@nahisaho/satori 0.11.0 → 0.12.0

package/src/.github/skills/scientific-metabolomics-databases/SKILL.md

@@ -0,0 +1,288 @@
+---
+name: scientific-metabolomics-databases
+description: |
+  メタボロミクスデータベース統合スキル。HMDB (Human Metabolome Database、
+  220,000+ 代謝物)、MetaCyc (代謝パスウェイ)、Metabolomics Workbench
+  (NIH メタボロミクスリポジトリ) の 3 大メタボロミクス DB を統合した
+  代謝物同定、パスウェイマッピング、バイオマーカー発見、
+  RefMet 標準化命名パイプライン。13 の ToolUniverse SMCP ツールと連携。
+---
+
+# Scientific Metabolomics Databases
+
+HMDB / MetaCyc / Metabolomics Workbench の 3 大メタボロミクスデータベースを統合した
+代謝物同定・パスウェイマッピング・バイオマーカー発見パイプラインを提供する。
+
+## When to Use
+
+- 質量 (m/z) から代謝物を同定するとき
+- HMDB で代謝物の生物学的コンテキストを調べるとき
+- MetaCyc で代謝パスウェイの詳細を確認するとき
+- Metabolomics Workbench の公開データセットを検索するとき
+- 複数 DB を横断した代謝物アノテーションが必要なとき
+
+---
+
+## Quick Start
+
+## 1. HMDB 代謝物検索
+
+```python
+import requests
+import pandas as pd
+import xml.etree.ElementTree as ET
+
+
+def hmdb_search(query, search_type="name", max_results=50):
+    """
+    HMDB (Human Metabolome Database) 検索。
+
+    Parameters:
+        query: str — 検索クエリ (代謝物名, HMDB ID, 化学式)
+        search_type: "name", "hmdb_id", "formula", "mass"
+    """
+    # ToolUniverse 経由: HMDB_search, HMDB_get_metabolite, HMDB_get_diseases
+
+    base_url = "https://hmdb.ca/metabolites"
+
+    if search_type == "hmdb_id":
+        url = f"{base_url}/{query}.xml"
+        resp = requests.get(url, timeout=30)
+        if resp.status_code == 200:
+            root = ET.fromstring(resp.text)
+            ns = {"hmdb": "http://www.hmdb.ca"}
+            result = {
+                "hmdb_id": root.findtext("hmdb:accession", "", ns),
+                "name": root.findtext("hmdb:name", "", ns),
+                "chemical_formula": root.findtext("hmdb:chemical_formula", "", ns),
+                "monoisotopic_mass": float(root.findtext(
+                    "hmdb:monisotopic_molecular_weight", "0", ns) or 0),
+                "description": (root.findtext("hmdb:description", "", ns) or "")[:300],
+                "status": root.findtext("hmdb:status", "", ns),
+                "biological_role": root.findtext(
+                    "hmdb:ontology/hmdb:root/hmdb:term", "", ns),
+            }
+            return pd.DataFrame([result])
+
+    # 名前検索
+    results = []
+    params = {"query": query, "search_type": search_type}
+    print(f"HMDB search: '{query}' (type={search_type})")
+    # 実際の検索は ToolUniverse SMCP 経由で実行
+    return pd.DataFrame(results)
+```
+
+## 2. MetaCyc 代謝パスウェイ検索
+
+```python
+def metacyc_pathway_search(query, organism="Homo sapiens"):
+    """
+    MetaCyc 代謝パスウェイ検索。
+
+    Parameters:
+        query: str — パスウェイ名/代謝物名/酵素名
+        organism: str — 生物種フィルタ
+    """
+    # ToolUniverse 経由:
+    # MetaCyc_search_pathways, MetaCyc_get_pathway
+    # MetaCyc_get_compound, MetaCyc_get_reaction
+
+    results = {
+        "query": query,
+        "organism": organism,
+        "database": "MetaCyc",
+        "tools": [
+            "MetaCyc_search_pathways — パスウェイ検索",
+            "MetaCyc_get_pathway — パスウェイ詳細 (反応・酵素・代謝物)",
+            "MetaCyc_get_compound — 化合物詳細 (構造・特性)",
+            "MetaCyc_get_reaction — 反応詳細 (基質・生成物・酵素)",
+        ],
+    }
+
+    print(f"MetaCyc: querying '{query}' for {organism}")
+    return results
+```
+
+## 3. Metabolomics Workbench データ取得
+
+```python
+def metabolomics_workbench_search(query, search_type="compound_name",
+                                    exact_mass=None, mz_tolerance=0.01):
+    """
+    NIH Metabolomics Workbench REST API 検索。
+
+    Parameters:
+        query: str — 検索クエリ
+        search_type: "compound_name", "refmet", "study", "exact_mass", "mz"
+        exact_mass: float — 厳密質量 (search_type="exact_mass" 時)
+        mz_tolerance: float — m/z 許容誤差 (Da)
+    """
+    base_url = "https://www.metabolomicsworkbench.org/rest"
+
+    # ToolUniverse 経由:
+    # MetabolomicsWorkbench_search_compound_by_name
+    # MetabolomicsWorkbench_get_refmet_info
+    # MetabolomicsWorkbench_get_study
+    # MetabolomicsWorkbench_search_by_exact_mass
+    # MetabolomicsWorkbench_search_by_mz
+    # MetabolomicsWorkbench_get_compound_by_pubchem_cid
+
+    if search_type == "compound_name":
+        url = f"{base_url}/compound/name/{query}/all/"
+    elif search_type == "refmet":
+        url = f"{base_url}/refmet/name/{query}/all/"
+    elif search_type == "study":
+        url = f"{base_url}/study/study_id/{query}/summary/"
+    elif search_type == "exact_mass":
+        url = f"{base_url}/compound/exact_mass/{exact_mass}/tolerance/{mz_tolerance}/"
+    elif search_type == "mz":
+        url = f"{base_url}/compound/mz_value/{query}/tolerance/{mz_tolerance}/"
+    else:
+        raise ValueError(f"Unknown search_type: {search_type}")
+
+    resp = requests.get(url, timeout=30)
+    if resp.status_code == 200:
+        try:
+            data = resp.json()
+            if isinstance(data, list):
+                df = pd.DataFrame(data)
+            elif isinstance(data, dict):
+                df = pd.DataFrame([data])
+            else:
+                df = pd.DataFrame()
+        except Exception:
+            df = pd.DataFrame()
+    else:
+        df = pd.DataFrame()
+
+    print(f"Metabolomics Workbench ({search_type}): {len(df)} results")
+    return df
+```
+
+## 4. m/z ベース代謝物同定 (マルチ DB)
+
+```python
+def identify_metabolites_by_mass(mz_values, adducts=None,
+                                  tolerance_ppm=10,
+                                  databases=None):
+    """
+    m/z 値から複数 DB を横断して代謝物を同定。
+
+    Parameters:
+        mz_values: list[float] — 観測 m/z 値リスト
+        adducts: list — アダクトイオン (e.g., ["[M+H]+", "[M+Na]+", "[M-H]-"])
+        tolerance_ppm: float — 質量許容誤差 (ppm)
+        databases: list — 検索対象 DB ("hmdb", "metacyc", "mwb")
+    """
+    import numpy as np
+
+    if adducts is None:
+        adducts = [
+            {"name": "[M+H]+", "mass_diff": 1.007276, "mode": "positive"},
+            {"name": "[M+Na]+", "mass_diff": 22.989218, "mode": "positive"},
+            {"name": "[M-H]-", "mass_diff": -1.007276, "mode": "negative"},
+            {"name": "[M+NH4]+", "mass_diff": 18.034164, "mode": "positive"},
+        ]
+
+    if databases is None:
+        databases = ["hmdb", "mwb"]
+
+    all_results = []
+
+    for mz in mz_values:
+        for adduct in adducts:
+            neutral_mass = mz - adduct["mass_diff"]
+            tolerance_da = neutral_mass * tolerance_ppm / 1e6
+
+            result = {
+                "query_mz": mz,
+                "adduct": adduct["name"],
+                "neutral_mass": round(neutral_mass, 6),
+                "tolerance_da": round(tolerance_da, 6),
+                "databases_queried": databases,
+            }
+            all_results.append(result)
+
+    df = pd.DataFrame(all_results)
+    print(f"Mass-based ID: {len(mz_values)} m/z values × "
+          f"{len(adducts)} adducts = {len(df)} queries "
+          f"across {databases}")
+    return df
+```
+
+## 5. RefMet 標準化命名
+
+```python
+def refmet_standardize(metabolite_names):
+    """
+    RefMet (Reference Metabolomics) 標準化命名。
+
+    Parameters:
+        metabolite_names: list — 代謝物名リスト (非標準化)
+    """
+    results = []
+
+    for name in metabolite_names:
+        # ToolUniverse 経由: MetabolomicsWorkbench_get_refmet_info
+        result = {
+            "input_name": name,
+            "refmet_name": None,
+            "super_class": None,
+            "main_class": None,
+            "sub_class": None,
+            "formula": None,
+            "exact_mass": None,
+        }
+        results.append(result)
+
+    df = pd.DataFrame(results)
+    print(f"RefMet standardization: {len(df)} metabolites queried")
+    return df
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/hmdb_metabolites.csv` | CSV |
+| `results/metacyc_pathways.json` | JSON |
+| `results/mwb_compounds.csv` | CSV |
+| `results/mass_id_results.csv` | CSV |
+| `results/refmet_standardized.csv` | CSV |
+| `figures/metabolite_class_distribution.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 |
+|---|---|---|
+| HMDB | `HMDB_get_metabolite` | 代謝物詳細取得 |
+| HMDB | `HMDB_search` | 代謝物検索 |
+| HMDB | `HMDB_get_diseases` | 疾患関連代謝物 |
+| MetaCyc | `MetaCyc_search_pathways` | 代謝パスウェイ検索 |
+| MetaCyc | `MetaCyc_get_pathway` | パスウェイ詳細 |
+| MetaCyc | `MetaCyc_get_compound` | 化合物詳細 |
+| MetaCyc | `MetaCyc_get_reaction` | 反応詳細 |
+| MWB | `MetabolomicsWorkbench_search_compound_by_name` | 化合物名検索 |
+| MWB | `MetabolomicsWorkbench_get_refmet_info` | RefMet 標準化情報 |
+| MWB | `MetabolomicsWorkbench_get_study` | 研究データ取得 |
+| MWB | `MetabolomicsWorkbench_search_by_exact_mass` | 厳密質量検索 |
+| MWB | `MetabolomicsWorkbench_search_by_mz` | m/z 値検索 |
+| MWB | `MetabolomicsWorkbench_get_compound_by_pubchem_cid` | PubChem CID 検索 |
+
+### 参照スキル
+
+| スキル | 関連 |
+|---|---|
+| `scientific-metabolomics` | PLS-DA/VIP 統計解析 |
+| `scientific-pathway-enrichment` | 代謝物 → パスウェイ富化 |
+| `scientific-cheminformatics` | 分子記述子・構造解析 |
+| `scientific-systems-biology` | FBA 代謝フラックス |
+| `scientific-multi-omics` | メタボロミクス ↔ オミクス統合 |
+
+### 依存パッケージ
+
+`requests`, `pandas`, `numpy`, `xml.etree.ElementTree` (stdlib)

package/src/.github/skills/scientific-molecular-docking/SKILL.md

@@ -0,0 +1,303 @@
+---
+name: scientific-molecular-docking
+description: |
+  構造ベース分子ドッキングスキル。DiffDock (拡散生成モデル)、
+  AutoDock Vina (スコアリング関数)、GNINA (CNN ベーススコアリング) を統合した
+  タンパク質-リガンド結合ポーズ予測、バーチャルスクリーニング、
+  結合自由エネルギー推定、ドッキングスコア統合パイプライン。
+---
+
+# Scientific Molecular Docking
+
+DiffDock / AutoDock Vina / GNINA の 3 大ドッキングエンジンによる
+構造ベース仮想スクリーニング・結合ポーズ予測パイプラインを提供する。
+
+## When to Use
+
+- タンパク質-リガンド結合モードを予測するとき
+- 化合物ライブラリのバーチャルスクリーニングが必要なとき
+- 結合自由エネルギーを推定してリガンドをランキングするとき
+- DiffDock で AI ベースの結合ポーズ生成を行うとき
+- 複数のドッキング手法のコンセンサス評価が必要なとき
+
+---
+
+## Quick Start
+
+## 1. リガンド・受容体の準備
+
+```python
+import os
+import subprocess
+import pandas as pd
+import numpy as np
+
+
+def prepare_receptor(pdb_file, output_dir="structures/prepared",
+                      remove_water=True, add_hydrogens=True):
+    """
+    ドッキング用受容体 (タンパク質) 準備。
+
+    Parameters:
+        pdb_file: str — 入力 PDB ファイル
+        remove_water: bool — 水分子除去
+        add_hydrogens: bool — 水素原子付加
+    """
+    os.makedirs(output_dir, exist_ok=True)
+    base_name = os.path.splitext(os.path.basename(pdb_file))[0]
+
+    # PDB → PDBQT 変換 (AutoDock Vina 用)
+    pdbqt_file = f"{output_dir}/{base_name}_receptor.pdbqt"
+
+    try:
+        from openbabel import pybel
+        mol = next(pybel.readfile("pdb", pdb_file))
+        if remove_water:
+            mol.OBMol.DeleteWater()
+        if add_hydrogens:
+            mol.addh()
+        mol.write("pdbqt", pdbqt_file, overwrite=True)
+        print(f"Receptor prepared: {pdbqt_file}")
+    except ImportError:
+        # Open Babel 不在時: MGLTools prepare_receptor4
+        cmd = ["prepare_receptor4.py", "-r", pdb_file,
+               "-o", pdbqt_file, "-A", "hydrogens"]
+        if remove_water:
+            cmd.extend(["-U", "waters"])
+        subprocess.run(cmd, check=True)
+        print(f"Receptor prepared (MGLTools): {pdbqt_file}")
+
+    return pdbqt_file
+
+
+def prepare_ligands(sdf_file, output_dir="structures/ligands"):
+    """
+    リガンドファイル準備 (SDF → PDBQT/MOL2)。
+    """
+    os.makedirs(output_dir, exist_ok=True)
+
+    try:
+        from openbabel import pybel
+        ligands = list(pybel.readfile("sdf", sdf_file))
+        prepared = []
+        for i, mol in enumerate(ligands):
+            mol.addh()
+            mol.make3D()
+            name = mol.title or f"ligand_{i}"
+            out = f"{output_dir}/{name}.pdbqt"
+            mol.write("pdbqt", out, overwrite=True)
+            prepared.append({"name": name, "file": out, "atoms": len(mol.atoms)})
+        print(f"Prepared {len(prepared)} ligands from {sdf_file}")
+        return pd.DataFrame(prepared)
+    except ImportError:
+        print("openbabel not available, using RDKit fallback")
+        from rdkit import Chem
+        from rdkit.Chem import AllChem
+        suppl = Chem.SDMolSupplier(sdf_file)
+        prepared = []
+        for i, mol in enumerate(suppl):
+            if mol is None:
+                continue
+            mol = Chem.AddHs(mol)
+            AllChem.EmbedMolecule(mol, randomSeed=42)
+            name = mol.GetProp("_Name") if mol.HasProp("_Name") else f"lig_{i}"
+            out = f"{output_dir}/{name}.mol2"
+            Chem.MolToMolFile(mol, out)
+            prepared.append({"name": name, "file": out})
+        return pd.DataFrame(prepared)
+```
+
+## 2. AutoDock Vina ドッキング
+
+```python
+def autodock_vina_dock(receptor_pdbqt, ligand_pdbqt,
+                        center, box_size,
+                        exhaustiveness=32, n_poses=9):
+    """
+    AutoDock Vina による分子ドッキング。
+
+    Parameters:
+        receptor_pdbqt: str — 受容体 PDBQT
+        ligand_pdbqt: str — リガンド PDBQT
+        center: tuple — (x, y, z) ボックス中心座標
+        box_size: tuple — (sx, sy, sz) ボックスサイズ (Å)
+        exhaustiveness: int — 探索精度 (8-64)
+        n_poses: int — 出力ポーズ数
+    """
+    try:
+        from vina import Vina
+        v = Vina(sf_name="vina")
+        v.set_receptor(receptor_pdbqt)
+        v.set_ligand_from_file(ligand_pdbqt)
+        v.compute_vina_maps(center=list(center), box_size=list(box_size))
+        v.dock(exhaustiveness=exhaustiveness, n_poses=n_poses)
+
+        energies = v.energies()
+        results = []
+        for i, e in enumerate(energies):
+            results.append({
+                "pose": i + 1,
+                "affinity_kcal": e[0],
+                "rmsd_lb": e[1] if len(e) > 1 else None,
+                "rmsd_ub": e[2] if len(e) > 2 else None,
+            })
+
+        output = ligand_pdbqt.replace(".pdbqt", "_docked.pdbqt")
+        v.write_poses(output, n_poses=n_poses, overwrite=True)
+
+        df = pd.DataFrame(results)
+        print(f"Vina docking: best affinity = {df['affinity_kcal'].min():.1f} kcal/mol")
+        return df, output
+
+    except ImportError:
+        # CLI フォールバック
+        output = ligand_pdbqt.replace(".pdbqt", "_docked.pdbqt")
+        cmd = [
+            "vina",
+            "--receptor", receptor_pdbqt,
+            "--ligand", ligand_pdbqt,
+            "--center_x", str(center[0]),
+            "--center_y", str(center[1]),
+            "--center_z", str(center[2]),
+            "--size_x", str(box_size[0]),
+            "--size_y", str(box_size[1]),
+            "--size_z", str(box_size[2]),
+            "--exhaustiveness", str(exhaustiveness),
+            "--num_modes", str(n_poses),
+            "--out", output,
+        ]
+        subprocess.run(cmd, check=True)
+        return pd.DataFrame(), output
+```
+
+## 3. DiffDock AI ドッキング
+
+```python
+def diffdock_predict(protein_file, ligand_file, n_poses=10,
+                      output_dir="results/diffdock"):
+    """
+    DiffDock (拡散生成モデル) ドッキング。
+
+    Parameters:
+        protein_file: str — タンパク質 PDB ファイル
+        ligand_file: str — リガンド SDF/MOL2 ファイル
+        n_poses: int — 生成ポーズ数
+    """
+    os.makedirs(output_dir, exist_ok=True)
+
+    # DiffDock-L (large model) 推論
+    cmd = [
+        "python", "-m", "diffdock.inference",
+        "--protein_path", protein_file,
+        "--ligand", ligand_file,
+        "--out_dir", output_dir,
+        "--samples_per_complex", str(n_poses),
+        "--model_dir", "DiffDock-L",
+        "--confidence_model_dir", "DiffDock-L",
+    ]
+
+    print(f"Running DiffDock ({n_poses} poses)...")
+    try:
+        subprocess.run(cmd, check=True, capture_output=True)
+    except FileNotFoundError:
+        print("DiffDock not installed. Install from: "
+              "https://github.com/gcorso/DiffDock")
+        return pd.DataFrame()
+
+    # 結果パース
+    results = []
+    for i in range(n_poses):
+        pose_file = f"{output_dir}/rank{i+1}.sdf"
+        conf_file = f"{output_dir}/rank{i+1}_confidence.txt"
+        confidence = None
+        if os.path.exists(conf_file):
+            with open(conf_file) as f:
+                confidence = float(f.read().strip())
+        results.append({
+            "pose": i + 1,
+            "file": pose_file,
+            "confidence": confidence,
+        })
+
+    df = pd.DataFrame(results)
+    if len(df) > 0 and "confidence" in df.columns:
+        print(f"DiffDock: {len(df)} poses, "
+              f"best confidence = {df['confidence'].max()}")
+    return df
+```
+
+## 4. バーチャルスクリーニング
+
+```python
+def virtual_screening(receptor_pdbqt, ligand_library,
+                       center, box_size,
+                       method="vina", top_n=20):
+    """
+    化合物ライブラリのバーチャルスクリーニング。
+
+    Parameters:
+        receptor_pdbqt: str — 受容体 PDBQT
+        ligand_library: list[str] — リガンド PDBQT ファイルのリスト
+        center/box_size: ドッキングボックスパラメータ
+        method: "vina" or "diffdock"
+        top_n: int — 上位候補数
+    """
+    all_results = []
+
+    for i, ligand in enumerate(ligand_library):
+        lig_name = os.path.splitext(os.path.basename(ligand))[0]
+        print(f"  [{i+1}/{len(ligand_library)}] Docking {lig_name}...", end=" ")
+
+        if method == "vina":
+            df, _ = autodock_vina_dock(
+                receptor_pdbqt, ligand, center, box_size,
+                exhaustiveness=16, n_poses=3
+            )
+            if len(df) > 0:
+                best = df.iloc[0]
+                all_results.append({
+                    "ligand": lig_name,
+                    "best_affinity": best["affinity_kcal"],
+                    "n_poses": len(df),
+                })
+                print(f"{best['affinity_kcal']:.1f} kcal/mol")
+
+    results_df = pd.DataFrame(all_results)
+    results_df = results_df.sort_values("best_affinity").head(top_n)
+
+    print(f"\nVirtual screening: {len(ligand_library)} compounds → "
+          f"top {top_n} candidates")
+    return results_df
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `structures/prepared/*_receptor.pdbqt` | PDBQT |
+| `structures/ligands/*.pdbqt` | PDBQT |
+| `results/docking_results.csv` | CSV |
+| `results/diffdock/rank*.sdf` | SDF |
+| `results/virtual_screening.csv` | CSV |
+| `figures/docking_scores.png` | PNG |
+
+### 利用可能ツール
+
+> このスキルは主に K-Dense-AI/claude-scientific-skills の diffdock スキルを参照しています。ToolUniverse SMCP には専用ドッキングツールは含まれませんが、タンパク質構造は PDB/AlphaFold ツール経由で取得可能です。
+
+### 参照スキル
+
+| スキル | 関連 |
+|---|---|
+| `scientific-protein-structure-analysis` | 受容体構造取得・結合部位検出 |
+| `scientific-drug-target-profiling` | 標的選定 → ドッキング |
+| `scientific-cheminformatics` | リガンド記述子・フィルタリング |
+| `scientific-admet-pharmacokinetics` | ドッキング → ADMET |
+| `scientific-drug-repurposing` | リポジショニング候補ドッキング |
+| `scientific-protein-interaction-network` | PPI → ドッキング界面 |
+
+### 依存パッケージ
+
+`vina` (AutoDock Vina), `rdkit`, `openbabel` (optional), `numpy`, `pandas`