@nahisaho/satori 0.15.0 → 0.16.0

package/src/.github/skills/scientific-gpu-singlecell/SKILL.md

@@ -0,0 +1,296 @@
+---
+name: scientific-gpu-singlecell
+description: |
+  GPU アクセラレーション シングルセル解析スキル。
+  rapids-singlecell / cuML / cuGraph による GPU 並列処理。
+  大規模 (>1M cells) データの高速前処理・クラスタリング・
+  次元削減。K-Dense: rapids-singlecell。
+---
+
+# Scientific GPU Single-Cell
+
+rapids-singlecell / cuML / cuGraph を活用した GPU アクセラレー
+ション対応シングルセル解析パイプラインを提供する。100万細胞超
+の大規模データセットの高速処理。
+
+## When to Use
+
+- 大規模シングルセルデータ (>100k cells) の高速前処理が必要なとき
+- GPU クラスタリング (Leiden/Louvain) を実行するとき
+- GPU UMAP/t-SNE で次元削減を高速化するとき
+- CPU 版 scanpy では処理時間が実用的でないとき
+- 複数サンプル統合に GPU を活用するとき
+- ベンチマーク (CPU vs GPU) で性能比較を行うとき
+
+---
+
+## Quick Start
+
+## 1. rapids-singlecell 前処理
+
+```python
+import rapids_singlecell as rsc
+import scanpy as sc
+import anndata as ad
+import cupy as cp
+import numpy as np
+import pandas as pd
+import time
+from pathlib import Path
+
+
+def gpu_preprocessing(adata, min_genes=200, min_cells=3,
+                       n_top_genes=2000, target_sum=10000):
+    """
+    rapids-singlecell — GPU 前処理パイプライン。
+
+    Parameters:
+        adata: AnnData — 入力データ
+        min_genes: int — 最小遺伝子数
+        min_cells: int — 最小細胞数
+        n_top_genes: int — HVG 数
+        target_sum: float — 正規化ターゲット
+    """
+    t0 = time.time()
+
+    # GPU メモリにデータ転送
+    rsc.get.anndata_to_GPU(adata)
+
+    # QC
+    rsc.pp.calculate_qc_metrics(adata)
+    rsc.pp.filter_cells(adata, min_genes=min_genes)
+    rsc.pp.filter_genes(adata, min_cells=min_cells)
+
+    # 正規化
+    rsc.pp.normalize_total(adata, target_sum=target_sum)
+    rsc.pp.log1p(adata)
+
+    # HVG 選択
+    rsc.pp.highly_variable_genes(
+        adata,
+        n_top_genes=n_top_genes,
+        flavor="seurat_v3",
+    )
+
+    # スケーリング
+    rsc.pp.scale(adata, max_value=10)
+
+    elapsed = time.time() - t0
+    print(f"GPU preprocessing: {adata.n_obs} cells × {adata.n_vars} genes "
+          f"({elapsed:.1f}s)")
+    return adata
+```
+
+## 2. GPU PCA & 近傍グラフ
+
+```python
+def gpu_pca_neighbors(adata, n_comps=50, n_neighbors=15):
+    """
+    GPU PCA + 近傍グラフ構築。
+
+    Parameters:
+        adata: AnnData — 前処理済みデータ (GPU)
+        n_comps: int — PCA 成分数
+        n_neighbors: int — kNN 近傍数
+    """
+    t0 = time.time()
+
+    # GPU PCA
+    rsc.pp.pca(adata, n_comps=n_comps)
+
+    # GPU kNN
+    rsc.pp.neighbors(adata, n_neighbors=n_neighbors, n_pcs=n_comps)
+
+    elapsed = time.time() - t0
+    print(f"GPU PCA + kNN: {n_comps} PCs, k={n_neighbors} ({elapsed:.1f}s)")
+    return adata
+```
+
+## 3. GPU クラスタリング (Leiden/Louvain)
+
+```python
+def gpu_clustering(adata, method="leiden", resolution=1.0):
+    """
+    cuGraph — GPU Leiden/Louvain クラスタリング。
+
+    Parameters:
+        adata: AnnData — 近傍グラフ付きデータ
+        method: str — "leiden" or "louvain"
+        resolution: float — クラスタリング解像度
+    """
+    t0 = time.time()
+
+    if method == "leiden":
+        rsc.tl.leiden(adata, resolution=resolution)
+    else:
+        rsc.tl.louvain(adata, resolution=resolution)
+
+    n_clusters = adata.obs[method].nunique()
+    elapsed = time.time() - t0
+
+    print(f"GPU {method}: {n_clusters} clusters, "
+          f"resolution={resolution} ({elapsed:.1f}s)")
+    return adata
+```
+
+## 4. GPU UMAP / t-SNE
+
+```python
+def gpu_embedding(adata, method="umap", n_components=2, **kwargs):
+    """
+    GPU UMAP / t-SNE 次元削減。
+
+    Parameters:
+        adata: AnnData — 近傍グラフ付きデータ
+        method: str — "umap" or "tsne"
+        n_components: int — 出力次元数
+    """
+    t0 = time.time()
+
+    if method == "umap":
+        rsc.tl.umap(adata, n_components=n_components, **kwargs)
+    else:
+        rsc.tl.tsne(adata, n_pcs=n_components, **kwargs)
+
+    elapsed = time.time() - t0
+    print(f"GPU {method.upper()}: {n_components}D ({elapsed:.1f}s)")
+    return adata
+```
+
+## 5. CPU vs GPU ベンチマーク
+
+```python
+def benchmark_cpu_vs_gpu(adata_path, n_top_genes=2000, n_comps=50):
+    """
+    CPU (scanpy) vs GPU (rapids-singlecell) ベンチマーク。
+
+    Parameters:
+        adata_path: str — h5ad ファイルパス
+        n_top_genes: int — HVG 数
+        n_comps: int — PCA 成分数
+    """
+    results = {}
+
+    # === CPU (scanpy) ===
+    adata_cpu = sc.read_h5ad(adata_path)
+    t0 = time.time()
+    sc.pp.normalize_total(adata_cpu, target_sum=1e4)
+    sc.pp.log1p(adata_cpu)
+    sc.pp.highly_variable_genes(adata_cpu, n_top_genes=n_top_genes)
+    adata_cpu = adata_cpu[:, adata_cpu.var["highly_variable"]].copy()
+    sc.pp.scale(adata_cpu, max_value=10)
+    sc.pp.pca(adata_cpu, n_comps=n_comps)
+    sc.pp.neighbors(adata_cpu)
+    sc.tl.leiden(adata_cpu)
+    sc.tl.umap(adata_cpu)
+    cpu_time = time.time() - t0
+    results["cpu_seconds"] = cpu_time
+    results["cpu_clusters"] = adata_cpu.obs["leiden"].nunique()
+
+    # === GPU (rapids-singlecell) ===
+    adata_gpu = sc.read_h5ad(adata_path)
+    t0 = time.time()
+    rsc.get.anndata_to_GPU(adata_gpu)
+    rsc.pp.normalize_total(adata_gpu, target_sum=1e4)
+    rsc.pp.log1p(adata_gpu)
+    rsc.pp.highly_variable_genes(adata_gpu, n_top_genes=n_top_genes,
+                                  flavor="seurat_v3")
+    adata_gpu = adata_gpu[:, adata_gpu.var["highly_variable"]].copy()
+    rsc.pp.scale(adata_gpu, max_value=10)
+    rsc.pp.pca(adata_gpu, n_comps=n_comps)
+    rsc.pp.neighbors(adata_gpu)
+    rsc.tl.leiden(adata_gpu)
+    rsc.tl.umap(adata_gpu)
+    gpu_time = time.time() - t0
+    results["gpu_seconds"] = gpu_time
+    results["gpu_clusters"] = adata_gpu.obs["leiden"].nunique()
+
+    results["speedup"] = cpu_time / gpu_time
+    results["n_cells"] = adata_cpu.n_obs
+
+    print(f"Benchmark ({results['n_cells']} cells):")
+    print(f"  CPU: {cpu_time:.1f}s ({results['cpu_clusters']} clusters)")
+    print(f"  GPU: {gpu_time:.1f}s ({results['gpu_clusters']} clusters)")
+    print(f"  Speedup: {results['speedup']:.1f}x")
+    return results
+```
+
+## 6. GPU シングルセル統合パイプライン
+
+```python
+def gpu_singlecell_pipeline(input_files, output_dir="results",
+                              n_top_genes=3000, resolution=1.0):
+    """
+    大規模 GPU シングルセル統合パイプライン。
+
+    Parameters:
+        input_files: list[str] — h5ad ファイルリスト
+        output_dir: str — 出力ディレクトリ
+        n_top_genes: int — HVG 数
+        resolution: float — Leiden 解像度
+    """
+    output_dir = Path(output_dir)
+    output_dir.mkdir(parents=True, exist_ok=True)
+
+    t_total = time.time()
+
+    # 1) データ読み込み・結合
+    adatas = []
+    for i, f in enumerate(input_files):
+        a = sc.read_h5ad(f)
+        a.obs["sample"] = f"sample_{i}"
+        adatas.append(a)
+    adata = ad.concat(adatas, join="inner")
+    print(f"Combined: {adata.n_obs} cells from {len(input_files)} samples")
+
+    # 2) GPU 前処理
+    adata = gpu_preprocessing(adata, n_top_genes=n_top_genes)
+
+    # 3) GPU PCA + kNN
+    adata = gpu_pca_neighbors(adata)
+
+    # 4) GPU クラスタリング
+    adata = gpu_clustering(adata, resolution=resolution)
+
+    # 5) GPU UMAP
+    adata = gpu_embedding(adata)
+
+    # 6) CPU に戻して marker 検出
+    rsc.get.anndata_to_CPU(adata)
+    sc.tl.rank_genes_groups(adata, groupby="leiden", method="wilcoxon")
+
+    # 保存
+    adata.write(output_dir / "gpu_singlecell.h5ad")
+
+    # マーカー遺伝子エクスポート
+    markers = sc.get.rank_genes_groups_df(adata, group=None)
+    markers.to_csv(output_dir / "markers.csv", index=False)
+
+    total_time = time.time() - t_total
+    print(f"GPU pipeline: {adata.n_obs} cells, "
+          f"{adata.obs['leiden'].nunique()} clusters ({total_time:.1f}s)")
+    return adata
+```
+
+---
+
+## パイプライン統合
+
+```
+single-cell-genomics → gpu-singlecell → scvi-integration
+  (scanpy 標準)        (GPU 高速化)     (深層学習統合)
+       │                     │               ↓
+  batch-correction ─────────┘         cell-type-annotation
+  (Harmony/scVI)       │              (自動アノテーション)
+                       ↓
+                  atlas-construction
+                  (大規模アトラス)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `results/gpu_singlecell.h5ad` | GPU 処理済み AnnData | → scvi-integration |
+| `results/markers.csv` | マーカー遺伝子 | → cell-type-annotation |
+| `results/benchmark.json` | CPU/GPU 比較結果 | → atlas-construction |