@nahisaho/satori 0.11.1 → 0.13.0

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`

package/src/.github/skills/scientific-noncoding-rna/SKILL.md

@@ -0,0 +1,262 @@
+---
+name: scientific-noncoding-rna
+description: |
+  非コード RNA (ncRNA) 解析スキル。Rfam RNA ファミリー検索、
+  RNAcentral 統合 ncRNA データベース、共分散モデル、構造マッピング、
+  系統樹解析パイプライン。
+---
+
+# Scientific Noncoding RNA
+
+Rfam および RNAcentral を活用した ncRNA ファミリー検索、
+配列アノテーション、構造予測パイプラインを提供する。
+
+## When to Use
+
+- RNA ファミリー (miRNA, lncRNA, rRNA, tRNA 等) を分類するとき
+- Rfam 共分散モデルで RNA 配列を検索するとき
+- RNAcentral で ncRNA のクロスリファレンスを取得するとき
+- RNA 二次構造・構造マッピング情報を取得するとき
+- RNA ファミリーの系統樹情報を調べるとき
+
+---
+
+## Quick Start
+
+## 1. Rfam ファミリー検索
+
+```python
+import requests
+import pandas as pd
+
+RFAM_API = "https://rfam.org/family"
+
+
+def get_rfam_family(rfam_acc):
+    """
+    Rfam RNA ファミリーの詳細情報を取得。
+
+    Parameters:
+        rfam_acc: str — Rfam accession (e.g., "RF00001") or ID
+
+    ToolUniverse:
+        Rfam_get_family(rfam_acc=rfam_acc)
+        Rfam_id_to_accession(rfam_id=rfam_id)
+    """
+    url = f"https://rfam.org/family/{rfam_acc}?content-type=application/json"
+    resp = requests.get(url)
+    resp.raise_for_status()
+    data = resp.json()
+
+    info = data.get("rfam", {}).get("acc", {})
+    desc = data.get("rfam", {}).get("description", "")
+
+    print(f"Rfam {rfam_acc}: {data.get('rfam', {}).get('id', '?')}")
+    return data
+```
+
+## 2. Rfam 配列検索 (Infernal cmscan)
+
+```python
+import time
+
+
+def rfam_sequence_search(sequence, email=None):
+    """
+    Rfam に RNA 配列を投入し Infernal cmscan で
+    マッチする RNA ファミリーを同定。
+
+    Parameters:
+        sequence: str — RNA sequence
+
+    ToolUniverse:
+        Rfam_search_sequence(sequence=sequence)
+    """
+    url = "https://rfam.org/search/sequence"
+
+    payload = {
+        "seq": sequence,
+        "output": "json",
+    }
+    resp = requests.post(url, data=payload)
+    resp.raise_for_status()
+
+    # Async job → poll
+    job_url = resp.json().get("resultURL", "")
+    if not job_url:
+        return resp.json()
+
+    for _ in range(30):
+        time.sleep(10)
+        result = requests.get(job_url)
+        if result.status_code == 200:
+            data = result.json()
+            if data.get("status", "") == "DONE":
+                hits = data.get("hits", {}).get("hit", [])
+                print(f"Rfam cmscan: {len(hits)} family hits")
+                return hits
+
+    print("Rfam cmscan: timeout")
+    return []
+```
+
+## 3. Rfam 構造マッピング
+
+```python
+def get_rfam_structure_mapping(rfam_acc):
+    """
+    Rfam ファミリーの PDB 構造マッピング情報を取得。
+
+    ToolUniverse:
+        Rfam_get_structure_mapping(rfam_acc=rfam_acc)
+        Rfam_get_covariance_model(rfam_acc=rfam_acc)
+        Rfam_get_tree_data(rfam_acc=rfam_acc)
+        Rfam_get_sequence_regions(rfam_acc=rfam_acc)
+    """
+    # Structure mapping
+    url_struct = (
+        f"https://rfam.org/family/{rfam_acc}/structures"
+        "?content-type=application/json"
+    )
+    resp_s = requests.get(url_struct)
+    structures = resp_s.json() if resp_s.status_code == 200 else []
+
+    # Sequence regions
+    url_regions = (
+        f"https://rfam.org/family/{rfam_acc}/regions"
+        "?content-type=application/json"
+    )
+    resp_r = requests.get(url_regions)
+    regions = resp_r.json() if resp_r.status_code == 200 else []
+
+    print(f"Rfam {rfam_acc}: {len(structures)} PDB structures, "
+          f"{len(regions) if isinstance(regions, list) else '?'} regions")
+    return structures, regions
+```
+
+## 4. RNAcentral ncRNA 検索
+
+```python
+RNACENTRAL_API = "https://rnacentral.org/api/v1"
+
+
+def rnacentral_search(query, page_size=10):
+    """
+    RNAcentral で ncRNA を検索。
+
+    Parameters:
+        query: str — search term (gene name, accession, keyword)
+
+    ToolUniverse:
+        RNAcentral_search(query=query)
+    """
+    url = f"{RNACENTRAL_API}/rna/"
+    params = {"query": query, "page_size": page_size}
+    resp = requests.get(url, params=params)
+    resp.raise_for_status()
+    data = resp.json()
+
+    results = data.get("results", [])
+    entries = []
+    for r in results:
+        entries.append({
+            "rnacentral_id": r.get("rnacentral_id", ""),
+            "description": r.get("description", ""),
+            "rna_type": r.get("rna_type", ""),
+            "length": r.get("length", 0),
+            "num_xrefs": r.get("xref_count", 0),
+        })
+
+    df = pd.DataFrame(entries)
+    print(f"RNAcentral '{query}': {data.get('count', 0)} total, "
+          f"{len(df)} returned")
+    return df
+
+
+def rnacentral_get_by_accession(accession):
+    """
+    RNAcentral アクセッションから ncRNA 詳細情報を取得。
+
+    ToolUniverse:
+        RNAcentral_get_by_accession(accession=accession)
+    """
+    url = f"{RNACENTRAL_API}/rna/{accession}/"
+    resp = requests.get(url)
+    resp.raise_for_status()
+    data = resp.json()
+
+    print(f"RNAcentral {accession}: {data.get('description', '')}")
+    return data
+```
+
+## 5. ncRNA 統合解析パイプライン
+
+```python
+def ncRNA_integrated_search(sequence, rfam_acc=None):
+    """
+    配列ベースの ncRNA 統合解析。
+
+    ToolUniverse (横断):
+        Rfam_search_sequence(sequence) → Rfam_get_family(rfam_acc)
+        RNAcentral_search(query)
+    """
+    pipeline = {"sequence_length": len(sequence)}
+
+    # Step 1: Rfam family identification
+    rfam_hits = rfam_sequence_search(sequence)
+    pipeline["rfam_hits"] = len(rfam_hits) if isinstance(rfam_hits, list) else 0
+
+    # Step 2: If Rfam family found, get details
+    if rfam_hits and isinstance(rfam_hits, list) and len(rfam_hits) > 0:
+        top_hit = rfam_hits[0]
+        top_acc = top_hit.get("acc", rfam_acc or "")
+        if top_acc:
+            family = get_rfam_family(top_acc)
+            pipeline["rfam_family"] = top_acc
+
+    # Step 3: RNAcentral search
+    rna_df = rnacentral_search(sequence[:30])  # truncate for search
+    pipeline["rnacentral_hits"] = len(rna_df)
+
+    print(f"ncRNA pipeline: Rfam={pipeline.get('rfam_family', 'none')}, "
+          f"RNAcentral={pipeline['rnacentral_hits']} hits")
+    return pipeline
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/rfam_family.json` | JSON |
+| `results/rfam_cmscan_hits.json` | JSON |
+| `results/rfam_structures.json` | JSON |
+| `results/rnacentral_search.csv` | CSV |
+
+### 利用可能ツール
+
+| カテゴリ | 主要ツール | 用途 |
+|---|---|---|
+| Rfam | `Rfam_get_family` | ファミリー情報 |
+| Rfam | `Rfam_search_sequence` | 配列→ファミリー同定 |
+| Rfam | `Rfam_get_covariance_model` | 共分散モデル |
+| Rfam | `Rfam_get_structure_mapping` | PDB マッピング |
+| Rfam | `Rfam_get_tree_data` | 系統樹 |
+| Rfam | `Rfam_get_sequence_regions` | 配列領域 |
+| Rfam | `Rfam_id_to_accession` | ID→アクセッション変換 |
+| RNAcentral | `RNAcentral_search` | ncRNA 検索 |
+| RNAcentral | `RNAcentral_get_by_accession` | 詳細取得 |
+
+### 参照スキル
+
+| スキル | 関連 |
+|---|---|
+| `scientific-gene-expression-transcriptomics` | 転写産物解析 |
+| `scientific-genome-sequence-tools` | 配列取得 |
+| `scientific-structural-proteomics` | RNA 構造 |
+| `scientific-biothings-idmapping` | ID マッピング |
+
+### 依存パッケージ
+
+`requests`, `pandas`