@nahisaho/satori 0.18.0 → 0.20.0

package/src/.github/skills/scientific-spatial-multiomics/SKILL.md

@@ -0,0 +1,293 @@
+---
+name: scientific-spatial-multiomics
+description: |
+  空間マルチオミクス統合スキル。MERFISH/Visium 等の空間
+  トランスクリプトームと空間プロテオミクスのマルチモーダル
+  統合・空間共検出解析・セル近傍グラフ構築パイプライン。
+---
+
+# Scientific Spatial Multi-omics
+
+MERFISH・Visium・CODEX 等の空間マルチオミクスデータを統合し、
+マルチモーダルアライメント・空間共検出解析・近傍グラフベースの
+空間コミュニティ検出パイプラインを提供する。
+
+## When to Use
+
+- 空間トランスクリプトームと空間プロテオミクスを統合するとき
+- MERFISH + CODEX 等マルチモーダル空間データをアライメントするとき
+- 空間的に共局在する分子シグネチャを同定するとき
+- セル近傍グラフからニッチ/コミュニティを抽出するとき
+- 空間マルチオミクスの前処理パイプラインを構築するとき
+
+---
+
+## Quick Start
+
+## 1. 空間マルチモーダルデータ読み込み
+
+```python
+import numpy as np
+import pandas as pd
+from scipy.spatial import cKDTree
+
+
+def load_spatial_modality(coord_file, expr_file,
+                            modality_name="RNA"):
+    """
+    空間モダリティデータ読み込み。
+
+    Parameters:
+        coord_file: str — 座標 CSV (cell_id, x, y)
+        expr_file: str — 発現/タンパク質 CSV
+            (cell_id, features...)
+        modality_name: str — モダリティ名
+    """
+    coords = pd.read_csv(coord_file, index_col="cell_id")
+    expr = pd.read_csv(expr_file, index_col="cell_id")
+
+    common = coords.index.intersection(expr.index)
+    coords = coords.loc[common]
+    expr = expr.loc[common]
+
+    print(f"Spatial {modality_name}: "
+          f"{len(common)} cells, "
+          f"{expr.shape[1]} features")
+    return coords, expr
+
+
+def spatial_alignment(coords_a, coords_b,
+                        max_distance=50.0):
+    """
+    空間座標アライメント (最近傍マッチング)。
+
+    Parameters:
+        coords_a: DataFrame — モダリティ A 座標 (x, y)
+        coords_b: DataFrame — モダリティ B 座標 (x, y)
+        max_distance: float — 最大マッチング距離 (μm)
+    """
+    tree_b = cKDTree(coords_b[["x", "y"]].values)
+    dists, idxs = tree_b.query(
+        coords_a[["x", "y"]].values, k=1)
+
+    mask = dists < max_distance
+    matched_a = coords_a.index[mask]
+    matched_b = coords_b.index[idxs[mask]]
+
+    alignment = pd.DataFrame({
+        "cell_a": matched_a,
+        "cell_b": matched_b,
+        "distance": dists[mask],
+    })
+
+    print(f"Alignment: {len(alignment)} matched pairs "
+          f"(max_dist={max_distance}μm)")
+    return alignment
+```
+
+## 2. 空間共検出解析
+
+```python
+def spatial_codetection(expr_a, expr_b, alignment,
+                          method="pearson", top_n=50):
+    """
+    空間共検出相関解析。
+
+    Parameters:
+        expr_a: DataFrame — モダリティ A 発現行列
+        expr_b: DataFrame — モダリティ B 発現行列
+        alignment: DataFrame — アライメント結果
+        method: str — 相関メソッド
+            (pearson / spearman)
+        top_n: int — 上位ペア数
+    """
+    from itertools import product
+    from scipy import stats
+
+    a_matched = expr_a.loc[alignment["cell_a"]]
+    b_matched = expr_b.loc[alignment["cell_b"]]
+    a_matched.index = range(len(a_matched))
+    b_matched.index = range(len(b_matched))
+
+    results = []
+    for fa, fb in product(a_matched.columns[:100],
+                           b_matched.columns[:100]):
+        va = a_matched[fa].values
+        vb = b_matched[fb].values
+        mask = np.isfinite(va) & np.isfinite(vb)
+        if mask.sum() < 30:
+            continue
+
+        if method == "spearman":
+            r, p = stats.spearmanr(va[mask], vb[mask])
+        else:
+            r, p = stats.pearsonr(va[mask], vb[mask])
+
+        results.append({
+            "feature_a": fa,
+            "feature_b": fb,
+            "correlation": r,
+            "p_value": p,
+        })
+
+    df = pd.DataFrame(results)
+    df.sort_values("correlation", ascending=False,
+                   key=abs, inplace=True)
+    top = df.head(top_n)
+
+    print(f"Codetection: {len(df)} pairs, "
+          f"top r={top.iloc[0]['correlation']:.3f}")
+    return top
+```
+
+## 3. セル近傍グラフ・コミュニティ検出
+
+```python
+def cell_neighborhood_graph(coords, k_neighbors=15):
+    """
+    セル近傍グラフ構築。
+
+    Parameters:
+        coords: DataFrame — 座標 (x, y)
+        k_neighbors: int — k 近傍数
+    """
+    tree = cKDTree(coords[["x", "y"]].values)
+    dists, idxs = tree.query(
+        coords[["x", "y"]].values,
+        k=k_neighbors + 1)
+
+    edges = []
+    for i in range(len(coords)):
+        for j_idx in range(1, k_neighbors + 1):
+            j = idxs[i, j_idx]
+            edges.append({
+                "source": coords.index[i],
+                "target": coords.index[j],
+                "distance": dists[i, j_idx],
+            })
+
+    edge_df = pd.DataFrame(edges)
+    print(f"Neighborhood graph: "
+          f"{len(coords)} nodes, "
+          f"{len(edge_df)} edges (k={k_neighbors})")
+    return edge_df
+
+
+def spatial_community_detection(edge_df, coords,
+                                  resolution=1.0):
+    """
+    空間コミュニティ検出 (Leiden)。
+
+    Parameters:
+        edge_df: DataFrame — エッジリスト
+        coords: DataFrame — 座標
+        resolution: float — Leiden 解像度
+    """
+    try:
+        import igraph as ig
+        import leidenalg
+    except ImportError:
+        print("pip install igraph leidenalg")
+        return pd.DataFrame()
+
+    nodes = list(coords.index)
+    node_map = {n: i for i, n in enumerate(nodes)}
+
+    g = ig.Graph(directed=False)
+    g.add_vertices(len(nodes))
+    edges = [
+        (node_map[r["source"]], node_map[r["target"]])
+        for _, r in edge_df.iterrows()
+        if r["source"] in node_map
+        and r["target"] in node_map
+    ]
+    g.add_edges(edges)
+
+    part = leidenalg.find_partition(
+        g, leidenalg.RBConfigurationVertexPartition,
+        resolution_parameter=resolution)
+
+    result = pd.DataFrame({
+        "cell_id": nodes,
+        "community": part.membership,
+        "x": coords["x"].values,
+        "y": coords["y"].values,
+    })
+
+    n_comm = result["community"].nunique()
+    print(f"Communities: {n_comm} spatial niches "
+          f"(resolution={resolution})")
+    return result
+```
+
+## 4. 空間マルチオミクス統合パイプライン
+
+```python
+def spatial_multiomics_pipeline(
+    rna_coords, rna_expr,
+    protein_coords, protein_expr,
+    output_dir="results",
+):
+    """
+    空間マルチオミクス統合パイプライン。
+
+    Parameters:
+        rna_coords: str — RNA 座標ファイル
+        rna_expr: str — RNA 発現ファイル
+        protein_coords: str — プロテオミクス座標ファイル
+        protein_expr: str — プロテオミクス発現ファイル
+        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) データ読み込み
+    rc, re = load_spatial_modality(
+        rna_coords, rna_expr, "RNA")
+    pc, pe = load_spatial_modality(
+        protein_coords, protein_expr, "Protein")
+
+    # 2) 空間アライメント
+    alignment = spatial_alignment(rc, pc)
+    alignment.to_csv(output_dir / "alignment.csv",
+                     index=False)
+
+    # 3) 共検出解析
+    codet = spatial_codetection(re, pe, alignment)
+    codet.to_csv(output_dir / "codetection.csv",
+                 index=False)
+
+    # 4) 近傍グラフ + コミュニティ
+    edges = cell_neighborhood_graph(rc)
+    comms = spatial_community_detection(edges, rc)
+    comms.to_csv(output_dir / "communities.csv",
+                 index=False)
+
+    print(f"Spatial multiomics pipeline → {output_dir}")
+    return {
+        "alignment": alignment,
+        "codetection": codet,
+        "communities": comms,
+    }
+```
+
+---
+
+## パイプライン統合
+
+```
+spatial-transcriptomics → spatial-multiomics → multi-omics
+  (Visium/MERFISH)        (マルチモーダル統合)  (統合オミクス)
+         │                       │                 ↓
+  human-cell-atlas ─────────────┘    single-cell-rnaseq
+    (HCA atlas)                      (scRNA-seq 参照)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `results/alignment.csv` | モダリティ間アライメント | → multi-omics |
+| `results/codetection.csv` | 共検出ペア | → pathway-analysis |
+| `results/communities.csv` | 空間コミュニティ | → spatial-transcriptomics |

package/src/.github/skills/scientific-stitch-chemical-network/SKILL.md

@@ -0,0 +1,318 @@
+---
+name: scientific-stitch-chemical-network
+description: |
+  STITCH 化学-タンパク質相互作用ネットワークスキル。STITCH
+  REST API を用いた化学物質-タンパク質インタラクション検索・
+  信頼度スコアリング・ネットワーク薬理学・ポリファーマコロジー解析。
+  ToolUniverse 連携: stitch。
+tu_tools:
+  - key: stitch
+    name: STITCH
+    description: 化学物質-タンパク質相互作用ネットワーク (EMBL)
+---
+
+# Scientific STITCH Chemical Network
+
+STITCH (Search Tool for Interactions of Chemicals) REST API
+を活用した化学物質-タンパク質相互作用検索・信頼度スコアリング・
+ネットワーク薬理学・ポリファーマコロジー解析パイプラインを提供する。
+
+## When to Use
+
+- 化学物質とタンパク質の相互作用エビデンスを検索するとき
+- 薬物の標的タンパク質ネットワークを構築するとき
+- ポリファーマコロジー (多標的薬理作用) を解析するとき
+- 化学物質間の類似ネットワークを構築するとき
+- ネットワーク薬理学 (Network Pharmacology) を実施するとき
+
+---
+
+## Quick Start
+
+## 1. 化学物質-タンパク質相互作用検索
+
+```python
+import requests
+import pandas as pd
+
+STITCH_API = "http://stitch.embl.de/api"
+
+
+def stitch_interactions(chemical, species=9606,
+                          required_score=400, limit=50):
+    """
+    STITCH — 化学物質-タンパク質相互作用検索。
+
+    Parameters:
+        chemical: str — 化学物質名または CID
+            (例: "aspirin", "CIDm00002244")
+        species: int — NCBI Taxonomy ID
+            (9606=ヒト)
+        required_score: int — 最低信頼度スコア
+            (0-1000, 400=medium)
+        limit: int — 最大結果数
+    """
+    url = f"{STITCH_API}/tsv/interactionsList"
+    params = {
+        "identifiers": chemical,
+        "species": species,
+        "required_score": required_score,
+        "limit": limit,
+    }
+    resp = requests.get(url, params=params, timeout=30)
+    resp.raise_for_status()
+
+    lines = resp.text.strip().split("\n")
+    if len(lines) < 2:
+        return pd.DataFrame()
+
+    header = lines[0].split("\t")
+    rows = [line.split("\t") for line in lines[1:]]
+    df = pd.DataFrame(rows, columns=header)
+
+    if "score" in df.columns:
+        df["score"] = pd.to_numeric(
+            df["score"], errors="coerce")
+
+    print(f"STITCH: {chemical} → {len(df)} interactions")
+    return df
+
+
+def stitch_resolve(identifiers, species=9606):
+    """
+    STITCH — 化学物質/タンパク質 ID 解決。
+
+    Parameters:
+        identifiers: list[str] — 化学物質/タンパク質名リスト
+        species: int — NCBI Taxonomy ID
+    """
+    url = f"{STITCH_API}/tsv/resolveList"
+    params = {
+        "identifiers": "\r".join(identifiers),
+        "species": species,
+    }
+    resp = requests.get(url, params=params, timeout=30)
+    resp.raise_for_status()
+
+    lines = resp.text.strip().split("\n")
+    if len(lines) < 2:
+        return pd.DataFrame()
+
+    header = lines[0].split("\t")
+    rows = [line.split("\t") for line in lines[1:]]
+    df = pd.DataFrame(rows, columns=header)
+
+    print(f"STITCH resolve: {len(identifiers)} queries → "
+          f"{len(df)} results")
+    return df
+```
+
+## 2. ネットワーク薬理学
+
+```python
+def stitch_network(chemicals, species=9606,
+                     required_score=400):
+    """
+    STITCH — 多化学物質ネットワーク構築。
+
+    Parameters:
+        chemicals: list[str] — 化学物質名リスト
+        species: int — NCBI Taxonomy ID
+        required_score: int — 最低信頼度スコア
+    """
+    url = f"{STITCH_API}/tsv/network"
+    params = {
+        "identifiers": "\r".join(chemicals),
+        "species": species,
+        "required_score": required_score,
+    }
+    resp = requests.get(url, params=params, timeout=30)
+    resp.raise_for_status()
+
+    lines = resp.text.strip().split("\n")
+    if len(lines) < 2:
+        return pd.DataFrame()
+
+    header = lines[0].split("\t")
+    rows = [line.split("\t") for line in lines[1:]]
+    df = pd.DataFrame(rows, columns=header)
+
+    nodes = set()
+    if "stringId_A" in df.columns:
+        nodes.update(df["stringId_A"].unique())
+    if "stringId_B" in df.columns:
+        nodes.update(df["stringId_B"].unique())
+
+    print(f"STITCH network: {len(nodes)} nodes, "
+          f"{len(df)} edges")
+    return df
+
+
+def polypharmacology_analysis(drug_list, species=9606,
+                                required_score=700):
+    """
+    ポリファーマコロジー解析。
+
+    Parameters:
+        drug_list: list[str] — 薬物名リスト
+        species: int — NCBI Taxonomy ID
+        required_score: int — 高信頼度スコア閾値
+    """
+    all_targets = {}
+    for drug in drug_list:
+        interactions = stitch_interactions(
+            drug, species, required_score)
+        if interactions.empty:
+            continue
+
+        targets = set()
+        for col in ["stringId_A", "stringId_B"]:
+            if col in interactions.columns:
+                targets.update(
+                    interactions[col].unique())
+        # 化学物質自身を除外
+        targets = {t for t in targets
+                   if not t.startswith("CID")}
+        all_targets[drug] = targets
+
+    # 共通標的計算
+    if len(all_targets) < 2:
+        return pd.DataFrame()
+
+    pairs = []
+    drugs = list(all_targets.keys())
+    for i in range(len(drugs)):
+        for j in range(i + 1, len(drugs)):
+            shared = (all_targets[drugs[i]]
+                      & all_targets[drugs[j]])
+            union = (all_targets[drugs[i]]
+                     | all_targets[drugs[j]])
+            jaccard = (len(shared) / len(union)
+                       if union else 0)
+            pairs.append({
+                "drug_a": drugs[i],
+                "drug_b": drugs[j],
+                "shared_targets": len(shared),
+                "jaccard_index": jaccard,
+                "shared_list": "; ".join(
+                    sorted(shared)),
+            })
+
+    df = pd.DataFrame(pairs)
+    df.sort_values("jaccard_index", ascending=False,
+                   inplace=True)
+    print(f"Polypharmacology: {len(drugs)} drugs, "
+          f"{len(df)} pairs")
+    return df
+```
+
+## 3. エンリッチメント解析
+
+```python
+def stitch_enrichment(identifiers, species=9606):
+    """
+    STITCH — 機能エンリッチメント解析。
+
+    Parameters:
+        identifiers: list[str] — タンパク質/化学物質リスト
+        species: int — NCBI Taxonomy ID
+    """
+    url = f"{STITCH_API}/tsv/enrichment"
+    params = {
+        "identifiers": "\r".join(identifiers),
+        "species": species,
+    }
+    resp = requests.get(url, params=params, timeout=30)
+    resp.raise_for_status()
+
+    lines = resp.text.strip().split("\n")
+    if len(lines) < 2:
+        return pd.DataFrame()
+
+    header = lines[0].split("\t")
+    rows = [line.split("\t") for line in lines[1:]]
+    df = pd.DataFrame(rows, columns=header)
+
+    if "p_value" in df.columns:
+        df["p_value"] = pd.to_numeric(
+            df["p_value"], errors="coerce")
+        df.sort_values("p_value", inplace=True)
+
+    print(f"STITCH enrichment: {len(df)} terms")
+    return df
+```
+
+## 4. STITCH 統合パイプライン
+
+```python
+def stitch_pipeline(chemicals, species=9606,
+                      output_dir="results"):
+    """
+    STITCH 統合パイプライン。
+
+    Parameters:
+        chemicals: list[str] — 化学物質名リスト
+        species: int — NCBI Taxonomy ID
+        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) 個別相互作用
+    all_interactions = []
+    for chem in chemicals:
+        ixns = stitch_interactions(chem, species)
+        ixns["query_chemical"] = chem
+        all_interactions.append(ixns)
+    ixn_df = pd.concat(all_interactions, ignore_index=True)
+    ixn_df.to_csv(
+        output_dir / "stitch_interactions.csv",
+        index=False)
+
+    # 2) ネットワーク
+    network = stitch_network(chemicals, species)
+    network.to_csv(
+        output_dir / "stitch_network.csv",
+        index=False)
+
+    # 3) ポリファーマコロジー
+    polypharm = polypharmacology_analysis(
+        chemicals, species)
+    polypharm.to_csv(
+        output_dir / "polypharmacology.csv",
+        index=False)
+
+    print(f"STITCH pipeline → {output_dir}")
+    return {
+        "interactions": ixn_df,
+        "network": network,
+        "polypharmacology": polypharm,
+    }
+```
+
+---
+
+## ToolUniverse 連携
+
+| TU Key | ツール名 | 連携内容 |
+|--------|---------|---------|
+| `stitch` | STITCH | 化学物質-タンパク質相互作用 (EMBL) |
+
+## パイプライン統合
+
+```
+cheminformatics → stitch-chemical-network → drug-target-profiling
+  (化合物記述子)     (STITCH 相互作用)     (DGIdb 標的)
+        │                   │                    ↓
+string-network-api ────────┘          pharmacology-targets
+  (STRING PPI)                        (BindingDB/GtoPdb)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `results/stitch_interactions.csv` | 化学物質-標的 | → drug-target-profiling |
+| `results/stitch_network.csv` | ネットワーク | → string-network-api |
+| `results/polypharmacology.csv` | 多標的解析 | → pharmacology-targets |

package/src/.github/skills/scientific-string-network-api/SKILL.md

@@ -4,6 +4,10 @@ description: |
   STRING/BioGRID/STITCH ネットワーク解析スキル。STRING タンパク質相互作用
   ネットワーク直接 API、BioGRID 実験的 PPI、STITCH 化学-タンパク質ネットワーク、
   ネットワークトポロジー解析・コミュニティ検出・機能濃縮統合パイプライン。
+tu_tools:
+  - key: ppi
+    name: STRING/BioGRID PPI
+    description: タンパク質・化学物質相互作用ネットワーク
 ---
 
 # Scientific STRING Network API