NeMO: a flexible R package for nested multi-species occupancy modelling and eDNA study optimization

本研究は、環境 DNA（eDNA）メタバコディング調査における検出の不確実性を定量化し、サンプリング設計を最適化するための柔軟な R パッケージ「NeMO」を開発し、その有効性をフランスのローヌ川における魚類多様性データを用いて実証したものである。

要約

この論文は、**「NeMO（ネモ）」**という新しいコンピュータープログラム（R パッケージ）の紹介と、その実証実験について書かれています。

一言で言うと、**「川や湖の生き物を、水から DNA を採取して調べる（eDNA 法）とき、見逃しをなくし、最も効率的な調べ方を決めるための『魔法の道具箱』を作りました」**というお話です。

以下に、専門用語を避け、身近な例え話を使って分かりやすく解説します。

---

1. 背景：なぜこの研究が必要だったのか？

「見えない魚」の問題
川や湖の生き物を調べるには、昔は網で捕まえる必要がありました。しかし、最近では**「eDNA（環境 DNA）」**という技術が流行っています。これは、水の中に溶け込んでいる生き物の「抜け殻やフンの DNA」を採取して、どんな魚がいるか調べる方法です。

• メリット: 魚を傷つけずに、一度の水で多くの種類を調べられる。
• デメリット（ここが重要）: 水の中に魚がいても、DNA が採取されなかったり、実験の途中で消えてしまったりして、「いない」と誤って判断してしまうことがあります（これを**「見逃し（偽陰性）」**と呼びます）。

これまでの研究では、「DNA が検出されなかった＝その魚はいない」と単純に考えがちでした。しかし、実際には「いるはずなのに、見つけられなかっただけ」かもしれません。特に、希少で隠れ上手な魚（例：夜行性の魚や、水底に住む魚）は、この「見逃し」のリスクが非常に高いのです。

2. NeMO（ネモ）とは何か？

「探偵の推理力」を備えたツール
著者たちは、この「見逃し」を統計的に計算し、補正するための新しいツール**「NeMO」**を開発しました。

NeMO は、以下のような**「3 つのフィルター」**を通過する過程をシミュレーションします。

1. 採取（Collection）: 水から DNA をすくい取れるか？
2. 増幅（Amplification）: 实验室で DNA を増やせるか？
3. 解析（Sequencing）: 機械で読み取れるか？

NeMO は、この 3 つのステップのそれぞれで「失敗する確率」を計算し、「本当はいるのに見逃した可能性」を数値化します。

3. 具体的な仕組み：お菓子作りで例えると

NeMO の仕組みを**「お菓子（魚）を探す」**ことに例えてみましょう。

• 状況: 大きな部屋（川）に、隠れたお菓子（魚の DNA）があるかもしれない。
• 従来の方法: 床を掃いて、見つかったお菓子だけを集める。「見つからなかったら、最初からなかった」と判断する。→ 失敗すると、本当はあったのに「なし」と言ってしまう。
• NeMO の方法:
  1. シミュレーション: 「もしお菓子があっても、掃除機（採取）が吸い取れない確率は 30%、袋（増幅）が破れる確率は 20%、箱（解析）に入らない確率は 10%」と計算する。
  2. 逆算: 「見つからなかった」という結果から、「実は 90% の確率でお菓子はあったはずだ」と推測する。
  3. 最適化: 「もっと確実に見つけるには、掃除機を 3 回かけるべきか、袋を 5 枚使うべきか、それとも箱を大きくすべきか」を計算してアドバイスする。

4. 実証実験：フランスのローヌ川で試してみた

著者たちは、フランスのローヌ川で 80 箇所の地点から水を採取し、魚の DNA を調べる実験を行いました。

• 結果 1：見逃しの発見
  従来の方法では「いない」とされた魚が、NeMO を使った分析では「実はいる可能性が高い」と判明しました。特に、**「数は少ないが、DNA が検出されやすい魚」と「数は多いが、DNA が検出されにくい（隠れ上手な）魚」**の区別がつくようになりました。
• 結果 2：コストの節約
  「どのくらい水を採取すれば、95% の確率で魚を見つけられるか？」を計算しました。
  • ある魚は「水を 2 杯採取すれば十分」でしたが、
  • 別の魚（例：レウカスピス・デレナトゥス）は「水を 100 杯採取しても、実験の工程を 1000 回繰り返さないと見つからないかもしれない」という結果が出ました。
  • これにより、**「無駄な実験を減らし、必要な場所に予算を集中させる」**ことが可能になりました。

5. この研究のすごいところ（まとめ）

NeMO は、単に「魚がいるかどうか」を調べるだけでなく、**「どうすれば最も効率的に、確実に魚を見つけられるか」**を設計図として提供してくれます。

• 公平な評価: 「見つけられなかっただけの魚」を不当に「絶滅危惧種」や「不在」として扱わないようにします。
• 予算の最適化: 「もっと水を採るべきか、実験を繰り返すべきか、機械の性能を上げるべきか」を、科学的な根拠に基づいてアドバイスします。
• 誰でも使える: 複雑な統計計算を、研究者だけでなく、現場の担当者でも使いやすいソフトウェア（R パッケージ）として提供しています。

結論

この論文は、**「eDNA 調査という新しい技術の『弱点（見逃し）』を、数学とコンピューターで補強し、より信頼性の高い自然保護活動につなげる」**という画期的なステップを示しました。

これからは、川や海の生物多様性を調べる際、「見逃し」を恐れて不安になるのではなく、NeMO という道具を使って「どこまで調べれば安心か」を冷静に判断できるようになるでしょう。

技術概要

この論文は、環境 DNA（eDNA）メタバコディングを用いた生物多様性モニタリングにおける「検出の不完全性（偽陰性）」の問題を解決し、研究設計を最適化するための新しい R パッケージ「NeMO」を開発・提案したものです。以下に、問題提起、手法、主要な貢献、結果、および意義について詳細な技術的サマリーを記述します。

1. 背景と問題提起

• eDNA メタバコディングの課題: eDNA 法は非侵襲的で広範な生物群の検出を可能にする強力なツールですが、検出確率が 100% ではない（不完全な検出）という問題を抱えています。特に、希少種や隠れやすい種において、検出されなかった場合を「真の不在」と誤解する（偽陰性の無視）ことが多く、生物多様性の評価や保全策に重大なバイアスをもたらす可能性があります。
• 既存手法の限界: 従来、オキュパンシーモデル（生息地占有モデル）はこの検出誤差を統計的に補正する有効な手法ですが、eDNA の複雑な階層構造（サイト→サンプル→PCR 複製）を適切に扱える多種同時解析用の柔軟なツールが不足していました。既存のパッケージは、PCR 複製の扱いやリード数（シーケンス深度）の活用、モデル比較の機能において限界がありました。

2. 手法と提案システム（NeMO）

著者らは、ベイズ統計枠組み（MCMC 法、JAGS 実装）に基づいた新しい R パッケージ**「NeMO (Nested eDNA Metabarcoding Occupancy)」**を開発しました。

• 階層モデルの構造:
  eDNA サイバーの典型的な 3 段階のネスト構造を明示的にモデル化します。

  1. サイトレベル: 種 $n$ がサイト $i$ に存在する確率（占有確率 $\psi$）。
  2. サンプルレベル: サイトに存在する場合、eDNA サンプル $j$ で DNA が採取される確率（採取確率 $\theta$）。
  3. PCR レベル: 採取されたサンプルから PCR 複製 $k$ で増幅される確率（増幅確率 $p$）。
  4. シーケンスレベル: 増幅された DNA がシーケンサーで読み取られる期待リード数（$\varphi$）。
  • 観測データとして、有無データ（Presence/Absence）だけでなく、**シーケンスリード数（Read Counts）**も直接モデルに組み込むことができます。

• 柔軟なモデル選択機能:
  データの構造や研究目的に応じて、以下の 3 つのプロトコルから選択可能です。

  1. PCR_rep_seq_read: 最も複雑なモデル。個々の PCR 複製とリード数を個別に扱う。
  2. seq_read: PCR 複製をプール（集約）し、リード数を用いるモデル。
  3. PCR_rep: リード数を無視し、PCR 複製の有無のみを用いるモデル。

• 主要機能:

  • 共変量の統合: 環境要因（例：海からの距離）や方法論的要因を、占有確率や検出確率の各段階に組み込むことができます。
  • リソース最適化: min_resources() 関数を用いて、種を存在する場合に所定の検出確率（例：95%）を達成するために必要な最小限の「サンプル数」「PCR 複製数」「シーケンス深度」を推定します。
  • モデル比較: WAIC（Watanabe-Akaike Information Criterion）を用いたモデル比較機能を提供します。

3. 実証研究（結果）

フランスのローヌ川流域における魚類の eDNA メタバコディングデータ（Pont et al., 2018 のデータセット、80 サイト、100 種）を用いて NeMO の有効性を検証しました。

• モデル性能: 3 つのプロトコルすべてで、ROC 曲線下面積（AUC）が約 0.8 前後と高い検出精度を示し、モデル性能に大きな差はありませんでした。ただし、計算時間は PCR_rep が最も速く、PCR_rep_seq_read が最も時間がかかりました（約 10 日）。
• パラメータ間の相関:
  • 占有確率（$\psi$）と検出パラメータ（$\theta, p, \varphi$）の間には正の相関がありましたが、検出パラメータ同士（採取・増幅・リード数）の相関が特に強かったです。
  • 「希少性」と「検出しにくさ」の区別: 占有確率が高くても検出しにくい種（例：Scardinius erythrophthalmus）や、占有確率は低くても検出しやすい種（例：Alosa spp.）が存在することが明らかになりました。これは、単なる不在と「検出不能」を区別する重要性を示しています。
  • 従来の電気漁獲データとの比較では、中程度の正の相関が見られ、eDNA による占有確率や検出確率が個体数の代理指標として有用である可能性が示唆されました。
• リソース最適化の結果:
  • 元の研究設計（サイトあたり 2 サンプル、サンプルあたり 12 PCR 複製）では、約 63% の種を信頼性高く検出できました。
  • 残りの種（特に Leucaspius delineatus や Lota lota など）は、95% の検出確率を達成するために、現実的ではないほどの PCR 複製数（1,000 以上など）が必要になることが判明しました。これは、特定の種に対しては現在の設計では限界があることを示唆しています。

4. 主要な貢献

1. 包括的なツールの提供: eDNA の階層構造（サイト・サンプル・PCR・シーケンス）をすべて網羅し、リード数データも活用可能な多種オキュパンシーモデルを R パッケージとして提供した。
2. 検出確率の定量化: 単なる有無ではなく、採取・増幅・シーケンスの各段階での検出確率を推定し、偽陰性のリスクを定量的に評価可能にした。
3. 研究設計の最適化: 事前に必要なサンプル数やシーケンス深度をシミュレーションで推定する機能により、コストと検出精度のバランスを最適化するガイドラインを提供した。
4. 概念の明確化: 「希少種（生息数が少ない）」と「検出しにくい種（技術的に検出が困難）」を統計的に区別する枠組みを提供した。

5. 意義と今後の展望

• 保全への応用: 検出確率を考慮することで、絶滅危惧種や侵入種の不在を過小評価するリスクを減らし、より信頼性の高い生物多様性モニタリングが可能になります。
• コスト効率: 無駄なシーケンス深度や過剰なサンプリングを避け、限られた予算で最大の検出能力を得るための科学的根拠を提供します。
• 今後の課題: 現在のモデルは「偽陽性（汚染などによる誤検出）」を明示的にモデル化していませんが、将来的には偽陽性を考慮したモデルや、河川における DNA の流下による空間的遅延を考慮したモデルへの拡張が期待されます。

総じて、NeMO は eDNA メタバコディング研究において、統計的厳密性と実用性を両立させる重要なツールであり、生態学および保全生物学の分野におけるデータ解析の標準化に寄与することが期待されます。