
Builds the right QIIME2 commands from scratch for your dataset
Writes ready-to-run .sh / .ps1 scripts
5 operation modes: Prompt / Autonomous / Chat / Research-Driven / AI-Driven (ai-driven)
--ai-driven mode (v1.4.0): AI scouts data → runs statistical tests natively in Python → 8-axis scoring → literature-based decision tree deterministically decides next analysis. Runs to completion even if LLM fails
--manual-auto mode (v1.2.0): Auto-parses metadata to understand experimental design → runs 40+ visualization & statistical analyses tailored to your research question
3-step automated analysis pipeline (--auto mode):
- STEP 1: QIIME2 pipeline (DADA2 denoising, phylogeny, diversity, taxonomy)
- STEP 1.5: Deterministic comprehensive analysis (analysis.py) — 29 publication-quality PNG figures generated reliably without LLM dependency
- STEP 2: Adaptive autonomous agent — data-driven follow-up analyses based on STEP 1.5 summary
- STEP 3: Automatic HTML report generation
Tool-calling code generation agent (vibe-local style): LLM first calls read_file to understand column names and data format before writing code — far fewer format errors; if an error occurs, NEVER GIVE UP — it rewrites and retries until EXIT CODE: 0
Post-analysis refinement mode: After analysis completes, instruct the LLM in natural language to refine figures ("change colors", "move legend outside") — code is automatically rewritten and re-executed
Runs Python downstream analysis (pandas / scipy / scikit-learn / matplotlib / seaborn) on QIIME2 outputs
Auto-saves all figures as PNG — PDF/SVG outputs are automatically converted via macOS built-in sips
Diversity analysis without metadata: Alpha and beta diversity metrics computed automatically even without a metadata file
--classifier option: Auto-discovery or explicit specification of SILVA 138 classifier for taxonomic analysis
After analysis, HTML report is auto-generated in --auto mode; type "report" for HTML / "PDF" for LaTeX/PDF in chat mode

Everything runs on your machine. No cloud, no paid API, no internet required during analysis.

Demo Output — Real Analysis Results

Actual output from seq2pipe on 10 human stool samples (TEST01-TEST10, freeze-dried, Illumina MiSeq paired-end V3-V4). All figures were deterministically generated by analysis.py (STEP 1.5) as PNG.

DADA2 Denoising Statistics

Alpha Diversity — Shannon / Faith PD / Observed ASVs

Shannon Diversity (Per-Sample Strip Plot)

Beta Diversity — Bray-Curtis PCoA

Beta Diversity — Unweighted UniFrac PCoA

Beta Diversity — Distance Heatmaps (4 Metrics)

Taxonomic Composition — Genus-Level Stacked Bar

Taxonomic Composition — Genus-Level Heatmap

Family-Level Stacked Bar

Rarefaction Curves

NMDS (Bray-Curtis)

Co-occurrence Network

Core Microbiome

Simpson Diversity + Pielou Evenness

All 29 figures above are auto-generated in --auto mode and compiled into an HTML report.

Requirements

	macOS	Linux	Windows
Python	3.9+	3.9+	3.9+
Ollama	auto via `setup.sh`	auto via `setup.sh`	auto via `setup.bat`
QIIME2	conda env (recommended) or Docker	conda env or Docker Engine	Docker Desktop
Docker	Optional (not needed if QIIME2 conda env exists)	Optional	Docker Desktop
Python analysis packages	included in QIIME2 conda env	included in QIIME2 conda env	manual pip
RAM	8 GB+ recommended	8 GB+ recommended	8 GB+ recommended
Disk	~10 GB (LLM + QIIME2)	~10 GB	~10 GB

Python analysis packages (auto-installed by setup.sh): numpy, pandas, matplotlib, seaborn, scipy, scikit-learn, biom-format, networkx, statsmodels

Install (3 steps)

macOS

git clone https://github.com/Rhizobium-gits/seq2pipe.git
cd seq2pipe
chmod +x setup.sh launch.sh
./setup.sh      # first time only
./launch.sh     # start

Linux (Ubuntu / Debian / Fedora / Arch etc.)

git clone https://github.com/Rhizobium-gits/seq2pipe.git
cd seq2pipe
chmod +x setup.sh launch.sh
./setup.sh      # first time only (auto-installs Docker Engine)
./launch.sh     # start

On Linux, you may need to run newgrp docker or log out and back in after setup.sh completes.

Windows

1. git clone https://github.com/Rhizobium-gits/seq2pipe.git
2. Open the seq2pipe folder
3. Double-click setup.bat (first time only)
4. Double-click launch.bat to start

Using PowerShell:

Set-ExecutionPolicy -Scope CurrentUser -ExecutionPolicy RemoteSigned
.\setup.ps1   # first time only
.\launch.ps1  # start

Install Python packages manually on Windows:

pip install numpy pandas matplotlib seaborn scipy scikit-learn biom-format networkx statsmodels

Launch

./launch.sh     # macOS / Linux
.\launch.bat    # Windows

After launching, select your language (Japanese / English) and an interactive terminal session begins.

Usage

Mode 1 — Natural language analysis + refinement loop

$ ./launch.sh --fastq-dir ~/input

Enter request: Shannon diversity violin plot by group

[list_files]  scan exported directory
[read_file]   alpha/shannon_vector.tsv (check column names)
[write_file]  analysis.py
[run_python]  EXIT CODE: 0 → figures/shannon_violin.png

✅ Analysis complete!

  ✏️  Refinement mode
  Refine generated figures with natural language instructions.
  Examples: "move legend outside the plot"
            "enlarge PCoA dots and show sample names"
            "use a colorblind-friendly palette"
  📄 Reports:
      HTML: type "report"
      PDF:  type "PDF" or "latex"
  Exit: empty Enter / quit / done

✏️  Refine> enlarge dots and add sample labels to PCoA

[write_file] analysis.py (modified)
[run_python] EXIT CODE: 0 → figures/fig10_beta_pcoa.png updated

✏️  Refine> PDF

📐 Generating PDF report (LaTeX)...
📐 LaTeX engine detected: lualatex
✅ PDF report generated!
📄 File: /path/to/results/report.pdf

Mode 2 — Fully autonomous (--auto)

cd ~/seq2pipe
./launch.sh --fastq-dir ~/input --auto

Runs the full QIIME2 pipeline + deterministic analysis (29 figures) + adaptive LLM agent + HTML report automatically.

Mode 4 — Research-driven autonomous analysis (--manual-auto)

./launch.sh --fastq-dir ~/input --manual-auto \
    --metadata metadata.tsv \
    --research-question "抗生物質投与群とコントロール群の腸内細菌叢の違い"

The most comprehensive mode. Parses your metadata to understand experimental design (groups, timepoints, paired subjects), then builds a custom analysis plan:

Phase	Analyses
Data Quality	DADA2 stats, read depth, ASV frequency
Composition	Phylum/Genus/Family stacked bars, heatmap, violin, core microbiome, indicator species
Alpha Diversity	Multi-metric boxplot, raincloud plot, rarefaction, effect sizes, trajectory (longitudinal)
Beta Diversity	PCoA (all metrics), NMDS, t-SNE, UMAP, PCA-CLR biplot, PERMANOVA/ANOSIM, beta dispersion, dendrogram
Differential	Volcano plot, MA plot, forest plot, LEfSe-style, multi-group heatmap
Advanced	Co-occurrence network, correlation clustermap, ternary plot, UpSet diagram, Sankey/alluvial, Venn diagram
Publication	Multi-panel composite figures, statistical summary table

Statistical tests adapt automatically:

2 groups → Mann-Whitney U
2 groups (paired) → Wilcoxon signed-rank
3+ groups → Kruskal-Wallis + Dunn's post-hoc
Beta diversity → PERMANOVA (999 permutations)
Multiple testing → Benjamini-Hochberg FDR correction

Experimental design auto-detection

Detected	Method
Group column	Priority list (treatment, group, condition, genotype, diet...) + cardinality check
Timepoint	Column name pattern (timepoint, day, week, visit, dpi...)
Subject column	Column name pattern (subject, patient, donor, mouse, animal...)
Paired design	Subject × group column cross-check
Unbalanced design	Warning if max/min group size ratio > 2.0
Continuous variables	Numeric columns with >10 unique values

Verification results

Test	Result
Import & registry loading	43 analysis specs
Metadata parsing (2-group, paired, longitudinal)	treatment/timepoint/subject correctly detected
Metadata parsing (3-group)	Ternary added, Volcano skipped
Non-existent file	Returns empty design without crash
#q2:types row skip	QIIME2 format metadata supported
Plan building (2 groups, all data)	41 steps selected, 2 skipped
Plan building (3 groups, partial data)	25 steps (filtered by data requirements)
Prompt experimental context embedding	Group names, stat tests, metadata path expanded
CLI --version	`seq2pipe 1.2.0`

Taxonomic analysis (`--classifier`)

Enable taxonomic analysis by providing a SILVA 138 Naive Bayes classifier:

# Auto-discovery (if classifier exists in the seq2pipe directory)
./launch.sh --fastq-dir ~/input --auto

# Explicit path
./launch.sh --fastq-dir ~/input --auto --classifier ~/silva-138-99-nb-classifier.qza

When a classifier is detected, QIIME2 performs taxonomic classification, and analysis.py generates genus/phylum composition figures (fig13-fig15).

Output file structure

~/seq2pipe_results/<timestamp>/
├── exported/                  ← QIIME2 exported data
│   ├── feature-table.tsv
│   ├── taxonomy/taxonomy.tsv
│   ├── alpha/<metric>/alpha-diversity.tsv
│   ├── beta/<matrix>/distance-matrix.tsv
│   └── denoising_stats/stats.tsv
├── figures/                   ← all saved as PNG
│   ├── fig01_dada2_stats.png ... fig15_genus_heatmap.png  ← core 15 figures
│   ├── fig16_rarefaction_curves.png ... fig25_genus_correlation.png  ← extended 10
│   ├── fig26_class_composition.png ... fig29_asv_overlap.png  ← exhaustive 4
│   └── adaptive_01_*.png ...            ← LLM adaptive agent output
├── report.html                ← HTML report (auto-generated)
├── report.tex                 ← LaTeX source (type "PDF")
└── report.pdf                 ← PDF report (lualatex/xelatex compiled)

Supported analyses

QIIME2 core (STEP 1)

Analysis	Command
Import & demultiplex	`qiime tools import`
DADA2 denoising	`qiime dada2 denoise-paired/single`
Taxonomic classification (SILVA 138)	`qiime feature-classifier classify-sklearn`
Composition bar chart	`qiime taxa barplot`
Alpha & beta diversity (with metadata)	`qiime diversity core-metrics-phylogenetic`
Alpha & beta diversity (without metadata)	`qiime diversity alpha` / `qiime diversity beta` (individual)
Differential abundance ANCOM-BC	`qiime composition ancombc`

Deterministic comprehensive analysis (STEP 1.5 — `analysis.py`, no LLM required, 29 figures)

Figure	Analysis	Packages
fig01	DADA2 denoising statistics	pandas, matplotlib
fig02	Sequencing depth per sample	pandas, matplotlib
fig03	Alpha diversity boxplots (Shannon / Faith PD / Observed ASVs)	pandas, seaborn
fig04	Shannon diversity per sample (strip plot)	pandas, seaborn
fig05	Bray-Curtis PCoA (with variance explained %)	sklearn MDS, numpy
fig06	Jaccard PCoA (with variance explained %)	sklearn MDS, numpy
fig07	Unweighted UniFrac PCoA (with variance explained %)	sklearn MDS, numpy
fig08	Weighted UniFrac PCoA (with variance explained %)	sklearn MDS, numpy
fig09	Beta diversity distance heatmaps (4 metrics, 2x2)	pandas, seaborn
fig10	Top 30 ASV heatmap	pandas, seaborn
fig11	Alpha diversity correlation plots	pandas, matplotlib
fig12	ASV richness vs sequencing depth	pandas, matplotlib
fig13	Genus-level stacked bar (with classifier)	pandas, matplotlib
fig14	Phylum-level stacked bar (with classifier)	pandas, matplotlib
fig15	Genus-level heatmap (with classifier)	pandas, seaborn
fig16	Rarefaction curves	pandas, numpy
fig17	NMDS (Bray-Curtis)	sklearn MDS
fig18	Rank-Abundance curve	pandas, matplotlib
fig19	Taxonomic alluvial plot (Phylum→Class→Order)	matplotlib (Bézier)
fig20	Genus co-occurrence network	networkx, matplotlib
fig21	Family-level stacked bar	pandas, matplotlib
fig22	Core microbiome (prevalence vs abundance)	pandas, matplotlib
fig23	Differential abundance volcano plot (BH FDR)	scipy, matplotlib
fig24	Sample dendrogram (UPGMA)	scipy hierarchy
fig25	Genus Spearman correlation clustermap	scipy, seaborn
fig26	Class-level stacked bar	pandas, matplotlib
fig27	Order-level stacked bar	pandas, matplotlib
fig28	Simpson diversity + Pielou evenness	pandas, matplotlib
fig29	ASV overlap pattern (UpSet-style)	itertools, matplotlib

Python downstream (LLM code agent — Mode 1)

Analysis	Packages
Alpha diversity 4-panel (Shannon / Faith PD / Evenness / Observed Features)	pandas, seaborn
Bray-Curtis PCoA (sklearn MDS)	pandas, sklearn
UniFrac PCoA (unweighted / weighted)	pandas, sklearn
NMDS (non-metric multidimensional scaling)	pandas, sklearn
CLR-transformed PCA	pandas, sklearn
Phylum/genus stacked bar (with taxonomy)	pandas, seaborn
Genus-level heatmap (with taxonomy)	pandas, seaborn
Sample correlation matrix	pandas, scipy, seaborn
HTML / LaTeX+PDF report auto-generation	report_generator.py (lualatex / xelatex)

Environment variables

Variable	Default	Description
`QIIME2_AI_MODEL`	`qwen2.5-coder:7b`	Ollama model to use
`SEQ2PIPE_AUTO_YES`	`0`	Set to `1` to skip command confirmation (autonomous mode)
`SEQ2PIPE_MAX_STEPS`	`100`	Maximum agent loop steps
`SEQ2PIPE_PYTHON_TIMEOUT`	`600`	Timeout in seconds for Python execution
`QIIME2_CONDA_BIN`	auto-detected	Path to QIIME2 conda env bin directory (manual override)

Models

Model	Parameters	Disk Size	RAM Required	Description
`qwen2.5-coder:7b`	7.6B	4.7 GB	8 GB+	Best for code generation (recommended)
`qwen2.5-coder:3b`	3.1B	1.9 GB	4 GB+	Lightweight and fast, for constrained memory
`llama3.2:3b`	3.2B	2.0 GB	4 GB+	General purpose, good conversation
`qwen3:8b`	8.2B	5.2 GB	16 GB+	Highest quality, strong reasoning
`codellama:7b`	6.7B	3.8 GB	8 GB+	Meta's code-specialized model
`deepseek-coder-v2:lite`	2.4B	1.5 GB	4 GB+	Ultra-lightweight coding model

Storage estimate: Ollama (~500 MB) + selected model (1.5-5.2 GB) + QIIME2 conda env (~3 GB) + SILVA classifier (~400 MB, optional) = total ~6-10 GB

Architecture

Troubleshooting

Cannot connect to Ollama

ollama serve

QIIME2 conda env not detected automatically

QIIME2_CONDA_BIN=/opt/conda/envs/qiime2/bin ./launch.sh

Docker not found / not running

Docker is not required if a QIIME2 conda env is detected.

macOS / Windows: Start Docker Desktop
Linux: sudo systemctl start docker

Python analysis packages missing

pip install numpy pandas matplotlib seaborn scipy scikit-learn biom-format networkx statsmodels

LaTeX PDF compilation fails

Install MacTeX (includes lualatex and xelatex):

# macOS — minimal install (~100 MB)
brew install --cask mactex-no-gui

# Linux
sudo apt install texlive-luatex texlive-xetex texlive-lang-japanese

# Manual compile (if auto-compile fails)
lualatex report.tex   # preferred (Japanese support)
xelatex  report.tex   # alternative

If no LaTeX engine is found, report.tex is saved for manual compilation.

Figures saved as PDF/SVG (cannot open in macOS Preview)

seq2pipe automatically converts PDF/SVG to PNG using macOS built-in sips. For existing PDF files, batch-convert with:

for f in ~/seq2pipe_results/*/figures/*.pdf; do
  sips -s format png "$f" --out "${f%.pdf}.png" && rm "$f"
done

Model is slow / responses take too long

QIIME2_AI_MODEL=qwen2.5-coder:3b ./launch.sh

File structure

seq2pipe/
├── cli.py              # Terminal entry point (rainbow banner / mode selection)
├── qiime2_agent.py     # QIIME2 pipeline generation agent (11 tools)
├── pipeline_runner.py  # QIIME2 execution wrapper + result export (_Tee logger)
├── analysis.py         # Deterministic comprehensive analysis module (29 figures, no LLM)
├── code_agent.py       # LLM code generation agent (vibe-local style)
│                       #   └── run_refinement_loop()  post-analysis refinement
├── report_generator.py # HTML and LaTeX/PDF report generation
├── chat_agent.py       # Autonomous analysis session (legacy)
├── Figure/             # Demo output figures (real data analysis results, 29 figures)
│   ├── fig01_dada2_stats.png ... fig29_asv_overlap.png
├── Paper/              # Technical report (TeX / PDF)
│   ├── seq2pipe_ja.tex / seq2pipe_ja.pdf
│   └── seq2pipe_en.tex / seq2pipe_en.pdf
├── launch.sh           # macOS / Linux launcher
├── setup.sh            # macOS / Linux setup
├── LICENSE             # MIT License
└── README.md           # This file

Contributors

	Name	Role
@Rhizobium-gits	Tsubasa Sato	Author

Coding assistance by Claude (Anthropic).

References

Changelog

v3.0.0 (2026-03-30) — ReasoningEngine + 71 Analyses

ReasoningEngine（文脈依存推論）

v2 の静的 if 文 → v3 の推論チェーン（Observation → Interpretation → Hypothesis → Action）
前ステップの結果が後の判断に影響する：
- alpha sig + beta ns → strategy=taxa_focused → differential 優先、ordination スキップ
- alpha ns + beta sig → strategy=ordination_focused → ordination 優先
- both ns → strategy=minimal → 大半スキップ
- both sig → strategy=comprehensive → 全解析実行
rarefaction の結果が alpha の信頼性を更新（artifact 確認 → alpha を non-significant に格下げ）
高スパース + differential → compositional artifact 警告を自動生成

解析レジストリ拡充（43 → 71）

カテゴリ	v2	v3	新規
Composition	8	15	Phylum heatmap, Top20 grouped bar, Area plot, Bubble chart, F/B ratio, Hill numbers, Accumulation
Alpha	5	8	Pairwise heatmap, Metadata correlation, Evenness vs Dominance
Beta	9	14	Pairwise PERMANOVA heatmap, 3D PCoA, Distance boxplot, Significance summary, Procrustes
Differential	5	9	Log2FC heatmap, Strip plot, Waterfall, Cladogram
Advanced	9	16	Mantel test, SourceTracker, Volatility, Paired diff, ADONIS R², Random Forest
Publication	3	6	Diversity composite, Graphical abstract, Methods flowchart
Quality	3	3	—

BayesianReasoner（確率的推論）

if 文の二値判断ではなくベイズの定理で仮説の確信度を連続更新
7 仮説: alpha_differs, community_shifts, taxa_differential, functional_shift, sampling_artifact, compositional_artifact, underpowered
複数メトリクスの一致が確信度を乗算的に上昇: Shannon p=0.001 + Observed p=0.0007 → 0.50 → 0.84 → 0.97
矛盾する証拠が打ち消し合う: p=0.03 (支持) + effect=0.05 (反証) → 0.50 → 0.62 → 0.44

v2 vs v3 精度比較（正直に）

	Static	v2 (if文)	v3 (Bayes)
平均精度	57.5%	73.0%	69.4%
taxonomy なしデータ	52%	52-62%	61-71% (+9~19pp)
シグナル欠如データ	33-62%	81-95%	52-71%
Wrong skips	—	0	0

大規模検証: 2,102,520 判断 (12 実データ × 10 回 + 100,000 合成)

	Static	v2 (if 文)	v3 (Bayes)
実データ精度 (12 scenarios)	57.5%	73.0%	88.5%
合成データ精度 (100K scenarios)	53.7%	70.4%	85.8%
Wrong skips (実データ)	—	0	30
Wrong skips (合成)	—	0	8,691
合成: v3 が勝つシナリオ	—	—	72,966 (73%)
合成: v2 が勝つシナリオ	—	—	1,715 (2%)

精度と安全性のトレードオフ: v3 Bayes は v2 より精度が +15pp 高い（85.8% vs 70.4%）が、false negative（必要な解析の見逃し）が 0.41% 発生する。v2 は false negative = 0 を構造的に保証するが精度は低い。研究のフェーズに応じて選択すべき: 探索段階は v3 (Lite)、最終確認は v2 (AI-Driven)。

v2.0.0 (2026-03-29) — Major Release

新規性

閉ループ適応解析: データを見て → 統計検定 → スコア評価 → 判断木で次を決定 → 実行 → 再評価のサイクルを自動で回す
DecisionEngine: 文献ベース（Anderson 2001, Willis 2019, Gloor 2017, McMurdie 2014）の確定的判断木。LLM に一切依存しない
DataInspector: QIIME2 エクスポート TSV を直接パースし、純 Python で Mann-Whitney U / Kruskal-Wallis / PERMANOVA を実行（scipy 不要）
重み不変性定理: 8 軸スコアの重みは判断に影響しないことを 10,221 通りの設定と 2,520,000 回の実行で数学的に証明

精度（2,732,520 判断で検証）

実験	判断数	結果
実データ（4 データセット × 12 シナリオ × 10 回）	2,520	精度 73.0%、偽陰性 0
合成データ（10,000 ランダムシナリオ）	210,000	75.5% 改善、0% 悪化
重み不変性（10,000 設定 × 12 シナリオ、6.4h）	2,520,000	σ = 0（全同一）
合計	2,732,520	偽陰性 = 0 (0.0000%)

LLM の役割

判断（skip/add）: 100% LLM 不要、確定的、再現性 100%
コード生成: LLM 必須（レジストリ 47%、Investigation 25%）
重みは判断に影響しない（表示用のみ）

新モジュール

eval_mediator.py: DataInspector + EvalMediator + DecisionEngine
code_templates.py: LLM コード生成の validated preamble
experiment_analyzer.py: メタデータ → 実験デザイン自動解析

論文

Paper/seq2pipe_manuscript.pdf (EN) + seq2pipe_manuscript_ja.pdf (JA)
TikZ 概念図 4 枚 + 評価図 7 枚
4 公開データセット（Moving Pictures, Atacama Soil, Gneiss IBD, FMT）のみ使用

v1.6.0 (2026-03-28)

厳密な評価: 4 公開データセット × 7 シナリオ × 10 回 = 1,470 判断で検証
- エキスパート一致率: 平均 66.7%、最大 95%（固定パイプライン 60.5% → +6.1 pp）
- 偽陰性スキップ = 0 / 1,470 判断（0.00%）
- 再現性: 70 回実行で判断・スコアとも完全同一（std = 0）
LLM 役割の正確な記述: コード生成は LLM 必須（判断のみ LLM 不要）
Investigation 無限ループ修正: 重複タイトルチェック + 上限 8 件
CodeTemplateEngine: データ読み込みエラーを排除する検証済みプリアンブル生成
論文 (Paper/seq2pipe_manuscript.pdf): TikZ 概念図 4 枚 + 評価図 5 枚、学術論文水準に全面改訂
scipy 検証: 有意性一致率 99-100%、Caporaso 2011 結論一致 7/7
公開データのみ使用（Moving Pictures, Atacama Soil, Gneiss IBD, FMT）

v1.5.0 (2026-03-27)

AI 駆動モードの Phase 1-3 改善
eval_mediator.py v2: DataInspector が TSV を直接パース（stdout テキストマッチから脱却）
自前統計検定: Mann-Whitney U, Kruskal-Wallis H, PERMANOVA を純 Python 実装（scipy 不要）
DecisionEngine: 文献ベースの確定的判断木（Anderson 2001, Willis 2019, Gloor 2017, McMurdie 2014）
8 軸スコアリング + SVD 次元圧縮

v1.4.0 (2026-03-27)

--ai-driven モード: データ駆動の適応的解析エンジン（モード 5）
- DataInspector: feature-table / alpha / beta / taxonomy の TSV を直接パースし、統計検定を純 Python で自前実行（scipy 不要）
- EvalMediator: 8 軸スコア評価（statistical_significance, biological_relevance, novelty, actionability 等）
- SVD 次元圧縮: スコア行列をべき乗法で 3 主成分に圧縮、LLM コンテキスト効率を最大化
- DecisionEngine: 文献ベースの確定的判断木
  - Anderson (2001): PERMANOVA 有意 → betadisper 必須 / 非有意 → beta 系全スキップ
  - Willis (2019): effect size + rarefaction で alpha の解釈を判断
  - Gloor et al. (2017): 組成データ → 低豊度バイアス自動検出
  - McMurdie & Holmes (2014): read depth CV で rarefaction の要否判断
- Python 判断が LLM 判断に優先するマージ機構（merge_with_llm）
- LLM 障害時も Python 判断木のみで完走可能
- eval_mediator.py (新モジュール)、ai_driven_agent.py (大幅強化)

v1.3.0 (2026-03-26)

AI 駆動モードの Phase 1-3 基本実装
microbiome_knowledge.py: 包括的ドメイン知識モジュール（Hill numbers, β多様性回転分割, 統計検定決定木等）
experiment_knowledge.py: 実験系文献知識データベース（抗生物質, 食事介入, IBD, 肥満等）
experiment_analyzer.py: メタデータから実験デザインを完全自動解析

v1.2.0 (2026-03-25)

--manual-auto モード: 研究目的駆動の自律解析モードを追加
- メタデータから実験デザインを自動解析（グループ・縦断・ペア設計の検出）
- 40+ 種の可視化・統計解析レジストリから条件に合う解析を自動選択
- データ適応型の統計検定選択（2群: Mann-Whitney, 3+群: Kruskal-Wallis, ペア: Wilcoxon）
- 新規可視化: Raincloud plot, t-SNE, UMAP, UpSet diagram, Ternary plot, LEfSe-style, Forest plot, Alluvial/Sankey
- PERMANOVA/ANOSIM, FDR 補正, 効果量 (Cliff's delta) を自動適用
- manual_auto_agent.py (新モジュール, 700+ 行)
CLI にモード 4 を追加（--manual-auto --metadata meta.tsv --research-question "..."）

v1.1.0 (2026-03-13)

プライマー配列を FASTQ リードから自動検出し trim_left を設定
チャットモードにユーザプロンプト・メタデータのコンテキスト受け渡しを追加

v1.0.0 (2026-03-03) — Stable Release

論文フォーマットを vibe-coder テクニカルレポート形式に統一
全機能の安定版リリース

v0.9.0 (2026-03-02)

決定論的解析モジュール (analysis.py) で 29 図を自動生成
HTML レポートをカテゴリ別手法・数式付きに再設計
16S アンプリコン / ショットガンメタゲノムの入力自動判別
アーキテクチャ図・モデル容量情報をドキュメントに追加

v0.8.0 (2026-02-27)

DADA2 パラメータ（trunc_len, trim_left）を FASTQ リード長から自動検出
振り返り・修正モード（refinement mode）を追加
HTML / LaTeX+PDF レポート生成機能
PDF/SVG 図を macOS sips で JPEG に自動変換

v0.7.0 (2026-02-27)

QIIME2 + miniforge の自動インストール (setup.sh)
Apple Silicon (Rosetta 2) 対応
--auto フラグによる完全無人実行モード
bash 3.x 互換性修正

v0.6.0 (2026-02-26)

対話チャットモード (chat_agent.py) を追加
モダン図スタイルガイドをプロンプトに組み込み
ターミナルファースト設計へリフォーカス（Streamlit はオプション化）

v0.5.0 (2026-02-25)

Auto Agent モード（自律的にコード生成・実行・修正を繰り返す）
code agent を vibe-local スタイル tool-calling ループに全面書き換え
PCA, NMDS, 複数メトリクス α/β 多様性, レアファクションを追加
小規模 LLM（7B パラメータ）でも安定動作するロバスト化

v0.4.0 (2026-02-25)

Streamlit GUI アプリ (app.py) を追加
ターミナル CLI (cli.py) を追加、マニフェスト起点のフローに再設計
レインボーバナーアニメーション
QIIME2 パイプラインと LLM コード生成を分離

v0.3.0 (2026-02-24)

日本語 / 英語 UI 切り替え (i18n)
GitHub Codespaces / Linux 対応（Ollama 起動修正）
セッション出力ディレクトリの自動作成
run_qiime2_pipeline: 単一ツールでフルパイプライン実行
テキストフォールバックパーサー（tool-call を JSON テキストで埋め込むモデル対応）

v0.2.0 (2026-02-23)

Python 下流解析・図出力・TeX/PDF レポート生成
自律探索モード (build_report_tex)
言語選択 UI（日本語 / English）
7 ラウンドのバグ修正・コードレビュー
MIT ライセンス追加

v0.1.0 (2026-02-23) — Initial Release

QIIME2 ローカル AI エージェント（Ollama + tool-calling）
マニフェスト生成・パイプライン実行・可視化の基本フロー
macOS / Windows / Linux 対応
日英 README・技術論文 (Paper/)

License

This tool: MIT License
SILVA 138 data: CC BY 4.0
QIIME2: BSD License

Name		Name	Last commit message	Last commit date
Latest commit History 174 Commits
Figure		Figure
Paper		Paper
docs		docs
test		test
.gitignore		.gitignore
Dockerfile		Dockerfile
LICENSE		LICENSE
README.md		README.md
_run_analysis.py		_run_analysis.py
_run_pipeline.py		_run_pipeline.py
adaptive_coder.py		adaptive_coder.py
ai_driven_agent.py		ai_driven_agent.py
analysis.py		analysis.py
analysis_templates.py		analysis_templates.py
app.py		app.py
bayesian_reasoner.py		bayesian_reasoner.py
bulletproof_coder.py		bulletproof_coder.py
chat_agent.py		chat_agent.py
cli.py		cli.py
code_agent.py		code_agent.py
code_learner.py		code_learner.py
code_templates.py		code_templates.py
config.yaml		config.yaml
config_loader.py		config_loader.py
data_compressor.py		data_compressor.py
docker-compose.yml		docker-compose.yml
eval_mediator.py		eval_mediator.py
experiment_analyzer.py		experiment_analyzer.py
experiment_knowledge.py		experiment_knowledge.py
fig_style.py		fig_style.py
install_qiime2_wsl.ps1		install_qiime2_wsl.ps1
launch.bat		launch.bat
launch.ps1		launch.ps1
launch.sh		launch.sh
learning_store.py		learning_store.py
lite_engine.py		lite_engine.py
manual_auto_agent.py		manual_auto_agent.py
microbiome_knowledge.py		microbiome_knowledge.py
pipeline_runner.py		pipeline_runner.py
qiime2_agent.py		qiime2_agent.py
reasoning_engine.py		reasoning_engine.py
report_generator.py		report_generator.py
seq2pipe.png		seq2pipe.png
setup.bat		setup.bat
setup.ps1		setup.ps1
setup.sh		setup.sh
smart_coder.py		smart_coder.py
trace_logger.py		trace_logger.py

Folders and files

Latest commit

History

Repository files navigation

日本語 | English

これは何？

モード比較

コード生成精度比較 (4 公開データセット × 2 タスク = 8 回)

デモ出力 — 実際の解析結果

DADA2 デノイジング統計

α 多様性 — Shannon / Faith PD / Observed ASVs

Shannon 多様性（サンプル別ストリッププロット）

β 多様性 — Bray-Curtis PCoA

β 多様性 — Unweighted UniFrac PCoA

β 多様性 — 距離行列ヒートマップ（4 指標）

分類組成 — 属レベル積み上げ棒グラフ

分類組成 — 属レベルヒートマップ

科レベル積み上げ棒グラフ

ラレファクションカーブ

NMDS（Bray-Curtis）

属間共起ネットワーク

コアマイクロバイオーム

Simpson 多様性 + Pielou 均等度

必要なもの

インストール（3 ステップ）

macOS

Linux（Ubuntu / Debian / Fedora / Arch など）

Windows

起動方法

使い方

モード 1 — 自然言語でリクエスト（指定解析）

モード 2 — 完全自律（--auto）

モード 4 — 研究目的駆動の自律解析（--manual-auto）

実験デザイン自動検出

データ適応型の統計検定

40+ 種の解析レジストリ

検証結果

モード 5 — AI 駆動の適応的解析（--ai-driven）

アーキテクチャ — 3 層構造

8 軸評価スコア

判断木の実例

モード 4 との違い

評価結果（252 独立判断 + 頑健性検証）

Docker で再現性保証

YAML 設定ファイル

構造化ロギング（トレーシング）

DADA2 パラメータの自動検出

分類学的解析（--classifier）

レポート出力

生成されるファイル

対応解析一覧

QIIME2 コア解析（STEP 1）

決定論的包括解析（STEP 1.5 — analysis.py、LLM 不要・29 図）

Python ダウンストリーム解析（LLM コード生成エージェント — モード 1）

研究目的駆動の自律解析（モード 4 — --manual-auto、43 解析レジストリ）

環境変数

使用モデル

小型モデルへの対応（ロバストネス機能）

アーキテクチャ

トラブルシューティング

ファイル構成

Contributors

参考リンク

ライセンス

English

What is this?

Demo Output — Real Analysis Results

DADA2 Denoising Statistics

Alpha Diversity — Shannon / Faith PD / Observed ASVs

Shannon Diversity (Per-Sample Strip Plot)

Beta Diversity — Bray-Curtis PCoA

Beta Diversity — Unweighted UniFrac PCoA

Beta Diversity — Distance Heatmaps (4 Metrics)

Taxonomic Composition — Genus-Level Stacked Bar

Taxonomic Composition — Genus-Level Heatmap

Family-Level Stacked Bar

Rarefaction Curves

NMDS (Bray-Curtis)

Co-occurrence Network

Core Microbiome

分類学的解析（`--classifier`）

決定論的包括解析（STEP 1.5 — `analysis.py`、LLM 不要・29 図）

研究目的駆動の自律解析（モード 4 — `--manual-auto`、43 解析レジストリ）

Taxonomic analysis (`--classifier`)

Deterministic comprehensive analysis (STEP 1.5 — `analysis.py`, no LLM required, 29 figures)