@nahisaho/satori 0.12.0 → 0.14.0

package/src/.github/skills/scientific-healthcare-ai/SKILL.md

@@ -0,0 +1,273 @@
+---
+name: scientific-healthcare-ai
+description: |
+  ヘルスケア AI スキル。PyHealth 臨床 ML パイプライン、
+  フローサイトメトリー (FlowIO) 解析、電子健康記録 (EHR) 処理、
+  臨床予測モデル構築のガイダンス。
+---
+
+# Scientific Healthcare AI
+
+臨床データ解析・ヘルスケア機械学習パイプラインを提供する。
+PyHealth フレームワーク、フローサイトメトリー解析ツールを活用。
+
+## When to Use
+
+- 臨床予測モデル (再入院予測, 死亡率予測等) を構築するとき
+- EHR (電子健康記録) データの前処理・特徴量エンジニアリングを行うとき
+- フローサイトメトリー (FACS) データを読み込み・解析するとき
+- 臨床タスク向けの ML パイプラインを設計するとき
+- 医療コード (ICD-10, SNOMED, ATC) のマッピングを行うとき
+
+---
+
+## Quick Start
+
+## 1. PyHealth 臨床予測パイプライン
+
+```python
+"""
+PyHealth による臨床予測モデル構築。
+pip install pyhealth
+
+K-Dense-AI 参照: pyhealth — 臨床 ML フレームワーク
+"""
+from pyhealth.datasets import MIMIC3Dataset
+from pyhealth.tasks import readmission_prediction_mimic3_fn
+
+
+def build_clinical_pipeline(
+    mimic3_root,
+    tables=("DIAGNOSES_ICD", "PROCEDURES_ICD", "PRESCRIPTIONS"),
+    code_mapping=None,
+):
+    """
+    MIMIC-III データセットから臨床予測パイプラインを構築。
+
+    Parameters:
+        mimic3_root: str — MIMIC-III CSV ディレクトリパス
+        tables: tuple — 使用するテーブル
+        code_mapping: dict | None — コードマッピング設定
+    """
+    # Step 1: Dataset loading
+    if code_mapping is None:
+        code_mapping = {
+            "NDC": ("ATC", {"target_kwargs": {"level": 3}}),
+            "ICD9CM": "CCSCM",
+            "ICD9PROC": "CCSPROC",
+        }
+
+    dataset = MIMIC3Dataset(
+        root=mimic3_root,
+        tables=tables,
+        code_mapping=code_mapping,
+    )
+
+    print(f"MIMIC-III dataset: {len(dataset.patients)} patients")
+    return dataset
+
+
+def apply_clinical_task(dataset, task_fn=None):
+    """
+    臨床タスク関数を適用しサンプルを生成。
+    """
+    from pyhealth.datasets import split_by_patient
+
+    if task_fn is None:
+        task_fn = readmission_prediction_mimic3_fn
+
+    samples = dataset.set_task(task_fn)
+    train, val, test = split_by_patient(samples, [0.8, 0.1, 0.1])
+
+    print(f"Clinical task samples: "
+          f"train={len(train)}, val={len(val)}, test={len(test)}")
+    return train, val, test
+```
+
+## 2. PyHealth モデル学習
+
+```python
+def train_clinical_model(
+    train_dataset,
+    val_dataset,
+    model_type="Transformer",
+    epochs=20,
+    batch_size=64,
+):
+    """
+    PyHealth モデルの学習。
+
+    Parameters:
+        train_dataset: SampleDataset
+        val_dataset: SampleDataset
+        model_type: str — "Transformer", "RETAIN", "GRU", "CNN"
+        epochs: int — 学習エポック数
+    """
+    from pyhealth.models import Transformer
+    from pyhealth.trainer import Trainer
+
+    model_classes = {
+        "Transformer": Transformer,
+    }
+    ModelClass = model_classes.get(model_type, Transformer)
+
+    model = ModelClass(
+        dataset=train_dataset,
+        feature_keys=["conditions", "procedures", "drugs"],
+        label_key="label",
+        mode="binary",
+    )
+
+    trainer = Trainer(model=model)
+    trainer.train(
+        train_dataloader=train_dataset,
+        val_dataloader=val_dataset,
+        epochs=epochs,
+        monitor="pr_auc",
+    )
+
+    print(f"Clinical model ({model_type}): trained for {epochs} epochs")
+    return model, trainer
+```
+
+## 3. フローサイトメトリー解析
+
+```python
+def read_fcs_file(fcs_path):
+    """
+    FCS ファイルの読み込みと前処理。
+    pip install flowio
+
+    K-Dense-AI 参照: flowio — FCS file I/O
+
+    Parameters:
+        fcs_path: str — FCS ファイルパス
+    """
+    import flowio
+    import numpy as np
+    import pandas as pd
+
+    fcs_data = flowio.FlowData(fcs_path)
+
+    # Extract channel names
+    channels = []
+    for i in range(1, fcs_data.channel_count + 1):
+        name = fcs_data.channels.get(f"P{i}N", f"Channel_{i}")
+        channels.append(name)
+
+    # Convert to DataFrame
+    events = np.array(fcs_data.events).reshape(-1, fcs_data.channel_count)
+    df = pd.DataFrame(events, columns=channels)
+
+    print(f"FCS '{fcs_path}': {len(df)} events x {len(channels)} channels")
+    return df, fcs_data
+
+
+def gate_fcs_data(df, channel, low=None, high=None):
+    """
+    単純な矩形ゲーティング。
+
+    Parameters:
+        df: pd.DataFrame — FCS データ
+        channel: str — チャネル名
+        low: float | None — 下限
+        high: float | None — 上限
+    """
+    mask = pd.Series([True] * len(df))
+    if low is not None:
+        mask &= df[channel] >= low
+    if high is not None:
+        mask &= df[channel] <= high
+
+    gated = df[mask]
+    pct = len(gated) / len(df) * 100
+    print(f"Gate '{channel}' [{low},{high}]: "
+          f"{len(gated)}/{len(df)} events ({pct:.1f}%)")
+    return gated
+```
+
+## 4. 医療コードマッピング
+
+```python
+def map_medical_codes(codes, source_system, target_system):
+    """
+    医療コード間のマッピング。
+
+    Parameters:
+        codes: list[str] — ソースコードのリスト
+        source_system: str — "ICD9CM", "ICD10CM", "NDC", "ATC", "SNOMED"
+        target_system: str — 変換先コード体系
+    """
+    try:
+        from pyhealth.medcode import CrossMap
+
+        mapper = CrossMap(source_system, target_system)
+        results = {}
+        for code in codes:
+            mapped = mapper.map(code)
+            results[code] = mapped
+
+        mapped_count = sum(1 for v in results.values() if v)
+        print(f"Code mapping {source_system}→{target_system}: "
+              f"{mapped_count}/{len(codes)} mapped")
+        return results
+
+    except ImportError:
+        print("pyhealth.medcode not available; install pyhealth")
+        return {}
+```
+
+## 5. 臨床モデル評価
+
+```python
+def evaluate_clinical_model(trainer, test_dataset):
+    """
+    臨床予測モデルの評価。
+
+    Parameters:
+        trainer: Trainer — 学習済み Trainer
+        test_dataset: SampleDataset — テストデータ
+    """
+    metrics = trainer.evaluate(test_dataset)
+
+    print("Clinical model evaluation:")
+    for metric_name, value in metrics.items():
+        print(f"  {metric_name}: {value:.4f}")
+
+    return metrics
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/clinical_predictions.csv` | CSV |
+| `results/clinical_metrics.json` | JSON |
+| `results/fcs_processed.csv` | CSV |
+| `results/code_mapping.json` | JSON |
+
+### 利用可能ツール
+
+| カテゴリ | 主要ツール | 用途 |
+|---|---|---|
+| (K-Dense) | `pyhealth` | 臨床 ML フレームワーク |
+| (K-Dense) | `flowio` | FCS ファイル I/O |
+
+> **注**: 本スキルは ToolUniverse ツールを持たず、
+> K-Dense-AI Scientific Skills からの参照のみ。
+
+### 参照スキル
+
+| スキル | 関連 |
+|---|---|
+| `scientific-clinical-nlp` | 臨床 NLP |
+| `scientific-biostatistics-survival` | 生存時間解析 |
+| `scientific-single-cell-rnaseq` | 単一細胞解析 |
+| `scientific-machine-learning-omics` | ML x オミクス |
+| `scientific-biothings-idmapping` | ID マッピング |
+
+### 依存パッケージ
+
+`pyhealth`, `flowio`, `numpy`, `pandas`, `scikit-learn`

package/src/.github/skills/scientific-human-protein-atlas/SKILL.md

@@ -0,0 +1,244 @@
+---
+name: scientific-human-protein-atlas
+description: |
+  Human Protein Atlas (HPA) 統合スキル。組織/細胞タンパク質発現、
+  がん予後バイオマーカー、RNA 発現プロファイル、細胞内局在、
+  タンパク質相互作用の包括的検索・解析パイプライン。
+---
+
+# Scientific Human Protein Atlas
+
+HPA REST API を活用した組織・細胞レベルの
+タンパク質発現プロファイリングパイプラインを提供する。
+
+## When to Use
+
+- 遺伝子/タンパク質の組織発現パターンを調べるとき
+- がん予後バイオマーカー候補を評価するとき
+- 細胞内局在 (subcellular localization) を確認するとき
+- 細胞株間の発現比較を行うとき
+- RNA 発現データ (HPA/GTEx/FANTOM5) を統合するとき
+
+---
+
+## Quick Start
+
+## 1. HPA 遺伝子基本情報取得
+
+```python
+import requests
+import pandas as pd
+
+HPA_API = "https://www.proteinatlas.org/api"
+
+
+def get_hpa_gene_info(ensembl_id):
+    """
+    HPA 遺伝子基本情報取得。
+
+    Parameters:
+        ensembl_id: str — Ensembl gene ID (e.g., "ENSG00000141510")
+
+    ToolUniverse:
+        HPA_get_gene_basic_info_by_ensembl_id(ensembl_id=ensembl_id)
+        HPA_get_comprehensive_gene_details_by_ensembl_id(ensembl_id=ensembl_id)
+    """
+    url = f"https://www.proteinatlas.org/{ensembl_id}.json"
+    resp = requests.get(url)
+    resp.raise_for_status()
+    data = resp.json()
+
+    info = {
+        "ensembl_id": ensembl_id,
+        "gene_name": data.get("Gene", ""),
+        "gene_description": data.get("Gene description", ""),
+        "uniprot_id": data.get("Uniprot", []),
+        "chromosome": data.get("Chromosome", ""),
+        "protein_class": data.get("Protein class", []),
+        "evidence": data.get("Evidence", ""),
+    }
+
+    print(f"HPA gene: {info['gene_name']} ({ensembl_id})")
+    return info, data
+```
+
+## 2. 組織 RNA 発現プロファイル
+
+```python
+def get_tissue_rna_expression(gene_name):
+    """
+    HPA 組織別 RNA 発現データ取得。
+
+    ToolUniverse:
+        HPA_get_rna_expression_by_source(gene=gene_name, source="HPA")
+        HPA_get_rna_expression_in_specific_tissues(gene=gene_name, tissues=tissues)
+    """
+    url = f"https://www.proteinatlas.org/{gene_name}.json"
+    resp = requests.get(url)
+    resp.raise_for_status()
+    data = resp.json()
+
+    rna_data = data.get("RNA tissue specific nTPM", [])
+    results = []
+    for entry in rna_data:
+        results.append({
+            "tissue": entry.get("Tissue", ""),
+            "cell_type": entry.get("Cell type", ""),
+            "ntpm": float(entry.get("nTPM", 0)),
+            "detection": entry.get("Detection", ""),
+        })
+
+    df = pd.DataFrame(results)
+    if not df.empty:
+        df = df.sort_values("ntpm", ascending=False)
+
+    print(f"HPA RNA expression '{gene_name}': {len(df)} tissue entries")
+    return df
+```
+
+## 3. がん予後バイオマーカー解析
+
+```python
+def get_cancer_prognostics(gene_name):
+    """
+    HPA がん予後データ取得。
+
+    ToolUniverse:
+        HPA_get_cancer_prognostics_by_gene(gene=gene_name)
+    """
+    url = f"https://www.proteinatlas.org/{gene_name}.json"
+    resp = requests.get(url)
+    resp.raise_for_status()
+    data = resp.json()
+
+    prognostics = data.get("Pathology prognostics", [])
+    results = []
+    for entry in prognostics:
+        results.append({
+            "cancer_type": entry.get("Cancer type", ""),
+            "prognostic_type": entry.get("Prognostic type", ""),
+            "is_prognostic": entry.get("Is prognostic", False),
+            "p_value": float(entry.get("p-value", 1.0)),
+            "high_expression_favorable": entry.get(
+                "High expression is favorable", None
+            ),
+        })
+
+    df = pd.DataFrame(results)
+    if not df.empty:
+        df = df.sort_values("p_value")
+        significant = df[df["p_value"] < 0.05]
+        print(f"HPA cancer prognostics '{gene_name}': "
+              f"{len(significant)}/{len(df)} significant")
+    else:
+        print(f"HPA cancer prognostics '{gene_name}': no data")
+    return df
+```
+
+## 4. 細胞内局在
+
+```python
+def get_subcellular_location(gene_name):
+    """
+    HPA 細胞内局在データ取得。
+
+    ToolUniverse:
+        HPA_get_subcellular_location(gene=gene_name)
+    """
+    url = f"https://www.proteinatlas.org/{gene_name}.json"
+    resp = requests.get(url)
+    resp.raise_for_status()
+    data = resp.json()
+
+    sc = data.get("Subcellular location", [])
+    results = []
+    for entry in sc:
+        results.append({
+            "location": entry.get("Location", ""),
+            "reliability": entry.get("Reliability", ""),
+            "enhanced": entry.get("Enhanced", False),
+            "supported": entry.get("Supported", False),
+            "cell_lines": entry.get("Cell lines", []),
+        })
+
+    df = pd.DataFrame(results)
+    print(f"HPA subcellular '{gene_name}': {len(df)} locations")
+    return df
+```
+
+## 5. タンパク質相互作用ネットワーク (HPA)
+
+```python
+def get_hpa_protein_interactions(gene_name):
+    """
+    HPA タンパク質相互作用データ取得。
+
+    ToolUniverse:
+        HPA_get_protein_interactions_by_gene(gene=gene_name)
+        HPA_get_biological_processes_by_gene(gene=gene_name)
+        HPA_get_contextual_biological_process_analysis(gene=gene_name)
+    """
+    url = f"https://www.proteinatlas.org/{gene_name}.json"
+    resp = requests.get(url)
+    resp.raise_for_status()
+    data = resp.json()
+
+    interactions = data.get("Protein interaction partners", [])
+    results = []
+    for partner in interactions:
+        results.append({
+            "partner_gene": partner.get("Gene", ""),
+            "partner_ensembl": partner.get("Ensembl", ""),
+            "confidence": partner.get("Confidence", ""),
+            "source": partner.get("Source", ""),
+        })
+
+    df = pd.DataFrame(results)
+    print(f"HPA interactions '{gene_name}': {len(df)} partners")
+    return df
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/hpa_gene_info.json` | JSON |
+| `results/hpa_tissue_expression.csv` | CSV |
+| `results/hpa_cancer_prognostics.csv` | CSV |
+| `results/hpa_subcellular.csv` | CSV |
+| `results/hpa_interactions.csv` | CSV |
+
+### 利用可能ツール
+
+| カテゴリ | 主要ツール | 用途 |
+|---|---|---|
+| HPA | `HPA_generic_search` | 汎用検索 |
+| HPA | `HPA_get_gene_basic_info_by_ensembl_id` | 遺伝子基本情報 |
+| HPA | `HPA_get_comprehensive_gene_details_by_ensembl_id` | 包括的詳細 |
+| HPA | `HPA_get_rna_expression_by_source` | RNA 発現 |
+| HPA | `HPA_get_rna_expression_in_specific_tissues` | 組織別発現 |
+| HPA | `HPA_get_cancer_prognostics_by_gene` | がん予後 |
+| HPA | `HPA_get_subcellular_location` | 細胞内局在 |
+| HPA | `HPA_get_protein_interactions_by_gene` | PPI |
+| HPA | `HPA_get_biological_processes_by_gene` | 生物学的プロセス |
+| HPA | `HPA_get_contextual_biological_process_analysis` | プロセス解析 |
+| HPA | `HPA_get_disease_expression_by_gene_tissue_disease` | 疾患発現 |
+| HPA | `HPA_get_comparative_expression_by_gene_and_cellline` | 細胞株比較 |
+| HPA | `HPA_get_gene_tsv_data_by_ensembl_id` | TSV データ |
+| HPA | `HPA_search_genes_by_query` | 遺伝子検索 |
+
+### 参照スキル
+
+| スキル | 関連 |
+|---|---|
+| `scientific-gene-expression-transcriptomics` | GEO/GTEx 発現解析 |
+| `scientific-proteomics-mass-spectrometry` | プロテオミクス |
+| `scientific-cancer-genomics` | がんゲノミクス |
+| `scientific-protein-interaction-network` | PPI ネットワーク |
+| `scientific-pathway-enrichment` | パスウェイ濃縮 |
+
+### 依存パッケージ
+
+`requests`, `pandas`