【Kaggle挑戦記】DNA Classification Dataset：データの取得と構造の確認
手書き文字認識の「Digit Recognizer」を経て、今回は「DNA Classification Dataset」に挑戦しました。今回はコンペではなく、データセットでの分析にチャレンジします。モデル作成の前に、データの入手手順、データの読み方、およびこのデータにおける予測ターゲットの考え方を整理します。
0. このデータセットの概要
「DNA Classification Dataset」は、ゲノムデータ分析、機械学習、およびバイオインフォマティクス研究のために設計された、3,000個の合成DNAサンプルを含むデータセットです。データの主な仕様は以下の通りです。
- データ規模： 合計3,000行、13カラム（3,000サンプルのDNA配列および統計データ）
- 入力データ： DNA配列の文字列に加え、GC含有率や各塩基の個数など、配列の統計属性があらかじめ特徴量として含まれています。
- タスク： 与えられたDNAデータから、目的変数（ターゲット）を切り替えることで、生物種の分類や変異の有無、リスクの予測など、複数の異なる検証を行うことができる多角的な構造になっています。
通常のコンペと異なり、最初から特定のテストデータや単一のゴールが分かれて提供されているわけではありません。Kaggle側での自動採点もないため、手元にある3,000行のデータを自分で分割し、設定したタスクごとに交差検証（クロスバリデーション）によって手元で予測精度を評価・検証していく必要があります。
1. データの入手
データの取得手順は以下の通りです。
- Kaggleにログインします。
- 検索窓で「DNA Classification Dataset」を検索します。
- 該当する「DNA Classification dataset」を選択します。
- 右上のダウンロードから、ZIP形式でダウンロードします。
- ダウンロードしたZIPファイルを適当なディレクトリで展開します。
展開すると、ディレクトリ内に「synthetic_dna_dataset.csv」ができます。
2. synthetic_dna_dataset.csvの解説
展開して得られたCSVファイルの中身を確認しました。このデータセットに含まれる13個のカラム一覧とそれぞれの解説は以下の通りです。
| カラム名 | 解説 |
|---|---|
| Sample_ID | 各DNAサンプルの固有の識別子（ID） |
| Sequence | DNAの配列データ（A, T, C, Gの文字列） |
| GC_Content | 配列中におけるグアニン（G）とシトシン（C）の割合（％） |
| AT_Content | 配列中におけるアデニン（A）とチミン（T）の割合（％） |
| Sequence_Length | 配列の総文字数（長さ） |
| Num_A | 配列中に含まれるアデニン（A）の個数 |
| Num_T | 配列中に含まれるチミン（T）の個数 |
| Num_C | 配列中に含まれるシトシン（C）の個数 |
| Num_G | 配列中に含まれるグアニン（G）の個数 |
| kmer_3_freq | 3文字の塩基トリプレット（3-mer）の平均出現頻度スコア |
| Mutation_Flag | 変異の有無を示すバイナリフラグ（0 = なし、1 = あり）。【予測ターゲット候補1：二値分類】 |
| Class_Label | サンプルの分類クラス（Human / Bacteria / Virus / Plant）。【予測ターゲット候補2：多値分類】 |
| Disease_Risk | サンプルに関連するリスクレベル（Low / Medium / High）。【予測ターゲット候補3：多値・順序分類】 |
このデータセットの特徴は、ゴールとなる目的変数を何に設定するかによって、全く異なる予測モデルの検証ができる点にあります。配列データや、あらかじめ計算されている塩基の個数などの特徴量をベースにして、どの予測タスクからアプローチするかを自由に選択できる構造になっています。
配列のゆらぎや塩基の統計的特徴を組み合わせることで、それぞれのターゲットに対してLightGBMがどのように境界線を学習するのか、切り口を変えて複数の検証を回せるデータ構成となっています。
3. 今後の流れ
あらかじめ塩基の個数や割合といった数値の特徴量が豊富に用意されているため、生の文字列（Sequence）を加工しなくても、初期の数値データだけでLightGBMに投入可能な構造になっています。まずはこの綺麗なデータセットが手元に用意できたので、ここからどのタスクの検証作業に入るかを決定します。
次は、これらの予測候補の中から最初のターゲットを決定し、交差検証を回すための前処理を進めていきます。
