@nahisaho/satori 0.14.0 → 0.15.0

package/README.md

@@ -7,7 +7,7 @@
 
 ## Overview
 
-このディレクトリには、Exp-01〜13 で蓄積した科学データ解析技法を Agent Skills として体系化した **106 個**のスキルを格納しています。Copilot がプロンプトの文脈に応じて適切なスキルを自動ロードし、各実験で確立した解析パターンを再利用します。66 のスキルは [ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP 経由で 1,200 以上の外部科学データベースツールとも連携可能です。
+このディレクトリには、Exp-01〜13 で蓄積した科学データ解析技法を Agent Skills として体系化した **116 個**のスキルを格納しています。Copilot がプロンプトの文脈に応じて適切なスキルを自動ロードし、各実験で確立した解析パターンを再利用します。70 のスキルは [ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP 経由で 1,200 以上の外部科学データベースツールとも連携可能です。
 
 ### パイプラインフロー
 
@@ -208,7 +208,7 @@ symbolic-mathematics ──→ systems-biology ──→ admet-pharmacokinetics
 
 ### ToolUniverse MCP ツール連携
 
-66 のスキル（HIGH 13 + MEDIUM 9 + Phase 3: 20 + Phase 4: 8 + Phase 5: 9 + Phase 6: 7）は、[ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP サーバー経由で 1,200 以上の外部科学ツールを利用可能です。各 SKILL.md 内の `### 利用可能ツール` セクションに対応ツールが記載されています。
+70 のスキル（HIGH 13 + MEDIUM 9 + Phase 3: 20 + Phase 4: 8 + Phase 5: 9 + Phase 6: 7 + Phase 7: 4）は、[ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP サーバー経由で 1,200 以上の外部科学ツールを利用可能です。各 SKILL.md 内の `### 利用可能ツール` セクションに対応ツールが記載されています。
 
 ```
 SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・計算)
@@ -243,7 +243,11 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 │ cell-line-resources  │───MCP──│ Cellosaurus                  │
 │ regulatory-genomics  │───MCP──│ RegulomeDB, ReMap, 4DN       │
 │ biomedical-pubtator  │───MCP──│ PubTator NER                 │
-│ ... (66 skills total) │       │ ... (1,200+ tools)           │
+│ chembl-assay-mining  │───MCP──│ ChEMBL Assay/Activity/Target  │
+│ ensembl-genomics     │───MCP──│ Ensembl REST, VEP             │
+│ string-network-api   │───MCP──│ STRING, BioGRID, STITCH       │
+│ expression-comparison│───MCP──│ Expression Atlas              │
+│ ... (70 skills total) │       │ ... (1,200+ tools)           │
 └──────────────────────┘        └─────────────────────────────┘
 ```
 
@@ -256,8 +260,8 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | C. 機械学習・モデリング | 3 | 回帰・分類・特徴量重要度 |
 | D. 実験計画・プロセス最適化 | 2 | DOE・応答曲面法・ベイズ最適化 |
 | E. 信号・スペクトル・時系列 | 4 | スペクトル解析・生体信号・時系列分解・神経電気生理学 |
-| F. 生命科学・オミクス | 14 | バイオインフォ・メタボロ・ゲノム配列・マルチオミクス・ネットワーク・プロテオミクス・トランスクリプトミクス・パスウェイ濃縮・代謝物 DB・HPA・ゲノム配列ツール・非コード RNA・オントロジー・EBI DB 群 |
-| G. 化学・材料・イメージング | 4 | ケモインフォ・材料特性評価・画像形態解析・計算材料科学 |
+| F. 生命科学・オミクス | 18 | バイオインフォ・メタボロ・ゲノム配列・マルチオミクス・ネットワーク・プロテオミクス・トランスクリプトミクス・パスウェイ濃縮・代謝物 DB・HPA・ゲノム配列ツール・非コード RNA・オントロジー・EBI DB 群・Ensembl ゲノミクス・STRING/BioGRID PPI・発現比較・モデル生物 DB |
+| G. 化学・材料・イメージング | 8 | ケモインフォ・材料特性評価・画像形態解析・計算材料科学・ChEMBL アッセイマイニング・MD シミュレーション・高度イメージング・深層化学 |
 | H. 臨床・疫学・メタ科学 | 5 | 生存解析・因果推論・メタアナリシス・臨床試験解析・臨床レポート |
 | I. Deep Research・文献検索 | 3 | 科学文献深層リサーチ・エビデンス階層評価・マルチ DB 文献検索・引用ネットワーク・プレプリント横断検索 |
 | J. 創薬・ファーマコロジー | 6 | 標的プロファイリング・ADMET/PK・ドラッグリポジショニング・分子ドッキング・薬理学的ターゲット・化合物スクリーニング |
@@ -270,7 +274,7 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | Q. 腫瘍学・疾患研究 | 5 | 精密腫瘍学 (CIViC/OncoKB)・疾患-遺伝子関連 (GWAS/Orphanet)・がんゲノミクス (COSMIC/DepMap)・希少疾患遺伝学・細胞株リソース |
 | R. 量子・先端計算 | 7 | 量子計算・GNN・ベイズ統計・説明可能 AI・深層学習・ヘルスケア AI・強化学習 |
 | S. 医用イメージング | 1 | DICOM/NIfTI・WSI 病理画像・Radiomics・MONAI |
-| T. シングルセル・空間・エピゲノミクス | 4 | scRNA-seq・Visium・MERFISH・CELLxGENE・RNA velocity・エピゲノミクス・レギュラトリーゲノミクス |
+| T. シングルセル・空間・エピゲノミクス | 6 | scRNA-seq・Visium・MERFISH・CELLxGENE・RNA velocity・エピゲノミクス・レギュラトリーゲノミクス・摂動解析・scVI 統合 |
 | U. 免疫・感染症 | 2 | 免疫情報学・MHC 結合予測・病原体ゲノミクス・AMR・IEDB |
 | V. マイクロバイオーム・環境 | 3 | 16S/メタゲノム・α/β 多様性・SDM・OBIS・GBIF・系統解析 |
 | W. システム生物学 | 2 | SBML シミュレーション・FBA・GRN 推定・BioModels・代謝モデリング |
@@ -345,9 +349,9 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 24 | [scientific-time-series](scientific-time-series/SKILL.md) | STL 分解・SARIMA 予測・変化点検出・FFT 周期解析・Granger 因果 | 汎用 |
 | 67 | [scientific-neuroscience-electrophysiology](scientific-neuroscience-electrophysiology/SKILL.md) | SpikeInterface/Kilosort4 スパイクソート・MNE EEG/ERP・NeuroKit2 HRV/EDA・脳機能結合 | 汎用 |
 
-### F. 生命科学・オミクス（14 種）
+### F. 生命科学・オミクス（18 種）
 
-バイオ・オミクス・ネットワーク解析・オントロジー・EBI データベースを担うスキル群。
+バイオ・オミクス・ネットワーク解析・オントロジー・EBI データベース・ゲノミクス・PPI・発現比較・モデル生物 DB を担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
@@ -365,10 +369,14 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 92 | [scientific-noncoding-rna](scientific-noncoding-rna/SKILL.md) | Rfam RNA ファミリー・RNAcentral ncRNA ・共分散モデル・構造マッピング | 汎用 |
 | 99 | [scientific-ontology-enrichment](scientific-ontology-enrichment/SKILL.md) | EFO/OLS/Enrichr/UMLS オントロジー検索・遺伝子セット濃縮・用語マッピング | 汎用 |
 | 100 | [scientific-ebi-databases](scientific-ebi-databases/SKILL.md) | EBI Search/ENA/BioStudies/dbfetch/MetaboLights 統合データアクセス | 汎用 |
+| 108 | [scientific-ensembl-genomics](scientific-ensembl-genomics/SKILL.md) | Ensembl REST API ゲノム解析・VEP バリアント効果予測・ホモロジー検索・制御領域 | 汎用 |
+| 109 | [scientific-string-network-api](scientific-string-network-api/SKILL.md) | STRING v12/BioGRID/STITCH PPI ネットワーク・化学-タンパク質相互作用・トポロジー解析 | 汎用 |
+| 110 | [scientific-expression-comparison](scientific-expression-comparison/SKILL.md) | EBI Expression Atlas 発現比較・ベースライン/差次的発現・組織横断ヒートマップ | 汎用 |
+| 111 | [scientific-model-organism-db](scientific-model-organism-db/SKILL.md) | FlyBase/WormBase/ZFIN/RGD/MGI モデル生物データベース・種間オーソログ検索 | 汎用 |
 
-### G. 化学・材料・イメージング（4 種）
+### G. 化学・材料・イメージング（8 種）
 
-化学構造・材料特性評価・画像形態解析・計算材料科学を担うスキル群。
+化学構造・材料特性評価・画像形態解析・計算材料科学・ChEMBL アッセイマイニング・MD シミュレーション・高度イメージング・深層化学を担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
@@ -376,6 +384,10 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 31 | [scientific-materials-characterization](scientific-materials-characterization/SKILL.md) | Thornton-Anders SZM・XRD Scherrer・Tauc プロット | 11, 12, 13 |
 | 32 | [scientific-image-analysis](scientific-image-analysis/SKILL.md) | Otsu/Watershed セグメンテーション・粒径分布・GLCM テクスチャ・蛍光合成 | 汎用 |
 | 70 | [scientific-computational-materials](scientific-computational-materials/SKILL.md) | pymatgen 結晶構造・Materials Project・相図・バンド構造/DOS・VASP/QE I/O | 汎用 |
+| 107 | [scientific-chembl-assay-mining](scientific-chembl-assay-mining/SKILL.md) | ChEMBL REST API アッセイマイニング・生理活性・SAR 解析・選択性プロファイリング | 汎用 |
+| 112 | [scientific-md-simulation](scientific-md-simulation/SKILL.md) | MDAnalysis/OpenFF 分子動力学シミュレーション・RMSD/RMSF/SASA/水素結合解析 | 汎用 |
+| 114 | [scientific-advanced-imaging](scientific-advanced-imaging/SKILL.md) | Cellpose セグメンテーション・CellProfiler 形態プロファイリング・napari 3D 可視化 | 汎用 |
+| 115 | [scientific-deep-chemistry](scientific-deep-chemistry/SKILL.md) | DeepChem GCN/MPNN/AttentiveFP 分子特性予測・MoleculeNet・ChemBERTa | 汎用 |
 
 ### H. 臨床・疫学・メタ科学（5 種）
 
@@ -503,9 +515,9 @@ DICOM・WSI 等の医用画像の解析・セグメンテーションを担う
 |---|---|---|---|
 | 56 | [scientific-medical-imaging](scientific-medical-imaging/SKILL.md) | DICOM/NIfTI 処理・MONAI U-Net/SwinUNETR・WSI パッチ抽出・Radiomics・3D 可視化 | 汎用 |
 
-### T. シングルセル・空間・エピゲノミクス（4 種）
+### T. シングルセル・空間・エピゲノミクス（6 種）
 
-scRNA-seq・空間トランスクリプトミクス・エピゲノミクス・制御ゲノミクスの解析パイプラインを担うスキル群。
+scRNA-seq・空間トランスクリプトミクス・エピゲノミクス・制御ゲノミクス・摂動解析・scVI 統合の解析パイプラインを担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
@@ -513,6 +525,8 @@ scRNA-seq・空間トランスクリプトミクス・エピゲノミクス・
 | 58 | [scientific-spatial-transcriptomics](scientific-spatial-transcriptomics/SKILL.md) | Visium/MERFISH 前処理・Squidpy SVG 検出・空間ドメイン・cell2location デコンボリューション | 汎用 |
 | 76 | [scientific-epigenomics-chromatin](scientific-epigenomics-chromatin/SKILL.md) | ChIP-seq MACS2/3・ATAC-seq・WGBS DMR・ChromHMM・Hi-C TAD・モチーフ濃縮 | 汎用 |
 | 102 | [scientific-regulatory-genomics](scientific-regulatory-genomics/SKILL.md) | RegulomeDB/ReMap/4DN 制御領域バリアント・三次元ゲノム構造解析 | 汎用 |
+| 113 | [scientific-perturbation-analysis](scientific-perturbation-analysis/SKILL.md) | pertpy/Augur/scIB 摂動解析・CRISPR スクリーン・scGen 摂動予測・統合ベンチマーク | 汎用 |
+| 116 | [scientific-scvi-integration](scientific-scvi-integration/SKILL.md) | scVI/scANVI/totalVI/SOLO シングルセル統合・半教師有りアノテーション・CITE-seq | 汎用 |
 
 ### U. 免疫・感染症（2 種）
 
@@ -665,13 +679,21 @@ Skills は `.github/skills/` に配置されているため、Copilot が自動
 │   ├── scientific-genome-sequence-tools/
 │   ├── scientific-noncoding-rna/
 │   ├── scientific-ontology-enrichment/
-│   └── scientific-ebi-databases/
+│   ├── scientific-ebi-databases/
+│   ├── scientific-ensembl-genomics/
+│   ├── scientific-string-network-api/
+│   ├── scientific-expression-comparison/
+│   └── scientific-model-organism-db/
 │
 │── [G] 化学・材料・イメージング
 │   ├── scientific-cheminformatics/
 │   ├── scientific-materials-characterization/
 │   ├── scientific-image-analysis/
-│   └── scientific-computational-materials/
+│   ├── scientific-computational-materials/
+│   ├── scientific-chembl-assay-mining/
+│   ├── scientific-md-simulation/
+│   ├── scientific-advanced-imaging/
+│   └── scientific-deep-chemistry/
 │
 ├── [H] 臨床・疫学・メタ科学
 │   ├── scientific-survival-clinical/
@@ -745,7 +767,9 @@ Skills は `.github/skills/` に配置されているため、Copilot が自動
 │   ├── scientific-single-cell-genomics/
 │   ├── scientific-spatial-transcriptomics/
 │   ├── scientific-epigenomics-chromatin/
-│   └── scientific-regulatory-genomics/
+│   ├── scientific-regulatory-genomics/
+│   ├── scientific-perturbation-analysis/
+│   └── scientific-scvi-integration/
 │
 │── [U] 免疫・感染症
 │   ├── scientific-immunoinformatics/

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "@nahisaho/satori",
-  "version": "0.14.0",
+  "version": "0.15.0",
   "description": "SATORI — Agent Skills for Science. GitHub Copilot Agent Skills collection for scientific data analysis.",
   "main": "index.js",
   "bin": {

package/src/.github/skills/scientific-advanced-imaging/SKILL.md

@@ -0,0 +1,382 @@
+---
+name: scientific-advanced-imaging
+description: |
+  高度バイオイメージング解析スキル。CellProfiler によるモフォロジカル
+  プロファイリング・Cell Painting 解析、Cellpose による深層学習
+  セルセグメンテーション、napari によるインタラクティブ 3D 可視化。
+---
+
+# Scientific Advanced Imaging
+
+CellProfiler / Cellpose / napari を活用した高度バイオイメージング
+解析パイプラインを提供する。セルセグメンテーション、形態学的
+特徴抽出、Cell Painting アッセイ解析、3D 画像可視化。
+
+## When to Use
+
+- Cell Painting アッセイ画像を解析するとき
+- 深層学習によるセルセグメンテーションが必要なとき (Cellpose)
+- 形態学的特徴量 (面積、真円度、テクスチャ等) を定量するとき
+- 蛍光顕微鏡スタック画像を 3D 可視化するとき
+- カスタム Cellpose モデルを微調整するとき
+- 高コンテンツスクリーニング (HCS) データを処理するとき
+
+---
+
+## Quick Start
+
+## 1. Cellpose セルセグメンテーション
+
+```python
+from cellpose import models, io
+import numpy as np
+from pathlib import Path
+
+
+def cellpose_segmentation(image_path, model_type="cyto2", diameter=None,
+                          channels=None, gpu=True):
+    """
+    Cellpose で細胞セグメンテーション。
+
+    Parameters:
+        image_path: str — 画像ファイルパス
+        model_type: str — モデル ("cyto", "cyto2", "nuclei")
+        diameter: float — 細胞直径 (None で自動)
+        channels: list — チャネル [cytoplasm, nuclei]
+        gpu: bool — GPU 使用
+
+    K-Dense: cellpose
+    """
+    model = models.Cellpose(model_type=model_type, gpu=gpu)
+
+    if channels is None:
+        channels = [0, 0]  # grayscale
+
+    img = io.imread(str(image_path))
+    masks, flows, styles, diams = model.eval(
+        img, diameter=diameter, channels=channels
+    )
+
+    n_cells = len(np.unique(masks)) - 1  # background除外
+    print(f"Cellpose: {n_cells} cells detected (model={model_type})")
+    print(f"  Auto diameter: {diams:.1f}")
+    return masks, flows, styles
+```
+
+## 2. バッチセグメンテーション
+
+```python
+def batch_segmentation(image_dir, output_dir, model_type="cyto2",
+                       image_pattern="*.tif", diameter=None):
+    """
+    ディレクトリ内画像のバッチセグメンテーション。
+
+    Parameters:
+        image_dir: str — 入力画像ディレクトリ
+        output_dir: str — 出力ディレクトリ
+        model_type: str — Cellpose モデル
+    """
+    model = models.Cellpose(model_type=model_type, gpu=True)
+    image_dir = Path(image_dir)
+    output_dir = Path(output_dir)
+    output_dir.mkdir(parents=True, exist_ok=True)
+
+    image_files = sorted(image_dir.glob(image_pattern))
+    results = []
+
+    for img_path in image_files:
+        img = io.imread(str(img_path))
+        masks, flows, styles, diams = model.eval(
+            img, diameter=diameter, channels=[0, 0]
+        )
+        n_cells = len(np.unique(masks)) - 1
+
+        # マスク保存
+        out_path = output_dir / f"{img_path.stem}_masks.npy"
+        np.save(str(out_path), masks)
+
+        results.append({
+            "image": img_path.name,
+            "n_cells": n_cells,
+            "diameter": float(diams),
+        })
+
+    print(f"Batch: {len(results)} images, "
+          f"{sum(r['n_cells'] for r in results)} total cells")
+    return results
+```
+
+## 3. CellProfiler 形態学的プロファイリング
+
+```python
+import skimage.measure as measure
+import pandas as pd
+
+
+def morphological_profiling(image, masks, channel_names=None):
+    """
+    CellProfiler スタイルの形態学的特徴量抽出。
+
+    Parameters:
+        image: np.ndarray — 画像 (H, W) or (H, W, C)
+        masks: np.ndarray — セグメンテーションマスク
+        channel_names: list — チャネル名
+
+    K-Dense: cellprofiler
+    """
+    if image.ndim == 2:
+        image = image[..., np.newaxis]
+    if channel_names is None:
+        channel_names = [f"ch{i}" for i in range(image.shape[-1])]
+
+    props = measure.regionprops(masks, intensity_image=image[..., 0])
+
+    features = []
+    for prop in props:
+        feat = {
+            "cell_id": prop.label,
+            "area": prop.area,
+            "perimeter": prop.perimeter,
+            "eccentricity": prop.eccentricity,
+            "solidity": prop.solidity,
+            "major_axis": prop.major_axis_length,
+            "minor_axis": prop.minor_axis_length,
+        }
+        # 真円度
+        if prop.perimeter > 0:
+            feat["circularity"] = (4 * np.pi * prop.area) / (prop.perimeter ** 2)
+        else:
+            feat["circularity"] = 0.0
+
+        # チャネルごと蛍光強度
+        for ch_idx, ch_name in enumerate(channel_names):
+            ch_props = measure.regionprops(
+                masks, intensity_image=image[..., ch_idx]
+            )
+            for cp in ch_props:
+                if cp.label == prop.label:
+                    feat[f"{ch_name}_mean"] = cp.mean_intensity
+                    feat[f"{ch_name}_max"] = cp.max_intensity
+                    feat[f"{ch_name}_min"] = cp.min_intensity
+                    break
+
+        features.append(feat)
+
+    df = pd.DataFrame(features)
+    print(f"Morphological profiling: {len(df)} cells, {len(df.columns)} features")
+    return df
+```
+
+## 4. Cell Painting 解析
+
+```python
+def cell_painting_analysis(image_5ch, masks, normalize=True):
+    """
+    Cell Painting 5 チャネル解析。
+
+    Channels:
+      ch0: DNA (Hoechst), ch1: ER (ConA), ch2: RNA (SYTO14),
+      ch3: AGP (Phalloidin), ch4: Mito (MitoTracker)
+
+    Parameters:
+        image_5ch: np.ndarray — (H, W, 5) 画像
+        masks: np.ndarray — セグメンテーションマスク
+        normalize: bool — Z-score 正規化
+    """
+    channel_names = ["DNA", "ER", "RNA", "AGP", "Mito"]
+
+    # 形態 + 蛍光特徴量抽出
+    features_df = morphological_profiling(image_5ch, masks, channel_names)
+
+    # テクスチャ特徴量 (Haralick-like)
+    from skimage.feature import graycomatrix, graycoprops
+
+    texture_features = []
+    for prop in measure.regionprops(masks):
+        cell_mask = masks == prop.label
+        bbox = prop.bbox
+        cell_region = image_5ch[bbox[0]:bbox[2], bbox[1]:bbox[3], 0]
+        cell_mask_crop = cell_mask[bbox[0]:bbox[2], bbox[1]:bbox[3]]
+        cell_region = (cell_region * cell_mask_crop).astype(np.uint8)
+
+        if cell_region.max() > 0:
+            glcm = graycomatrix(cell_region, [1], [0], levels=256, symmetric=True)
+            texture_features.append({
+                "cell_id": prop.label,
+                "contrast": graycoprops(glcm, "contrast")[0, 0],
+                "homogeneity": graycoprops(glcm, "homogeneity")[0, 0],
+                "energy": graycoprops(glcm, "energy")[0, 0],
+                "correlation": graycoprops(glcm, "correlation")[0, 0],
+            })
+
+    texture_df = pd.DataFrame(texture_features)
+    combined = features_df.merge(texture_df, on="cell_id", how="left")
+
+    if normalize:
+        numeric_cols = combined.select_dtypes(include=[np.number]).columns
+        numeric_cols = [c for c in numeric_cols if c != "cell_id"]
+        combined[numeric_cols] = (
+            (combined[numeric_cols] - combined[numeric_cols].mean())
+            / combined[numeric_cols].std()
+        )
+
+    print(f"Cell Painting: {len(combined)} cells, {len(combined.columns)} features")
+    return combined
+```
+
+## 5. napari 3D 可視化
+
+```python
+def napari_visualization(image, masks=None, points=None, labels=None):
+    """
+    napari でインタラクティブ 3D 可視化。
+
+    Parameters:
+        image: np.ndarray — 画像 (Z, Y, X) or (Z, Y, X, C)
+        masks: np.ndarray — セグメンテーションマスク
+        points: np.ndarray — 座標点 (N, 3)
+        labels: list — ポイントラベル
+
+    K-Dense: napari
+    """
+    import napari
+
+    viewer = napari.Viewer()
+
+    # 画像レイヤー
+    if image.ndim == 4:
+        for ch in range(image.shape[-1]):
+            viewer.add_image(
+                image[..., ch],
+                name=f"Channel-{ch}",
+                blending="additive",
+            )
+    else:
+        viewer.add_image(image, name="Image")
+
+    # マスクレイヤー
+    if masks is not None:
+        viewer.add_labels(masks, name="Segmentation")
+
+    # ポイントレイヤー
+    if points is not None:
+        properties = {"label": labels} if labels else None
+        viewer.add_points(
+            points,
+            properties=properties,
+            name="Points",
+            size=5,
+        )
+
+    print(f"napari viewer: {image.shape}, "
+          f"masks={'Yes' if masks is not None else 'No'}")
+    return viewer
+```
+
+## 6. Cellpose カスタムモデル微調整
+
+```python
+def finetune_cellpose(train_dir, model_type="cyto2", n_epochs=100,
+                      learning_rate=0.1):
+    """
+    Cellpose モデルの微調整。
+
+    Parameters:
+        train_dir: str — 訓練データ (画像 + _masks)
+        model_type: str — ベースモデル
+        n_epochs: int — エポック数
+        learning_rate: float — 学習率
+    """
+    from cellpose import train
+
+    train_dir = Path(train_dir)
+    image_files = sorted(train_dir.glob("*.tif"))
+    mask_files = sorted(train_dir.glob("*_masks.tif"))
+
+    images = [io.imread(str(f)) for f in image_files]
+    labels = [io.imread(str(f)) for f in mask_files]
+
+    model = models.CellposeModel(model_type=model_type, gpu=True)
+    model_path = model.train(
+        images, labels,
+        channels=[0, 0],
+        n_epochs=n_epochs,
+        learning_rate=learning_rate,
+        save_path=str(train_dir / "models"),
+    )
+
+    print(f"Fine-tuned model saved: {model_path}")
+    print(f"  Base: {model_type}, Epochs: {n_epochs}")
+    return model_path
+```
+
+## 7. 統合イメージングパイプライン
+
+```python
+def imaging_pipeline(image_dir, output_dir, model_type="cyto2",
+                     channels_5=True):
+    """
+    セグメンテーション + 特徴量抽出 統合パイプライン。
+
+    Parameters:
+        image_dir: str — 入力画像ディレクトリ
+        output_dir: str — 出力ディレクトリ
+        model_type: str — Cellpose モデル
+        channels_5: bool — 5ch Cell Painting
+    """
+    output_dir = Path(output_dir)
+    output_dir.mkdir(parents=True, exist_ok=True)
+
+    # 1) バッチセグメンテーション
+    seg_results = batch_segmentation(
+        image_dir, output_dir / "masks", model_type=model_type
+    )
+
+    # 2) 特徴量抽出
+    all_features = []
+    for res in seg_results:
+        img_path = Path(image_dir) / res["image"]
+        mask_path = output_dir / "masks" / f"{img_path.stem}_masks.npy"
+
+        img = io.imread(str(img_path))
+        masks = np.load(str(mask_path))
+
+        if channels_5 and img.ndim == 3 and img.shape[-1] == 5:
+            feats = cell_painting_analysis(img, masks)
+        else:
+            feats = morphological_profiling(img, masks)
+
+        feats["image"] = res["image"]
+        all_features.append(feats)
+
+    combined = pd.concat(all_features, ignore_index=True)
+    combined.to_csv(output_dir / "features.csv", index=False)
+
+    print(f"Pipeline complete: {len(seg_results)} images, "
+          f"{len(combined)} cells profiled")
+    return combined
+```
+
+---
+
+## パイプライン統合
+
+```
+image-analysis → advanced-imaging → medical-imaging
+  (OpenCV/基本)   (Cellpose/CellProfiler)   (DICOM/MONAI)
+       │                   │                      ↓
+fluorescence-microscopy ──┘               drug-target-profiling
+  (蛍光画像取得)          │                 (Cell Painting hit)
+                          ↓
+                   cheminformatics
+                   (Cell Painting → 化合物活性)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `results/masks/` | セグメンテーションマスク群 | → medical-imaging |
+| `results/features.csv` | 形態学的特徴量マトリクス | → cheminformatics |
+| `results/cell_painting.csv` | Cell Painting プロファイル | → drug-target-profiling |
+| `results/model/` | 微調整 Cellpose モデル | — |