@nahisaho/satori 0.13.0 → 0.15.0

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

@@ -0,0 +1,340 @@
+---
+name: scientific-ontology-enrichment
+description: |
+  オントロジー・エンリッチメント解析スキル。EFO 実験ファクターオントロジー、
+  OLS オントロジー検索サービス、Enrichr 遺伝子セット濃縮解析、
+  UMLS メタシソーラス統一医学言語体系の統合パイプライン。
+---
+
+# Scientific Ontology Enrichment
+
+EFO / OLS / Enrichr / UMLS を統合した
+オントロジー検索・エンリッチメント解析パイプラインを提供する。
+
+## When to Use
+
+- EFO で実験条件 (疾患・細胞型・組織) のオントロジー ID を取得するとき
+- OLS で複数オントロジー横断検索 (HP, MONDO, DOID, GO, CHEBI) するとき
+- Enrichr で遺伝子リストの濃縮解析を行うとき
+- UMLS CUI で異なる用語体系間のマッピングを行うとき
+- GWAS Catalog の trait を EFO 用語で標準化するとき
+
+---
+
+## Quick Start
+
+## 1. EFO 実験ファクターオントロジー
+
+```python
+import requests
+import pandas as pd
+
+OLS_API = "https://www.ebi.ac.uk/ols4/api"
+
+
+def search_efo(query, exact=False):
+    """
+    EFO (Experimental Factor Ontology) 検索。
+
+    Parameters:
+        query: str — 検索語 (疾患名、細胞型、組織名等)
+        exact: bool — 完全一致検索
+
+    ToolUniverse:
+        EFO_search(query=query, exact=exact)
+    """
+    params = {
+        "q": query,
+        "ontology": "efo",
+        "exact": str(exact).lower(),
+        "rows": 30,
+    }
+    resp = requests.get(f"{OLS_API}/search", params=params)
+    resp.raise_for_status()
+    data = resp.json()
+
+    results = []
+    for doc in data.get("response", {}).get("docs", []):
+        results.append({
+            "efo_id": doc.get("obo_id", ""),
+            "label": doc.get("label", ""),
+            "description": (doc.get("description") or [""])[0][:200],
+            "iri": doc.get("iri", ""),
+            "ontology": doc.get("ontology_name", ""),
+            "is_defining_ontology": doc.get("is_defining_ontology", False),
+            "synonyms": doc.get("synonym", []),
+        })
+
+    df = pd.DataFrame(results)
+    print(f"EFO search '{query}': {len(df)} terms")
+    return df
+```
+
+## 2. OLS マルチオントロジー検索
+
+```python
+def search_ols(query, ontologies=None, type_filter=None):
+    """
+    OLS (Ontology Lookup Service) マルチオントロジー横断検索。
+
+    Parameters:
+        query: str — 検索語
+        ontologies: list — オントロジー ID リスト (e.g., ["hp", "mondo", "go"])
+        type_filter: str — "class", "property", "individual"
+
+    ToolUniverse:
+        OLS_search(query=query, ontology=ontology)
+        OLS_get_term(ontology=ontology, iri=iri)
+        OLS_get_ancestors(ontology=ontology, iri=iri)
+    """
+    params = {"q": query, "rows": 50}
+    if ontologies:
+        params["ontology"] = ",".join(ontologies)
+    if type_filter:
+        params["type"] = type_filter
+
+    resp = requests.get(f"{OLS_API}/search", params=params)
+    resp.raise_for_status()
+    data = resp.json()
+
+    results = []
+    for doc in data.get("response", {}).get("docs", []):
+        results.append({
+            "obo_id": doc.get("obo_id", ""),
+            "label": doc.get("label", ""),
+            "ontology": doc.get("ontology_name", ""),
+            "description": (doc.get("description") or [""])[0][:200],
+            "iri": doc.get("iri", ""),
+            "synonyms": doc.get("synonym", []),
+            "has_children": doc.get("has_children", False),
+        })
+
+    df = pd.DataFrame(results)
+    print(f"OLS search '{query}' "
+          f"[{','.join(ontologies) if ontologies else 'all'}]: "
+          f"{len(df)} terms")
+    return df
+
+
+def get_ols_term_hierarchy(ontology, term_id):
+    """
+    OLS 用語の階層構造 (ancestors/descendants) 取得。
+
+    Parameters:
+        ontology: str — オントロジー ID (e.g., "hp", "go")
+        term_id: str — OBO ID (e.g., "HP:0001250")
+    """
+    iri = f"http://purl.obolibrary.org/obo/{term_id.replace(':', '_')}"
+    encoded_iri = requests.utils.quote(requests.utils.quote(iri, safe=""), safe="")
+
+    # Ancestors
+    anc_resp = requests.get(
+        f"{OLS_API}/ontologies/{ontology}/terms/{encoded_iri}/ancestors"
+    )
+
+    # Descendants
+    desc_resp = requests.get(
+        f"{OLS_API}/ontologies/{ontology}/terms/{encoded_iri}/descendants"
+    )
+
+    hierarchy = {"ancestors": [], "descendants": []}
+
+    if anc_resp.status_code == 200:
+        for t in anc_resp.json().get("_embedded", {}).get("terms", []):
+            hierarchy["ancestors"].append({
+                "id": t.get("obo_id", ""),
+                "label": t.get("label", ""),
+            })
+
+    if desc_resp.status_code == 200:
+        for t in desc_resp.json().get("_embedded", {}).get("terms", []):
+            hierarchy["descendants"].append({
+                "id": t.get("obo_id", ""),
+                "label": t.get("label", ""),
+            })
+
+    print(f"OLS hierarchy {term_id}: "
+          f"{len(hierarchy['ancestors'])} ancestors, "
+          f"{len(hierarchy['descendants'])} descendants")
+    return hierarchy
+```
+
+## 3. Enrichr 遺伝子セット濃縮解析
+
+```python
+ENRICHR_API = "https://maayanlab.cloud/Enrichr"
+
+
+def run_enrichr(gene_list, description="", gene_set_libraries=None):
+    """
+    Enrichr 遺伝子リスト濃縮解析。
+
+    Parameters:
+        gene_list: list — 遺伝子シンボルリスト (e.g., ["TP53", "BRCA1", "EGFR"])
+        description: str — 解析の説明
+        gene_set_libraries: list — 使用する遺伝子セットライブラリ
+
+    ToolUniverse:
+        Enrichr_submit_gene_list(genes=gene_list)
+        Enrichr_get_enrichment(user_list_id=id, library=library)
+    """
+    if gene_set_libraries is None:
+        gene_set_libraries = [
+            "GO_Biological_Process_2023",
+            "GO_Molecular_Function_2023",
+            "KEGG_2021_Human",
+            "Reactome_2022",
+            "WikiPathway_2023_Human",
+            "DisGeNET",
+        ]
+
+    # Submit gene list
+    genes_str = "\n".join(gene_list)
+    submit_resp = requests.post(
+        f"{ENRICHR_API}/addList",
+        files={"list": (None, genes_str), "description": (None, description)},
+    )
+    submit_resp.raise_for_status()
+    user_list_id = submit_resp.json().get("userListId")
+    print(f"Enrichr: submitted {len(gene_list)} genes (ID={user_list_id})")
+
+    # Get enrichment results per library
+    all_results = {}
+    for library in gene_set_libraries:
+        enrich_resp = requests.get(
+            f"{ENRICHR_API}/enrich",
+            params={"userListId": user_list_id, "backgroundType": library},
+        )
+        enrich_resp.raise_for_status()
+        data = enrich_resp.json()
+
+        results = []
+        for term_data in data.get(library, []):
+            results.append({
+                "rank": term_data[0],
+                "term": term_data[1],
+                "p_value": term_data[2],
+                "z_score": term_data[3],
+                "combined_score": term_data[4],
+                "overlap_genes": term_data[5],
+                "adjusted_p": term_data[6],
+            })
+
+        df = pd.DataFrame(results)
+        if not df.empty:
+            df = df.sort_values("adjusted_p")
+        all_results[library] = df
+        sig_count = (df["adjusted_p"] < 0.05).sum() if not df.empty else 0
+        print(f"  {library}: {sig_count} significant terms (FDR < 0.05)")
+
+    return all_results
+```
+
+## 4. UMLS メタシソーラスマッピング
+
+```python
+UMLS_API = "https://uts-ws.nlm.nih.gov/rest"
+
+
+def search_umls(query, api_key, search_type="words"):
+    """
+    UMLS メタシソーラス検索。
+
+    Parameters:
+        query: str — 検索語 (疾患名、症状、薬剤名)
+        api_key: str — UMLS API キー
+        search_type: str — "words", "exact", "leftTruncation"
+
+    ToolUniverse:
+        UMLS_search(query=query, search_type=search_type)
+        UMLS_get_concept(cui=cui)
+    """
+    params = {
+        "string": query,
+        "searchType": search_type,
+        "apiKey": api_key,
+        "pageSize": 25,
+    }
+    resp = requests.get(f"{UMLS_API}/search/current", params=params)
+    resp.raise_for_status()
+    data = resp.json()
+
+    results = []
+    for item in data.get("result", {}).get("results", []):
+        results.append({
+            "cui": item.get("ui", ""),
+            "name": item.get("name", ""),
+            "root_source": item.get("rootSource", ""),
+            "uri": item.get("uri", ""),
+        })
+
+    df = pd.DataFrame(results)
+    print(f"UMLS search '{query}': {len(df)} concepts")
+    return df
+
+
+def get_umls_crosswalk(cui, api_key, target_source=None):
+    """
+    UMLS CUI からの用語体系間マッピング。
+
+    Parameters:
+        cui: str — UMLS CUI (e.g., "C0023264")
+        api_key: str — UMLS API キー
+        target_source: str — ターゲット用語体系 (e.g., "SNOMEDCT_US", "ICD10CM", "MeSH")
+    """
+    params = {"apiKey": api_key, "pageSize": 100}
+    if target_source:
+        params["sabs"] = target_source
+
+    resp = requests.get(f"{UMLS_API}/content/current/CUI/{cui}/atoms", params=params)
+    resp.raise_for_status()
+    data = resp.json()
+
+    mappings = []
+    for atom in data.get("result", []):
+        mappings.append({
+            "source": atom.get("rootSource", ""),
+            "code": atom.get("sourceConcept", ""),
+            "name": atom.get("name", ""),
+            "term_type": atom.get("termType", ""),
+        })
+
+    df = pd.DataFrame(mappings)
+    if target_source:
+        df = df[df["source"] == target_source]
+
+    print(f"UMLS crosswalk {cui}: {len(df)} mappings "
+          f"({target_source or 'all sources'})")
+    return df
+```
+
+---
+
+## 利用可能ツール
+
+| ToolUniverse カテゴリ | 主なツール |
+|---|---|
+| `efo` | `EFO_search` |
+| `ols` | `OLS_search`, `OLS_get_term`, `OLS_get_ancestors` |
+| `enrichr` | `Enrichr_submit_gene_list`, `Enrichr_get_enrichment` |
+| `umls` | `UMLS_search`, `UMLS_get_concept` |
+
+## パイプライン出力
+
+| 出力ファイル | 説明 | 連携先スキル |
+|---|---|---|
+| `results/efo_terms.csv` | EFO 標準化用語 | → disease-research, gene-expression |
+| `results/enrichr_results/` | 遺伝子セット濃縮結果 | → pathway-enrichment, multi-omics |
+| `results/umls_mapping.json` | UMLS 用語マッピング | → clinical-decision-support, public-health-data |
+| `results/ontology_hierarchy.json` | オントロジー階層 | → text-mining-nlp, knowledge-graph |
+
+## パイプライン統合
+
+```
+disease-research ──→ ontology-enrichment ──→ pathway-enrichment
+  (GWAS/DisGeNET)    (EFO/OLS/UMLS/Enrichr)   (KEGG/Reactome/GO)
+                              │
+                              ├──→ biothings-idmapping (CUI→Gene→Protein)
+                              ├──→ public-health-data (UMLS→RxNorm)
+                              └──→ clinical-reporting (SNOMED/ICD マッピング)
+```

package/src/.github/skills/scientific-perturbation-analysis/SKILL.md

@@ -0,0 +1,297 @@
+---
+name: scientific-perturbation-analysis
+description: |
+  シングルセル摂動解析スキル。pertpy による CRISPR スクリーン解析・
+  薬剤応答分析・scGen 摂動予測・Augur 摂動応答性スコアリング・
+  scIB 統合ベンチマーク・差次的摂動応答パイプライン。
+---
+
+# Scientific Perturbation Analysis
+
+pertpy / Augur / scIB を活用したシングルセルレベルの摂動解析
+パイプラインを提供する。CRISPR スクリーン、薬剤処理、
+遺伝子ノックダウンなどの摂動データの統合解析。
+
+## When to Use
+
+- CRISPR スクリーンデータ (Perturb-seq) を解析するとき
+- 薬剤処理前後のシングルセル発現変動を評価するとき
+- 摂動応答の細胞型特異性を定量するとき
+- 複数のバッチ統合手法をベンチマークするとき (scIB)
+- 摂動の効果を in silico で予測するとき (scGen)
+- 差次的優先度 (Augur) で摂動応答性の高い細胞型を特定するとき
+
+---
+
+## Quick Start
+
+## 1. pertpy セットアップ & データ読込み
+
+```python
+import pertpy as pt
+import scanpy as sc
+import anndata as ad
+import pandas as pd
+import numpy as np
+
+
+def load_perturbation_data(adata_path, perturbation_key="perturbation",
+                           control_label="control"):
+    """
+    摂動実験 AnnData 読込み & 前処理。
+
+    Parameters:
+        adata_path: str — AnnData ファイルパス
+        perturbation_key: str — 摂動ラベルカラム
+        control_label: str — コントロールラベル
+
+    K-Dense: pertpy
+    """
+    adata = sc.read_h5ad(adata_path)
+
+    # 基本前処理
+    sc.pp.filter_cells(adata, min_genes=200)
+    sc.pp.filter_genes(adata, min_cells=3)
+    sc.pp.normalize_total(adata, target_sum=1e4)
+    sc.pp.log1p(adata)
+
+    n_perturbations = adata.obs[perturbation_key].nunique()
+    n_control = (adata.obs[perturbation_key] == control_label).sum()
+    n_perturbed = len(adata) - n_control
+
+    print(f"Loaded: {len(adata)} cells, {n_perturbations} perturbations")
+    print(f"Control: {n_control}, Perturbed: {n_perturbed}")
+    return adata
+```
+
+## 2. 差次的遺伝子発現 (摂動 vs コントロール)
+
+```python
+def differential_perturbation(adata, perturbation_key="perturbation",
+                               control="control", target=None):
+    """
+    摂動-コントロール間差次的発現解析。
+
+    Parameters:
+        adata: AnnData — 摂動データ
+        perturbation_key: str — 摂動ラベル
+        control: str — コントロールラベル
+        target: str — 比較対象摂動 (None で全摂動)
+    """
+    if target:
+        mask = adata.obs[perturbation_key].isin([control, target])
+        adata_sub = adata[mask].copy()
+    else:
+        adata_sub = adata.copy()
+
+    sc.tl.rank_genes_groups(
+        adata_sub,
+        groupby=perturbation_key,
+        reference=control,
+        method="wilcoxon",
+    )
+
+    results = {}
+    for group in adata_sub.obs[perturbation_key].unique():
+        if group == control:
+            continue
+        try:
+            degs = sc.get.rank_genes_groups_df(adata_sub, group=group)
+            degs_sig = degs[degs["pvals_adj"] < 0.05]
+            results[group] = {
+                "n_degs": len(degs_sig),
+                "n_up": (degs_sig["logfoldchanges"] > 0).sum(),
+                "n_down": (degs_sig["logfoldchanges"] < 0).sum(),
+                "top_genes": degs_sig.head(10)["names"].tolist(),
+            }
+        except Exception:
+            continue
+
+    print(f"DE results: {len(results)} perturbations analyzed")
+    return results
+```
+
+## 3. Augur 摂動応答性スコアリング
+
+```python
+def augur_prioritization(adata, perturbation_key="perturbation",
+                         cell_type_key="cell_type", control="control"):
+    """
+    Augur で細胞型ごとの摂動応答性をスコアリング。
+
+    Parameters:
+        adata: AnnData — 摂動データ
+        perturbation_key: str — 摂動ラベル
+        cell_type_key: str — 細胞型ラベル
+        control: str — コントロールラベル
+
+    K-Dense: augur (via pertpy)
+    """
+    ag = pt.tl.Augur(estimator="random_forest_classifier")
+
+    # 摂動 vs コントロールで各細胞型のAUC計算
+    adata_augur, results = ag.predict(
+        adata,
+        condition_key=perturbation_key,
+        cell_type_key=cell_type_key,
+        control_label=control,
+    )
+
+    # 結果をDataFrameに
+    auc_df = results["summary_metrics"]
+    auc_df = auc_df.sort_values("auc", ascending=False)
+
+    print(f"Augur prioritization:")
+    for _, row in auc_df.head(5).iterrows():
+        print(f"  {row['cell_type']}: AUC={row['auc']:.3f}")
+
+    return auc_df
+```
+
+## 4. scGen 摂動予測
+
+```python
+def scgen_perturbation_prediction(adata, perturbation_key="perturbation",
+                                   cell_type_key="cell_type",
+                                   control="control", target_perturbation=None,
+                                   target_cell_type=None):
+    """
+    scGen による摂動効果の in silico 予測。
+
+    Parameters:
+        adata: AnnData — 訓練データ
+        target_perturbation: str — 予測対象の摂動
+        target_cell_type: str — 予測対象の細胞型
+    """
+    import scgen
+
+    # モデル訓練
+    scg = scgen.SCGEN(adata)
+    scg.train(max_epochs=100, batch_size=32)
+
+    # 予測
+    pred, delta = scg.predict(
+        ctrl_key=control,
+        stim_key=target_perturbation,
+        celltype_to_predict=target_cell_type,
+    )
+
+    print(f"scGen prediction: {target_cell_type} under {target_perturbation}")
+    print(f"  Predicted cells: {pred.shape[0]}")
+    return pred, delta
+```
+
+## 5. scIB 統合ベンチマーク
+
+```python
+def benchmark_integration(adata, batch_key="batch", label_key="cell_type",
+                           methods=None):
+    """
+    scIB でバッチ統合手法をベンチマーク。
+
+    Parameters:
+        adata: AnnData — バッチ混在データ
+        batch_key: str — バッチラベル
+        label_key: str — 細胞型ラベル
+        methods: list — 評価するメトリクス
+
+    K-Dense: scib
+    """
+    import scib
+
+    if methods is None:
+        methods = ["scib"]
+
+    # 基本メトリクス
+    metrics = {}
+
+    # batch correction metrics
+    metrics["batch_kbet"] = scib.me.kBET(
+        adata, batch_key=batch_key, label_key=label_key
+    )
+    metrics["batch_silhouette"] = scib.me.silhouette_batch(
+        adata, batch_key=batch_key, label_key=label_key, embed="X_pca"
+    )
+
+    # bio conservation metrics
+    metrics["bio_nmi"] = scib.me.nmi(adata, label_key, "leiden")
+    metrics["bio_ari"] = scib.me.ari(adata, label_key, "leiden")
+    metrics["bio_silhouette"] = scib.me.silhouette(
+        adata, label_key=label_key, embed="X_pca"
+    )
+
+    # 総合スコア
+    metrics["overall"] = 0.6 * np.mean([
+        metrics["bio_nmi"], metrics["bio_ari"], metrics["bio_silhouette"]
+    ]) + 0.4 * np.mean([
+        metrics["batch_kbet"], metrics["batch_silhouette"]
+    ])
+
+    print(f"scIB benchmark:")
+    for k, v in metrics.items():
+        print(f"  {k}: {v:.4f}")
+    return metrics
+```
+
+## 6. 摂動シグネチャ解析
+
+```python
+def perturbation_signature(adata, perturbation_key="perturbation",
+                            control="control", n_top_genes=50):
+    """
+    摂動特異的遺伝子シグネチャ抽出。
+
+    Parameters:
+        adata: AnnData — 摂動データ
+        perturbation_key: str — 摂動ラベル
+        control: str — コントロールラベル
+        n_top_genes: int — トップ遺伝子数
+    """
+    perturbations = [p for p in adata.obs[perturbation_key].unique()
+                     if p != control]
+
+    signatures = {}
+    ctrl_mean = adata[adata.obs[perturbation_key] == control].X.mean(axis=0)
+    ctrl_mean = np.asarray(ctrl_mean).flatten()
+
+    for pert in perturbations:
+        pert_mask = adata.obs[perturbation_key] == pert
+        pert_mean = adata[pert_mask].X.mean(axis=0)
+        pert_mean = np.asarray(pert_mean).flatten()
+
+        delta = pert_mean - ctrl_mean
+        gene_indices = np.argsort(np.abs(delta))[::-1][:n_top_genes]
+
+        signatures[pert] = {
+            "top_genes": adata.var_names[gene_indices].tolist(),
+            "deltas": delta[gene_indices].tolist(),
+            "n_cells": int(pert_mask.sum()),
+        }
+
+    print(f"Signatures extracted: {len(signatures)} perturbations, "
+          f"{n_top_genes} genes each")
+    return signatures
+```
+
+---
+
+## パイプライン統合
+
+```
+single-cell-genomics → perturbation-analysis → pathway-enrichment
+  (scRNA-seq QC)        (摂動 DE/Augur/scGen)   (KEGG/Reactome)
+        │                        │                     ↓
+spatial-transcriptomics ──┘      │            disease-research
+  (Visium/MERFISH)               ↓              (GWAS/DisGeNET)
+                       drug-target-profiling
+                       (標的候補評価)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `results/perturbation_de.json` | 差次的発現結果 | → pathway-enrichment |
+| `results/augur_scores.csv` | Augur 応答性スコア | → single-cell-genomics |
+| `results/perturbation_signatures.json` | 摂動シグネチャ | → drug-target-profiling |
+| `results/scib_benchmark.json` | 統合ベンチマーク | → spatial-transcriptomics |