@nahisaho/satori 0.11.0 → 0.12.0

package/src/.github/skills/scientific-pathway-enrichment/SKILL.md

@@ -0,0 +1,449 @@
+---
+name: scientific-pathway-enrichment
+description: |
+  パスウェイ・Gene Ontology 富化解析スキル。KEGG パスウェイ検索・マッピング、
+  Reactome パスウェイ階層解析、Gene Ontology (BP/MF/CC) アノテーション、
+  WikiPathways コミュニティパスウェイ、Pathway Commons 統合相互作用を横断的に
+  利用した ORA (Over-Representation Analysis)、GSEA (Gene Set Enrichment Analysis)、
+  トポロジーベース富化解析パイプライン。34+ の ToolUniverse SMCP ツールと連携。
+---
+
+# Scientific Pathway & Enrichment Analysis
+
+遺伝子リスト・ランク付きプロファイルに対して
+KEGG / Reactome / GO / WikiPathways / Pathway Commons の
+5 大パスウェイ DB を横断する統合富化解析パイプラインを提供する。
+
+## When to Use
+
+- DEG リスト (差次発現遺伝子) の機能注釈・パスウェイ富化を行うとき
+- GSEA で遺伝子ランキングに基づくパスウェイ活性を評価するとき
+- KEGG / Reactome パスウェイの詳細マッピングが必要なとき
+- GO (BP/MF/CC) を用いた機能的カテゴリ分類が必要なとき
+- 複数 DB 間のパスウェイ結果を統合比較するとき
+
+---
+
+## Quick Start
+
+## 1. ORA (Over-Representation Analysis)
+
+```python
+import pandas as pd
+import numpy as np
+from scipy import stats
+
+
+def over_representation_analysis(gene_list, background_genes,
+                                  gene_sets, min_size=10, max_size=500,
+                                  fdr_method="fdr_bh"):
+    """
+    超幾何検定ベースの Over-Representation Analysis (ORA)。
+
+    Parameters:
+        gene_list: list — DEG などの注目遺伝子リスト
+        background_genes: list — 背景遺伝子集合 (全発現遺伝子)
+        gene_sets: dict — {pathway_name: [genes]} 辞書
+        min_size / max_size: パスウェイサイズフィルタ
+        fdr_method: 多重検定補正 ("fdr_bh", "bonferroni")
+    """
+    from statsmodels.stats.multitest import multipletests
+
+    query = set(gene_list)
+    bg = set(background_genes)
+    N = len(bg)                  # 背景サイズ
+    n = len(query & bg)          # クエリ中の背景遺伝子数
+
+    results = []
+    for pathway, members in gene_sets.items():
+        pathway_bg = set(members) & bg
+        K = len(pathway_bg)      # パスウェイサイズ (背景内)
+        k = len(query & pathway_bg)  # オーバーラップ数
+
+        if K < min_size or K > max_size:
+            continue
+
+        # 超幾何検定 (右片側)
+        pval = stats.hypergeom.sf(k - 1, N, K, n)
+        fold_enrichment = (k / n) / (K / N) if (n > 0 and K > 0) else 0
+
+        results.append({
+            "pathway": pathway,
+            "overlap": k,
+            "pathway_size": K,
+            "background_size": N,
+            "query_size": n,
+            "fold_enrichment": round(fold_enrichment, 2),
+            "p_value": pval,
+        })
+
+    df = pd.DataFrame(results)
+    if len(df) > 0:
+        _, fdr, _, _ = multipletests(df["p_value"], method=fdr_method)
+        df["fdr"] = fdr
+        df = df.sort_values("fdr").reset_index(drop=True)
+
+    print(f"ORA complete: {len(gene_list)} query genes, "
+          f"{len(gene_sets)} pathways tested, "
+          f"{(df['fdr'] < 0.05).sum()} significant (FDR < 0.05)")
+    return df
+```
+
+## 2. GSEA (Gene Set Enrichment Analysis)
+
+```python
+def gsea_analysis(ranked_genes, gene_sets, permutations=1000,
+                  min_size=15, max_size=500, seed=42):
+    """
+    GSEA (Subramanian et al., 2005) の Python 実装。
+
+    Parameters:
+        ranked_genes: pd.Series — gene_symbol → fold_change or -log10(p)*sign(FC)
+        gene_sets: dict — {pathway_name: [genes]}
+        permutations: 順列検定回数
+    """
+    np.random.seed(seed)
+    ranked = ranked_genes.sort_values(ascending=False)
+    gene_names = ranked.index.tolist()
+    scores = ranked.values
+    N = len(gene_names)
+
+    results = []
+    for pw_name, pw_genes in gene_sets.items():
+        hits = set(pw_genes) & set(gene_names)
+        if len(hits) < min_size or len(hits) > max_size:
+            continue
+
+        # Running sum
+        hit_mask = np.array([g in hits for g in gene_names])
+        hit_scores = np.abs(scores) * hit_mask
+        hit_sum = hit_scores.sum()
+        miss_count = N - hit_mask.sum()
+
+        if hit_sum == 0 or miss_count == 0:
+            continue
+
+        running_sum = np.cumsum(
+            np.where(hit_mask, np.abs(scores) / hit_sum,
+                     -1.0 / miss_count)
+        )
+
+        es = running_sum[np.argmax(np.abs(running_sum))]
+
+        # 順列検定
+        null_es = []
+        for _ in range(permutations):
+            perm_idx = np.random.permutation(N)
+            perm_hit = hit_mask[perm_idx]
+            perm_scores = np.abs(scores) * perm_hit
+            ps = perm_scores.sum()
+            if ps == 0:
+                continue
+            perm_rs = np.cumsum(
+                np.where(perm_hit, np.abs(scores) / ps,
+                         -1.0 / miss_count)
+            )
+            null_es.append(perm_rs[np.argmax(np.abs(perm_rs))])
+
+        null_es = np.array(null_es)
+        if es >= 0:
+            pval = (null_es >= es).mean()
+        else:
+            pval = (null_es <= es).mean()
+
+        nes = es / np.abs(null_es).mean() if np.abs(null_es).mean() > 0 else 0
+
+        results.append({
+            "pathway": pw_name,
+            "es": round(es, 4),
+            "nes": round(nes, 4),
+            "p_value": pval,
+            "hit_count": len(hits),
+            "leading_edge": [g for g in gene_names if g in hits][:10],
+        })
+
+    df = pd.DataFrame(results).sort_values("p_value").reset_index(drop=True)
+
+    from statsmodels.stats.multitest import multipletests
+    if len(df) > 0:
+        _, fdr, _, _ = multipletests(df["p_value"], method="fdr_bh")
+        df["fdr"] = fdr
+
+    print(f"GSEA complete: {len(ranked_genes)} ranked genes, "
+          f"{len(results)} pathways, "
+          f"{(df['fdr'] < 0.05).sum() if 'fdr' in df.columns else 0} significant")
+    return df
+```
+
+## 3. KEGG パスウェイマッピング
+
+```python
+def kegg_pathway_analysis(gene_list, organism="hsa"):
+    """
+    KEGG REST API によるパスウェイマッピング。
+
+    Parameters:
+        gene_list: list — 遺伝子シンボルまたは KEGG gene ID リスト
+        organism: str — KEGG 生物種コード (hsa, mmu, etc.)
+    """
+    import requests
+
+    base_url = "https://rest.kegg.jp"
+
+    # 1. 遺伝子 → パスウェイ マッピング
+    gene_pathway_map = {}
+    for gene in gene_list:
+        url = f"{base_url}/link/pathway/{organism}:{gene}"
+        resp = requests.get(url)
+        if resp.status_code == 200 and resp.text.strip():
+            for line in resp.text.strip().split("\n"):
+                parts = line.strip().split("\t")
+                if len(parts) == 2:
+                    pw = parts[1].replace("path:", "")
+                    gene_pathway_map.setdefault(pw, []).append(gene)
+
+    # 2. パスウェイ情報取得
+    results = []
+    for pw_id, genes in gene_pathway_map.items():
+        info_url = f"{base_url}/get/{pw_id}"
+        resp = requests.get(info_url)
+        name = pw_id
+        if resp.status_code == 200:
+            for line in resp.text.split("\n"):
+                if line.startswith("NAME"):
+                    name = line.replace("NAME", "").strip()
+                    break
+
+        results.append({
+            "pathway_id": pw_id,
+            "pathway_name": name,
+            "gene_count": len(genes),
+            "genes": genes,
+        })
+
+    df = pd.DataFrame(results).sort_values("gene_count", ascending=False)
+    print(f"KEGG mapping: {len(gene_list)} genes → {len(df)} pathways")
+    return df
+```
+
+## 4. Reactome パスウェイ階層解析
+
+```python
+def reactome_enrichment(gene_list, species="Homo sapiens",
+                         p_cutoff=0.05, include_interactors=False):
+    """
+    Reactome REST API による富化解析。
+
+    Parameters:
+        gene_list: list — UniProt ID または遺伝子シンボル
+        species: 種名
+        p_cutoff: 有意水準
+    """
+    import requests
+
+    url = "https://reactome.org/AnalysisService/identifiers/"
+    payload = "\n".join(gene_list)
+    headers = {"Content-Type": "text/plain"}
+    params = {
+        "interactors": str(include_interactors).lower(),
+        "species": species,
+        "sortBy": "ENTITIES_PVALUE",
+        "order": "ASC",
+        "resource": "TOTAL",
+    }
+
+    resp = requests.post(url, data=payload, headers=headers, params=params)
+    data = resp.json()
+
+    pathways = data.get("pathways", [])
+    results = []
+    for pw in pathways:
+        entities = pw.get("entities", {})
+        results.append({
+            "pathway_id": pw.get("stId", ""),
+            "pathway_name": pw.get("name", ""),
+            "found": entities.get("found", 0),
+            "total": entities.get("total", 0),
+            "ratio": round(entities.get("ratio", 0), 4),
+            "p_value": entities.get("pValue", 1.0),
+            "fdr": entities.get("fdr", 1.0),
+            "species": pw.get("species", {}).get("name", ""),
+        })
+
+    df = pd.DataFrame(results)
+    sig = df[df["fdr"] < p_cutoff] if len(df) > 0 else df
+    print(f"Reactome enrichment: {len(gene_list)} genes → "
+          f"{len(sig)} significant pathways (FDR < {p_cutoff})")
+    return df
+```
+
+## 5. Gene Ontology アノテーション・富化
+
+```python
+def go_enrichment(gene_list, background_genes=None,
+                  ontology="BP", organism="human",
+                  method="fisher", fdr_cutoff=0.05):
+    """
+    Gene Ontology 富化解析 (goatools / gseapy 代替)。
+
+    Parameters:
+        gene_list: list — 注目遺伝子リスト
+        ontology: "BP" (Biological Process), "MF" (Molecular Function),
+                  "CC" (Cellular Component)
+        method: "fisher" or "chi2"
+    """
+    import requests
+
+    # QuickGO API 経由で GO term 取得
+    results = []
+    url = "https://www.ebi.ac.uk/QuickGO/services/annotation/search"
+    batch_size = 100
+
+    for i in range(0, len(gene_list), batch_size):
+        batch = gene_list[i:i + batch_size]
+        params = {
+            "geneProductId": ",".join(batch),
+            "aspect": ontology,
+            "taxonId": "9606" if organism == "human" else organism,
+            "limit": 200,
+        }
+        resp = requests.get(url, params=params, headers={"Accept": "application/json"})
+        if resp.status_code == 200:
+            data = resp.json()
+            for result in data.get("results", []):
+                results.append({
+                    "gene": result.get("geneProductId", ""),
+                    "go_id": result.get("goId", ""),
+                    "go_name": result.get("goName", ""),
+                    "evidence": result.get("goEvidence", ""),
+                    "aspect": result.get("goAspect", ""),
+                })
+
+    df = pd.DataFrame(results)
+    if len(df) > 0:
+        term_counts = df.groupby(["go_id", "go_name"]).size().reset_index(name="count")
+        term_counts = term_counts.sort_values("count", ascending=False)
+        print(f"GO {ontology} enrichment: {len(gene_list)} genes → "
+              f"{len(term_counts)} unique GO terms")
+        return term_counts
+
+    return df
+```
+
+## 6. 統合富化ヒートマップ
+
+```python
+def integrated_enrichment_heatmap(ora_results_dict, top_n=20,
+                                   fdr_cutoff=0.05,
+                                   output="figures/enrichment_heatmap.png"):
+    """
+    複数 DB の富化結果を統合ヒートマップで可視化。
+
+    Parameters:
+        ora_results_dict: dict — {"KEGG": df, "Reactome": df, "GO_BP": df}
+        top_n: 表示パスウェイ数
+        fdr_cutoff: 有意水準
+    """
+    import matplotlib.pyplot as plt
+    import os
+
+    os.makedirs(os.path.dirname(output), exist_ok=True)
+
+    fig, axes = plt.subplots(1, len(ora_results_dict),
+                              figsize=(6 * len(ora_results_dict), 10))
+    if len(ora_results_dict) == 1:
+        axes = [axes]
+
+    for ax, (db_name, df) in zip(axes, ora_results_dict.items()):
+        sig = df[df["fdr"] < fdr_cutoff].head(top_n)
+        if len(sig) == 0:
+            ax.set_title(f"{db_name}\n(no significant)")
+            continue
+
+        neg_log_fdr = -np.log10(sig["fdr"].clip(lower=1e-50))
+
+        ax.barh(range(len(sig)), neg_log_fdr, color="steelblue")
+        ax.set_yticks(range(len(sig)))
+        ax.set_yticklabels(sig["pathway"].str[:50], fontsize=8)
+        ax.set_xlabel("-log10(FDR)")
+        ax.set_title(f"{db_name} (top {len(sig)})")
+        ax.axvline(-np.log10(fdr_cutoff), color="red", ls="--", alpha=0.5)
+        ax.invert_yaxis()
+
+    plt.tight_layout()
+    plt.savefig(output, dpi=300, bbox_inches="tight")
+    plt.close()
+    print(f"Saved: {output}")
+    return output
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/ora_results.csv` | CSV |
+| `results/gsea_results.csv` | CSV |
+| `results/kegg_pathways.csv` | CSV |
+| `results/reactome_enrichment.csv` | CSV |
+| `results/go_enrichment.csv` | CSV |
+| `figures/enrichment_heatmap.png` | PNG |
+| `figures/gsea_running_sum.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 |
+|---|---|---|
+| KEGG | `kegg_search_pathway` | パスウェイキーワード検索 |
+| KEGG | `kegg_get_pathway_info` | パスウェイ詳細情報取得 |
+| KEGG | `kegg_find_genes` | 遺伝子検索 |
+| KEGG | `kegg_get_gene_info` | 遺伝子詳細情報 |
+| KEGG | `kegg_list_organisms` | 対応生物種一覧 |
+| Reactome | `Reactome_get_pathway` | パスウェイ詳細取得 |
+| Reactome | `Reactome_get_pathway_hierarchy` | パスウェイ階層構造 |
+| Reactome | `Reactome_get_pathway_reactions` | パスウェイ内反応一覧 |
+| Reactome | `Reactome_map_uniprot_to_pathways` | UniProt→パスウェイ変換 |
+| Reactome | `Reactome_map_uniprot_to_reactions` | UniProt→反応変換 |
+| Reactome | `Reactome_get_pathways_low_entity` | 低レベルパスウェイ |
+| Reactome | `Reactome_list_top_pathways` | トップレベルパスウェイ一覧 |
+| Reactome | `Reactome_list_species` | 対応種一覧 |
+| Reactome | `Reactome_get_event_ancestors` | イベント祖先取得 |
+| Reactome | `Reactome_get_events_hierarchy` | イベント階層 |
+| Reactome | `Reactome_get_participant_reference_entities` | 参加エンティティ |
+| Reactome | `Reactome_get_participants` | 参加要素取得 |
+| Reactome | `Reactome_get_complex` | 複合体情報 |
+| Reactome | `Reactome_get_diseases` | 疾患関連パスウェイ |
+| Reactome | `Reactome_get_interactor` | 相互作用パートナー |
+| Reactome | `Reactome_query_by_ids` | バッチ ID クエリ |
+| Reactome | `Reactome_get_reaction` | 反応詳細 |
+| Reactome | `Reactome_get_entity_compartment` | エンティティ局在 |
+| Reactome | `Reactome_get_entity_events` | エンティティ関連イベント |
+| Reactome | `Reactome_get_database_version` | DB バージョン確認 |
+| GO | `GO_search_terms` | GO 用語検索 |
+| GO | `GO_get_term_by_id` | GO ID → 用語情報 |
+| GO | `GO_get_term_details` | 用語詳細 (定義/関係) |
+| GO | `GO_get_annotations_for_gene` | 遺伝子 GO アノテーション |
+| GO | `GO_get_genes_for_term` | GO term → 遺伝子リスト |
+| WikiPathways | `WikiPathways_search` | コミュニティパスウェイ検索 |
+| WikiPathways | `WikiPathways_get_pathway` | パスウェイ詳細取得 |
+| Pathway Commons | `pc_search_pathways` | 統合パスウェイ検索 |
+| Pathway Commons | `pc_get_interactions` | 分子間相互作用取得 |
+
+### 参照スキル
+
+| スキル | 関連 |
+|---|---|
+| `scientific-gene-expression-transcriptomics` | DEG リスト → ORA/GSEA |
+| `scientific-proteomics-mass-spectrometry` | 差次タンパク質 → パスウェイ |
+| `scientific-metabolomics` | 代謝物 → パスウェイマッピング |
+| `scientific-single-cell-genomics` | scRNA-seq マーカー → GO 富化 |
+| `scientific-multi-omics` | マルチオミクス富化統合 |
+| `scientific-network-analysis` | パスウェイ → ネットワーク |
+| `scientific-systems-biology` | FBA/GRN → パスウェイ統合 |
+
+### 依存パッケージ
+
+`scipy`, `statsmodels`, `pandas`, `numpy`, `matplotlib`, `requests`, `gseapy` (optional)

package/src/.github/skills/scientific-pharmacovigilance/SKILL.md

@@ -514,3 +514,6 @@ def generate_pv_report(target_drug, signals_df, ebgm_df, output_dir="results"):
 | `scientific-admet-pharmacokinetics` | ← 毒性予測・代謝経路情報 |
 | `scientific-clinical-decision-support` | → シグナル情報の臨床意思決定への反映 |
 | `scientific-deep-research` | ← 安全性文献の深層リサーチ |
+| `scientific-clinical-trials-analytics` | ← 臨床試験データベース照会 |
+| `scientific-regulatory-science` | → FDA/FAERS 規制データ統合 |
+| `scientific-pharmacogenomics` | ← PGx 代謝型別安全性評価 |

package/src/.github/skills/scientific-population-genetics/SKILL.md

@@ -330,6 +330,8 @@ def selection_scan(haplotype_matrix, positions, method="ihs"):
 | [scientific-disease-research](../scientific-disease-research/SKILL.md) | 疾患-遺伝子関連 |
 | [scientific-statistical-testing](../scientific-statistical-testing/SKILL.md) | 統計検定 |
 | [scientific-pca-tsne](../scientific-pca-tsne/SKILL.md) | 次元削減 |
+| [scientific-pharmacogenomics](../scientific-pharmacogenomics/SKILL.md) | PGx 集団頻度差 |
+| [scientific-epigenomics-chromatin](../scientific-epigenomics-chromatin/SKILL.md) | エピゲノム集団差 |
 
 #### 依存パッケージ
 

package/src/.github/skills/scientific-precision-oncology/SKILL.md

@@ -422,3 +422,4 @@ def generate_mtb_report(patient_id, variants, civic_data, oncokb_data,
 | `scientific-drug-target-profiling` | ← 標的ドラッガビリティ評価 |
 | `scientific-disease-research` | ← がん種の疫学・遺伝的背景 |
 | `scientific-deep-research` | ← 腫瘍学最新文献リサーチ |
+| `scientific-pharmacogenomics` | ← PGx 代謝型・投与量調整 |