@nahisaho/satori 0.15.0 → 0.17.0

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

@@ -0,0 +1,251 @@
+---
+name: scientific-squidpy-advanced
+description: |
+  高度 Squidpy 空間解析スキル。空間自己相関・共起解析・空間
+  近傍・リガンド受容体空間マッピング・ニッチ同定。
+  K-Dense 連携: squidpy-advanced。
+tu_tools: []
+kdense_ref: squidpy-advanced
+---
+
+# Scientific Squidpy Advanced
+
+Squidpy の高度な空間統計解析機能を活用した空間トランスクリプ
+トミクス解析パイプラインを提供する。
+
+## When to Use
+
+- 空間自己相関 (Moran's I, Geary's C) を計算するとき
+- 細胞タイプの空間共起パターンを分析するとき
+- 近傍エンリッチメント解析を実施するとき
+- リガンド-受容体のペア空間マッピングを行うとき
+- 空間ニッチ (組織微小環境) を同定するとき
+- 空間グラフ中心性指標を計算するとき
+
+---
+
+## Quick Start
+
+## 1. 空間自己相関解析
+
+```python
+import squidpy as sq
+import scanpy as sc
+import pandas as pd
+import numpy as np
+
+
+def squidpy_spatial_autocorrelation(adata, genes=None,
+                                      mode="moran", n_perms=100,
+                                      n_jobs=4):
+    """
+    Squidpy — 空間自己相関解析 (Moran's I / Geary's C)。
+
+    Parameters:
+        adata: AnnData — 空間トランスクリプトミクスデータ
+        genes: list[str] — 対象遺伝子 (None=HVG 使用)
+        mode: str — "moran" or "geary"
+        n_perms: int — 並べ替え検定回数
+        n_jobs: int — 並列ジョブ数
+    """
+    # 空間グラフ構築 (未構築の場合)
+    if "spatial_connectivities" not in adata.obsp:
+        sq.gr.spatial_neighbors(adata, coord_type="generic",
+                                  n_neighs=6)
+
+    if genes is None:
+        sc.pp.highly_variable_genes(adata, n_top_genes=200)
+        genes = adata.var_names[adata.var["highly_variable"]].tolist()
+
+    sq.gr.spatial_autocorr(adata, mode=mode, genes=genes,
+                            n_perms=n_perms, n_jobs=n_jobs)
+
+    result_key = f"{mode}I" if mode == "moran" else f"{mode}C"
+    result = adata.uns[result_key].copy()
+    sig = result[result["pval_norm"] < 0.05]
+
+    print(f"Spatial autocorrelation ({mode}): "
+          f"{len(sig)}/{len(result)} significant genes")
+    return result.sort_values("pval_norm")
+```
+
+## 2. 空間共起解析
+
+```python
+def squidpy_co_occurrence(adata, cluster_key="cell_type",
+                            interval=50, n_splits=None):
+    """
+    Squidpy — 細胞タイプ空間共起解析。
+
+    Parameters:
+        adata: AnnData — 空間トランスクリプトミクスデータ
+        cluster_key: str — 細胞タイプアノテーションカラム
+        interval: int — 距離インターバル数
+        n_splits: int — 分割数 (大規模データ用, None=自動)
+    """
+    sq.gr.co_occurrence(adata, cluster_key=cluster_key,
+                         interval=interval, n_splits=n_splits)
+
+    co_occ = adata.uns[f"{cluster_key}_co_occurrence"]
+    occ_scores = co_occ["occ"]
+    interval_vals = co_occ["interval"]
+    categories = adata.obs[cluster_key].cat.categories.tolist()
+
+    # 最近距離での共起スコアマトリクス
+    near_idx = 0
+    scores = occ_scores[near_idx]
+    co_df = pd.DataFrame(scores, index=categories, columns=categories)
+
+    # 有意な共起ペア
+    pairs = []
+    for i, cat_i in enumerate(categories):
+        for j, cat_j in enumerate(categories):
+            if i < j:
+                pairs.append({
+                    "cell_type_a": cat_i,
+                    "cell_type_b": cat_j,
+                    "co_occurrence_score": scores[i, j],
+                })
+    pairs_df = pd.DataFrame(pairs).sort_values(
+        "co_occurrence_score", ascending=False)
+
+    print(f"Co-occurrence: {len(categories)} cell types, "
+          f"top pair: {pairs_df.iloc[0]['cell_type_a']} — "
+          f"{pairs_df.iloc[0]['cell_type_b']}")
+    return co_df, pairs_df
+```
+
+## 3. 近傍エンリッチメント & ニッチ同定
+
+```python
+def squidpy_niche_identification(adata, cluster_key="cell_type",
+                                    n_neighs=15, n_niches=5,
+                                    seed=42):
+    """
+    Squidpy — 空間ニッチ同定。
+
+    Parameters:
+        adata: AnnData — 空間トランスクリプトミクスデータ
+        cluster_key: str — 細胞タイプカラム
+        n_neighs: int — 近傍数
+        n_niches: int — ニッチクラスタ数
+        seed: int — 乱数シード
+    """
+    # 近傍エンリッチメント
+    sq.gr.nhood_enrichment(adata, cluster_key=cluster_key)
+    nhood = adata.uns[f"{cluster_key}_nhood_enrichment"]
+    zscore_matrix = nhood["zscore"]
+    categories = adata.obs[cluster_key].cat.categories.tolist()
+    nhood_df = pd.DataFrame(zscore_matrix, index=categories,
+                              columns=categories)
+
+    # 空間近傍グラフ
+    sq.gr.spatial_neighbors(adata, coord_type="generic",
+                              n_neighs=n_neighs)
+
+    # 近傍組成プロファイル
+    from sklearn.cluster import KMeans
+    cell_types = adata.obs[cluster_key]
+    type_dummies = pd.get_dummies(cell_types)
+
+    # 各細胞の近傍組成
+    conn = adata.obsp["spatial_connectivities"]
+    nhood_composition = conn.dot(type_dummies.values)
+    nhood_comp_df = pd.DataFrame(
+        nhood_composition, columns=type_dummies.columns,
+        index=adata.obs_names)
+
+    # ニッチクラスタリング
+    km = KMeans(n_clusters=n_niches, random_state=seed, n_init=10)
+    adata.obs["spatial_niche"] = km.fit_predict(
+        nhood_comp_df.values).astype(str)
+
+    niche_summary = adata.obs.groupby("spatial_niche")[cluster_key]\
+        .value_counts(normalize=True).unstack(fill_value=0)
+
+    print(f"Niche identification: {n_niches} niches, "
+          f"{len(categories)} cell types")
+    return nhood_df, niche_summary
+```
+
+## 4. Squidpy 高度空間解析統合パイプライン
+
+```python
+def squidpy_advanced_pipeline(adata, cluster_key="cell_type",
+                                output_dir="results"):
+    """
+    Squidpy 高度空間解析統合パイプライン。
+
+    Parameters:
+        adata: AnnData — 空間トランスクリプトミクスデータ
+        cluster_key: str — 細胞タイプカラム
+        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) 空間自己相関
+    autocorr = squidpy_spatial_autocorrelation(adata)
+    autocorr.to_csv(output_dir / "spatial_autocorrelation.csv")
+
+    # 2) 空間共起
+    co_df, pairs_df = squidpy_co_occurrence(adata,
+        cluster_key=cluster_key)
+    co_df.to_csv(output_dir / "co_occurrence_matrix.csv")
+    pairs_df.to_csv(output_dir / "co_occurrence_pairs.csv",
+                      index=False)
+
+    # 3) ニッチ同定
+    nhood_df, niche_summary = squidpy_niche_identification(
+        adata, cluster_key=cluster_key)
+    nhood_df.to_csv(output_dir / "nhood_enrichment.csv")
+    niche_summary.to_csv(output_dir / "niche_composition.csv")
+
+    # 4) 中心性スコア
+    sq.gr.centrality_scores(adata, cluster_key=cluster_key)
+    centrality = adata.uns[f"{cluster_key}_centrality_scores"]
+    centrality_df = pd.DataFrame(centrality)
+    centrality_df.to_csv(output_dir / "centrality_scores.csv")
+
+    adata.write(output_dir / "adata_spatial.h5ad")
+
+    print(f"Squidpy advanced pipeline: {output_dir}")
+    return {
+        "autocorrelation": autocorr,
+        "co_occurrence": co_df,
+        "niches": niche_summary,
+        "centrality": centrality_df,
+    }
+```
+
+---
+
+## K-Dense 連携
+
+| K-Dense Key | 参照内容 |
+|-------------|---------|
+| `squidpy-advanced` | 高度空間統計・ニッチ解析手法 |
+
+## パイプライン統合
+
+```
+spatial-transcriptomics → squidpy-advanced → single-cell-genomics
+  (Visium/MERFISH)       (空間統計)          (scRNA-seq)
+       │                       │                   ↓
+  image-analysis ─────────────┘            cell-communication
+  (H&E/IF 画像)          │                (リガンド-受容体)
+                          ↓
+                    multi-omics
+                    (空間マルチモーダル)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `results/spatial_autocorrelation.csv` | 空間自己相関 | → gene-expression |
+| `results/co_occurrence_matrix.csv` | 共起マトリクス | → cell-communication |
+| `results/niche_composition.csv` | ニッチ組成 | → single-cell-genomics |
+| `results/centrality_scores.csv` | 中心性スコア | → spatial-transcriptomics |
+| `results/adata_spatial.h5ad` | AnnData (全結果) | → multi-omics |

package/src/.github/skills/scientific-toxicology-env/SKILL.md

@@ -0,0 +1,309 @@
+---
+name: scientific-toxicology-env
+description: |
+  毒性学・環境衛生スキル。CTD (Comparative Toxicogenomics Database)
+  化学-遺伝子-疾患関連・ToxCast/Tox21 高スループット毒性スクリーニング・
+  IRIS ヒトリスク評価・T3DB 食品/環境毒性物質・PubChem BioAssay 毒性データ。
+---
+
+# Scientific Toxicology & Environmental Health
+
+CTD / Tox21 / ToxCast / T3DB / IRIS を活用した毒性学・環境衛生
+パイプラインを提供する。化学物質-遺伝子-疾患関連、高スループット
+毒性スクリーニング、ヒト健康リスク評価。
+
+## When to Use
+
+- 化学物質が関連する遺伝子・疾患を調べるとき (CTD)
+- Tox21/ToxCast アッセイデータで毒性メカニズムを解析するとき
+- IRIS リスク評価データ (RfD/RfC/UR) を参照するとき
+- 食品・環境毒性物質の詳細データベース (T3DB) を検索するとき
+- PubChem BioAssay から毒性関連ハイスループットデータを取得するとき
+- ADMET 毒性予測と実験毒性データを併用するとき
+
+---
+
+## Quick Start
+
+## 1. CTD 化学-遺伝子-疾患関連検索
+
+```python
+import requests
+import pandas as pd
+import json
+
+CTD_BASE = "https://ctdbase.org/tools"
+
+
+def ctd_chemical_gene(chemical_name, limit=100):
+    """
+    CTD — 化学物質-遺伝子相互作用を検索。
+
+    Parameters:
+        chemical_name: str — 化学物質名 (例: "Bisphenol A")
+        limit: int — 最大取得数
+    """
+    url = f"{CTD_BASE}/batchQuery.go"
+    params = {
+        "inputType": "chem",
+        "inputTerms": chemical_name,
+        "report": "genes_curated",
+        "format": "json",
+    }
+    resp = requests.get(url, params=params, timeout=60)
+    resp.raise_for_status()
+    data = resp.json()[:limit]
+
+    results = []
+    for entry in data:
+        results.append({
+            "chemical": entry.get("ChemicalName", ""),
+            "gene": entry.get("GeneSymbol", ""),
+            "organism": entry.get("Organism", ""),
+            "interaction": entry.get("Interaction", ""),
+            "pubmed_ids": entry.get("PubMedIDs", ""),
+        })
+
+    df = pd.DataFrame(results)
+    print(f"CTD: {chemical_name} → {len(df)} gene interactions")
+    return df
+```
+
+## 2. CTD 化学-疾患関連検索
+
+```python
+def ctd_chemical_disease(chemical_name, limit=100):
+    """
+    CTD — 化学物質-疾患関連を検索。
+
+    Parameters:
+        chemical_name: str — 化学物質名
+        limit: int — 最大取得数
+    """
+    url = f"{CTD_BASE}/batchQuery.go"
+    params = {
+        "inputType": "chem",
+        "inputTerms": chemical_name,
+        "report": "diseases_curated",
+        "format": "json",
+    }
+    resp = requests.get(url, params=params, timeout=60)
+    resp.raise_for_status()
+    data = resp.json()[:limit]
+
+    results = []
+    for entry in data:
+        results.append({
+            "chemical": entry.get("ChemicalName", ""),
+            "disease": entry.get("DiseaseName", ""),
+            "disease_id": entry.get("DiseaseID", ""),
+            "direct_evidence": entry.get("DirectEvidence", ""),
+            "inference_score": float(entry.get("InferenceScore", 0)),
+        })
+
+    df = pd.DataFrame(results)
+    df = df.sort_values("inference_score", ascending=False)
+    print(f"CTD: {chemical_name} → {len(df)} disease associations")
+    return df
+```
+
+## 3. Tox21/ToxCast アッセイデータ取得
+
+```python
+COMPTOX_BASE = "https://comptox.epa.gov/dashboard/api"
+
+
+def tox21_assay_search(chemical_identifier, assay_source="Tox21"):
+    """
+    CompTox Dashboard — Tox21/ToxCast アッセイ結果を取得。
+
+    Parameters:
+        chemical_identifier: str — DTXSID or CAS
+        assay_source: str — "Tox21" or "ToxCast"
+    """
+    # CompTox Dashboard API で化学物質のアッセイデータ取得
+    url = f"{COMPTOX_BASE}/chemical/search"
+    params = {"query": chemical_identifier}
+    resp = requests.get(url, params=params, timeout=30)
+    resp.raise_for_status()
+    chem_data = resp.json()
+
+    dtxsid = chem_data.get("dtxsid", chemical_identifier)
+
+    # アッセイエンドポイント取得
+    url_assay = f"{COMPTOX_BASE}/chemical/{dtxsid}/assays"
+    resp_assay = requests.get(url_assay, timeout=30)
+    resp_assay.raise_for_status()
+    assays = resp_assay.json()
+
+    results = []
+    for assay in assays:
+        if assay_source.lower() in assay.get("assaySource", "").lower():
+            results.append({
+                "assay_name": assay.get("assayName", ""),
+                "assay_source": assay.get("assaySource", ""),
+                "endpoint": assay.get("assayEndpoint", ""),
+                "activity": assay.get("activity", ""),
+                "ac50_um": assay.get("ac50", None),
+                "hit_call": assay.get("hitCall", ""),
+            })
+
+    df = pd.DataFrame(results)
+    n_active = (df["hit_call"] == "Active").sum() if len(df) > 0 else 0
+    print(f"Tox21/ToxCast: {dtxsid} → {len(df)} assays, {n_active} active")
+    return df
+```
+
+## 4. T3DB 毒性物質検索
+
+```python
+T3DB_BASE = "https://t3db.ca/api"
+
+
+def t3db_search(query, search_type="name"):
+    """
+    T3DB — 食品/環境毒性物質データベース検索。
+
+    Parameters:
+        query: str — 検索語
+        search_type: str — "name", "cas", "category"
+    """
+    url = f"{T3DB_BASE}/toxins/search"
+    params = {"query": query, "search_type": search_type}
+    resp = requests.get(url, params=params, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    results = []
+    for toxin in data.get("toxins", []):
+        results.append({
+            "name": toxin.get("name", ""),
+            "t3db_id": toxin.get("t3db_id", ""),
+            "cas_number": toxin.get("cas_number", ""),
+            "category": toxin.get("category", ""),
+            "toxicity_class": toxin.get("toxicity_class", ""),
+            "ld50_oral": toxin.get("ld50_oral", ""),
+            "target_organs": toxin.get("target_organs", []),
+        })
+
+    df = pd.DataFrame(results)
+    print(f"T3DB: '{query}' → {len(df)} toxins")
+    return df
+```
+
+## 5. EPA IRIS リスク評価
+
+```python
+def iris_risk_assessment(chemical_name):
+    """
+    EPA IRIS — ヒト健康リスク評価データ取得。
+
+    Parameters:
+        chemical_name: str — 化学物質名
+    """
+    url = "https://iris.epa.gov/AtoZ"
+    resp = requests.get(url, timeout=30)
+
+    # IRIS は構造化 API なし — スクレイピングまたはローカルデータ
+    # 代替: CompTox Dashboard API 経由
+    url_comptox = f"{COMPTOX_BASE}/chemical/search"
+    params = {"query": chemical_name}
+    resp = requests.get(url_comptox, params=params, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    risk_data = {
+        "chemical": chemical_name,
+        "dtxsid": data.get("dtxsid", ""),
+        "rfd_oral_mg_kg_day": data.get("rfdOral", None),
+        "rfc_inhalation_mg_m3": data.get("rfcInhalation", None),
+        "cancer_classification": data.get("cancerClassification", ""),
+        "oral_slope_factor": data.get("oralSlopeFactor", None),
+        "inhalation_unit_risk": data.get("inhalationUnitRisk", None),
+    }
+
+    print(f"IRIS: {chemical_name}")
+    for k, v in risk_data.items():
+        if v and k != "chemical":
+            print(f"  {k}: {v}")
+    return risk_data
+```
+
+## 6. 毒性パスウェイ解析
+
+```python
+def toxicity_pathway_analysis(chemical_name, species="Homo sapiens"):
+    """
+    CTD + パスウェイ統合毒性解析。
+
+    Parameters:
+        chemical_name: str — 化学物質名
+        species: str — 生物種
+    """
+    # 1) CTD 遺伝子取得
+    gene_df = ctd_chemical_gene(chemical_name, limit=500)
+    if species:
+        gene_df = gene_df[gene_df["organism"] == species]
+
+    gene_list = gene_df["gene"].unique().tolist()
+
+    # 2) CTD 疾患取得
+    disease_df = ctd_chemical_disease(chemical_name, limit=100)
+
+    # 3) パスウェイ濃縮 (KEGG enrichment via Enrichr)
+    enrichr_url = "https://maayanlab.cloud/Enrichr"
+    add_resp = requests.post(
+        f"{enrichr_url}/addList",
+        files={"list": (None, "\n".join(gene_list))}
+    )
+    user_list_id = add_resp.json()["userListId"]
+
+    enrich_resp = requests.get(
+        f"{enrichr_url}/enrich",
+        params={"userListId": user_list_id, "backgroundType": "KEGG_2021_Human"}
+    )
+    pathways = enrich_resp.json().get("KEGG_2021_Human", [])
+
+    pathway_results = []
+    for pw in pathways[:20]:
+        pathway_results.append({
+            "pathway": pw[1],
+            "p_value": pw[2],
+            "adj_p_value": pw[6],
+            "genes": pw[5],
+        })
+
+    print(f"Toxicity pathway: {chemical_name}")
+    print(f"  Target genes: {len(gene_list)}")
+    print(f"  Diseases: {len(disease_df)}")
+    print(f"  Pathways: {len(pathway_results)}")
+    return {
+        "genes": gene_df,
+        "diseases": disease_df,
+        "pathways": pd.DataFrame(pathway_results),
+    }
+```
+
+---
+
+## パイプライン統合
+
+```
+admet-pharmacokinetics → toxicology-env → pharmacovigilance
+  (ADMET 毒性予測)       (CTD/Tox21/IRIS)   (市販後安全性)
+        │                       │                  ↓
+cheminformatics ───────────────┘           disease-research
+  (RDKit 構造アラート)    │                (疾患-遺伝子関連)
+                          ↓
+                   public-health-data
+                   (CDC/WHO 公衆衛生)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `results/ctd_gene_interactions.csv` | CTD 化学-遺伝子関連 | → pathway-enrichment |
+| `results/ctd_disease_associations.csv` | CTD 化学-疾患関連 | → disease-research |
+| `results/tox21_assays.csv` | Tox21/ToxCast アッセイ結果 | → admet-pharmacokinetics |
+| `results/toxicity_pathways.json` | 毒性パスウェイ解析結果 | → pharmacovigilance |