@nahisaho/satori 0.16.0 → 0.17.0

package/src/.github/skills/scientific-human-cell-atlas/SKILL.md

@@ -0,0 +1,294 @@
+---
+name: scientific-human-cell-atlas
+description: |
+  Human Cell Atlas (HCA) データポータルスキル。HCA Data Portal API
+  プロジェクト検索・ファイルダウンロード・CELLxGENE Census 統合・
+  細胞型アノテーション・アトラス構築。ToolUniverse 連携: hca_tools。
+tu_tools:
+  - key: hca_tools
+    name: Human Cell Atlas Tools
+    description: HCA データポータル プロジェクト・バンドル・ファイル検索
+---
+
+# Scientific Human Cell Atlas
+
+HCA Data Portal / CELLxGENE Census を活用した大規模シングルセル
+アトラスデータアクセス・解析パイプラインを提供する。
+
+## When to Use
+
+- HCA Data Portal からプロジェクト・実験データを検索するとき
+- CELLxGENE Census で大規模シングルセルアトラスを照会するとき
+- 特定組織/疾患の細胞型構成を調べるとき
+- 複数 HCA プロジェクト間で細胞型を比較するとき
+- シングルセルアトラスのリファレンスマッピングを行うとき
+- 希少細胞型の発見・アノテーションを実施するとき
+
+---
+
+## Quick Start
+
+## 1. HCA Data Portal プロジェクト検索
+
+```python
+import requests
+import pandas as pd
+import json
+
+HCA_BASE = "https://service.azul.data.humancellatlas.org"
+HCA_CATALOG = "dcp44"
+
+
+def hca_search_projects(keyword=None, organ=None, disease=None,
+                         species="Homo sapiens", limit=25):
+    """
+    HCA Data Portal — プロジェクト検索。
+
+    Parameters:
+        keyword: str — キーワード検索
+        organ: str — 臓器 (例: "lung", "heart")
+        disease: str — 疾患 (例: "COVID-19")
+        species: str — 生物種
+        limit: int — 最大結果数
+    """
+    url = f"{HCA_BASE}/index/projects"
+    params = {"catalog": HCA_CATALOG, "size": limit}
+
+    filters = {}
+    if organ:
+        filters["organ"] = {"is": [organ]}
+    if disease:
+        filters["disease"] = {"is": [disease]}
+    if species:
+        filters["genusSpecies"] = {"is": [species]}
+    if keyword:
+        params["q"] = keyword
+    if filters:
+        params["filters"] = json.dumps(filters)
+
+    resp = requests.get(url, params=params, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    projects = []
+    for hit in data.get("hits", []):
+        proj = hit.get("projects", [{}])[0]
+        samples = hit.get("samples", [{}])[0]
+        protocols = hit.get("protocols", [{}])[0]
+        projects.append({
+            "project_id": proj.get("projectId", ""),
+            "title": proj.get("projectTitle", ""),
+            "organ": ", ".join(samples.get("organ", [])),
+            "disease": ", ".join(samples.get("disease", [])),
+            "species": ", ".join(samples.get("genusSpecies", [])),
+            "cell_count": hit.get("cellSuspensions", [{}])[0].get(
+                "totalCells", 0),
+            "library_method": ", ".join(protocols.get(
+                "libraryConstructionApproach", [])),
+            "donor_count": samples.get("donorCount", 0),
+        })
+
+    df = pd.DataFrame(projects)
+    print(f"HCA: {len(df)} projects found")
+    return df
+```
+
+## 2. HCA ファイル取得
+
+```python
+def hca_get_project_files(project_id, file_format=None):
+    """
+    HCA — プロジェクトのファイル一覧取得。
+
+    Parameters:
+        project_id: str — プロジェクト UUID
+        file_format: str — ファイル形式 (例: "h5ad", "loom", "csv")
+    """
+    url = f"{HCA_BASE}/index/files"
+    filters = {"projectId": {"is": [project_id]}}
+    if file_format:
+        filters["fileFormat"] = {"is": [file_format]}
+
+    params = {
+        "catalog": HCA_CATALOG,
+        "filters": json.dumps(filters),
+        "size": 100,
+    }
+    resp = requests.get(url, params=params, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    files = []
+    for hit in data.get("hits", []):
+        for f in hit.get("files", []):
+            files.append({
+                "file_id": f.get("uuid", ""),
+                "name": f.get("name", ""),
+                "format": f.get("format", ""),
+                "size_bytes": f.get("size", 0),
+                "url": f.get("url", ""),
+            })
+
+    df = pd.DataFrame(files)
+    print(f"HCA files ({project_id[:8]}): {len(df)} files")
+    return df
+```
+
+## 3. CELLxGENE Census アトラスクエリ
+
+```python
+def cellxgene_census_query(organism="homo_sapiens", tissue=None,
+                            disease=None, cell_type=None,
+                            gene_list=None, max_cells=50000):
+    """
+    CELLxGENE Census — 大規模シングルセルアトラスクエリ。
+
+    Parameters:
+        organism: str — 生物種
+        tissue: str — 組織
+        disease: str — 疾患
+        cell_type: str — 細胞型
+        gene_list: list[str] — 取得遺伝子リスト
+        max_cells: int — 最大細胞数
+    """
+    import cellxgene_census
+
+    census = cellxgene_census.open_soma()
+
+    # 観察フィルタ構築
+    obs_filters = []
+    if tissue:
+        obs_filters.append(f"tissue == '{tissue}'")
+    if disease:
+        obs_filters.append(f"disease == '{disease}'")
+    if cell_type:
+        obs_filters.append(f"cell_type == '{cell_type}'")
+
+    obs_filter = " and ".join(obs_filters) if obs_filters else None
+
+    # 遺伝子フィルタ
+    var_filter = None
+    if gene_list:
+        genes_str = "', '".join(gene_list)
+        var_filter = f"feature_name in ['{genes_str}']"
+
+    adata = cellxgene_census.get_anndata(
+        census,
+        organism=organism,
+        obs_value_filter=obs_filter,
+        var_value_filter=var_filter,
+        obs_column_names=[
+            "cell_type", "tissue", "disease",
+            "donor_id", "dataset_id", "assay",
+        ],
+    )
+
+    if adata.n_obs > max_cells:
+        import numpy as np
+        idx = np.random.choice(adata.n_obs, max_cells, replace=False)
+        adata = adata[idx].copy()
+
+    census.close()
+    print(f"CELLxGENE Census: {adata.n_obs} cells × {adata.n_vars} genes")
+    return adata
+```
+
+## 4. 細胞型構成解析
+
+```python
+import scanpy as sc
+
+
+def cell_type_composition(adata, groupby="tissue", cell_type_col="cell_type"):
+    """
+    細胞型構成の定量比較。
+
+    Parameters:
+        adata: AnnData — シングルセルデータ
+        groupby: str — グループ変数
+        cell_type_col: str — 細胞型カラム名
+    """
+    # 構成比計算
+    composition = (
+        adata.obs.groupby([groupby, cell_type_col])
+        .size()
+        .unstack(fill_value=0)
+    )
+    composition_pct = composition.div(composition.sum(axis=1), axis=0) * 100
+
+    print(f"Cell type composition: {composition.shape[0]} groups × "
+          f"{composition.shape[1]} cell types")
+    return composition_pct
+```
+
+## 5. HCA 統合パイプライン
+
+```python
+def hca_atlas_pipeline(organ, disease=None, output_dir="results"):
+    """
+    HCA + CELLxGENE 統合アトラスパイプライン。
+
+    Parameters:
+        organ: str — 対象臓器
+        disease: str — 対象疾患
+        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) HCA プロジェクト検索
+    projects = hca_search_projects(organ=organ, disease=disease)
+    projects.to_csv(output_dir / "hca_projects.csv", index=False)
+
+    # 2) CELLxGENE Census クエリ
+    adata = cellxgene_census_query(tissue=organ, disease=disease)
+
+    # 3) 前処理
+    sc.pp.normalize_total(adata, target_sum=1e4)
+    sc.pp.log1p(adata)
+    sc.pp.highly_variable_genes(adata, n_top_genes=2000)
+    adata = adata[:, adata.var["highly_variable"]].copy()
+    sc.pp.pca(adata)
+    sc.pp.neighbors(adata)
+    sc.tl.umap(adata)
+
+    # 4) 細胞型構成
+    composition = cell_type_composition(adata)
+    composition.to_csv(output_dir / "cell_type_composition.csv")
+
+    # 5) 保存
+    adata.write(output_dir / "hca_atlas.h5ad")
+
+    print(f"HCA atlas pipeline: {output_dir}")
+    return {"projects": projects, "adata": adata, "composition": composition}
+```
+
+---
+
+## ToolUniverse 連携
+
+| TU Key | ツール名 | 連携内容 |
+|--------|---------|---------|
+| `hca_tools` | HCA Tools | プロジェクト検索・ファイルダウンロード |
+
+## パイプライン統合
+
+```
+single-cell-genomics → human-cell-atlas → scvi-integration
+  (scanpy 標準)         (HCA/CELLxGENE)   (scVI 統合)
+       │                      │                ↓
+  spatial-transcriptomics ───┘         cell-type-annotation
+  (Visium/MERFISH)       │              (リファレンスマッピング)
+                         ↓
+                   gpu-singlecell
+                   (大規模処理)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `results/hca_projects.csv` | HCA プロジェクト一覧 | → single-cell-genomics |
+| `results/hca_atlas.h5ad` | アトラス AnnData | → scvi-integration |
+| `results/cell_type_composition.csv` | 細胞型構成比 | → spatial-transcriptomics |

package/src/.github/skills/scientific-metabolic-atlas/SKILL.md

@@ -0,0 +1,263 @@
+---
+name: scientific-metabolic-atlas
+description: |
+  代謝アトラススキル。Metabolic Atlas / Human-GEM REST API による
+  代謝反応・代謝産物・コンパートメント検索、フラックス解析統合、
+  代謝ネットワーク可視化。K-Dense 連携: metabolic-atlas。
+tu_tools: []
+kdense_ref: metabolic-atlas
+---
+
+# Scientific Metabolic Atlas
+
+Metabolic Atlas REST API を活用したゲノムスケール代謝モデル
+(GEM) 解析パイプラインを提供する。
+
+## When to Use
+
+- ヒト代謝反応・代謝産物を検索するとき
+- Human-GEM のコンパートメント情報を取得するとき
+- 代謝経路のネットワーク構造を解析するとき
+- フラックスバランス解析 (FBA) の入力を準備するとき
+- 代謝産物コネクティビティを可視化するとき
+- 組織特異的代謝モデルを構築するとき
+
+---
+
+## Quick Start
+
+## 1. 代謝反応検索
+
+```python
+import requests
+import pandas as pd
+import numpy as np
+
+MA_BASE = "https://metabolicatlas.org/api/v2"
+
+
+def metabolic_atlas_search_reactions(query, model="Human-GEM",
+                                       compartment=None, limit=50):
+    """
+    Metabolic Atlas — 代謝反応検索。
+
+    Parameters:
+        query: str — 検索クエリ (例: "glycolysis", "citrate")
+        model: str — GEM モデル名
+        compartment: str — コンパートメント (例: "cytosol", "mitochondria")
+        limit: int — 最大結果数
+    """
+    url = f"{MA_BASE}/search"
+    params = {
+        "query": query,
+        "model": model,
+        "type": "reaction",
+        "limit": limit,
+    }
+    resp = requests.get(url, params=params, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    results = []
+    for r in data.get("results", data) if isinstance(data, dict) else data:
+        rxn = r if isinstance(r, dict) else {}
+        row = {
+            "reaction_id": rxn.get("id", ""),
+            "name": rxn.get("name", ""),
+            "equation": rxn.get("equation", ""),
+            "subsystem": rxn.get("subsystem", ""),
+            "compartment": rxn.get("compartment", ""),
+            "gene_rule": rxn.get("geneRule", ""),
+            "lower_bound": rxn.get("lowerBound", None),
+            "upper_bound": rxn.get("upperBound", None),
+        }
+        if compartment and compartment.lower() not in str(
+                row.get("compartment", "")).lower():
+            continue
+        results.append(row)
+
+    df = pd.DataFrame(results[:limit])
+    print(f"Metabolic Atlas reactions: {len(df)} results "
+          f"(query={query})")
+    return df
+```
+
+## 2. 代謝産物検索
+
+```python
+def metabolic_atlas_search_metabolites(query, model="Human-GEM",
+                                          limit=50):
+    """
+    Metabolic Atlas — 代謝産物検索。
+
+    Parameters:
+        query: str — 検索クエリ (例: "glucose", "ATP")
+        model: str — GEM モデル名
+        limit: int — 最大結果数
+    """
+    url = f"{MA_BASE}/search"
+    params = {
+        "query": query,
+        "model": model,
+        "type": "metabolite",
+        "limit": limit,
+    }
+    resp = requests.get(url, params=params, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    results = []
+    for m in data.get("results", data) if isinstance(data, dict) else data:
+        met = m if isinstance(m, dict) else {}
+        results.append({
+            "metabolite_id": met.get("id", ""),
+            "name": met.get("name", ""),
+            "formula": met.get("formula", ""),
+            "charge": met.get("charge", None),
+            "compartment": met.get("compartment", ""),
+            "chebi_id": met.get("chebiId", ""),
+            "kegg_id": met.get("keggId", ""),
+        })
+
+    df = pd.DataFrame(results[:limit])
+    print(f"Metabolic Atlas metabolites: {len(df)} results "
+          f"(query={query})")
+    return df
+```
+
+## 3. 代謝ネットワーク解析
+
+```python
+import networkx as nx
+
+
+def metabolic_atlas_network(subsystem, model="Human-GEM"):
+    """
+    Metabolic Atlas — サブシステム代謝ネットワーク構築。
+
+    Parameters:
+        subsystem: str — サブシステム名 (例: "Glycolysis")
+        model: str — GEM モデル名
+    """
+    reactions = metabolic_atlas_search_reactions(
+        subsystem, model=model, limit=200)
+
+    G = nx.DiGraph()
+
+    for _, rxn in reactions.iterrows():
+        rxn_id = rxn["reaction_id"]
+        equation = str(rxn.get("equation", ""))
+
+        # 簡易パーサ: "A + B => C + D"
+        if "=>" in equation:
+            substrates_str, products_str = equation.split("=>", 1)
+        elif "=" in equation:
+            substrates_str, products_str = equation.split("=", 1)
+        else:
+            continue
+
+        substrates = [s.strip() for s in substrates_str.split("+")
+                       if s.strip()]
+        products = [p.strip() for p in products_str.split("+")
+                     if p.strip()]
+
+        G.add_node(rxn_id, type="reaction",
+                    name=rxn.get("name", ""))
+
+        for s in substrates:
+            G.add_node(s, type="metabolite")
+            G.add_edge(s, rxn_id)
+
+        for p in products:
+            G.add_node(p, type="metabolite")
+            G.add_edge(rxn_id, p)
+
+    # ネットワーク統計
+    n_reactions = sum(1 for _, d in G.nodes(data=True)
+                      if d.get("type") == "reaction")
+    n_metabolites = sum(1 for _, d in G.nodes(data=True)
+                         if d.get("type") == "metabolite")
+
+    print(f"Metabolic network: {n_reactions} reactions, "
+          f"{n_metabolites} metabolites, {G.number_of_edges()} edges")
+    return G
+```
+
+## 4. 代謝アトラス統合パイプライン
+
+```python
+def metabolic_atlas_pipeline(query, model="Human-GEM",
+                               output_dir="results"):
+    """
+    代謝アトラス統合パイプライン。
+
+    Parameters:
+        query: str — 代謝経路/サブシステム名
+        model: str — GEM モデル名
+        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) 反応検索
+    reactions = metabolic_atlas_search_reactions(query, model=model)
+    reactions.to_csv(output_dir / "reactions.csv", index=False)
+
+    # 2) 代謝産物検索
+    metabolites = metabolic_atlas_search_metabolites(query, model=model)
+    metabolites.to_csv(output_dir / "metabolites.csv", index=False)
+
+    # 3) ネットワーク構築
+    G = metabolic_atlas_network(query, model=model)
+    nx.write_graphml(G, str(output_dir / "metabolic_network.graphml"))
+
+    # 4) ハブ代謝産物
+    met_nodes = [n for n, d in G.nodes(data=True)
+                  if d.get("type") == "metabolite"]
+    hub_scores = {n: G.degree(n) for n in met_nodes}
+    hub_df = pd.DataFrame([
+        {"metabolite": k, "degree": v}
+        for k, v in sorted(hub_scores.items(),
+                           key=lambda x: -x[1])[:20]
+    ])
+    hub_df.to_csv(output_dir / "hub_metabolites.csv", index=False)
+
+    print(f"Metabolic Atlas pipeline: {output_dir}")
+    return {
+        "reactions": reactions,
+        "metabolites": metabolites,
+        "network": G,
+        "hubs": hub_df,
+    }
+```
+
+---
+
+## K-Dense 連携
+
+| K-Dense Key | 参照内容 |
+|-------------|---------|
+| `metabolic-atlas` | 代謝モデル構造・反応データベース |
+
+## パイプライン統合
+
+```
+metabolic-modeling → metabolic-atlas → systems-biology
+  (COBRA/FBA)        (Human-GEM)       (統合モデリング)
+       │                   │                  ↓
+  pathway-enrichment ─────┘          gene-expression
+  (KEGG/Reactome)     │              (発現データ)
+                       ↓
+                 multi-omics
+                 (メタボロミクス統合)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `results/reactions.csv` | 代謝反応一覧 | → metabolic-modeling |
+| `results/metabolites.csv` | 代謝産物一覧 | → pathway-enrichment |
+| `results/metabolic_network.graphml` | 代謝ネットワーク | → systems-biology |
+| `results/hub_metabolites.csv` | ハブ代謝産物 | → multi-omics |