@nahisaho/satori 0.19.0 → 0.20.0

package/src/.github/skills/scientific-gdc-portal/SKILL.md

@@ -0,0 +1,280 @@
+---
+name: scientific-gdc-portal
+description: |
+  NCI Genomic Data Commons ポータルスキル。GDC REST API
+  を用いたがんゲノムプロジェクト横断検索・ケースメタデータ・
+  体細胞変異 (SSM)・遺伝子発現・ファイル取得。
+  ToolUniverse 連携: gdc。
+tu_tools:
+  - key: gdc
+    name: GDC
+    description: NCI Genomic Data Commons REST API
+---
+
+# Scientific GDC Portal
+
+NCI Genomic Data Commons (GDC) REST API を活用した
+がんゲノムプロジェクト横断検索・ケースメタデータ取得・
+体細胞変異 (SSM)・遺伝子発現パイプラインを提供する。
+
+## When to Use
+
+- TCGA/TARGET 等のがんゲノムデータを横断検索するとき
+- がん種別のケースメタデータを取得するとき
+- 特定遺伝子の体細胞変異 (SSM) 頻度を調べるとき
+- がんプロジェクトの統計サマリーを取得するとき
+- GDC ファイルメタデータを検索してダウンロード URL を取得するとき
+
+---
+
+## Quick Start
+
+## 1. プロジェクト検索・統計
+
+```python
+import requests
+import pandas as pd
+
+GDC_API = "https://api.gdc.cancer.gov"
+
+
+def gdc_projects(disease_type=None, limit=50):
+    """
+    GDC — プロジェクト検索。
+
+    Parameters:
+        disease_type: str — 疾患タイプフィルタ
+            (例: "Breast Invasive Carcinoma")
+        limit: int — 最大結果数
+    """
+    url = f"{GDC_API}/projects"
+    params = {
+        "size": limit,
+        "fields": ("project_id,name,primary_site,"
+                    "disease_type,summary.case_count,"
+                    "summary.file_count"),
+    }
+
+    if disease_type:
+        params["filters"] = (
+            '{"op":"=","content":{"field":'
+            f'"disease_type","value":"{disease_type}"}}}}'
+        )
+
+    resp = requests.get(url, params=params, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    rows = []
+    for hit in data.get("data", {}).get("hits", []):
+        summary = hit.get("summary", {})
+        rows.append({
+            "project_id": hit.get("project_id", ""),
+            "name": hit.get("name", ""),
+            "primary_site": "; ".join(
+                hit.get("primary_site", [])),
+            "disease_type": "; ".join(
+                hit.get("disease_type", [])),
+            "case_count": summary.get(
+                "case_count", 0),
+            "file_count": summary.get(
+                "file_count", 0),
+        })
+
+    df = pd.DataFrame(rows)
+    print(f"GDC projects: {len(df)}")
+    return df
+```
+
+## 2. ケースメタデータ
+
+```python
+def gdc_cases(project_id, limit=100):
+    """
+    GDC — ケースメタデータ取得。
+
+    Parameters:
+        project_id: str — プロジェクト ID
+            (例: "TCGA-BRCA")
+        limit: int — 最大結果数
+    """
+    url = f"{GDC_API}/cases"
+    filters = {
+        "op": "=",
+        "content": {
+            "field": "project.project_id",
+            "value": project_id,
+        },
+    }
+    params = {
+        "filters": str(filters).replace("'", '"'),
+        "fields": ("case_id,submitter_id,"
+                    "demographic.gender,"
+                    "demographic.race,"
+                    "demographic.vital_status,"
+                    "diagnoses.primary_diagnosis,"
+                    "diagnoses.tumor_stage,"
+                    "diagnoses.age_at_diagnosis"),
+        "size": limit,
+    }
+    resp = requests.get(url, params=params, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    rows = []
+    for hit in data.get("data", {}).get("hits", []):
+        demo = hit.get("demographic", {}) or {}
+        diag = (hit.get("diagnoses", [{}]) or [{}])[0]
+        rows.append({
+            "case_id": hit.get("case_id", ""),
+            "submitter_id": hit.get("submitter_id", ""),
+            "gender": demo.get("gender", ""),
+            "race": demo.get("race", ""),
+            "vital_status": demo.get(
+                "vital_status", ""),
+            "diagnosis": diag.get(
+                "primary_diagnosis", ""),
+            "stage": diag.get("tumor_stage", ""),
+            "age_at_diagnosis": diag.get(
+                "age_at_diagnosis", ""),
+        })
+
+    df = pd.DataFrame(rows)
+    print(f"GDC cases: {project_id} → {len(df)}")
+    return df
+```
+
+## 3. 体細胞変異 (SSM) 検索
+
+```python
+def gdc_ssm_by_gene(gene_symbol, project_id=None,
+                       limit=100):
+    """
+    GDC — 遺伝子別体細胞変異検索。
+
+    Parameters:
+        gene_symbol: str — 遺伝子シンボル (例: "TP53")
+        project_id: str — プロジェクト ID フィルタ
+        limit: int — 最大結果数
+    """
+    url = f"{GDC_API}/ssms"
+    filters = {
+        "op": "and",
+        "content": [
+            {
+                "op": "=",
+                "content": {
+                    "field":
+                        "consequence.transcript."
+                        "gene.symbol",
+                    "value": gene_symbol,
+                },
+            }
+        ],
+    }
+
+    if project_id:
+        filters["content"].append({
+            "op": "=",
+            "content": {
+                "field": "cases.project.project_id",
+                "value": project_id,
+            },
+        })
+
+    params = {
+        "filters": str(filters).replace("'", '"'),
+        "fields": ("ssm_id,genomic_dna_change,"
+                    "consequence.transcript.aa_change,"
+                    "consequence.transcript."
+                    "consequence_type,"
+                    "consequence.transcript."
+                    "gene.symbol"),
+        "size": limit,
+    }
+    resp = requests.get(url, params=params, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    rows = []
+    for hit in data.get("data", {}).get("hits", []):
+        for csq in hit.get("consequence", []):
+            tx = csq.get("transcript", {})
+            rows.append({
+                "ssm_id": hit.get("ssm_id", ""),
+                "genomic_change": hit.get(
+                    "genomic_dna_change", ""),
+                "gene": tx.get("gene", {}).get(
+                    "symbol", ""),
+                "aa_change": tx.get("aa_change", ""),
+                "consequence_type": tx.get(
+                    "consequence_type", ""),
+            })
+
+    df = pd.DataFrame(rows)
+    print(f"GDC SSM: {gene_symbol} → {len(df)} variants")
+    return df
+```
+
+## 4. GDC 統合パイプライン
+
+```python
+def gdc_pipeline(project_id, gene_symbol=None,
+                    output_dir="results"):
+    """
+    GDC 統合パイプライン。
+
+    Parameters:
+        project_id: str — プロジェクト ID
+        gene_symbol: str — 遺伝子フィルタ
+        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) プロジェクト情報
+    projects = gdc_projects()
+    projects.to_csv(output_dir / "gdc_projects.csv",
+                    index=False)
+
+    # 2) ケースメタデータ
+    cases = gdc_cases(project_id)
+    cases.to_csv(output_dir / "gdc_cases.csv",
+                 index=False)
+
+    # 3) 体細胞変異
+    if gene_symbol:
+        ssm = gdc_ssm_by_gene(gene_symbol, project_id)
+        ssm.to_csv(output_dir / "gdc_ssm.csv",
+                   index=False)
+
+    print(f"GDC pipeline: {project_id} → {output_dir}")
+    return {"cases": cases}
+```
+
+---
+
+## ToolUniverse 連携
+
+| TU Key | ツール名 | 連携内容 |
+|--------|---------|---------|
+| `gdc` | GDC | NCI Genomic Data Commons REST API |
+
+## パイプライン統合
+
+```
+cancer-genomics → gdc-portal → precision-oncology
+  (COSMIC/DepMap)   (GDC API)    (MTB レポート)
+        │                │              ↓
+icgc-cancer-data ───────┘    variant-interpretation
+  (ICGC DCC)                 (ClinVar/ACMG)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `results/gdc_projects.csv` | プロジェクト一覧 | → cancer-genomics |
+| `results/gdc_cases.csv` | ケースメタデータ | → precision-oncology |
+| `results/gdc_ssm.csv` | 体細胞変異 | → variant-interpretation |

package/src/.github/skills/scientific-immunoinformatics/SKILL.md

@@ -5,6 +5,10 @@ description: |
   T 細胞/B 細胞エピトープマッピング・抗体構造解析（CDR ループ）・
   免疫レパトア解析（TCR/BCR クロノタイプ）・ワクチン候補設計・
   IEDB/IMGT/SAbDab データベース統合パイプライン。
+tu_tools:
+  - key: iedb
+    name: IEDB
+    description: 免疫エピトープデータベース
 ---
 
 # Scientific Immunoinformatics

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

@@ -0,0 +1,306 @@
+---
+name: scientific-metabolic-flux
+description: |
+  代謝フラックス解析スキル。13C/15N 安定同位体トレーサー
+  データを用いた代謝フラックス推定・EMU モデリング・
+  フラックスバランス制約統合パイプライン。
+---
+
+# Scientific Metabolic Flux
+
+13C/15N 安定同位体トレーサー実験データを用いた代謝フラックス
+推定・EMU (Elementary Metabolite Unit) フレームワーク・
+フラックスバランス解析 (FBA) 制約統合パイプラインを提供する。
+
+## When to Use
+
+- 13C 安定同位体トレーサー実験データを解析するとき
+- EMU/アイソトポマーモデルを構築するとき
+- MID (Mass Isotopomer Distribution) データをフィッティングするとき
+- 経路別の代謝フラックスを定量するとき
+- FBA 制約とトレーサーデータを統合するとき
+
+---
+
+## Quick Start
+
+## 1. MID (Mass Isotopomer Distribution) データ処理
+
+```python
+import numpy as np
+import pandas as pd
+from scipy.optimize import minimize
+
+
+def load_mid_data(mid_file, sep="\t"):
+    """
+    MID データ読み込み・正規化。
+
+    Parameters:
+        mid_file: str — MID データファイルパス
+            (TSV: metabolite, M+0, M+1, M+2, ...)
+        sep: str — 区切り文字
+    """
+    df = pd.read_csv(mid_file, sep=sep,
+                     index_col="metabolite")
+
+    mid_cols = [c for c in df.columns
+                if c.startswith("M+")]
+
+    for idx in df.index:
+        row_sum = df.loc[idx, mid_cols].sum()
+        if row_sum > 0:
+            df.loc[idx, mid_cols] /= row_sum
+
+    print(f"MID data: {len(df)} metabolites, "
+          f"{len(mid_cols)} isotopomers")
+    return df[mid_cols]
+
+
+def natural_abundance_correction(mid_df, n_carbons):
+    """
+    天然同位体存在量補正。
+
+    Parameters:
+        mid_df: DataFrame — 正規化済み MID データ
+        n_carbons: dict — 代謝物名→炭素数マッピング
+    """
+    C13_NAT = 0.011  # 13C 天然存在比
+
+    corrected = mid_df.copy()
+    for met in corrected.index:
+        n_c = n_carbons.get(met, 6)
+        n_iso = min(corrected.shape[1], n_c + 1)
+        raw = corrected.loc[met].values[:n_iso]
+
+        # 補正行列 (簡易)
+        corr_matrix = np.zeros((n_iso, n_iso))
+        for i in range(n_iso):
+            for j in range(i, n_iso):
+                from math import comb
+                k = j - i
+                remain = n_c - i
+                if k <= remain:
+                    corr_matrix[i, j] = (
+                        comb(remain, k)
+                        * C13_NAT ** k
+                        * (1 - C13_NAT) ** (remain - k)
+                    )
+
+        try:
+            corrected_vals = np.linalg.solve(
+                corr_matrix[:n_iso, :n_iso], raw)
+            corrected_vals = np.maximum(corrected_vals, 0)
+            corrected_vals /= corrected_vals.sum()
+            corrected.loc[met, corrected.columns[:n_iso]] = (
+                corrected_vals)
+        except np.linalg.LinAlgError:
+            pass
+
+    print(f"NA correction: {len(corrected)} metabolites")
+    return corrected
+```
+
+## 2. EMU フラックスモデル
+
+```python
+def build_emu_model(reactions, atom_transitions):
+    """
+    EMU (Elementary Metabolite Unit) モデル構築。
+
+    Parameters:
+        reactions: list[dict] — 反応定義
+            [{id, substrates, products, reversible}]
+        atom_transitions: dict — 原子遷移マッピング
+            {reaction_id: [(from_met, from_atoms,
+                            to_met, to_atoms)]}
+    """
+    emu_network = {}
+
+    for rxn in reactions:
+        rxn_id = rxn["id"]
+        transitions = atom_transitions.get(rxn_id, [])
+
+        for from_met, f_atoms, to_met, t_atoms in (
+            transitions
+        ):
+            emu_size = len(t_atoms)
+            emu_key = (to_met, tuple(sorted(t_atoms)))
+
+            if emu_key not in emu_network:
+                emu_network[emu_key] = []
+
+            emu_network[emu_key].append({
+                "reaction": rxn_id,
+                "precursor": from_met,
+                "precursor_atoms": f_atoms,
+                "reversible": rxn.get(
+                    "reversible", False),
+            })
+
+    print(f"EMU model: {len(emu_network)} EMUs, "
+          f"{len(reactions)} reactions")
+    return emu_network
+
+
+def simulate_mid(fluxes, emu_model, substrate_labeling,
+                   metabolite):
+    """
+    フラックスからの MID シミュレーション。
+
+    Parameters:
+        fluxes: dict — {reaction_id: flux_value}
+        emu_model: dict — EMU ネットワーク
+        substrate_labeling: dict — 基質ラベリングパターン
+            {metabolite: [M+0 fraction, M+1, ...]}
+        metabolite: str — シミュレーション対象代謝物
+    """
+    relevant_emus = {
+        k: v for k, v in emu_model.items()
+        if k[0] == metabolite
+    }
+
+    if not relevant_emus:
+        return np.array([1.0])
+
+    max_size = max(len(k[1]) for k in relevant_emus)
+    mid = np.zeros(max_size + 1)
+    mid[0] = 1.0  # デフォルト: 未標識
+
+    for emu_key, precursors in relevant_emus.items():
+        emu_size = len(emu_key[1])
+        for prec in precursors:
+            rxn_flux = fluxes.get(prec["reaction"], 0)
+            prec_label = substrate_labeling.get(
+                prec["precursor"],
+                [1.0] + [0.0] * emu_size)
+
+            for i, frac in enumerate(
+                prec_label[:emu_size + 1]
+            ):
+                if i <= max_size:
+                    mid[i] += rxn_flux * frac
+
+    mid_sum = mid.sum()
+    if mid_sum > 0:
+        mid /= mid_sum
+
+    return mid
+```
+
+## 3. フラックス推定
+
+```python
+def estimate_fluxes(observed_mids, emu_model,
+                      substrate_labeling,
+                      initial_fluxes,
+                      metabolites):
+    """
+    最小二乗法によるフラックス推定。
+
+    Parameters:
+        observed_mids: dict — {metabolite: np.array}
+            観測 MID データ
+        emu_model: dict — EMU ネットワーク
+        substrate_labeling: dict — 基質ラベリング
+        initial_fluxes: dict — 初期フラックス推定値
+        metabolites: list — 対象代謝物リスト
+    """
+    flux_names = list(initial_fluxes.keys())
+    x0 = [initial_fluxes[f] for f in flux_names]
+
+    def objective(x):
+        fluxes = dict(zip(flux_names, x))
+        residual = 0.0
+        for met in metabolites:
+            if met not in observed_mids:
+                continue
+            obs = observed_mids[met]
+            sim = simulate_mid(
+                fluxes, emu_model,
+                substrate_labeling, met)
+            n = min(len(obs), len(sim))
+            residual += np.sum(
+                (obs[:n] - sim[:n]) ** 2)
+        return residual
+
+    bounds = [(0, None) for _ in flux_names]
+    result = minimize(objective, x0, method="L-BFGS-B",
+                      bounds=bounds)
+
+    estimated = dict(zip(flux_names, result.x))
+    print(f"Flux estimation: SSR={result.fun:.6f}, "
+          f"converged={result.success}")
+    return estimated, result
+```
+
+## 4. 代謝フラックス統合パイプライン
+
+```python
+def metabolic_flux_pipeline(mid_file, reactions,
+                              atom_transitions,
+                              substrate_labeling,
+                              n_carbons,
+                              output_dir="results"):
+    """
+    代謝フラックス統合パイプライン。
+
+    Parameters:
+        mid_file: str — MID データファイル
+        reactions: list — 反応定義リスト
+        atom_transitions: dict — 原子遷移マッピング
+        substrate_labeling: dict — 基質ラベリング
+        n_carbons: dict — 代謝物→炭素数
+        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) MID 読み込み・補正
+    mid_raw = load_mid_data(mid_file)
+    mid_corr = natural_abundance_correction(
+        mid_raw, n_carbons)
+    mid_corr.to_csv(output_dir / "mid_corrected.csv")
+
+    # 2) EMU モデル構築
+    emu_model = build_emu_model(
+        reactions, atom_transitions)
+
+    # 3) フラックス推定
+    observed = {met: mid_corr.loc[met].values
+                for met in mid_corr.index}
+    init_fluxes = {r["id"]: 1.0 for r in reactions}
+    fluxes, opt_result = estimate_fluxes(
+        observed, emu_model, substrate_labeling,
+        init_fluxes, list(observed.keys()))
+
+    flux_df = pd.DataFrame([
+        {"reaction": k, "flux": v}
+        for k, v in fluxes.items()
+    ])
+    flux_df.to_csv(output_dir / "fluxes.csv",
+                   index=False)
+
+    print(f"Metabolic flux pipeline → {output_dir}")
+    return {"fluxes": fluxes, "mid_corrected": mid_corr}
+```
+
+---
+
+## パイプライン統合
+
+```
+metabolic-modeling → metabolic-flux → systems-biology
+  (FBA/COBRA)        (13C MFA)        (統合解析)
+       │                  │                ↓
+flux-balance-analysis ───┘    pathway-enrichment
+  (制約ベース)                (パスウェイ集積)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `results/mid_corrected.csv` | 補正済み MID | → metabolic-modeling |
+| `results/fluxes.csv` | 推定フラックス | → systems-biology |

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

@@ -4,6 +4,10 @@ description: |
   代謝モデリングスキル。BiGG Models ゲノムスケール代謝モデル、
   BioModels SBML リポジトリを統合した代謝ネットワーク解析・
   モデル検索パイプライン。
+tu_tools:
+  - key: biomodels
+    name: BioModels
+    description: SBML モデルリポジトリ (EBI)
 ---
 
 # Scientific Metabolic Modeling

package/src/.github/skills/scientific-metabolomics/SKILL.md

@@ -5,6 +5,10 @@ description: |
   代謝パスウェイ濃縮解析（Fisher exact test）、代謝物相関ネットワーク、
   Volcano プロット/箱ひげ図による差次代謝物同定パイプライン。
   Scientific Skills Exp-07 で確立したパターン。
+tu_tools:
+  - key: hmdb
+    name: HMDB
+    description: ヒトメタボロームデータベース
 ---
 
 # Scientific Metabolomics Analysis

package/src/.github/skills/scientific-microbiome-metagenomics/SKILL.md

@@ -5,6 +5,10 @@ description: |
   ショットガンメタゲノム解析（MetaPhlAn / HUMAnN）・α/β 多様性・
   差次存在量解析（DESeq2 / ANCOM-BC）・機能的プロファイリング・
   組成データ解析（CoDA）パイプライン。
+tu_tools:
+  - key: mgnify
+    name: MGnify
+    description: EBI メタゲノミクス解析プラットフォーム
 ---
 
 # Scientific Microbiome & Metagenomics