@nahisaho/satori 0.16.0 → 0.18.0

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 |