@nahisaho/satori 0.10.0 → 0.11.0

package/src/.github/skills/scientific-proteomics-mass-spectrometry/SKILL.md

@@ -0,0 +1,401 @@
+---
+name: scientific-proteomics-mass-spectrometry
+description: |
+  プロテオミクス・質量分析解析スキル。LC-MS/MS データ前処理、ペプチド同定 (PSM/FDR 制御)、
+  蛋白質定量 (LFQ/TMT/SILAC/iBAQ)、翻訳後修飾 (PTM) マッピング、
+  スペクトル類似度スコアリング (コサイン/修正コサイン)、分子ネットワーキング (GNPS)、
+  化合物アノテーション (HMDB/MassBank) を統合した質量分析パイプライン。
+  pyOpenMS / matchms ベースの包括的ワークフロー。
+---
+
+# Scientific Proteomics & Mass Spectrometry
+
+LC-MS/MS ベースのプロテオミクス・メタボロミクス質量分析データを対象に、
+スペクトル前処理→ペプチド/化合物同定→定量→差次的解析の
+標準パイプラインを提供する。
+
+## When to Use
+
+- LC-MS/MS プロテオミクスデータのペプチド同定・蛋白質定量が必要なとき
+- TMT/SILAC/LFQ による差次的蛋白質発現解析を行うとき
+- 翻訳後修飾 (リン酸化, ユビキチン化, アセチル化) マッピングが必要なとき
+- スペクトルライブラリ検索・分子ネットワーキングを行うとき
+- 化合物同定 (HMDB/MassBank/GNPS) が必要なとき
+
+---
+
+## Quick Start
+
+## 1. MS データ前処理 (pyOpenMS)
+
+```python
+import numpy as np
+import pandas as pd
+
+
+def ms_data_preprocessing(mzml_file, noise_threshold=1000,
+                           peak_picking_method="centroid"):
+    """
+    LC-MS/MS データ前処理パイプライン (pyOpenMS ベース)。
+
+    1. Raw → mzML 変換 (事前に msconvert)
+    2. ピーク検出 (セントロイド化)
+    3. ベースライン補正
+    4. ノイズ除去
+    5. RT アラインメント
+    """
+    from pyopenms import MSExperiment, MzMLFile, PeakPickerHiRes
+
+    # mzML 読み込み
+    exp = MSExperiment()
+    MzMLFile().load(mzml_file, exp)
+
+    print(f"  Loaded {exp.getNrSpectra()} spectra from {mzml_file}")
+    print(f"  MS1 scans: {sum(1 for s in exp if s.getMSLevel() == 1)}")
+    print(f"  MS2 scans: {sum(1 for s in exp if s.getMSLevel() == 2)}")
+
+    # ピークピッキング
+    if peak_picking_method == "centroid":
+        picker = PeakPickerHiRes()
+        exp_picked = MSExperiment()
+        picker.pickExperiment(exp, exp_picked)
+        print(f"  After peak picking: {exp_picked.getNrSpectra()} spectra")
+        return exp_picked
+
+    return exp
+
+
+def feature_detection(exp, mass_error_ppm=10, noise_threshold=1000):
+    """
+    LC-MS 特徴検出 — m/z × RT × 強度の 3D ピーク検出。
+    """
+    from pyopenms import FeatureFinder, FeatureMap
+
+    ff = FeatureFinder()
+    features = FeatureMap()
+
+    ff_params = ff.getParameters()
+    ff_params.setValue("mass_trace:mz_tolerance", float(mass_error_ppm))
+    ff_params.setValue("noise_threshold_int", float(noise_threshold))
+    ff.setParameters(ff_params)
+
+    ff.run("centroided", exp, features, FeatureMap())
+
+    print(f"  Detected {features.size()} features")
+
+    results = []
+    for f in features:
+        results.append({
+            "mz": f.getMZ(),
+            "rt": f.getRT(),
+            "intensity": f.getIntensity(),
+            "charge": f.getCharge(),
+            "quality": f.getOverallQuality(),
+        })
+
+    return pd.DataFrame(results)
+```
+
+## 2. ペプチド同定 (データベース検索)
+
+```python
+import numpy as np
+import pandas as pd
+
+
+def peptide_identification(mzml_file, fasta_db, enzyme="Trypsin",
+                           missed_cleavages=2, precursor_mass_tol=10,
+                           fragment_mass_tol=0.02, fdr_cutoff=0.01):
+    """
+    MS/MS スペクトルからのペプチド同定パイプライン。
+
+    1. データベース検索 (X!Tandem / Comet / MSGF+)
+    2. PSM (Peptide-Spectrum Match) スコアリング
+    3. Target-Decoy FDR 制御
+    4. Protein inference (Occam's Razor)
+    """
+    from pyopenms import (
+        IdXMLFile, ProteinIdentification,
+        PeptideIdentification
+    )
+
+    # 検索パラメータ
+    search_params = {
+        "database": fasta_db,
+        "enzyme": enzyme,
+        "missed_cleavages": missed_cleavages,
+        "precursor_mass_tolerance": f"{precursor_mass_tol} ppm",
+        "fragment_mass_tolerance": f"{fragment_mass_tol} Da",
+        "fixed_modifications": ["Carbamidomethyl (C)"],
+        "variable_modifications": ["Oxidation (M)", "Acetyl (Protein N-term)"],
+    }
+
+    print(f"  Database search parameters:")
+    for k, v in search_params.items():
+        print(f"    {k}: {v}")
+
+    # FDR 制御
+    # Target-Decoy approach: concatenate reversed sequences
+    print(f"  FDR cutoff: {fdr_cutoff} (1% at PSM level)")
+    print(f"  Method: Target-Decoy competition (TDC)")
+
+    return search_params
+
+
+def protein_quantification(psm_results, method="LFQ",
+                            min_peptides=2, min_ratio_count=2):
+    """
+    蛋白質定量。
+
+    Methods:
+    - LFQ (Label-Free Quantification): MS1 強度ベース
+    - iBAQ (intensity-Based Absolute Quantification)
+    - TMT (Tandem Mass Tag): Reporter ion 強度
+    - SILAC: Heavy/Light 比率
+    """
+    print(f"  Quantification method: {method}")
+    print(f"  Minimum peptides per protein: {min_peptides}")
+
+    if method == "LFQ":
+        # MaxLFQ アルゴリズム: ペプチド比率の中央値正規化
+        print("  Normalization: MaxLFQ (median of peptide ratios)")
+        print("  Missing value imputation: MinDet (minimum deterministic)")
+
+    elif method == "TMT":
+        print("  TMT channels: 126-134N (TMTpro 18-plex)")
+        print("  Reporter ion extraction: ±10 ppm")
+        print("  Normalization: Median centering → IRS (Internal Reference Scaling)")
+
+    elif method == "SILAC":
+        print("  Labels: Light (K0R0) vs Heavy (K8R10)")
+        print("  Ratio calculation: median of peptide ratios")
+
+    elif method == "iBAQ":
+        print("  iBAQ = Σ(peptide intensities) / n_observable_peptides")
+
+    return {"method": method, "min_peptides": min_peptides}
+```
+
+## 3. 翻訳後修飾 (PTM) 解析
+
+```python
+import pandas as pd
+import numpy as np
+
+
+def ptm_site_localization(psm_results, ptm_types=None,
+                           localization_prob_cutoff=0.75):
+    """
+    翻訳後修飾サイトの局在化解析。
+
+    主要 PTM タイプ:
+    - Phosphorylation (S/T/Y): リン酸化
+    - Ubiquitination (K): ユビキチン化 (diGly remnant)
+    - Acetylation (K): アセチル化
+    - Methylation (K/R): メチル化
+    - Glycosylation (N/S/T): 糖鎖修飾
+    - SUMOylation (K): SUMO 化
+    """
+    ptm_types = ptm_types or ["Phospho (S)", "Phospho (T)", "Phospho (Y)"]
+
+    print(f"  PTM types analyzed: {ptm_types}")
+    print(f"  Localization probability cutoff: {localization_prob_cutoff}")
+    print("  Methods: phosphoRS / Ascore / ptmRS")
+
+    # PTM 濃縮解析 (Motif-X / pLogo)
+    print("  Motif enrichment: Motif-X algorithm")
+    print("    Window: ±7 residues around modification site")
+    print("    Significance: p < 1e-6 (binomial test)")
+
+    return {"ptm_types": ptm_types, "cutoff": localization_prob_cutoff}
+
+
+def phosphoproteomics_kinase_activity(phosphosites_df,
+                                       kinase_substrate_db="PhosphoSitePlus"):
+    """
+    フォスフォプロテオミクスからのキナーゼ活性推定 (KSEA)。
+
+    Kinase-Substrate Enrichment Analysis:
+    - PhosphoSitePlus / NetworKIN のキナーゼ-基質関係を使用
+    - 各キナーゼの基質群の平均 log2FC をスコア化
+    - z-test で有意性を評価
+    """
+    print(f"  Kinase-substrate database: {kinase_substrate_db}")
+    print("  Algorithm: KSEA (Kinase-Substrate Enrichment Analysis)")
+    print("  Score: mean(log2FC of substrates) × sqrt(n_substrates)")
+
+    return {"database": kinase_substrate_db, "method": "KSEA"}
+```
+
+## 4. スペクトルマッチング・分子ネットワーキング
+
+```python
+import numpy as np
+import pandas as pd
+
+
+def spectral_similarity_scoring(query_spectrum, library_spectrum,
+                                 method="modified_cosine",
+                                 mz_tolerance=0.02):
+    """
+    MS/MS スペクトル間の類似度スコアリング。
+
+    Methods:
+    - cosine: 標準コサイン類似度
+    - modified_cosine: 前駆体質量差を考慮したシフトマッチング
+    - spec2vec: Word2Vec ベースのスペクトル埋め込み
+    """
+    from matchms import Spectrum, calculate_scores
+    from matchms.similarity import ModifiedCosine, CosineGreedy
+
+    if method == "modified_cosine":
+        similarity_func = ModifiedCosine(tolerance=mz_tolerance)
+    else:
+        similarity_func = CosineGreedy(tolerance=mz_tolerance)
+
+    score = similarity_func.pair(query_spectrum, library_spectrum)
+
+    print(f"  Similarity method: {method}")
+    print(f"  Score: {score['score']:.4f}")
+    print(f"  Matched peaks: {score['matches']}")
+
+    return score
+
+
+def molecular_networking(spectra_list, min_cosine=0.7,
+                          min_matched_peaks=6, max_neighbors=10):
+    """
+    GNPS スタイル分子ネットワーキング。
+
+    スペクトル間の修正コサイン類似度に基づいてネットワークを構築。
+    類似構造を持つ化合物がクラスタを形成 → 未知化合物の推定に活用。
+    """
+    from matchms import calculate_scores
+    from matchms.similarity import ModifiedCosine
+    import networkx as nx
+
+    sim_func = ModifiedCosine(tolerance=0.02)
+
+    G = nx.Graph()
+    n = len(spectra_list)
+    edge_count = 0
+
+    for i in range(n):
+        G.add_node(i)
+        for j in range(i + 1, n):
+            score = sim_func.pair(spectra_list[i], spectra_list[j])
+            if (score["score"] >= min_cosine and
+                    score["matches"] >= min_matched_peaks):
+                G.add_edge(i, j, weight=score["score"],
+                           matches=score["matches"])
+                edge_count += 1
+
+    print(f"  Molecular network: {n} nodes, {edge_count} edges")
+    print(f"  Connected components: {nx.number_connected_components(G)}")
+    print(f"  Parameters: min_cosine={min_cosine}, min_matched={min_matched_peaks}")
+
+    return G
+```
+
+## 5. 差次的蛋白質発現 + 機能濃縮
+
+```python
+import pandas as pd
+import numpy as np
+from scipy.stats import ttest_ind
+from statsmodels.stats.multitest import multipletests
+
+
+def differential_protein_expression(intensity_matrix, groups,
+                                     log2fc_cutoff=1.0, fdr_cutoff=0.05,
+                                     imputation="MinDet"):
+    """
+    差次的蛋白質発現解析。
+
+    Parameters:
+        intensity_matrix: proteins × samples (log2 LFQ 強度)
+        groups: サンプルグループ (e.g., ["Treatment", "Control", ...])
+        imputation: 欠損値補完法 (MinDet / MinProb / KNN / QRILC)
+    """
+    group_names = sorted(set(groups))
+    g1, g2 = group_names[0], group_names[1]
+    g1_idx = [i for i, g in enumerate(groups) if g == g1]
+    g2_idx = [i for i, g in enumerate(groups) if g == g2]
+
+    results = []
+    for protein in intensity_matrix.index:
+        vals1 = intensity_matrix.loc[protein, intensity_matrix.columns[g1_idx]].dropna()
+        vals2 = intensity_matrix.loc[protein, intensity_matrix.columns[g2_idx]].dropna()
+
+        if len(vals1) < 2 or len(vals2) < 2:
+            continue
+
+        log2fc = vals2.mean() - vals1.mean()
+        stat, pval = ttest_ind(vals1, vals2, equal_var=False)
+
+        results.append({
+            "protein": protein,
+            "log2FC": log2fc,
+            "pvalue": pval,
+            "mean_g1": vals1.mean(),
+            "mean_g2": vals2.mean(),
+            "n_g1": len(vals1),
+            "n_g2": len(vals2),
+        })
+
+    df = pd.DataFrame(results)
+    df["padj"] = multipletests(df["pvalue"], method="fdr_bh")[1]
+
+    sig_up = df[(df["padj"] < fdr_cutoff) & (df["log2FC"] > log2fc_cutoff)]
+    sig_down = df[(df["padj"] < fdr_cutoff) & (df["log2FC"] < -log2fc_cutoff)]
+
+    print(f"  {g2} vs {g1}:")
+    print(f"  Total proteins tested: {len(df)}")
+    print(f"  Significant UP: {len(sig_up)} (log2FC > {log2fc_cutoff}, FDR < {fdr_cutoff})")
+    print(f"  Significant DOWN: {len(sig_down)} (log2FC < -{log2fc_cutoff}, FDR < {fdr_cutoff})")
+
+    return df
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/features_detected.csv` | CSV |
+| `results/psm_results.csv` | CSV |
+| `results/protein_quant.csv` | CSV |
+| `results/ptm_sites.csv` | CSV |
+| `results/differential_proteins.csv` | CSV |
+| `results/molecular_network.graphml` | GraphML |
+| `figures/volcano_proteomics.png` | PNG |
+| `figures/molecular_network.png` | PNG |
+
+### 利用可能ツール
+
+> [ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP 経由で利用可能な外部ツール。
+
+| カテゴリ | 主要ツール | 用途 |
+|---|---|---|
+| PRIDE | `PRIDE_search_proteomics` | プロテオミクスプロジェクト検索 |
+| PRIDE | `PRIDE_get_project` | プロジェクト詳細取得 |
+| PRIDE | `PRIDE_get_project_files` | プロテオミクスデータファイル取得 |
+| UniProt | `search_uniprot_by_name` | 蛋白質検索 |
+| UniProt | `get_uniprot_entry` | 蛋白質エントリ詳細 |
+| KEGG | `kegg_get_pathway_info` | 蛋白質パスウェイ情報 |
+| Reactome | `reactome_pathway_analysis` | パスウェイ濃縮解析 |
+
+### 参照スキル
+
+| スキル | 関連 |
+|---|---|
+| `scientific-metabolomics` | 代謝物 MS 解析 |
+| `scientific-spectral-signal` | スペクトル解析基盤 |
+| `scientific-bioinformatics` | 配列・蛋白質データベース |
+| `scientific-network-analysis` | 分子ネットワーク可視化 |
+| `scientific-multi-omics` | マルチオミクス統合 |
+
+### 依存パッケージ
+
+`pyopenms`, `matchms`, `pandas`, `numpy`, `scipy`, `scikit-learn`, `networkx`, `statsmodels`

package/src/.github/skills/scientific-regulatory-science/SKILL.md

@@ -0,0 +1,256 @@
+---
+name: scientific-regulatory-science
+description: |
+  規制科学パイプラインスキル。FDA (医薬品/医療機器/食品)・EMA・PMDA 規制データベース横断照会、
+  Orange Book 承認履歴・特許・排他性情報、510(k) デバイスクリアランス、
+  ISO 13485 品質管理システム (設計管理/CAPA/リスク管理)、
+  USPTO 特許検索を統合した薬事・規制情報パイプライン。
+---
+
+# Scientific Regulatory Science
+
+FDA・EMA・PMDA 等の規制当局データベースを横断照会し、
+医薬品・医療機器・食品の承認情報・安全性データ・品質管理要件・知的財産情報を
+体系的に取得するパイプラインを提供する。
+
+## When to Use
+
+- FDA 医薬品の承認履歴・ジェネリック状況を調査するとき
+- 医療機器の 510(k) クリアランス・規制分類を確認するとき
+- 食品安全性 (FDA リコール, 有害事象) データを取得するとき
+- ISO 13485 品質管理システムの設計管理・CAPA を計画するとき
+- 競合特許のランドスケープ調査が必要なとき
+
+---
+
+## Quick Start
+
+## 1. FDA Orange Book 照会
+
+```python
+import pandas as pd
+import json
+
+
+def query_fda_orange_book(drug_name=None, nda_number=None,
+                            active_ingredient=None):
+    """
+    FDA Orange Book (Approved Drug Products with Therapeutic Equivalence Evaluations)。
+
+    取得項目:
+    - 承認履歴 (NDA/ANDA, 承認日, 適応症)
+    - 治療的同等性 (TE) コード (AB, BX, etc.)
+    - 特許情報 (満了日, 特許番号, Use Code)
+    - 排他性情報 (NCE, Orphan, Pediatric)
+    - ジェネリック承認状況
+    """
+    print(f"  Querying FDA Orange Book:")
+    if drug_name:
+        print(f"    Drug: {drug_name}")
+    if active_ingredient:
+        print(f"    Active ingredient: {active_ingredient}")
+
+    return {"drug_name": drug_name, "nda_number": nda_number}
+
+
+def analyze_patent_landscape(drug_name):
+    """
+    医薬品特許ランドスケープ解析。
+
+    - Orange Book 掲載特許の満了日タイムライン
+    - パラグラフ IV チャレンジの有無
+    - 180 日排他性の状況
+    - ジェネリック参入予測
+    """
+    print(f"  Patent landscape for: {drug_name}")
+    print("  Analysis: Patent expiry timeline + exclusivity + generic entry")
+
+    return {"drug_name": drug_name}
+```
+
+## 2. FDA 医療機器規制データ
+
+```python
+import pandas as pd
+
+
+def query_fda_device_classification(device_name=None, product_code=None,
+                                      regulation_number=None):
+    """
+    FDA 医療機器分類照会。
+
+    分類クラス:
+    - Class I: 一般規制 (General Controls)
+    - Class II: 特別規制 (Special Controls) — 510(k) 必要
+    - Class III: 市販前承認 (PMA) 必要
+    """
+    print(f"  FDA Device Classification:")
+    if device_name:
+        print(f"    Device: {device_name}")
+    print("  Regulatory pathways: 510(k), De Novo, PMA, HDE")
+
+    return {"device_name": device_name, "product_code": product_code}
+
+
+def query_510k_clearance(device_name=None, applicant=None,
+                           decision_date_from=None):
+    """
+    FDA 510(k) クリアランスデータ照会。
+
+    510(k) = Premarket Notification
+    - Predicate device との実質的同等性 (SE) の証明
+    - 90 日レビュー (Traditional) / 30 日 (Special/Abbreviated)
+    """
+    print(f"  510(k) Clearance search:")
+    if device_name:
+        print(f"    Device: {device_name}")
+
+    return {"device_name": device_name}
+```
+
+## 3. ISO 13485 品質管理システム
+
+```python
+import json
+from datetime import datetime
+
+
+def iso13485_design_control_checklist(product_name, risk_class="II"):
+    """
+    ISO 13485 設計管理チェックリスト。
+
+    設計管理プロセス (ISO 13485:2016 §7.3):
+    - 7.3.2 設計・開発計画
+    - 7.3.3 設計入力
+    - 7.3.4 設計出力
+    - 7.3.5 設計レビュー
+    - 7.3.6 設計検証
+    - 7.3.7 設計バリデーション
+    - 7.3.8 設計移管
+    - 7.3.9 設計変更管理
+    """
+    checklist = {
+        "product": product_name,
+        "risk_class": risk_class,
+        "design_phases": [
+            {"phase": "Design Planning", "ref": "§7.3.2",
+             "deliverables": ["DHF 設計履歴ファイル", "プロジェクト計画書", "リスク管理計画"]},
+            {"phase": "Design Input", "ref": "§7.3.3",
+             "deliverables": ["ユーザーニーズ", "設計要求仕様 (DRS)", "規制要求"]},
+            {"phase": "Design Output", "ref": "§7.3.4",
+             "deliverables": ["設計仕様書", "図面", "DMR (Device Master Record)"]},
+            {"phase": "Design Review", "ref": "§7.3.5",
+             "deliverables": ["設計レビュー議事録", "アクションアイテム"]},
+            {"phase": "Design Verification", "ref": "§7.3.6",
+             "deliverables": ["検証プロトコル/レポート", "トレーサビリティマトリクス"]},
+            {"phase": "Design Validation", "ref": "§7.3.7",
+             "deliverables": ["バリデーションプロトコル/レポート", "臨床評価 (必要時)"]},
+            {"phase": "Design Transfer", "ref": "§7.3.8",
+             "deliverables": ["製造移管文書", "製造仕様"]},
+            {"phase": "Design Changes", "ref": "§7.3.9",
+             "deliverables": ["変更管理 (ECO)", "影響分析"]},
+        ],
+    }
+
+    print(f"  ISO 13485 Design Control for: {product_name} (Class {risk_class})")
+    for phase in checklist["design_phases"]:
+        print(f"    {phase['ref']} {phase['phase']}: {len(phase['deliverables'])} deliverables")
+
+    return checklist
+
+
+def capa_process(nonconformity_description, severity="Major"):
+    """
+    CAPA (Corrective and Preventive Action) プロセス。
+
+    ISO 13485 §8.5.2 (是正処置) / §8.5.3 (予防処置)
+    """
+    capa_record = {
+        "id": f"CAPA-{datetime.now().strftime('%Y%m%d-%H%M')}",
+        "nonconformity": nonconformity_description,
+        "severity": severity,
+        "steps": [
+            "1. 問題の特定と文書化",
+            "2. 即時是正処置 (Containment)",
+            "3. 根本原因分析 (5-Why / Fishbone)",
+            "4. 是正処置の計画と実施",
+            "5. 有効性検証",
+            "6. 予防処置の展開",
+            "7. CAPA クローズ",
+        ],
+    }
+
+    print(f"  CAPA initiated: {capa_record['id']}")
+    print(f"  Severity: {severity}")
+
+    return capa_record
+```
+
+## 4. USPTO 特許検索
+
+```python
+import pandas as pd
+
+
+def search_patents(query, start_date=None, end_date=None,
+                    assignee=None, max_results=50):
+    """
+    USPTO 特許検索 (PatentsView API)。
+
+    検索フィールド:
+    - 特許タイトル・アブストラクト・クレーム
+    - 出願人/譲受人
+    - 出願日/登録日
+    - CPC (Cooperative Patent Classification) コード
+    """
+    print(f"  USPTO Patent search: '{query}'")
+    if assignee:
+        print(f"  Assignee: {assignee}")
+    if start_date:
+        print(f"  Date range: {start_date} → {end_date or 'present'}")
+
+    return {"query": query, "max_results": max_results}
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/fda_orange_book.json` | JSON |
+| `results/device_classification.csv` | CSV |
+| `results/510k_clearances.csv` | CSV |
+| `results/iso13485_checklist.json` | JSON |
+| `results/capa_record.json` | JSON |
+| `results/patent_search.csv` | CSV |
+| `figures/patent_timeline.png` | PNG |
+
+### 利用可能ツール
+
+> [ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP 経由で利用可能な外部ツール。
+
+| カテゴリ | 主要ツール | 用途 |
+|---|---|---|
+| FDA Orange Book | `FDA_OrangeBook_search_drug` | 医薬品検索 |
+| FDA Orange Book | `FDA_OrangeBook_get_approval_history` | 承認履歴取得 |
+| FDA Orange Book | `FDA_OrangeBook_get_patent_info` | 特許情報取得 |
+| FDA Orange Book | `FDA_OrangeBook_get_exclusivity` | 排他性情報 |
+| FDA Orange Book | `FDA_OrangeBook_check_generic_availability` | ジェネリック承認状況 |
+| FDA Orange Book | `FDA_OrangeBook_get_te_code` | 治療的同等性コード |
+| FAERS | `FAERS_search_adverse_event_reports` | 有害事象レポート検索 |
+| FAERS | `FAERS_calculate_disproportionality` | 不均衡分析 (ROR/PRR/IC) |
+
+### 参照スキル
+
+| スキル | 関連 |
+|---|---|
+| `scientific-pharmacovigilance` | 市販後安全性 |
+| `scientific-pharmacogenomics` | FDA PGx バイオマーカー |
+| `scientific-clinical-trials-analytics` | 臨床試験レジストリ |
+| `scientific-admet-pharmacokinetics` | 前臨床 ADMET |
+| `scientific-grant-writing` | 規制戦略セクション |
+
+### 依存パッケージ
+
+`pandas`, `numpy`, `requests`, `json`