付録F: 参考資料

更新日・選定基準

• 最終更新日: 2026-06-05
• 選定基準:
  • 本文で参照する概念・手法に直接関係する
  • 初学者が一次情報に到達できる
  • 実務での利用頻度が高い

2024–2026の主要トピック（追加分）

• AlphaFold 3 / AlphaFold Server
• Chai-1 / Boltz / RoseTTAFold All-Atom
• AlphaFold DB 2025
• scGPT
• Geneformer
• Nicheformer
• Nucleotide Transformer
• AlphaMissense
• AlphaGenome
• Evo 2
• T2T-CHM13（完全ヒトゲノム）
• ヒト・パンゲノム参照
• DeepVariant
• Spatial proteomics / CODEX
• SpatialData / spatialdata-io

AI / foundation model の確認先（確認日: 2026-06-05 JST）

評価時はモデル名だけでなく、対象タスク、入力、出力、評価指標、単純 baseline、training data overlap、ライセンス、臨床利用可否を一体で確認する。各項目は第7章の評価チェックリスト、付録Hのツール表、出典監査メモへ対応づける。

• 構造・複合体モデル: 配列、MSA/template、小分子、核酸、修飾、共有結合、restraint の扱いを確認し、pLDDT / PAE 等の信頼度と wet-lab 検証の要否を分ける。binding affinity 予測は実測値の代替ではなく候補順位づけとして扱う。
  • AlphaFold 3 article: https://www.nature.com/articles/s41586-024-07487-w
  • AlphaFold 3 repository: https://github.com/google-deepmind/alphafold3
  • Chai-1 repository: https://github.com/chaidiscovery/chai-lab
  • Boltz repository: https://github.com/jwohlwend/boltz
  • RoseTTAFold All-Atom article: https://www.science.org/doi/10.1126/science.adl2528
  • RoseTTAFold All-Atom repository: https://github.com/baker-laboratory/RoseTTAFold-All-Atom
• ゲノム配列モデル: reference build、species/context、入力長、variant class、既知DBとの重なりを確認し、variant effect prediction や生成配列を研究仮説・優先順位づけに限定する。
  • AlphaGenome article: https://www.nature.com/articles/s41586-025-10014-0
  • AlphaGenome research repository: https://github.com/google-deepmind/alphagenome_research
  • AlphaGenome API repository: https://github.com/google-deepmind/alphagenome
  • Evo 2 article: https://www.nature.com/articles/s41586-026-10176-5
  • Evo 2 repository: https://github.com/arcinstitute/evo2
  • Nucleotide Transformer article: https://www.nature.com/articles/s41592-024-02523-z
  • Nucleotide Transformer repository: https://github.com/instadeepai/nucleotide-transformer
• single-cell / spatial / perturbation model: 発現行列、遺伝子順位、batch、donor、tissue、species、spatial coordinate の分割単位を記録し、注釈・統合・摂動予測を臨床判断に直接使わない。深層学習モデルが単純線形 baseline を上回らない報告もあるため、外部データで再評価する。
  • scGPT article: https://www.nature.com/articles/s41592-024-02201-0
  • scGPT repository: https://github.com/bowang-lab/scGPT
  • Geneformer model card: https://huggingface.co/ctheodoris/Geneformer
  • Nicheformer article: https://www.nature.com/articles/s41592-025-02814-z
  • Perturbation baseline article: https://www.nature.com/articles/s41592-025-02772-6

Spatial omics / SpatialData の確認先（確認日: 2026-06-05 JST）

• SpatialData: scverse の spatial omics 用データフレームワーク。Images、Labels、Points、Shapes、Tables と座標変換を同一のデータ構造で扱うため、本文では解析アルゴリズムではなく、データ構造・保存形式・相互運用性として参照する。
  • Documentation: https://spatialdata.scverse.org/
  • Nature Methods article: https://www.nature.com/articles/s41592-024-02212-x
• spatialdata-io: common spatial omics formats を SpatialData へ読み込む reader 群。Visium、Visium HD、Xenium、CosMx、MERSCOPE / MERFISH、Akoya PhenoCycler（formerly CODEX）、Stereo-seq などの対応範囲を確認し、reader version と入力ファイル checksum を記録する。
  • Documentation: https://spatialdata.scverse.org/projects/io
• Seurat v5 spatial vignettes: sequencing-based / imaging-based spatial data の導入例を確認する入口。実務では R / Seurat object と Python / SpatialData の間で、座標系、画像、segmentation、table の意味が変わらないかを確認する。
  • Getting Started with Seurat v5: https://satijalab.org/seurat/articles/get_started_v5_new
  • Visium HD vignette: https://satijalab.org/seurat/articles/visiumhd_analysis_vignette
• Spatial proteomics: Nature Methods が 2024 Method of the Year として spatial proteomics を取り上げている。CODEX / PhenoCycler などの multiplex imaging は、RNA ではなく抗体 panel、画像処理、segmentation、batch を前提として読む。
  • Nature Methods: https://www.nature.com/articles/s41592-024-02565-3

必読書籍

基礎理論

1. “Bioinformatics Algorithms” - Compeau & Pevzner
   • アルゴリズム理論と実装の標準的テキスト
2. “Introduction to Computational Biology” - Waterman
   • 数学的基礎から応用まで網羅
3. “Pattern Recognition and Machine Learning” - Bishop
   • 機械学習の理論的基盤

実装・応用

1. “Programming for Bioinformatics” - Allison
   • 実装技術の詳細ガイド
2. “Computational Molecular Biology” - Pevzner
   • アルゴリズム設計の実践的手法
3. “Systems Biology” - Klipp et al.
   • システム生物学の数理モデル

主要学術ジャーナル

計算生物学専門誌

• Bioinformatics (Oxford Academic): IF 5.8
• PLoS Computational Biology: オープンアクセス
• BMC Bioinformatics: 手法論重視
• Journal of Computational Biology: 理論・応用バランス

応用・学際誌

• Nature Methods: 手法開発のトップジャーナル
• Genome Research: ゲノム解析技術
• Cell Systems: システム生物学
• Science Translational Medicine: 臨床応用

主要データベース・リソース

配列データベース

• NCBI GenBank: https://www.ncbi.nlm.nih.gov/genbank/
  • 最大級の公共配列データベース
• UniProt: https://www.uniprot.org/
  • タンパク質配列・機能情報
• PDB: https://www.wwpdb.org/
  • 3次元構造データベース

ゲノムブラウザ

• UCSC Genome Browser: https://genome.ucsc.edu/
• Ensembl: https://www.ensembl.org/index.html?redirect=no
• NCBI Genome Data Viewer: https://www.ncbi.nlm.nih.gov/genome/gdv/

パスウェイ・ネットワーク

• KEGG: https://www.genome.jp/kegg/
• Reactome: https://reactome.org/
• STRING: https://string-db.org/

ソフトウェアツール・ライブラリ

配列解析

• BLAST: 配列類似性検索の標準ツール
• BWA: 高速リードマッピング
• GATK: 変異検出パイプライン
• SAMtools: 配列データ操作

統計解析・機械学習

• R/Bioconductor: 生物統計の標準環境
• Python/BioPython: 汎用プログラミング
• PyTorch/TensorFlow: 深層学習フレームワーク
• scikit-learn: 機械学習ライブラリ

可視化

• Cytoscape: ネットワーク可視化
• IGV: ゲノムブラウザ
• matplotlib/seaborn: Python可視化
• ggplot2: R可視化

オンライン学習リソース

MOOCs・講義動画

• Coursera “Bioinformatics Specialization” (UC San Diego)
• edX “Introduction to Computational Biology” (Harvard)
• 東京大学医科学研究所公開講座

プログラミング演習

• Rosalind: https://rosalind.info/ — バイオインフォマティクス問題集
• Kaggle: 機械学習コンペティション
• Google Colab: 無料GPU環境

技術ドキュメント

• BioPython Tutorial and Cookbook
• R for Data Science (生物学応用版)
• TensorFlow Tutorials for Biology

技術標準・プロトコル

データ形式標準

• FASTA: 配列データの標準形式
• SAM/BAM: アライメント結果形式
• VCF: 変異情報形式
• GFF/GTF: ゲノム注釈形式

API・Webサービス

• NCBI E-utilities: プログラマティックアクセス
• Ensembl REST API: ゲノム情報取得
• UniProt REST API: タンパク質情報

関連学会・コミュニティ

国際学会

• ISMB (Intelligent Systems for Molecular Biology)
• RECOMB (Research in Computational Molecular Biology)
• PSB (Pacific Symposium on Biocomputing)

国内学会

• 日本バイオインフォマティクス学会
• 情報処理学会バイオ情報学研究会
• 日本分子生物学会

優先章別の次の一歩

第4章の次の一歩

• まずは「主要データベース・リソース」を確認し、参照配列と注釈の入手経路を固定する
• 次に「ソフトウェアツール・ライブラリ」から BWA / SAMtools / GATK / bcftools の役割を整理する
• SRR11140744 と MN908947.3 を題材に、最小パイプラインの再現メモを残す

第7章の次の一歩

• 「統計解析・機械学習」の節を起点に、評価指標、データ分割、解釈性を再確認する
• TCGA-LUAD のような公開コホートを研究用途で扱い、用途制約を必ず明記する
• 付録Kを参照し、特徴量、リーク、AUROC などの用語を固定してから再実験する

第10章の次の一歩

• 「主要データベース・リソース」を見直し、保存対象となる成果物の粒度を明確にする
• genomic_variants、sample_metadata、analysis_run のような最小スキーマを自分の題材へ写像する
• EXPLAIN ANALYZE の結果と運用上の制約を併記し、性能だけで判断しない

第12章の次の一歩

• 研究用データと臨床利用の境界を明確にし、同意・匿名化・監査の前提を先に書く
• 第10章のスキーマ設計と合わせて、レポート候補へ必要な由来情報を洗い出す
• 用語や証拠水準に迷ったら、付録Kと付録Gの該当項目へ戻る

第13章の次の一歩

• 研究課題、統計仮説、解析単位、主要評価指標を 1 ページで書き出す
• DMP / FAIR / provenance / data availability statement / code availability statement を整理し、公開可否と再利用条件を記録する
• 再現性と妥当性を分け、CI・container で確認できる手順と、倫理審査・専門家レビューが必要な判断を切り分ける

第14章の次の一歩

• SRR11140744 と TCGA-LUAD のどちらかを選び、目的、入力、制約、成果物を 1 ページで再整理する
• ケースごとに、何を自動化し、何を人手レビューに残すかを記録する
• 自分の業務や研究に近いケースへ横展開する際は、付録Jの題材一覧を起点にする

継続学習のための指針

技術トレンド追跡

• arXiv.org cs.CE (Computational Engineering)
• bioRxiv: 生物学プレプリントサーバ
• GitHub: オープンソースプロジェクト

実践プロジェクト

1. 公共データを用いた再現解析
2. 新規アルゴリズムの実装・評価
3. 既存手法の改良・最適化
4. 学際的共同研究への参画

スキル開発ロードマップ

🧪 概念例（スキル開発ロードマップ例）

初級 (0〜6ヶ月):
- プログラミング基礎 (Python/R)
- 生物学基礎知識
- 基本的な統計解析

中級 (6ヶ月〜2年):
- アルゴリズム実装
- 機械学習手法
- データベース設計

上級 (2年以上):
- 新規手法開発
- 大規模システム設計
- 学際的研究リーダーシップ