論文のメモ: 分配係数と固液比

固相-液相間でのある汚染物質の分配を考えたいとします。固相Sは例えば底質とかで、液相Lはそれに接している水とかです。平衡状態にあるならば、一般に次の式が成り立ちます。

は固相に吸着した物質の濃度、は液相中の濃度です。平衡状態なら、この比率、すなわちは実験条件によらず一定と考えられます。

しかし実験してると、が条件によって変わっていることに気づきました。

固相の割合が多くなるとが小さくなる、つまりが減り、が増える傾向にありました。

でも実はすごい単純な話かも。

固相が増えると、それに応じてDOCとかコロイドが増えて、汚染物質がそれらに取り込まれるので、見かけのが小さくなるわけです。 式にすると下のようなもの。

Solid concentration effectと名づけられてもいます。例えば以下の総説。

Di Toro DM et al., 1991, Technical basis for establishing sediment quality criteria for nonionic organic chemicals using equilibrium partitioning, Environ Toxicol Chem 10: 1541-1583.

Limousin G, Gaudet JP, Charlet L, Szenknect S, Barthès V, Krimissa M, 2007, Sorption isotherms: A review on physical bases, modeling and measurement, Appl Geochem 22, 249–275.

 Di Toro（1991）は、コロイドの影響では説明できない場合もあるとか書いてますが…。

STRINGdbを用いたPPIネットワーク解析 その2: DEG解析など

前回の続き。今回は、STRINGdbから得たPPI networkの情報を、DEG解析（Differentially Expressed Genes）の結果と絡める方法について書きます。

前回までの話

ゼブラフィッシュのPPI networkをSTRINGdbから取得します。例えばこんな感じのデータ。 

> full.graph
IGRAPH a1f4259 UN-- 23369 9145627 --
+ attr: name (v/c), neighborhood (e/n), neighborhood_transferred (e/n), fusion (e/n),
| cooccurence (e/n), homology (e/n), coexpression (e/n), coexpression_transferred (e/n),
| experiments (e/n), experiments_transferred (e/n), database (e/n), database_transferred
| (e/n), textmining (e/n), textmining_transferred (e/n), combined_score (e/n)
+ edges from a1f4259 (vertex names):
[1] 7955.ENSDARP00000000004--7955.ENSDARP00000051551 7955.ENSDARP00000000192--7955.ENSDARP00000023805
[3] 7955.ENSDARP00000000192--7955.ENSDARP00000023951 7955.ENSDARP00000000192--7955.ENSDARP00000024039
[5] 7955.ENSDARP00000000192--7955.ENSDARP00000024056 7955.ENSDARP00000000192--7955.ENSDARP00000024217
[7] 7955.ENSDARP00000000192--7955.ENSDARP00000024581 7955.ENSDARP00000000192--7955.ENSDARP00000024929
[9] 7955.ENSDARP00000000192--7955.ENSDARP00000025540 7955.ENSDARP00000000192--7955.ENSDARP00000026031
+ ... omitted several edges

タンパク質名の変換 

STRINGでは上記の通り、"ENSDARP00000000004"のようなEnsembleのタンパク質名で表現されています。けれどDEG解析をした場合など、手元にあるのは遺伝子名や転写産物名のリストであることも多いでしょう。その場合、名称を変更する必要があります。

STRINGにはalias情報が入っているので、容易に変更できます。

まずalias情報を取りだします。

Ali <- string_db$get_aliases()

> head(Ali)
STRING_id alias
1 7955.ENSDARP00000003766 plek
2 7955.ENSDARP00000035258 tesca
3 7955.ENSDARP00000045815 plg
4 7955.ENSDARP00000076522 gsc
5 7955.ENSDARP00000117101 aftpha
6 7955.ENSDARP00000126089 SEPT12

DEG解析の結果、下の6つの遺伝子が得られ、これらの遺伝子がPPI netowkrのどこに位置するのかを調べたいとします。

Gene <- c("pik3r3a","arap1a","UBL4B","yes1","hsp90ab1","zgc:158404")

matchコマンドを使って、Geneとaliasなタンパク質を探します。 

> Gene2 <-Ali[match(Gene,Ali$alias),]

> Gene2
STRING_id alias
17386 7955.ENSDARP00000106632 pik3r3a
NA <NA> <NA>
833 7955.ENSDARP00000009190 UBL4B
879 7955.ENSDARP00000009659 yes1
1461 7955.ENSDARP00000014978 hsp90ab1
12133 7955.ENSDARP00000093251 zgc:158404

 大方の遺伝子はaliasが見つかってますが、2つ目は見つかっていません。aliasが見つからない場合は、遺伝子名ではなく例えばensembleのid（ENSDARG....）に変換してから探すと良いかも。

(2021.01追記) 例えばRならbiomaRtパッケージのgetBMでensembl gene idからensembl protein idに変換できます。

ネットワークの描画

V(full.graph)$ color <- ifelse ( is.na(match(V(full.graph)$name, Gene2$STRING_id)), "green", "tomato" )

Geneの6遺伝子とaliasであるタンパク質はトマト色、それ以外の遺伝子は緑色で示すことにします。

そして前回と同様にigraphパッケージで描画します。

top.vertices <- names( tail(sort(degree(full.graph)), 50) )

top.subgraph <- induced_subgraph(full.graph, top.vertices)
plot(top.subgraph,vertex.label=NA,vertex.size=10)

"Gene"リストに含まれていたタンパク質は赤色で表示されています。

このあとは、例えばenrichment解析などに進みます。

STRINGdbを用いたPPIネットワーク解析

タンパク質間相互作用 (protein-protein interaction; PPI) のデータベースであるSTRING (Search Tool for the Retrieval of Interacting Genes/Proteins)。以下は、そのデータを使ってRでネットワーク解析してみた個人的な備忘録です。大部分は"STRINGdb Package Vignette (15 March 2015)"に依拠してます。

まずSTRINGdbをインストールする

BioconductorからSTRINGdbをインストール。

if (!requireNamespace("BiocManager", quietly = TRUE))
install.packages("BiocManager")
BiocManager::install("STRINGdb", version = "3.8")

 これはver 3.5以上のRの場合。それ以前の場合は知りません。

まず特定の生物種のPPI network情報をゲット

 PPI network情報をロードします。ここではzebrafish (Danio rerio; taxid = 7955) を対象にします。

library(STRINGdb)
string_db <- STRINGdb$new (version="10", species=7955,
score_threshold=0, input_directory="" )   

コマンド中のversion=10はSTRINGのversionを示し、7955はzebrafishのtaxidを示しています。score_thresholdは、ロードするタンパク質相互作用のスコア下限です。STRINGではタンパク質間の関係をcombined scoreなる指標で表現しているそうですが（参考：FAQ）、ここでは指定したcombined score未満のPPIはロードしません。デフォルト値は400だそうです。

次にネットワークとして表現します。下のコマンドでグラフ形式に変換？できます。

full.graph <- string_db$get_graph()  

full.graphの中身を見ると、こんな感じ。23,369の頂点verticesと9,145,627の辺edgesが含まれています。

> full.graph
IGRAPH d850ca6 UN-- 23369 9145627 --
+ attr: name (v/c), neighborhood (e/n), neighborhood_transferred
| (e/n), fusion (e/n), cooccurence (e/n), homology (e/n),
| coexpression (e/n), coexpression_transferred (e/n), experiments
| (e/n), experiments_transferred (e/n), database (e/n),
| database_transferred (e/n), textmining (e/n),
| textmining_transferred (e/n), combined_score (e/n)
+ edges from d850ca6 (vertex names):
[1] 7955.ENSDARP00000000004--7955.ENSDARP00000051551
[2] 7955.ENSDARP00000000192--7955.ENSDARP00000023805
[3] 7955.ENSDARP00000000192--7955.ENSDARP00000023951
+ ... omitted several edges

attrはfull.graphの属性のことで、（）内にvとあるのが頂点に関するもの、eとあるのが辺に関する属性です。（）内にcとあるのが文字characterで表現された属性、nは数値numericで表された属性。例えばnameは文字で表現された頂点に関する属性。

属性は下のようなコマンドで取り出せます。

V(full.graph)$name

igraphパッケージで描画

全部を描くと大変なので、次数の大きい頂点トップ50個を選びます。

top.vertices <- names( tail(sort(degree(full.graph)), 50) )

top.subgraph <- induced_subgraph(full.graph, top.vertices)

plot(top.subgraph,vertex.label=NA,vertex.size=10)

 

同じネットワーク図を、STRING独自のスタイルで描画することもできます。

string_db$plot_network(V(top.subgraph)$name)

 

STRING形式の図は、カラフルで色んな情報が含まれてます。これはブラウザ上でSTRINGを利用した際にも見ることが出来ます。

ただ少し複雑すぎるので、注目したい情報だけ取り出して描画してみます。

 

例えば、STRINGの相互作用情報にはcooccurenceがあります。ネットワークの辺の太さをcooccurenceの程度によって変えてみます。※単なる描画の練習で、生物学的な意味は考慮していません。

E(top.subgraph)$width <- log10( E(top.subgraph)$cooccurence )

plot(top.subgraph,vertex.label=NA,vertex.size=10)

同じ要領でV(top.subgraph)$colorによって色を変えたり、E(top.subgraph)$ltyで辺の実線・点線を変えたりできます。

応用編: アノテーション

STRINGdbパッケージでは、get_annotations()でGO (Gene Ontology) やKEGG pathwayなどタンパク質のアノテーションを得ることもできます。

 Annotation <- string_db$get_annotations()

> head(Annotation)

STRING_id term_id category type
1 7955.ENSDARP00000000004 GO:0006810 Process IEA
2 7955.ENSDARP00000000004 GO:0006811 Process IEA
3 7955.ENSDARP00000000004 GO:0006812 Process IEA
4 7955.ENSDARP00000000004 GO:0006818 Process IEA
5 7955.ENSDARP00000000004 GO:0008150 Process IEA
6 7955.ENSDARP00000000004 GO:0008643 Process IEA

また、enrichment解析もできるそうです。例えば↓。 

test<-string_db$get_enrichment(top.verticies)

> head(test)
term_id proteins hits pvalue pvalue_fdr term_description
1 GO:0044267 434 10 1.542945e-17 6.403222e-15 cellular protein metabolic process
2 GO:0019538 478 10 4.085650e-17 8.477723e-15 protein metabolic process
3 GO:0006468 71 7 2.615610e-16 3.618260e-14 protein phosphorylation
4 GO:0006950 190 8 1.080273e-15 1.120783e-13 response to stress
5 GO:0016310 116 7 9.115423e-15 7.565801e-13 phosphorylation
6 GO:0038083 4 4 1.690731e-14 1.169423e-12 peptidyl-tyrosine autophosphorylatio

応用編: クラスタリング

STRINGdbパッケージでは、get_clusters()でクラスタリング解析もできます。

clustersList <- string_db$get_clusters( V(top.subgraph)$name, algorithm="fastgreedy")

クラスタリングのアルゴリズムは、fastgreedy、walktrap、spinglass、edge.betweennessの4種類から選べます。

> clustersList
1
[1] "7955.ENSDARP00000009659" "7955.ENSDARP00000011298" "7955.ENSDARP00000019813"
[4] "7955.ENSDARP00000020408" "7955.ENSDARP00000021095" "7955.ENSDARP00000034350"
[7] "7955.ENSDARP00000035686" "7955.ENSDARP00000037198" "7955.ENSDARP00000040361"
[10] "7955.ENSDARP00000060744" "7955.ENSDARP00000064110" "7955.ENSDARP00000069405"
[13] "7955.ENSDARP00000075784" "7955.ENSDARP00000076407" "7955.ENSDARP00000087028"
[16] "7955.ENSDARP00000087454" "7955.ENSDARP00000089879" "7955.ENSDARP00000093618"
[19] "7955.ENSDARP00000107110" "7955.ENSDARP00000107491" "7955.ENSDARP00000107646"
[22] "7955.ENSDARP00000111940" "7955.ENSDARP00000112153" "7955.ENSDARP00000123746"
[25] "7955.ENSDARP00000123888"

2
[1] "7955.ENSDARP00000009190" "7955.ENSDARP00000013441" "7955.ENSDARP00000014978"
[4] "7955.ENSDARP00000018692" "7955.ENSDARP00000022302" "7955.ENSDARP00000023119"
[7] "7955.ENSDARP00000026065" "7955.ENSDARP00000027785" "7955.ENSDARP00000032448"
[10] "7955.ENSDARP00000035728" "7955.ENSDARP00000038550" "7955.ENSDARP00000040644"
[13] "7955.ENSDARP00000053431" "7955.ENSDARP00000054986" "7955.ENSDARP00000058736"
[16] "7955.ENSDARP00000084288" "7955.ENSDARP00000084961" "7955.ENSDARP00000088354"
[19] "7955.ENSDARP00000094521" "7955.ENSDARP00000096950" "7955.ENSDARP00000103480"
[22] "7955.ENSDARP00000109027" "7955.ENSDARP00000109720" "7955.ENSDARP00000118902"
[25] "7955.ENSDARP00000119429"

 Cluster 1に含まれる頂点25個を緑、Cluster 2のものをトマト色で描画します。

V(top.subgraph)$ color <- ifelse ( is.na(match(V(top.subgraph)$name, clustersList1)), "green", "tomato" )
plot(top.subgraph,vertex.label=NA,vertex.size=10)

上記はSTRINGdb内の関数を使用しましたが、igraphパッケージの関数を使用して同様のクラスタリングをおこなうことも可能です。

clusters <- cluster_fast_greedy(top.subgraph)

plot(clusters,top.subgraph,vertex.label=NA,vertex.size=10)

論文のメモ: 複合影響の理解に向けたシステム毒性学

Spurgeon DJ, Jones OA, Dorne JLC, Svendsen C, Swain S, Stürzenbaum SR, 2010, Systems toxicology approaches for understanding the joint effects of environmental chemical mixtures, Sci Total Environ 408(18), 3725-3734.

レビュー論文。少し古いけど見逃していたので、メモ。

異なる化学物質間の相互作用は、3つのパターンがある。1) 生体外での相互作用、2) 化学物質の取り込み・排出に関する相互作用、3) 毒性の生じる部位での相互作用。2)をToxicokinetics、3)をToxicodynamicsと呼んでます。これらを明確に区別せずに複合影響の議論をしている論文は意外とある気がします。でも2)と3)の違いは微妙な場合もあるかな？

2)のToxicokineticsは、例えば、ある化学物質への曝露によって生物膜の透過性や摂餌速度が変わり他の物質の取り込み量が変化するとか、曝露によって解毒酵素の活性が変わる、とか。

論文のメモ: RNAの分解度評価 ~Transcript Integrity Number~

「RNA-Seqデータの特性評価のためのシンプルなガイドライン」

Son K., Yu S., Shin W., Han K., Kang K., 2018, A Simple Guideline to Assess the Characteristics of RNA-Seq Data, BioMed Research International, Article ID 2906292.

RNA-Seqのデータは、リードカウントとTIN（Transcript Integrity Number）のPCAプロットを描いて簡単に評価したほうが良いよ、という提言。処理群を代表しないサンプルを含めてDEG解析すると結果が変わってしまうから、PCAプロットでそのようなサンプルを可視化しようということですが、そのサンプルを除外すべきかどうかは明言なし。そもそもサンプル除外の効果があるのはreplicatesが2~3と少ない場合ですが、その少ないreplicatesからどういう基準でサンプルを除外するのか。

そんな感じで中々のHindawiクオリティですが、この論文のおかげでTINを知ったのでここにメモ。あと、reference genes単独での分解度を見ても不十分で、TINのように複数の遺伝子をまたいで評価するのが大事ということもigvの図から分かります。

「RNA-Seqデータを用いて転写物の非分解度を測る」

Wang, L., Nie, J., Sicotte, H., Li, Y., Eckel-Passow, J. E., Dasari, S., Vedell P.T., Barman P., Wang L., Weinshiboum R., Jen J., Huang H., Kohli M., Kocher J.P.A., 2016, Measure transcript integrity using RNA-seq data, BMC Bioinformatics, 17(1), 58.

TINを提案した論文。TINは、転写産物にどれだけ均一にリードがマッピングされたかを表す指標のようす。Total RNAを電気泳動して得られるRIN（RNA Integrity Number）との比較もあり。

TINの計算はpythonのRSeQCパッケージでできます。

「パパは脳研究者 -子どもを育てる脳科学- 」感想

帰省中に読了。

昔「単純な脳、複雑な『私』」を読んでから（「単純な脳、複雑な『私』」感想）、この著者のファンです。著者のTwitterからも分かりますが、自身の研究の直近だけでなく、ちょっと遠い研究の面白ばなしも意識的に収集してるんでしょうね。そんな幅広い知見収集の跡がうかがえる本です。「単純な脳、複雑な『私』」よりだいぶ軽いけど。

ここ数年、赤ちゃん関連の映像や話を観たり読んだりするとほぼ無条件で泣いてしまいます。本書でも何度も涙ぐみました。感動的エピソードが盛りだくさん、という訳では別になく、科学的な知見を交えて淡々と娘さんとの日常を語っている本なので、我ながらヤバいヤツだと思いながら…。

面白かった箇所をいくつか。

• 尿意と睡魔は赤ちゃんにとって不快な感覚。大人がそれらを快く感じるのは、尿意とまどろみの後の気持ち良い感覚を先読みしているから（p. 48）。
• 胎児は、母親のお腹の中から音楽を聴いて脳回路に記憶させている（p.55, 元ネタはPartanen et al., 2013, Plos One）。
• 幼い子は正確な記憶しかできないが、大人になっていくにつれ曖昧な記憶ができるようになっていく。これは進化の過程をなぞるような変化である。例えばトリは正確な記憶しかできない（p. 99）。
• 2歳ころの子どもの記憶には偽の記憶が含まれていることが一般的（p. 159, Conway and Pleydell-Pearce, 2000, Psychological Review）。
• 褒め方の難しさ。絵を描いた子どもを褒めると、絵を描くことへの興味を失うことがある。子どもは褒められ続けると「絵を描くことが好きだったのではなくて褒められることが好きだったのでは？」と解釈してしまうため（認知的不協和の解消）。対策としては、親の主観を述べる（「お父さんはこの絵が好き」）か、子どもの行為ではなく作品を褒める、など（p. 231）。
• なかなか理想通りの褒め方を実践するのは難しい。そんな時はせめて笑顔で楽しそうに接する（p. 250）。

（追記2019.07.07）

この著者の本で取り上げられている科学的知見は、キャッチーで面白いけど、信ぴょう性についての議論がほとんどないのは危うい気がします。例えばマシュマロテストは再現性（というか親の経済格差という交絡因子の解釈？）に疑問符がついてるという話もありますし…。 

パパは脳研究者 子どもを育てる脳科学

論文のメモ: Daphniaのストレス応答遺伝子データベース

「Daphnia stressor database: 10年来のDaphniaのomicsデータを遺伝子アノテーションにフル活用」

Ravindran SP, Lueneburg J, Gottschlich L, Tams V, Cordellier M, 2018, Daphnia stressor database: Taking advantage of a decade of Daphnia'-omics' data for gene annotation, bioRxiv, 444190.

環境科学の分野でもアーカイブで発表される論文を見るようになってきました。環境ストレスに対するDaphniaの遺伝子発現を調べた90本の論文をまとめて、データベースを作ったという報告。DaphniaのゲノムデータべースとしてはwFLEABASEがすでにありますが、wFLEABASEでは環境ストレスと遺伝子の関係は分かりません。この論文で報告されているデータベースDaphnia stressor databaseは、Comparative Toxicogenomics Database (CTD) のミジンコ版みたいなもので、遺伝子名を検索すると関連あるストレス（というかほぼ化学物質）が出てきます。

せっかくなので、CTDみたいにcsvファイルとかで元データを整理したうえで全部公開して欲しい。そうすれば、この論文でやっているような、D. pulexとD. magnaの発現データのD. galeataゲノムへのマッピングとかができるのに。現状だと検索しかできないっぽいので。

論文のメモ: 路面排水によるギンザケ死亡症候群

2000年代からアメリカ北部でギンザゲの死亡症候群が見られ、その原因として路面排水が疑われています。以下は、その一連の論文。NOAAとワシントン州立大学あたりが中心に研究してるみたいです。

「Puget Sound都市河川で頻発するギンザケ成魚の死亡」

Scholz NL, Myers MS, McCarthy SG, Labenia JS, McIntyre JK, Ylitalo GM, Rhodes LD, Laetz CA, Stehr CM, French BL, McMillan, B, Wilson D, Reed L, Lynch KD, Damn S, Davis S, Collier TK, 2011, Recurrent die-offs of adult coho salmon returning to spawn in Puget Sound lowland urban streams, PLoS One, 6(12), e28013.

路面排水によるギンザケ死亡に関する最初期の論文。2002年から2009年にかけてPuget湾で調査をおこなってます。Supporting Infoでサケの異常行動の動画などもあり、結構見応えがあります。

感染症や貧酸素、低温など典型的な要素が原因の可能性はほぼ否定されてます。降雨に伴って異常行動や致死が見られたことや、下のFeistら (2011) の解析から、路面排水中の化学物質が原因ではないかと考察されてます。路面排水の影響を受けていることは、鰓中のCd, Ni, Pb濃度と胆汁中のPAHs濃度の高さから示唆されてます。ただし、排水中の濃度は毒性を生じるレベルにあるかは微妙であり（この考察は結構荒い）、他の考慮していない物質や複合毒性が原因かもしれない、との結論です。あとアセチルコリンエステラーゼ活性は対照区と違いが見られなかったため、殺虫剤でもなさそう、としてます。この考察も乱暴ですが、色々検討してますね。

面白いのは、影響を受けているのは成魚のみで亜成体は無事だということ。どうやら、成魚は海水から淡水に戻ってくる時に塩分変化を経験するので、そこが関係してるのかも、と考察。

「都市小河川におけるギンザケ死亡のlandscape ecotoxicology」

Feist BE, Buhle ER, Arnold P, Davis JW, Scholz NL, 2011, Landscape ecotoxicology of coho salmon spawner mortality in urban streams, PLoS One, 6(8), e23424.

上の論文の補足的な論文。あまりちゃんと読んでません。ギンザケの死亡率を被説明変数、土地利用割合などを説明変数としたGLMMを作ってみたら、舗装面積が効いてたみたい。

「都市雨水によるギンザケ死亡症候群に関連する有機物質の同定のための高分解能質量分析」

Peter KT, Tian Z, Wu C, Lin P, White S, Du B, McIntyre JK, Scholz NL, Kolodziej EP, 2018, Using high-resolution mass spectrometry to identify organic contaminants linked to urban stormwater mortality syndrome in coho salmon, Environ Sci Technol, 52(18), 10317-10327.

C18カラムを用いた四重極型TOF-MSで、高速道路の路面排水・受水域の水・使用済みエンジンオイル・タイヤ粉末溶出液などに含まれる物質のプロファイリングをおこなった研究。死亡症候群を示した環境試料から共通して検出されたのは57物質で、メトキシメチルメラミンや双環状アミン（1,3-diphenylguanidine・1,3-dicyclohexylureaなど）、グリコール類が含まれてたそうです。そしてそれらはタイヤ粉末にも含まれていました。

定性的な評価で、かつ各物質の毒性値の議論はほぼありません。長鎖のグリコール類はQSARで毒性低いと予測された、という記述があるくらい。結論はあくまで、検出された物質達は路面排水のindicatorになりうる、というもの。

路面排水やタイヤ粉末溶出液のTOF-MS結果をクラスターして、路面排水はエンジンオイルやウォッシャー液よりもタイヤ粉末に組成が近い、と述べてます（Fig. 2）。でも、路面排水にはタイヤ粉末にもその他原材料にも含まれていない成分が検出されてます。これらは何なんでしょう。タイヤ粉末などの環境中での分解産物だったら話がややこしくなりそう。

「高速道路排水と魚組織中の有機汚染物質検出法の開発」

Du B, Lofton JM, Peter KT, Gipe AD, James CA, McIntyre JK, Scholz NL, Baker JE, Kolodziej EP, 2017, Development of suspect and non-target screening methods for detection of organic contaminants in highway runoff and fish tissue with high-resolution time-of-flight mass spectrometry, Environ Sci Processes Impacts, 19(9), 1185-1196.

上の論文の準備的な研究。固相抽出のカラムの検討とか、物質の同定法の検討。

路面排水だけでなく、魚体内の濃度も測ってます。有機リン系の殺虫剤やカフェイン、コチニンは排水に含まれてたけど、魚からは検出されなかったそうです。一方、ゴムの加硫促進剤に使用されるアセトアニリドは両方から検出されてます。

「都市雨水に対するPacific almonの感受性の種間差」

McIntyre JK, Lundin JI, Cameron JR, Chow MI, Davis JW, Incardona J P, Scholz NL, 2018, Interspecies variation in the susceptibility of adult Pacific salmon to toxic urban stormwater runoff, Environmental Pollution, 238, 196-203.

死亡が確認されてきたCoho Salmon（Oncorhynchus kisutuch）と、同属の別種Chum salmonの路面排水に対する感受性を比較した論文。結果、Chum salmonに毒性は生じず、Coho salmonは曝露数時間で平衡を失ったり表面に浮かんだり異常行動を起こした。また血中Na・Cl濃度およびpCO2・pHが減少し、血中の乳酸濃度とヘマトクリット値が増加していた。pHが減少しpCO2が増加していればrespiratory acidosisだが、pHとpCO2がともに低下するのは、血中に乳酸などが蓄積するmetabolic acidosisだそうです。シアン化物などの化学物質による内呼吸cellular respirationの阻害によって乳酸が蓄積しているのかも。

だから何、というところから抜け出せてはいませんが、まあこのような知識の蓄積が大事ですからね。

(追記2018.11.20)

「都市雨水に対するPacific almonの感受性の種間差」

Meland S, Salbu B, Rosseland BO, 2010, Ecotoxicological impact of highway runoff using brown trout (Salmo trutta L.) as an indicator model, J Environ Monitoring, 12(3), 654-664.

似たような報告が別グループから出ていたのを見つけました。血中Na・Cl濃度およびpHは減少し、血中グルコース濃度とpCO2は増加していた。こちらは上の論文と違ってrespiratory acidosisですが、貧酸素ではなく、（金属などの）酸化ストレスによって生じたのではと考察してます。イオンバランスの変化も金属による影響とみなしてます。

 (追記ここまで)

「米国西部の都市水域におけるギンザケ死亡：生物浸透による致死影響の低減」

Spromberg JA, Baldwin DH, Damm SE, McIntyre JK, Huff M, Sloan CA, Anulacion BF, Davis JW, Scholz NL, 2016, Coho salmon spawner mortality in western US urban watersheds: bioinfiltration prevents lethal storm water impacts, J Applied Ecol, 53(2), 398-407.

高速道路の路面排水を採取して、実験室でCoho Salmonに曝露させた研究。実際の路面排水では死ぬのに、路面排水と同程度の金属・PAHs濃度を添加した模擬排水では死なない。では何が原因なのかとなりますが、炭化水素類（キノン・メチルフェノール・チアゾールなど）が挙げられてます。しかし原因物質を同定するには数年かかるかも、とも書かれてます。"While it may take years of additional assessment to identify precisely which of these agents is killing coho, ..."

海外学振の面接

一昨日、海外学振の面接でした。いや〜ダメでしょうね…。変に期待がなくなってスッキリはしてますが。

面接は11時ちょうどから。その30分前に麹町のビルに到着。受付を済ませて、控え室でスライドの動作確認。控え室には5人ほどの候補者がいて、動作確認とか練習をしていました。たぶん皆自前のPCを持って来てましたが、控え室には4~5台のPCが備えてあり、忘れて来ても借りられそうでした。

面接15分くらい前にスタッフに呼ばれ、面接会場の前の廊下へ移動。面接会場は審査区分ごとに分かれてました。自分は農学・環境の区分。直前にスライドの印刷物と荷物をスタッフに渡し、自分はPCだけ持って入室。

PCをプロジェクタに接続するとき、カチッと気持ちよくハマらないから接続できてないのかなと思って何回もやり直してたら、スタッフから「たぶん出来てますよ」と軽く突っ込まれました。自分では大丈夫と思ってたけど、実は相当テンパってたのかも。

4分の発表と6分の質疑応答。

発表は練習の甲斐あって、無事3分55秒でまとめられました。

ただ問題は質疑応答…。初っ端の質問が、わざわざ海外でやる意味あるの？的な質問で、面接官を納得させられませんでした。絶対聞かれるベタな質問なのだから、もっと答えを練っていけば良かった。Dryよりの研究で、実験設備などに依存しないように見えるものだったから、こういう質問が出ることは想定できたはずですし…。Dryの研究でも人員とか設備とか、環境による力は大きいと思うし、そこを強く推すべきでした。実際、受け入れ研究室のスタッフの層の厚さは結構スゴい。

他、2つの質問があり、1つは割と研究内容に関するもので、もう1つは海外学振後にどう展開していきたいかというもの。どちらもそれなりに答えられたと思います。

面接の結果が出るのは10月中旬〜下旬とのこと。

（2018/10/10 追記）

補欠でした。

「採否については、平成31年3月中に改めてＥｍａｉｌ等で連絡します。」

えー。このやきもき感を3月まで･･･？

（2019/2/28 追記）

不採用でした。

しかしもし合格でもこの時期に知らされて困るという人は多いでしょう。

「生物をシステムとして理解する」感想

8月の帰省の新幹線で読了。150ページで、タッチも軽いのでさっくり読めます。この分野に興味ある高校生とか学部生が読むのに良さそう。

現在の数学（統計学？）は物理学とともに発展してきたので、まだ実験誤差の大きい生物学には対応しきれていない、今後生命現象を記述するための適切な数学が発展していくだろう、という主張は面白いなと思いました。

細かい誤字。

・正弦派 ⇒ 正弦波（p.73）

・試験官 ⇒ 試験管（p.82）

生物をシステムとして理解する: 細胞とラジオは同じ!? (共立スマートセレクション)