Review

• Hansen MM, Edwards C, Grossen C, Kardos M, Laikre L, Ramakrishnan U. Conservation Genomics-Making a Difference. Mol Ecol. 2025 Nov 27:e70191. doi: 10.1111/mec.70191. Epub ahead of print. PMID: 41311108.

Textbook

始めよう！エコゲノミクス

• 山道真人・印南秀樹 (2012) 始めよう！エコゲノミクス (7) 今後のエコゲノミクス研究の展望. 日本生態学会誌 62(1): 95-109 DOI: 10.18960/seitai.62.1_95

• 山道真人 (2011) 迅速な進化と表現型可塑性が個体群動態に及ぼす影響. 数理解析研究所講究録 1751: 140-147 [PDF]

• 山道真人・印南秀樹 (2011) 始めよう！エコゲノミクス (6) 自然選択の検出（その2）. 日本生態学会誌 61(2): 237-249 DOI: 10.18960/seitai.61.2_237

• 山道真人・印南秀樹 (2010b) 始めよう！エコゲノミクス (5) 自然選択の検出（その1）. 日本生態学会誌 60(2): 293-302 DOI: 10.18960/seitai.60.2_293

• 山道真人・印南秀樹 (2010a) 始めよう！エコゲノミクス (4) 集団内変異データが語る過去：解析手法と理論的背景（その2）. 日本生態学会誌 60(1): 137-148 DOI: 10.18960/seitai.60.1_137

• 山道真人・印南秀樹 (2009b) 始めよう！エコゲノミクス (3) 集団内変異データが語る過去：解析手法と理論的背景（その1）. 日本生態学会誌 59(3): 339-349 DOI: 10.18960/seitai.59.3_339

• 山道真人・印南秀樹 (2009a) 始めよう！エコゲノミクス (2) ゲノムワイド関連マッピング. 日本生態学会誌 59(1): 105-113 DOI: 10.18960/seitai.59.1_105

• 山道真人・印南秀樹 (2008) 始めよう！エコゲノミクス (1) 局所適応と形質の分化. 日本生態学会誌 58(3): 241-247 DOI: 10.18960/seitai.58.3_241

始めよう！ベイズ推定によるデータ解析

• 山道真人・角谷拓 (2009) マルコフ連鎖モンテカルロ（MCMC）法を用いたシミュレーションモデルのパラメータ推定：ベイジアンキャリブレーション入門. 日本生態学会誌 59(2): 207-216 DOI: 10.18960/seitai.59.2_207 特集「始めよう！ベイズ推定によるデータ解析」

Reference

• Liu, Y., Liu, X., Kormas, K. A., Kou, C., Li, H., Li, Y., & Li, J. (2025). Integrating isotopic niche metrics and gut microbiota assembly reveals coexistence mechanisms in subtropical riverine fish. Ecological Informatics, 103305. https://doi.org/10.1016/j.ecoinf.2025.103305

• Jones, J. I., Arnold, A., Buchner, D., Murphy, J. F., Childress, J. N., Beja, P., ... & Blackman, R. C. Sources of uncertainty in DNA metabarcoding of whole communities: Implications for its use in biomonitoring. Methods in Ecology and Evolution. https://doi.org/10.1111/2041-210X.70093

GWAS

生態学におけるGWASでは、野生生物の様々な形質（例えば、体サイズ、繁殖成功率、耐病性など）とSNPとの関連を調べ、環境変化に対する生物の適応メカニズムを解明することを目指します。

Reference

• Uffelmann, E., Huang, Q.Q., Munung, N.S. et al. Genome-wide association studies. Nat Rev Methods Primers 1, 59 (2021). https://doi.org/10.1038/s43586-021-00056-9

• Pieter Clauw, Thomas James Ellis, Hai-Jun Liu, Eriko Sasaki, Beyond the Standard GWAS—A Guide for Plant Biologists, Plant and Cell Physiology, Volume 66, Issue 4, April 2025, Pages 431–443, https://doi.org/10.1093/pcp/pcae079

Gene ontology analysis

GO解析（Gene Ontologyエンリッチメント解析、Gene Ontology解析、GO analysis、Gene Ontology analysis）とは、ある遺伝子のリストにおいて、遺伝子全体と比較して有意に多く観測される遺伝子機能を抽出する解析手法。RNA-Seq解析において、発現が変動した遺伝子群を抽出した際に、その遺伝子群がどのような機能に関与しているのかを解釈するためによく実施される。

Reference

• https://www.geneontology.org/

解析の委託

• 和研薬株式会社: https://www.wakenyaku.co.jp/jtk/list.php

• (株) 生物技研: https://gikenbio.com/dnaanalysis/ngs/

NMDS (non-metric multidimensional scaling)

各サイトの複数の環境要因（温度・栄養塩・酸素濃度...）のうちどれが、サイト間の群集の差を強く説明しているのかを一覧できる図を作成。

利点と弱点：（https://yokazaki.hatenablog.com/entry/2016/06/29/212153 からの引用）

　一番の利点は、rankに基づいて距離を計算しその距離関係に基づいてプロットを描くというノンパラメトリックな手法であるため、より幅広い事例に応用できてロバストな結果が出やすい、ということだ。さらに目的に応じて距離の計算方法を自由に変えられる、ということも利点とされている。（後者に関しては、以下で紹介する手法のデフォルト設定値（Bray-Curtis 指数による計算）がすでに生態学ではほとんどの場合最適とされる計算方法になっているため、今回は触れない（とくに設定を触る必要は無い）。）

　逆に欠点としては、NMDSが反復的に計算して最適解を見つけてくる手法であるため、他の手法のように1点の最適解に落ち着かず、計算の度に結果が微妙に変わることや、マシンパワーを必要とすることが挙げられる。これに関しては、以下で示すように、ランダム試行の出発点となるseed値と、計算の反復回数を固定することで、再現性を担保した結果が得られるようにすることはできる。また各軸がどれだけデータのばらつきに寄与しているかが示されるPCAなどと違って、NMDSでは軸自体には何の意味も無いため、点が近いか遠いかの位置関係だけによって結果が解釈されるのも注意点だ。

[Reference]

• NMDS Tutorial in R – sample(ECOLOGY)

• NON-METRIC MULTIDIMENSIONAL SCALING (MDS)

• Ordination analysis [Analysis of community ecology data in R]