@nahisaho/satori 0.14.0 → 0.16.0

package/src/.github/skills/scientific-nci60-screening/SKILL.md

@@ -0,0 +1,307 @@
+---
+name: scientific-nci60-screening
+description: |
+  NCI-60 がん細胞株薬剤応答スキル。CellMiner API 薬剤感受性・
+  NCI-60 GI50/LC50 データ・DepMap cancer dependency 統合・
+  薬剤-分子マーカー相関・細胞株パネル比較解析。
+---
+
+# Scientific NCI-60 Screening
+
+CellMiner / NCI-60 / DepMap を活用したがん細胞株薬剤応答
+パイプラインを提供する。高スループットスクリーニングデータの
+統合解析、薬剤感受性マーカー同定、パネル比較。
+
+## When to Use
+
+- NCI-60 細胞株パネルの薬剤応答 (GI50) を解析するとき
+- CellMiner から化合物活性データを取得するとき
+- 薬剤感受性と分子マーカー (変異/発現) の相関を調べるとき
+- DepMap CRISPR/RNAi 依存性データを併用するとき
+- 細胞株間の薬剤応答パターンを比較するとき
+- 新規化合物のスクリーニング結果を NCI-60 と比較するとき
+
+---
+
+## Quick Start
+
+## 1. CellMiner データ取得
+
+```python
+import requests
+import pandas as pd
+import numpy as np
+from io import StringIO
+
+CELLMINER_BASE = "https://discover.nci.nih.gov/cellminer/api"
+
+
+def cellminer_drug_activity(nsc_id=None, drug_name=None):
+    """
+    CellMiner — NCI-60 薬剤活性データ取得。
+
+    Parameters:
+        nsc_id: str — NSC ID (例: "740")
+        drug_name: str — 薬剤名 (例: "Paclitaxel")
+    """
+    if nsc_id:
+        url = f"{CELLMINER_BASE}/compound/{nsc_id}/activity"
+    elif drug_name:
+        url = f"{CELLMINER_BASE}/compound/search"
+        params = {"name": drug_name}
+        resp = requests.get(url, params=params, timeout=30)
+        resp.raise_for_status()
+        compounds = resp.json()
+        if not compounds:
+            print(f"Drug not found: {drug_name}")
+            return pd.DataFrame()
+        nsc_id = compounds[0].get("nsc", "")
+        url = f"{CELLMINER_BASE}/compound/{nsc_id}/activity"
+
+    resp = requests.get(url, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    results = []
+    for cell_line, values in data.get("activity", {}).items():
+        results.append({
+            "cell_line": cell_line,
+            "tissue": values.get("tissue", ""),
+            "gi50_log": values.get("gi50", None),
+            "tgi_log": values.get("tgi", None),
+            "lc50_log": values.get("lc50", None),
+        })
+
+    df = pd.DataFrame(results)
+    print(f"CellMiner: NSC {nsc_id} → {len(df)} cell lines")
+    return df
+```
+
+## 2. NCI-60 バルクデータ取得
+
+```python
+def nci60_bulk_download(data_type="drug_activity"):
+    """
+    NCI-60 バルクデータセット取得。
+
+    Parameters:
+        data_type: str — "drug_activity", "gene_expression",
+                         "mutation", "copy_number"
+    """
+    urls = {
+        "drug_activity": "https://discover.nci.nih.gov/cellminer/download/DTP_NCI60_ZSCORE.csv",
+        "gene_expression": "https://discover.nci.nih.gov/cellminer/download/GeneExpr_RMA.csv",
+        "mutation": "https://discover.nci.nih.gov/cellminer/download/Exome_Mutation.csv",
+    }
+
+    url = urls.get(data_type)
+    if not url:
+        raise ValueError(f"Unknown data type: {data_type}")
+
+    resp = requests.get(url, timeout=120)
+    resp.raise_for_status()
+
+    df = pd.read_csv(StringIO(resp.text))
+    print(f"NCI-60 bulk: {data_type} → {df.shape}")
+    return df
+```
+
+## 3. 薬剤-分子マーカー相関
+
+```python
+from scipy import stats
+
+
+def drug_marker_correlation(drug_activity, molecular_data,
+                             marker_type="expression", top_n=50):
+    """
+    薬剤感受性と分子マーカーの相関解析。
+
+    Parameters:
+        drug_activity: pd.DataFrame — GI50 データ (cell_line, gi50)
+        molecular_data: pd.DataFrame — 分子データ (cell_line, gene, value)
+        marker_type: str — "expression", "mutation", "copy_number"
+        top_n: int — 上位相関遺伝子数
+    """
+    # 細胞株一致
+    common_lines = set(drug_activity["cell_line"]) & set(molecular_data["cell_line"])
+    drug_sub = drug_activity[drug_activity["cell_line"].isin(common_lines)]
+    mol_sub = molecular_data[molecular_data["cell_line"].isin(common_lines)]
+
+    # 遺伝子ごとの相関
+    correlations = []
+    genes = mol_sub["gene"].unique() if "gene" in mol_sub.columns else mol_sub.columns[1:]
+
+    drug_values = drug_sub.set_index("cell_line")["gi50_log"]
+
+    for gene in genes:
+        if "gene" in mol_sub.columns:
+            gene_data = mol_sub[mol_sub["gene"] == gene].set_index("cell_line")["value"]
+        else:
+            gene_data = mol_sub.set_index("cell_line")[gene]
+
+        common = drug_values.index.intersection(gene_data.index)
+        if len(common) < 10:
+            continue
+
+        r, p = stats.pearsonr(drug_values[common], gene_data[common])
+        correlations.append({
+            "gene": gene,
+            "pearson_r": r,
+            "p_value": p,
+            "n_samples": len(common),
+        })
+
+    corr_df = pd.DataFrame(correlations)
+    corr_df["adj_p"] = corr_df["p_value"] * len(corr_df)  # Bonferroni
+    corr_df = corr_df.sort_values("p_value")
+
+    print(f"Drug-marker correlation: {len(corr_df)} genes tested, "
+          f"top |r| = {corr_df['pearson_r'].abs().max():.3f}")
+    return corr_df.head(top_n)
+```
+
+## 4. 組織別薬剤応答パターン
+
+```python
+def tissue_response_pattern(drug_activity, min_lines=3):
+    """
+    組織別の薬剤応答パターン解析。
+
+    Parameters:
+        drug_activity: pd.DataFrame — GI50 データ
+        min_lines: int — 最小細胞株数
+    """
+    tissue_stats = drug_activity.groupby("tissue").agg(
+        n_lines=("gi50_log", "count"),
+        mean_gi50=("gi50_log", "mean"),
+        std_gi50=("gi50_log", "std"),
+        min_gi50=("gi50_log", "min"),
+        max_gi50=("gi50_log", "max"),
+    ).reset_index()
+
+    tissue_stats = tissue_stats[tissue_stats["n_lines"] >= min_lines]
+    tissue_stats = tissue_stats.sort_values("mean_gi50")
+
+    # 感受性/耐性スコア
+    overall_mean = drug_activity["gi50_log"].mean()
+    tissue_stats["sensitivity_z"] = (
+        (tissue_stats["mean_gi50"] - overall_mean)
+        / drug_activity["gi50_log"].std()
+    )
+
+    print(f"Tissue patterns: {len(tissue_stats)} tissues")
+    for _, row in tissue_stats.iterrows():
+        label = "Sensitive" if row["sensitivity_z"] < -0.5 else (
+            "Resistant" if row["sensitivity_z"] > 0.5 else "Neutral"
+        )
+        print(f"  {row['tissue']}: GI50={row['mean_gi50']:.2f} ({label})")
+    return tissue_stats
+```
+
+## 5. DepMap 統合スクリーニング
+
+```python
+DEPMAP_BASE = "https://depmap.org/portal/api"
+
+
+def depmap_gene_dependency(gene_symbol, dataset="Chronos_Combined"):
+    """
+    DepMap — CRISPR/RNAi 遺伝子依存性取得。
+
+    Parameters:
+        gene_symbol: str — 遺伝子シンボル
+        dataset: str — データセット名
+    """
+    url = f"{DEPMAP_BASE}/download/custom"
+    params = {
+        "gene": gene_symbol,
+        "dataset": dataset,
+    }
+    resp = requests.get(url, params=params, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    results = []
+    for entry in data.get("data", []):
+        results.append({
+            "cell_line": entry.get("cell_line_name", ""),
+            "lineage": entry.get("lineage", ""),
+            "dependency_score": entry.get("score", None),
+        })
+
+    df = pd.DataFrame(results)
+    if len(df) > 0:
+        n_dependent = (df["dependency_score"] < -0.5).sum()
+        print(f"DepMap {gene_symbol}: {len(df)} lines, "
+              f"{n_dependent} dependent (score < -0.5)")
+    return df
+```
+
+## 6. NCI-60 統合スクリーニングパイプライン
+
+```python
+def nci60_screening_pipeline(drug_name=None, nsc_id=None,
+                              target_gene=None, output_dir="results"):
+    """
+    NCI-60 + DepMap 統合スクリーニングパイプライン。
+
+    Parameters:
+        drug_name: str — 薬剤名
+        nsc_id: str — NSC ID
+        target_gene: str — 標的遺伝子 (DepMap 連携)
+        output_dir: str — 出力ディレクトリ
+    """
+    from pathlib import Path
+    output_dir = Path(output_dir)
+    output_dir.mkdir(parents=True, exist_ok=True)
+
+    # 1) NCI-60 薬剤活性
+    drug_data = cellminer_drug_activity(nsc_id=nsc_id, drug_name=drug_name)
+    drug_data.to_csv(output_dir / "drug_activity.csv", index=False)
+
+    # 2) 組織別パターン
+    tissue_patterns = tissue_response_pattern(drug_data)
+    tissue_patterns.to_csv(output_dir / "tissue_patterns.csv", index=False)
+
+    # 3) 発現相関
+    expr_data = nci60_bulk_download("gene_expression")
+    correlations = drug_marker_correlation(drug_data, expr_data)
+    correlations.to_csv(output_dir / "marker_correlations.csv", index=False)
+
+    # 4) DepMap 連携 (標的遺伝子あれば)
+    if target_gene:
+        depmap_data = depmap_gene_dependency(target_gene)
+        depmap_data.to_csv(output_dir / "depmap_dependency.csv", index=False)
+
+    print(f"Pipeline complete: {output_dir}")
+    return {
+        "drug_activity": drug_data,
+        "tissue_patterns": tissue_patterns,
+        "correlations": correlations,
+    }
+```
+
+---
+
+## パイプライン統合
+
+```
+compound-screening → nci60-screening → precision-oncology
+  (ZINC/VS)           (NCI-60/DepMap)    (MTB レポート)
+       │                     │                 ↓
+drug-target-profiling ──────┘          cancer-genomics
+  (ChEMBL/DGIdb)        │              (COSMIC/DepMap)
+                         ↓
+                   cell-line-resources
+                   (Cellosaurus)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `results/drug_activity.csv` | NCI-60 GI50 データ | → precision-oncology |
+| `results/tissue_patterns.csv` | 組織別応答パターン | → cancer-genomics |
+| `results/marker_correlations.csv` | 薬剤-マーカー相関 | → drug-target-profiling |
+| `results/depmap_dependency.csv` | DepMap 依存性スコア | → cell-line-resources |

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 |