英文原著論文の日本語発表スライドをChatGPT DeepResearchと作る

Last updated at 2025-03-01Posted at 2025-03-01

はじめに

僕はバイオ情報学研究会でほぼ毎回講演しているのだが、内容は基本、出版済みの自分の原著論文の紹介である。英文で発表済みの内容を日本語の発表スライドに直すのは徒労感があったが今回ChatGPT+DeepResearchと一緒に作ってみたら簡単だったので紹介する。自分の原著論文を日本語の発表スライドにする人はあまりいない（普通は原著論文になる前に日本語で発表するから）とは思うのだが、ジャーナルクラブなどでは英語の原著論文を日本語で発表するスライドにすることはよくあると思うので共有に意味があると思った次第。なお、画像のアップロードを含む場合はプロンプトの共有ができないのです。残念ながら。なお、最初のプロンプト以外はDeepResearchのオプションは外しています。latexのソースをだすだけのpromptのところでDeapResearchオプション付けても時間がかかるだけで意味がないです。

ChatGPT DeepResearchに依頼

https://www.mdpi.com/2073-4425/13/6/1097
この論文の内容を、使われている図表も含めて、２０分で講演できる日本語の発表スライドにまとめてください。

とお願いしました。この結果

ご指定の論文の内容をもとに、20分の日本語講演用スライドを作成します。
以下の点について確認させてください。

聴衆の想定レベル: 専門家向け（遺伝学や生物学の研究者）、大学生向け、一般向けなど。

スライドのデザイン: シンプルなアカデミックスタイルか、ビジュアルを多用した分かりやすいものか。

強調したいポイント: 結論・応用可能性・方法論の詳細など、特に重視したい部分はありますか。

図表の使用: 論文の図表をすべて含めるか、一部のみ選定するか。

スライドのファイル形式: PowerPoint（.pptx）、PDF、または他の形式を希望されますか。

ご希望に合わせて最適なスライドを作成しますので、ご回答をお願いします！

と聞かれたので

１　専門家向け
２　シンプルなアカデミックスタイル
３　テンソル分解で余病が推定できることを強調したい
４　論文中の図表を使ってください。
４　PDFでお願いします

と返事したら

了解しました。論文の内容をもとに、専門家向けのアカデミックスタイルで、テンソル分解による余病推定を強調した発表スライド（PDF形式）を作成します。

スライドには論文中の図表を適切に使用し、20分の講演に適した構成にまとめます。準備が整い次第、お知らせしますので、少々お待ちください。

Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases

（糖尿病における組織特異的遺伝子発現の統合解析による関連疾患の同定）

Y.-H. Taguchi¹, Turki Turki² (Genes 13(6):1097, 2022)
¹中央大学理工学部物理学科, ²キングサウド大学コンピュータ科学科

研究の背景と目的（Background & Objective）

糖尿病と余病（関連疾患）: 糖尿病患者では神経変性疾患や非アルコール性脂肪肝など様々な合併症・併存疾患が生じ得る。 (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
) こうした余病の予測・推定は、疾病の総合的な管理や新たな治療標的の発見につながる重要課題。

遺伝子発現データの統合解析: 従来、単一組織の遺伝子発現解析が主流だったが、それでは全身性疾患の全貌を捉えきれない可能性がある。複数組織のデータを統合し解析することで、疾患間の関連性を包括的に明らかにできると期待される (Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases)。

本研究の目的: テンソル分解という手法を用いて複数組織の遺伝子発現プロファイルを統合解析し、糖尿病に**付随する疾患（余病）**を同定できるか検証する (Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases) (Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases)。

テンソル分解の基礎（Tensor Decomposition）

テンソル分解とは: 多次元配列（テンソル）を、高次元の特異値分解（HOSVD）によって因子（要素ベクトル）の積に分解する手法 (Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases)。遺伝子発現データでは、複数組織×複数条件×複数時間点といった高次元データを解析するのに適している。

教師なし特徴抽出: テンソル分解に基づく特徴抽出では、ラベルなしでデータの主要な変動要因を捉えることが可能。 (Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases) 各モード（次元）に対応する特異値ベクトルから特徴的なパターンを抽出し、関連する遺伝子集合を同定する。

本研究での工夫: 既存のテンソル分解に基づく手法 (Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases)に標準偏差の最適化を導入し改良。 (Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases) これによりノイズを抑えつつ、生物学的に意味のある遺伝子をより安定に選択できるようにした。

データと解析手法（Data & Methods）

(
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
) 図1. 本研究の解析パイプラインの概要（各組織の遺伝子発現データをテンソルに統合し、HOSVDによる特徴抽出と遺伝子選択を行った後、選択遺伝子についてエンリッチメント解析により関連疾患を推定） (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
) (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
).

データ: 公共データベースGEOよりラット糖尿病モデルの遺伝子発現データを取得 (Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases) (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
)。脂肪・筋肉・肝臓の3組織から採取したサンプルについて、5つの時点・2系統のラット（糖尿病モデルと対照）で発現プロファイルを測定。

テンソル構築: 上記データを統合し、**[遺伝子×週（時間）×個体（レプリケート）×処置（対照/糖尿病）×系統×組織]**の5次元テンソルを構成。各要素は特定遺伝子の特定組織・条件下での発現量を表す。

解析手順: 構築したテンソルに高次特異値分解（HOSVD）を適用し、得られた特異値ベクトルから発現変動の大きい遺伝子を選択（提案手法では2542プローブを選択） (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
)。選択した遺伝子群をエンリッチメント解析ツールEnrichrに入力し、関連する経路・疾患を網羅的に同定。 (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
) また比較のため、各組織単独の差次的発現解析（t検定・SAM・limma法）や単純統合法（バッチ効果補正のComBat (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
)）も実施した。

結果の概要（Results）

多様な関連疾患を同定: 統合解析による遺伝子セットのエンリッチメント結果、KEGG疾患カテゴリーの上位に糖尿病関連の疾患・経路が多数挙がった (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
) (Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases)。例：糖尿病性心筋症（直接的関連）、プリオン病・パーキンソン病・アルツハイマー病・ハンチントン病（神経変性疾患）、非アルコール性脂肪肝疾患、熱産生（Thermogenesis）、酸化的リン酸化、PPARシグナル伝達 等。

糖尿病と一見無関係な疾患も: 上位の用語に糖尿病そのもの以外の疾患が多く含まれるため一見ミスマッチに思えるが、糖尿病は神経変性疾患のリスク因子であることが広く知られている (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
)。実際、糖尿病とアルツハイマー病など認知症との関連性は疫学的にも指摘されており、本解析によりそうした余病の分子レベルの関連が捕捉されたといえる。

統合解析の優位性: 提案手法は各組織別の解析よりも多くの遺伝子を検出（例：本手法2542プローブ vs. 従来法数百程度）し、とくに筋肉組織に関するシグナルを適切に捉えた (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
) (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
)。一方、従来手法（t検定・SAM）では筋肉由来の遺伝子を十分検出できず、limmaでは筋肉では有意遺伝子を2つしか見出せなかった (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
) (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
)。

他手法との比較: 単純な統合（ComBatによるバッチ補正後の解析）では神経変性疾患の関連は検出されず、従来手法も含め糖尿病との関連疾患を網羅的に見出すには不十分だった。 (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
) (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
) これらに対し、本手法は統合解析でしか検出できない疾患関連性を明らかにし、余病推定における有効性が示された。

考察と応用可能性（Discussion & Implications）

統合解析の意義: 本研究は、マルチ組織の統合解析により個別解析では見逃す疾患間の関連性を検出できることを示した。 (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
) (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
) 単に複数解析結果を集合しただけでは得られない追加情報（例：糖尿病と神経変性疾患の関連）が抽出でき、統合解析は個々の解析の単純和以上の価値を持つことが示唆される。 (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
)

生物学的解釈: 統合解析で選択された遺伝子は全ての組織で発現している共通遺伝子であり (Genes | Special Issue : Bioinformatics of Disease Genes)、それらが関与する経路として神経変性疾患や代謝経路が浮上した。これは、糖尿病の全身的影響を反映した分子ネットワークが存在する可能性を示す。余病の予測において、こうした共通分子基盤の同定は新たな知見を提供する。

応用可能性: 提案された統合解析アプローチは、他の疾患群間の関連性探索にも応用できる可能性がある。 (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
) (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
) 遺伝子発現データから疾患と疾患の関連を予測する手法はほとんど例がなく、新規性が高い。 (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
) 例えば本手法は、糖尿病に限らずがんと神経疾患など異なる疾患間の隠れた関連を発見し、創薬や予防医学に貢献し得る。

結論と今後の展望（Conclusion & Future Work）

余病推定への有用性: テンソル分解を用いた遺伝子発現の統合解析により、糖尿病の余病（関連疾患）の同定が可能であることを明らかにした。単一組織解析では検出困難な関連性（例：糖尿病と神経変性疾患）も検出され、統合解析の有効性が示された。 (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
)

本手法の優位性: 提案手法は従来手法に比べ多くの関連遺伝子を抽出し、それら遺伝子の関与する経路の解析から新たな疾患関連要因を得られる可能性が高い。 (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
) これは、疾患に伴う二次的な影響や合併症リスクを分子レベルで予測・評価するための有力なアプローチとなる。

今後の展望: 本研究の戦略は他の疾患領域にも展開可能であり、今後は様々な疾病組み合わせでの余病予測への適用が期待される。 (
Integrated Analysis of Tissue-Specific Gene Expression in Diabetes by Tensor Decomposition Can Identify Possible Associated Diseases - PMC
) また、遺伝子発現以外のオミクス統合や、機械学習との組み合わせによる予測精度向上も課題である。こうした発展により、疾患の包括的理解と個別化医療への寄与が見込まれる。

PDFにしてくれるようにお願いする

１ページに詰め込みすぎです。もっとページ数を増やしてください。
PDFで提供してください。
表が入っていません
https://www.mdpi.com/article/10.3390/genes13061097/s1
にある図も含めてください

などとおねがいしたところ

以下に、日本語のアカデミック向け発表スライドを想定したLaTeX (beamer) ソースコードを示します。これを保存 (例: presentation.tex) して LaTeX コンパイル（pdflatex など）すれば、PDF形式のスライドが生成されます。ページ数を増やし、論文本編およびサプリメントに掲載の図表を適宜参照・挿入する形としました。

LaTeXソースコード

\documentclass[dvipdfmx,professionalfont,14pt]{beamer}
\usepackage{graphicx}   % 図の挿入用
\usepackage{booktabs}   % 表の罫線を綺麗にする
\usepackage{amsmath,amssymb}
\usepackage{here}       % 図表の強制配置用
\usepackage{bxjahyper}  % 日本語ハイパーリンク対応
\usepackage{otf}        % 日本語フォント
\usepackage{url}

\usetheme{Madrid}       % テーマはお好みで変更してください
\usecolortheme{dolphin} % カラーテーマもお好みで調整

% タイトル・サブタイトル・著者などを設定
\title[Tensor Decomposition \& Associated Diseases]{
  複数組織の遺伝子発現データに対する\\
  テンソル分解を用いた余病（関連疾患）推定
}
\subtitle{\textbf{(Taguchi et al., Genes 2022, 13(6), 1097)}}
\author[Taguchi, Turki]{%
  参考文献：Y.-H. Taguchi, Turki Turki
}
\institute[MDPI]{%
  \footnotesize
  中央大学 理工学部 物理学科,\\
  キングサウド大学 コンピュータ科学科
}
\date{\today}

% スライド表示用のロゴなどを入れたければここで設定
% \logo{\includegraphics[height=1cm]{logo.png}}

\begin{document}

% タイトルスライド
\begin{frame}
  \titlepage
\end{frame}

% アウトライン
\begin{frame}{講演の概要}
  \tableofcontents
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\section{研究背景と目的}

\begin{frame}{研究背景（1/2）}
  \begin{itemize}
    \item 糖尿病は世界的に重要な疾患であり、神経変性疾患や非アルコール性脂肪肝など様々な合併症・併存疾患が知られている。
    \item こうした「余病」の予測や関連疾患の同定は、個別化医療や新規治療標的探索にとって重要な課題である。
    \item 遺伝子発現データは疾患の分子メカニズムを明らかにする手段として非常に有用。
  \end{itemize}
\end{frame}

\begin{frame}{研究背景（2/2）}
  \begin{itemize}
    \item 従来は「単一組織・単一条件」での遺伝子発現解析が多かったが、全身性疾患の全体像を捉えるには不十分な場合がある。
    \item 複数組織から得られるマルチオミクス的なデータを「\textbf{統合解析}」することで、見逃されてきた疾患間の関連性を捉えられる可能性がある。
    \item \textbf{本研究の目的}：複数組織の遺伝子発現プロファイルをテンソル分解の枠組みで統合解析し、糖尿病と関連する疾患（余病）を推定する方法を検証する。
  \end{itemize}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\section{テンソル分解の概要}

\begin{frame}{テンソル分解とは？}
  \begin{itemize}
    \item テンソル = 多次元配列（例：\textbf{遺伝子} × \textbf{組織} × \textbf{条件} × \textbf{時間} × …）。
    \item 高次元版の特異値分解（\textbf{HOSVD}：Higher-Order Singular Value Decomposition）などを用いて、データを潜在因子の積に分解する。
    \item 教師なし特徴抽出として、高次元データから主要な変動要因を抽出できる。
  \end{itemize}
  \vspace{0.5em}
  \begin{block}{ポイント}
    \small
    従来手法（例：PCA, SVD）は行列レベル（2次元）に限定されるが、テンソル分解によりさらに多次元の構造を保持したまま解析可能。
  \end{block}
\end{frame}

\begin{frame}{解析フロー（論文Figure 1抜粋）}
  \begin{center}
    \includegraphics[width=0.8\textwidth]{figure1.png}\\
    {\scriptsize Taguchi et al., Genes 2022, 13(6), 1097, Figure 1.}
  \end{center}
  \vspace{1mm}
  \begin{itemize}\small
    \item 各組織の遺伝子発現データを多次元テンソルとして構築。
    \item HOSVDを適用し、特異値ベクトルから変動の大きい遺伝子を選定。
    \item 選択遺伝子群に対し、エンリッチメント解析で関連経路・疾患を推定。
  \end{itemize}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\section{データと手法}

\begin{frame}{データセット}
  \begin{itemize}
    \item 公共データベースGEOより取得した\textbf{ラット糖尿病モデル}の遺伝子発現データ。
    \item 脂肪・筋肉・肝臓など\textbf{3組織}、複数週齢（時間軸）×2系統ラット（糖尿病モデル / 対照）。
    \item 各組織・各時点・各処置群で複数のレプリケートサンプルが存在。
  \end{itemize}
  \vspace{1em}
  \begin{block}{テンソルの次元}
    \small
    \[
      \underbrace{\text{遺伝子}}_{G} \times 
      \underbrace{\text{週(時間)}}_{T} \times
      \underbrace{\text{個体(レプリケート)}}_{R} \times
      \underbrace{\text{処置(対照/糖尿病)}}_{D} \times
      \underbrace{\text{系統}}_{S} \times
      \underbrace{\text{組織}}_{O}
    \]
    という6次元テンソルを構築。
  \end{block}
\end{frame}

\begin{frame}{解析手順（詳説）}
  \begin{enumerate}
    \item すべての測定データを正規化（ログ変換、平均センタリングなど）。
    \item 構築したテンソルに対し、\textbf{HOSVD}による次元分解を実施。
    \item 分解後の特異値ベクトルを利用し、変動量が大きい遺伝子を選択（\textbf{提案手法では 2542プローブ}）。
    \item 選択遺伝子をエンリッチメント解析ツール (\textbf{Enrichr}など) に入力し、関連する経路・疾患を網羅的に同定。
    \item 他の手法（t検定・SAM・limma、単純なバッチ補正ComBatなど）とも比較。
  \end{enumerate}
\end{frame}

\begin{frame}{表：解析手法間比較（例示）}
\begin{table}[H]
\centering
\small
\begin{tabular}{lcccc}
\toprule
\textbf{比較手法} & \textbf{有意遺伝子数} & \textbf{筋肉由来} & \textbf{肝臓由来} & \textbf{脂肪組織由来}\\
\midrule
提案手法 (Tensor) & \(\sim2542\) & 多数 & 多数 & 多数 \\
SAM (組織別) & 数百程度 & 少数 & 多数 & 中程度 \\
limma (組織別) & 数十程度 & \(\sim2\) & 中程度 & 少数 \\
ComBat+解析 & 数百程度 & 少数 & 中程度 & 少数 \\
\bottomrule
\end{tabular}
\caption{\small 解析手法間での発見遺伝子数や組織別の有意遺伝子分布（参考：Taguchi et al. 補足資料より一部抜粋・再構成）。}
\end{table}
\vspace{2mm}
\small
\begin{itemize}
  \item 提案手法は、\textbf{従来手法と比べ広範に遺伝子を同定}し、特に筋肉組織の変動を捉えている点で特徴的。
\end{itemize}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\section{結果と考察}

\begin{frame}{結果（1/3）：関連疾患のエンリッチメント}
  \begin{center}
    \includegraphics[width=0.8\textwidth]{figure2.png}\\
    {\scriptsize Taguchi et al., Genes 2022, 13(6), 1097, Figure 2.}
  \end{center}
  \vspace{0.5em}
  \small
  \begin{itemize}
    \item 抽出された遺伝子群に対する疾患エンリッチメント解析で、\textbf{糖尿病性心筋症}や\textbf{プリオン病}、\textbf{パーキンソン病}、\textbf{アルツハイマー病}などが上位にヒット。
    \item 意外に思える神経変性疾患も多数挙がったが、糖尿病と神経変性疾患には疫学的関連が示唆されており、分子機序の一端を捕捉したと考えられる。
  \end{itemize}
\end{frame}

\begin{frame}{結果（2/3）：補足データの図（サプリメントより）}
  % 例としてSupplementary Figure S1, S2を想定
  \begin{center}
    \includegraphics[width=0.7\textwidth]{supplementary-figure1.png}\\
    {\scriptsize Supplementary Figure S1. (Taguchi et al., 2022, \url{https://www.mdpi.com/article/10.3390/genes13061097/s1})}
  \end{center}
  \vspace{0.3em}
  \small
  \begin{itemize}
    \item サプリメントでは主成分や特異値ベクトルの分散寄与率、遺伝子選択の際の閾値設定など詳細が示されている。
    \item ここで示す例（S1）は、\textbf{HOSVD各モードの固有値プロット}で、どのモードが主要な変動要因かを可視化している。
  \end{itemize}
\end{frame}

\begin{frame}{結果（3/3）：他手法との比較}
  \begin{itemize}
    \item \textbf{従来手法（t検定, SAM, limma）} では筋肉組織の差分遺伝子がほとんど検出されなかったが、\textbf{テンソル分解手法}は\textbf{2542遺伝子}を選択。\\
    → より広範に糖尿病関連遺伝子を捉え、その中には\textbf{神経変性疾患関連}も多く含まれる。
    \item \textbf{単純なデータ統合（ComBat）} では、組織ごとのバッチ効果補正が可能だが、\textbf{複雑な多次元構造を十分反映できず}、神経変性疾患の関連は検出されない。
    \item 本研究のアプローチは「\textbf{統合解析ならではの新規知見（余病リスク）」}を提供できる点で優位性がある。
  \end{itemize}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\section{結論と展望}

\begin{frame}{結論}
  \begin{itemize}
    \item テンソル分解による\textbf{多次元データ統合}は、糖尿病と関連疾患の分子基盤を包括的に捉えるのに有効。
    \item \textbf{神経変性疾患など従来見逃されがちな関連疾患}を、遺伝子発現の視点で浮き彫りにした。
    \item 従来手法に比べ、検出感度が高く新たな知見を得られる可能性を示した。
  \end{itemize}
\end{frame}

\begin{frame}{今後の展望}
  \begin{itemize}
    \item 本手法は糖尿病以外の多様な疾患群にも応用可能であり、\textbf{複数疾患間の関連性}を網羅的に解析する基盤技術となりうる。
    \item 遺伝子発現だけでなく、\textbf{エピゲノム・転写因子結合・メタボロームなど他オミクス}との統合も視野に入れると、より包括的に疾患機構を解明できる。
    \item 本手法で抽出された遺伝子や経路を標的とした創薬や、患者の余病リスク予測ツールへの応用が期待される。
  \end{itemize}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\section{参考文献}

\begin{frame}[allowframebreaks]{参考文献}
  \small
  \begin{thebibliography}{99}
    \bibitem{taguchi2022}
      Taguchi, Y.-H.; Turki, T. 
      \textit{Genes} \textbf{2022}, \textit{13}(6), 1097.
      \url{https://www.mdpi.com/2073-4425/13/6/1097}
    \bibitem{taguchiSuppl2022}
      Supplementary Materials, 
      \url{https://www.mdpi.com/article/10.3390/genes13061097/s1}
    % 必要に応じて他の参考文献を追加
  \end{thebibliography}
\end{frame}

\begin{frame}{ご清聴ありがとうございました}
  \centering
  \Large
  ご質問はございますか？
\end{frame}

\end{document}

スライドの概要

タイトルスライド
- 論文タイトル、著者、所属を明示。
研究背景と目的 (2枚)
- 糖尿病の余病（神経変性疾患等）の重要性。
- 複数組織のデータを統合解析する必要性。
- 本研究の目的：テンソル分解で糖尿病に付随する疾患の推定を検証。
テンソル分解の概要 (2枚)
- 多次元配列 (テンソル) とHOSVDの基本概念。
- 図1（論文本編）を示しつつ、解析フローを解説。
データと手法 (2枚)
- データセットの説明 (GEO, ラットモデル, 3組織, etc.)
- テンソルの各次元。
- HOSVD適用～遺伝子選択～エンリッチメント解析の流れ。
結果 (3枚)
- エンリッチメント解析の主要結果（Figure 2 など）。
- 補足資料(サプリ)の図（Supplementary Figure S1など）を例示。
- 他手法との比較結果（表を利用）。
結論と展望 (2枚)
- 結論：テンソル分解による統合解析で、糖尿病の余病を分子レベルで推定できる。
- 将来的な応用・他オミクス連携や創薬/リスク予測への可能性。
参考文献 (1枚)
質疑応答 (1枚)

以上の LaTeX (beamer) ソースコードをコンパイルしていただくと、PDF形式のスライドが生成されます。スライドのデザインやフォントサイズ・配色は、\usetheme{Madrid} や \usecolortheme{dolphin} を変更することで自由に調整可能です。

図表の挿入: 上記の例では figure1.png, figure2.png, supplementary-figure1.png などのファイル名を仮置きしています。実際には、論文本文やサプリメント資料からダウンロードした画像や表を、適宜ファイル名を揃えて同じフォルダに置いてください。
表の取り込み: ソース中の table 環境で示したように、論文またはサプリから抽出した表を挿入してください（引用元やキャプションを併記するのをお忘れなく）。

この構成であれば、1ページに多く詰め込みすぎず、約15～17枚程度のスライドとなり、専門家向けの20分前後の講演に適したボリュームになるはずです。必要に応じてスライドを追加・削除してカスタマイズなさってください。

みたいな形で作ってくれました。

いくつかの補足要求をする

論文中のベン図を含めたスライドにしてください。また、HOSVDの結果の図をアップロードしますのでこれを含めてください。

原著論文でベン図を使った議論があったのですが、そこがスライドにないので追加します。またHOSVDの図がSupplementary Materialにしかないのでダウンロードしてここでアップロードしています。結果

アップロードいただいたHOSVDの結果の図と、論文中のベン図を含めたスライドを作成します。
ベン図の掲載箇所: ベン図はどのスライドに配置したいですか？（例：解析結果のスライドに追加）
HOSVDの図の配置: アップロードされた画像はどこに配置しましょうか？（例：HOSVD解析のスライドに追加）
その他の調整: 追加したい内容や、強調したい点はありますか？
これらを確認でき次第、スライドを更新します！

と聞かれたので

１　解析結果のスライドに追加
２　HOSVDのスライドに追加
３　なし

とお返事したところまたテキストベースにもどってしまったので（出力は省略）

PDFが出力できるlatexソースをお願いします

とお願いして

以下に、beamer を用いた LaTeX ソースコード例を示します。これを .tex ファイルとして保存し、同じフォルダに

HOSVDの結果: figure3.jpg (アップロードいただいた画像)
ベン図: たとえば venn_figure.jpg (論文本編から取得したベン図画像; 適宜ファイル名を合わせてください)

を配置したうえで、pdflatex <ファイル名>.tex などでコンパイルすると、PDFスライドが出力されます。

環境によっては日本語周りのパッケージ（pLaTeX, upLaTeX, XeLaTeX, LuaLaTeX など）やフォントが異なる場合があります。その場合は適宜修正ください。

\documentclass[14pt]{beamer}

% ========================
% 日本語環境の設定 (utf-8想定)
% ========================
\usepackage[utf8]{inputenc}    % ソースコードがUTF-8の場合
\usepackage[T1]{fontenc}
\usepackage{lmodern}           % 欧文フォント
\usepackage{graphicx}
\usepackage{booktabs}
\usepackage{amsmath,amssymb}
\usepackage{here}              % 図表の強制配置に利用
\usepackage{hyperref}

% Beamerのテーマ設定
\usetheme{Madrid}
\usecolortheme{dolphin}

% タイトルなどの情報設定
\title[Tensor Decomp \& Diabetes]{%
  複数組織の遺伝子発現データに対する\\
  テンソル分解を用いた余病（関連疾患）推定
}
\subtitle{～Taguchi et al. (Genes, 2022, 13(6), 1097)～}
\author[Taguchi \& Turki]{
  \texorpdfstring{\large Y.-H. Taguchi, Turki Turki}{Taguchi, Turki}
}
\institute[MDPI]{%
  \scriptsize
  中央大学 理工学部 物理学科 \\
  キングサウド大学 コンピュータ科学科
}
\date{\today}

% --------------------------------
\begin{document}

%---------------------------------
\begin{frame}
  \titlepage
\end{frame}

%---------------------------------
\begin{frame}{発表の流れ}
  \tableofcontents
\end{frame}

%---------------------------------
\section{研究背景と目的}

\begin{frame}{研究背景（1/2）}
  \begin{itemize}
    \item 糖尿病は世界的な健康問題であり、神経変性疾患や非アルコール性脂肪肝など、多様な合併症・余病との関連が指摘されている。
    \item 余病の予測や関連疾患の探索は、予防医療や新規治療標的の開発において重要。
    \item 遺伝子発現データから病態メカニズムを探る研究が盛んだが、多次元の大規模データをどのように統合解析するかが課題となっている。
  \end{itemize}
\end{frame}

\begin{frame}{研究背景（2/2）}
  \begin{itemize}
    \item 従来の手法 (t検定, SAM, limma 等) は、単一組織や個々の条件での差分解析が中心。
    \item しかし糖尿病のような全身性疾患では、\textbf{複数組織を横断した統合的解析}が見逃された因子を補足しうる。
    \item \textbf{本研究の目的}：テンソル分解 (TD, HOSVD) を用いて複数組織データを統合し、糖尿病に付随する疾患（余病）の推定が可能か検証する。
  \end{itemize}
\end{frame}

%---------------------------------
\section{テンソル分解の基礎}

\begin{frame}{テンソル分解 (TD) の概要}
  \begin{itemize}
    \item \textbf{テンソル}：多次元配列。例) 遺伝子 × 組織 × 時間 × 処置 … など
    \item \textbf{HOSVD (Higher-Order SVD)}：高次元版の特異値分解であり、各次元の主成分ベクトルとコアテンソルに分ける。
    \item データをまとめて解析することで、従来の行列ベース解析 (PCA, SVD) では見逃される高次元構造を捉えられる。
  \end{itemize}
  \vspace{0.3em}
  \begin{block}{ポイント}
    多次元データを\textbf{教師なし}で特徴抽出できるため、疾患関連分子の発見に寄与。
  \end{block}
\end{frame}

%---------------------------------
\section{HOSVD解析手法と結果}

\begin{frame}{HOSVDのデータ構築と解析の流れ}
  \begin{itemize}
    \item ラット糖尿病モデル (Goto-Kakizaki系 vs. Wistar系) の遺伝子発現データ (肝臓, 筋肉, 脂肪組織) を収集。
    \item 統合し、\textbf{遺伝子×週×個体×処置×系統×組織} の6次元テンソルを構築。
    \item HOSVDを適用し、主たる変動要因を抽出 → 変動量の大きい遺伝子を選定 (2542プローブ)。
    \item エンリッチメント解析 (Enrichrなど) で、関連疾患や経路を網羅的に探索。
  \end{itemize}
\end{frame}

\begin{frame}{HOSVDによる主成分抽出 (アップロード画像)}
  \begin{center}
    \includegraphics[width=0.75\textwidth]{figure3.jpg}\\
    \vspace{2mm}
    \scriptsize HOSVDの解析結果の一例 (アップロードいただいた Figure3.jpg)。\\
    モード別の固有ベクトルや寄与率を可視化し、主要な変動パターンを同定。
  \end{center}
\end{frame}

%---------------------------------
\section{結果の概要}

\begin{frame}{結果（1/2）：選択された遺伝子と疾患関連}
  \begin{itemize}
    \item TDにより約2542プローブが抽出され、それらの遺伝子に対するエンリッチメント解析で、\textbf{糖尿病性心筋症}や\textbf{神経変性疾患} (アルツハイマー, パーキンソン, ハンチントン等) が上位ヒット。
    \item 糖尿病は神経変性疾患のリスク因子であることが疫学的にも知られ、本研究の統合解析がその分子基盤を示す結果となった。
    \item 従来手法 (組織別t検定, SAM, limma) では筋肉由来遺伝子がほとんど検出されず、複数組織を同時解析したTD手法の優位性が示唆される。
  \end{itemize}
\end{frame}

\begin{frame}{結果（2/2）：ベン図 (論文中) の比較}
  \begin{center}
    % venn_figure.jpg (仮のファイル名を想定)
    \includegraphics[width=0.7\textwidth]{venn_figure.jpg}\\[1mm]
    \scriptsize
    （論文中のベン図の例。各組織ごとのDEGsとTD選択遺伝子の重複を示す）
  \end{center}
  \vspace{1em}
  \small
  \begin{itemize}
    \item TD (中央) で得られた遺伝子群は、従来手法で得られる組織別DEGsとは大きく異なる部分をカバー。
    \item 複数組織の特徴を横断的に捉え、従来法では見逃された疾患関連シグナルを補足していると考えられる。
  \end{itemize}
\end{frame}

%---------------------------------
\section{考察と応用可能性}

\begin{frame}{考察と応用可能性}
  \begin{itemize}
    \item \textbf{統合解析の意義}：単一組織解析に比べ、全身性疾患の複雑な分子基盤 (糖尿病と神経変性疾患の関連など) をより的確に捉えられる。
    \item \textbf{生物学的含意}：糖尿病と神経変性疾患が共有するシグナル経路 (代謝, 炎症, ミトコンドリア機能など) が明らかに。
    \item \textbf{応用可能性}：他の多因子疾患 (がん, 生活習慣病など) にも本手法を適用し、未発見の関連疾患や新規治療標的を探索可能。
  \end{itemize}
\end{frame}

%---------------------------------
\section{結論と展望}

\begin{frame}{結論}
  \begin{itemize}
    \item テンソル分解を用いたマルチ組織遺伝子発現の統合解析により、糖尿病の“余病” (神経変性疾患など) を同定できることが示された。
    \item 従来手法では検出が難しかった筋肉由来遺伝子や疾患関連パスウェイを効果的に抽出。
    \item 本研究は、糖尿病以外の疾患間ネットワーク解析にも応用できる一つの指針となる。
  \end{itemize}
\end{frame}

\begin{frame}{今後の展望}
  \begin{itemize}
    \item ヒト患者由来の大規模マルチオミクス（転写産物、プロテオーム、メタボロームなど）に拡張し、疾患間の包括的な関連ネットワークを解明する。
    \item 余病リスク予測アルゴリズムや治療ターゲット選定への応用し、個別化医療や予防医学の発展に貢献。
    \item 機械学習との連携や時系列・シングルセル解析など、さらなる解析技術の導入により、病態理解を深める。
  \end{itemize}
\end{frame}

%---------------------------------
\section{参考文献}

\begin{frame}[allowframebreaks]{参考文献}
  \scriptsize
  \begin{thebibliography}{99}
    \bibitem{taguchi2022}
      Taguchi, Y.-H.; Turki, T. 
      \\ \textit{Genes} \textbf{2022}, 13(6), 1097.
      \\ \url{https://www.mdpi.com/2073-4425/13/6/1097}

    \bibitem{taguchiSuppl}
      Taguchi, Y.-H.; Turki, T. (Supplementary Materials)
      \\ \url{https://www.mdpi.com/article/10.3390/genes13061097/s1}

    % 必要に応じて追加
  \end{thebibliography}
\end{frame}

%---------------------------------
\begin{frame}{ご清聴ありがとうございました}
  \centering
  \Large
  ご質問はございますか？
\end{frame}

\end{document}

使用上の注意

画像ファイルの配置
- コード内で読み込んでいる figure3.jpg（アップロード図）と venn_figure.jpg（論文中のベン図）を、ソースコードと同じディレクトリに配置してください。
- ファイル名を別のものに変更した場合は、\includegraphics[width=...]{...} 部分も合わせて修正してください。
日本語環境
- ここでは \usepackage[utf8]{inputenc} や \usepackage[T1]{fontenc} を使用していますが、実際のLaTeXエンジンによっては platex, upLaTeX, xeLaTeX, luaLaTeX など設定が必要です。
- pLaTeX / upLaTeX でコンパイルする場合は、ソースの先頭行を \documentclass[dvipdfmx,14pt]{beamer} にし、\usepackage{luatexja} などは不要にする、あるいは \usepackage{pxjahyper} を利用するなど環境に合わせて調整してください。
追加修正
- スライド枚数を増減したり、テキストをより詳しく・簡潔に書き換えたい場合は自由に編集してください。
- テーマ（\usetheme{Madrid}）やカラースキーム（\usecolortheme{dolphin}）はお好みで変更可能です。

上記のソースコードを保存し、LaTeXでコンパイルすればPDF形式のスライドが出力されます。必要に応じてカスタマイズなさってください。

となりました。

さらに追加修正

前にあった部分が欠けていたので

以前のlatexファイルに合ったものが無くなってしまっています。統合して作り直してください

とお願いしたのですが意図した通りじゃなかったので（出力は省略）

\begin{frame}{結果：関連疾患のエンリッチメント}
の部分が無くなっているので復活してください

とお願いして

以下に、先ほど提示した統合版ソースコードへ、「結果：関連疾患のエンリッチメント」 のスライドを復活させた例を示します。すでに提示したスライド構成に加え、結果パートを3つに分割し、3枚目として「関連疾患のエンリッチメント」のスライドを挿入しました。必要に応じて図のファイル名（figure2.png など）やテキストを調整してください。

\documentclass[14pt]{beamer}

% -----------------------------
% 日本語設定（UTF-8想定）
% -----------------------------
\usepackage[utf8]{inputenc}    % ソースコードがUTF-8の場合
\usepackage[T1]{fontenc}
\usepackage{lmodern}           % 欧文フォント
\usepackage{graphicx}          % 画像の取り込み
\usepackage{booktabs}          % 表の罫線をきれいに
\usepackage{amsmath,amssymb}
\usepackage{here}              % 図表強制配置用
\usepackage{hyperref}          % ハイパーリンク

% テーマ・カラー設定（必要に応じて変更）
\usetheme{Madrid}
\usecolortheme{dolphin}

% タイトルや著者情報
\title[TD \& Diabetes-Associated Diseases]{%
  マルチ組織遺伝子発現データの\\
  テンソル分解による余病推定
}
\subtitle{\textbf{(Taguchi et al., Genes 2022, 13(6), 1097)}}
\author[Taguchi \& Turki]{
  \texorpdfstring{\large Y.-H. Taguchi, Turki Turki}{Taguchi, Turki}
}
\institute[MDPI]{%
  \scriptsize
  中央大学 理工学部 物理学科\\
  キングサウド大学 コンピュータ科学科
}
\date{\today}

\begin{document}

% タイトルページ
\begin{frame}
  \titlepage
\end{frame}

% 目次
\begin{frame}{スライド概要}
  \tableofcontents
\end{frame}

%---------------------------------------
\section{研究背景と目的}

\begin{frame}{研究背景（1/2）}
  \begin{itemize}
    \item \textbf{糖尿病}は世界的に深刻な健康課題であり、神経変性疾患や非アルコール性脂肪肝、心血管障害など多様な合併症（余病）との関連が指摘されている。
    \item こうした余病を包括的に把握・予測することは、予防医学や個別化医療の観点から重要。
    \item 遺伝子発現データを用いた解析が、疾患の分子基盤を解明する有力な手段として注目されている。
  \end{itemize}
\end{frame}

\begin{frame}{研究背景（2/2）}
  \begin{itemize}
    \item 従来は単一組織での差分解析（t検定, SAM, limma 等）が主流だが、全身性疾患の全体像を十分には捉えきれない可能性がある。
    \item 本研究では、\textbf{テンソル分解 (TD)} を用いてマルチ組織遺伝子発現データを同時に解析し、糖尿病に付随する疾患（余病）を推定する。
    \item 目的：単一組織解析と比較しながら、統合解析のメリットを検証するとともに、新たな疾患関連情報を発掘する。
  \end{itemize}
\end{frame}

%---------------------------------------
\section{テンソル分解の基礎}

\begin{frame}{テンソル分解（TD）とは}
  \begin{itemize}
    \item \textbf{テンソル}：多次元配列。遺伝子 × 組織 × 時間 × 処置 …など、3次元を超えるデータ構造。
    \item \textbf{HOSVD (Higher-Order SVD)}：高次元の特異値分解により、コアテンソルと各モードの特異値ベクトルへ分解する。
    \item 教師なし手法であり、複数条件・組織を同時に扱っても情報を損なわず、潜在的な変動要因を抽出可能。
  \end{itemize}
  \begin{block}{ポイント}
    単一組織ごとの解析では見えづらい「横断的な特徴」を捉えられるのが強み。
  \end{block}
\end{frame}

\begin{frame}{HOSVD解析フロー（概念図）}
  \begin{center}
    % 論文Figure 1等のイメージファイル名を合わせてください
    \includegraphics[width=0.7\textwidth]{figure1.png}\\[1mm]
    \scriptsize
    （論文本編Figure 1などの解析パイプラインを想定）
  \end{center}
  \small
  \begin{itemize}
    \item 1) マルチ組織データを高次元テンソルとして構築
    \item 2) HOSVDで分解 → 特異値ベクトルから変動量大の遺伝子を選択
    \item 3) 選択遺伝子をエンリッチメント解析し、関連疾患・経路を探索
  \end{itemize}
\end{frame}

%---------------------------------------
\section{HOSVD解析手法とデータ}

\begin{frame}{データと解析の流れ}
  \begin{itemize}
    \item \textbf{モデル動物}：ラット（糖尿病モデル vs. 対照）  
          3組織（肝臓、筋肉、脂肪）× 複数週 × 2系統 → 6次元化
    \item \textbf{テンソル構築}：  
          遺伝子(\(\sim 31k\)) × 週 × 個体 × 処置(糖尿病/対照) × 系統 × 組織
    \item \textbf{HOSVD}を適用し、主要変動成分を抽出
    \item 変動量が大きい遺伝子（約2542プローブ）を選択 → Enrichr等で機能富集解析
  \end{itemize}
\end{frame}

\begin{frame}{HOSVDの結果（一例：figure3.jpg）}
  \begin{center}
    \includegraphics[width=0.75\textwidth]{figure3.jpg}\\[2mm]
    \scriptsize
    （アップロードいただいたHOSVD解析結果図）
  \end{center}
  \small
  \begin{itemize}
    \item 特異値ベクトルの可視化により、どのモード（次元）に大きな変動があるか把握しやすい。
    \item 組織横断的な主要軸を特定できるのがTDの強み。
  \end{itemize}
\end{frame}

%---------------------------------------
\section{結果の概要}

\begin{frame}{結果（1/3）：解析手法比較}
\begin{table}[H]
\centering
\small
\begin{tabular}{lccc}
\toprule
\textbf{解析手法} & \textbf{有意遺伝子数} & \textbf{筋肉由来} & \textbf{備考} \\
\midrule
{\bf 提案 (TD)} & $\sim$2542 & 多数 & 統合解析 \\
SAM (組織別)    & 数百程度   & 少数 & 組織単独 \\
limma (組織別)  & 数十程度   & 2ほど & 組織単独 \\
ComBat + 解析   & 数百程度   & 少数 & バッチ補正\\
\bottomrule
\end{tabular}
\end{table}
\vspace{1em}
{\footnotesize
\begin{itemize}
  \item TDは従来手法より\textbf{広範囲な遺伝子}を検出し、筋肉での変動を捉えやすい。
  \item 統合解析ならではの優位性が示唆される。
\end{itemize}
}
\end{frame}

\begin{frame}{結果（2/3）：ベン図による重複比較}
  \begin{center}
    \includegraphics[width=0.65\textwidth]{venn_figure.jpg}\\[1mm]
    \scriptsize
    （論文中ベン図例：組織別解析DEGsとTD選択遺伝子の比較）
  \end{center}
  \vspace{1em}
  \small
  \begin{itemize}
    \item TD で得た遺伝子は、従来手法での検出集合と重複が小さい。
    \item 統合解析で新たな関連遺伝子を多数抽出できる。
  \end{itemize}
\end{frame}

\begin{frame}{結果（3/3）：関連疾患のエンリッチメント}
  \begin{center}
    % figure2.png等のファイル名を合わせてください
    \includegraphics[width=0.75\textwidth]{figure2.png}\\
    {\scriptsize Taguchi et al., Genes 2022, 13(6), 1097, Figure 2 (例)}
  \end{center}
  \small
  \begin{itemize}
    \item 抽出した遺伝子群のエンリッチメント解析で、\textbf{糖尿病性心筋症}のほか、\textbf{プリオン病}, \textbf{パーキンソン病}, \textbf{アルツハイマー病}等が上位ヒット。
    \item 糖尿病と神経変性疾患の関連性を分子レベルで示唆し、筋肉組織の遺伝子変動が関与している可能性が浮上。
    \item 従来の単一組織解析では得られない余病の手がかりを得られる点がTDの強み。
  \end{itemize}
\end{frame}

%---------------------------------------
\section{考察と応用可能性}

\begin{frame}{考察：糖尿病と神経変性疾患の関連}
  \begin{itemize}
    \item 糖尿病は\textbf{アルツハイマー病}や\textbf{パーキンソン病}など神経変性疾患のリスク因子とされ、先行研究でも代謝・炎症・ミトコンドリア機能の関連が示唆されている。
    \item 本研究のTD解析で抽出された遺伝子群は、こうした代謝経路や神経機能にかかわる分子を多く含む。
    \item 統合解析ならではの広域的な遺伝子選抜が、分子基盤の共通性を具体的に示した意義は大きい。
  \end{itemize}
\end{frame}

\begin{frame}{応用可能性}
  \begin{itemize}
    \item 本アプローチは糖尿病以外にも、\textbf{複数疾患間の未知の関連性}を発掘するのに有効。
    \item 大規模なマルチオミクス（ゲノム, トランスクリプトーム, メタボローム 等）に対して拡張でき、創薬標的探索やリスク予測に応用可能。
    \item シングルセル解析や時系列解析と組み合わせることで、より詳細な病態進行の分子メカニズムが明らかになる余地がある。
  \end{itemize}
\end{frame}

%---------------------------------------
\section{結論と今後の展望}

\begin{frame}{結論}
  \begin{itemize}
    \item マルチ組織の遺伝子発現を\textbf{テンソル分解}で統合解析することで、糖尿病の余病（神経変性疾患など）を網羅的に推定できる可能性を示した。
    \item 従来手法では見逃される筋肉組織の遺伝子変動が、神経変性経路のエンリッチメントに寄与。
    \item 統合解析は単一解析よりも広い視野で疾患関連分子を抽出し、分子基盤の共通性を解明する上で有力な手法となる。
  \end{itemize}
\end{frame}

\begin{frame}{今後の展望}
  \begin{itemize}
    \item 本手法の臨床応用：ヒト患者由来マルチオミクスデータを統合し、余病リスク評価や個別化治療戦略へ繋げる。
    \item 他疾患の組み合わせ（がん＋免疫疾患など）での相互関連解析にも展開可能。
    \item 時系列やシングルセルレベルでの解析、機械学習との連携など、多角的アプローチにより精緻化が期待される。
  \end{itemize}
\end{frame}

%---------------------------------------
\section{参考文献}

\begin{frame}[allowframebreaks]{参考文献}
  \scriptsize
  \begin{thebibliography}{99}
    \bibitem{taguchi2022}
      Taguchi, Y.-H.; Turki, T.
      \\ \textit{Genes} \textbf{2022}, 13(6), 1097.
      \\ \url{https://www.mdpi.com/2073-4425/13/6/1097}

    \bibitem{taguchiSuppl2022}
      Taguchi, Y.-H.; Turki, T. (Supplementary Materials),
      \\ \url{https://www.mdpi.com/article/10.3390/genes13061097/s1}

    % 必要に応じて追加
  \end{thebibliography}
\end{frame}

%---------------------------------------
\begin{frame}{ご清聴ありがとうございました}
  \centering
  \Large
  ご質問はございますか？
\end{frame}

\end{document}

補足

「結果：関連疾患のエンリッチメント」
- 今回は「結果（3/3）」のスライドとして追加し、そこに論文Figure 2（仮に figure2.png）を含めました。実際のファイル名が異なる場合は、\includegraphics[width=0.75\textwidth]{figure2.png} を修正してください。
他の図のファイル名
- 例として figure1.png, figure3.jpg, venn_figure.jpg と記載しています。実際にお持ちの画像ファイル名と合わせてください。
日本語環境
- \usepackage[utf8]{inputenc} でUTF-8エンコードのソースを想定しています。
- pLaTeX / upLaTeX / XeLaTeX / LuaLaTeX など、使用するエンジンにあわせて調整が必要になる場合があります（クラスオプションに [dvipdfmx] をつけるなど）。

以上の .tex ファイルを保存し、同じフォルダに画像ファイルを配置した状態でコンパイルすれば、PDFスライドが生成されます。必要に応じてカスタマイズしてご利用ください。

を得ました。

手動でやること

実際にはこれそのままでいいわけじゃなく、図のファイルは自分で論文からスクショしてアップロードが要りますし、エンリッチメント解析のところの表も取り込んでくれなかったのでスクショしてアップロードしました。また、僕はOverLeafを使っているのですがそれだとjpg,pngのファイルがうまく処理できずdvpdfmxのオプションをdocumentclassに手で加えないといけませんでした。

スライドとOverleafの共有

最終的にできたスライドがこれです。

OverLeafのページも共有しておきますね。

おわりに

自分で内容を把握している自分の論文なので不十分なところは追加修正できましたが、内容を把握していない他人の論文だと論文のリンクだけ投げて発表スライドを作ってもらうだけというのは難しそうです。

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up