@nahisaho/satori 0.19.0 → 0.20.0

package/src/.github/skills/scientific-monarch-ontology/SKILL.md

@@ -0,0 +1,260 @@
+---
+name: scientific-monarch-ontology
+description: |
+  Monarch Initiative 疾患-表現型オントロジースキル。
+  Monarch Initiative API を用いた疾患-遺伝子-表現型
+  アソシエーション・HPO フェノタイピング・
+  遺伝子-疾患推定・オントロジーセマンティック検索。
+  ToolUniverse 連携: monarch。
+tu_tools:
+  - key: monarch
+    name: Monarch Initiative
+    description: 疾患-表現型-遺伝子オントロジー統合 API
+---
+
+# Scientific Monarch Initiative Ontology
+
+Monarch Initiative API を活用した疾患-遺伝子-表現型
+アソシエーション取得・HPO ベースフェノタイピング・
+セマンティックオントロジー検索パイプラインを提供する。
+
+## When to Use
+
+- 疾患の関連遺伝子・表現型 (HPO) を検索するとき
+- 遺伝子から関連疾患・表現型を逆引きするとき
+- HPO 用語でフェノタイプマッチングするとき
+- オントロジー用語間の意味的類似度を計算するとき
+- 疾患-表現型-遺伝子の三者間アソシエーションを統合するとき
+
+---
+
+## Quick Start
+
+## 1. 疾患-遺伝子-表現型アソシエーション
+
+```python
+import requests
+import pandas as pd
+
+MONARCH_API = "https://api.monarchinitiative.org/v3/api"
+
+
+def monarch_disease_genes(disease_id, limit=50):
+    """
+    Monarch — 疾患→関連遺伝子取得。
+
+    Parameters:
+        disease_id: str — 疾患 ID
+            (例: "MONDO:0007254" = breast cancer)
+        limit: int — 最大結果数
+    """
+    url = f"{MONARCH_API}/association"
+    params = {
+        "subject": disease_id,
+        "category": "biolink:GeneToDiseaseAssociation",
+        "limit": limit,
+    }
+    resp = requests.get(url, params=params, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    rows = []
+    for item in data.get("items", []):
+        obj = item.get("object", {})
+        rows.append({
+            "disease_id": disease_id,
+            "gene_id": obj.get("id", ""),
+            "gene_label": obj.get("label", ""),
+            "relation": item.get("predicate", ""),
+            "source": "; ".join(
+                item.get("provided_by", [])),
+        })
+
+    df = pd.DataFrame(rows)
+    print(f"Monarch disease→genes: {disease_id} "
+          f"→ {len(df)} genes")
+    return df
+
+
+def monarch_disease_phenotypes(disease_id, limit=100):
+    """
+    Monarch — 疾患→表現型 (HPO) 取得。
+
+    Parameters:
+        disease_id: str — 疾患 ID
+        limit: int — 最大結果数
+    """
+    url = f"{MONARCH_API}/association"
+    params = {
+        "subject": disease_id,
+        "category":
+            "biolink:DiseaseToPhenotypicFeatureAssociation",
+        "limit": limit,
+    }
+    resp = requests.get(url, params=params, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    rows = []
+    for item in data.get("items", []):
+        obj = item.get("object", {})
+        rows.append({
+            "disease_id": disease_id,
+            "phenotype_id": obj.get("id", ""),
+            "phenotype_label": obj.get("label", ""),
+            "frequency": item.get("frequency_qualifier",
+                                  ""),
+            "onset": item.get("onset_qualifier", ""),
+        })
+
+    df = pd.DataFrame(rows)
+    print(f"Monarch disease→phenotypes: {disease_id} "
+          f"→ {len(df)} HPO terms")
+    return df
+```
+
+## 2. 遺伝子→疾患逆引き
+
+```python
+def monarch_gene_diseases(gene_id, limit=50):
+    """
+    Monarch — 遺伝子→関連疾患取得。
+
+    Parameters:
+        gene_id: str — 遺伝子 ID
+            (例: "HGNC:1100" = BRCA1)
+        limit: int — 最大結果数
+    """
+    url = f"{MONARCH_API}/association"
+    params = {
+        "subject": gene_id,
+        "category": "biolink:GeneToDiseaseAssociation",
+        "limit": limit,
+    }
+    resp = requests.get(url, params=params, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    rows = []
+    for item in data.get("items", []):
+        obj = item.get("object", {})
+        rows.append({
+            "gene_id": gene_id,
+            "disease_id": obj.get("id", ""),
+            "disease_label": obj.get("label", ""),
+            "relation": item.get("predicate", ""),
+        })
+
+    df = pd.DataFrame(rows)
+    print(f"Monarch gene→diseases: {gene_id} "
+          f"→ {len(df)} diseases")
+    return df
+```
+
+## 3. エンティティ検索・オントロジー用語
+
+```python
+def monarch_search(query, category=None, limit=25):
+    """
+    Monarch — エンティティテキスト検索。
+
+    Parameters:
+        query: str — 検索クエリ
+        category: str — カテゴリフィルタ
+            (例: "biolink:Disease", "biolink:Gene",
+             "biolink:PhenotypicFeature")
+        limit: int — 最大結果数
+    """
+    url = f"{MONARCH_API}/search"
+    params = {"q": query, "limit": limit}
+    if category:
+        params["category"] = category
+
+    resp = requests.get(url, params=params, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    rows = []
+    for item in data.get("items", []):
+        rows.append({
+            "id": item.get("id", ""),
+            "label": item.get("name", ""),
+            "category": item.get("category", ""),
+            "description": (item.get("description", "")
+                            or "")[:200],
+        })
+
+    df = pd.DataFrame(rows)
+    print(f"Monarch search: '{query}' → {len(df)}")
+    return df
+```
+
+## 4. Monarch 統合パイプライン
+
+```python
+def monarch_pipeline(disease_query,
+                        output_dir="results"):
+    """
+    Monarch 統合パイプライン。
+
+    Parameters:
+        disease_query: str — 疾患名 or 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) 疾患検索
+    diseases = monarch_search(disease_query,
+                              category="biolink:Disease")
+    diseases.to_csv(output_dir / "monarch_diseases.csv",
+                    index=False)
+
+    if diseases.empty:
+        print(f"Monarch: '{disease_query}' not found")
+        return {"diseases": diseases}
+
+    disease_id = diseases.iloc[0]["id"]
+
+    # 2) 関連遺伝子
+    genes = monarch_disease_genes(disease_id)
+    genes.to_csv(output_dir / "monarch_genes.csv",
+                 index=False)
+
+    # 3) 表現型 (HPO)
+    phenotypes = monarch_disease_phenotypes(disease_id)
+    phenotypes.to_csv(
+        output_dir / "monarch_phenotypes.csv",
+        index=False)
+
+    print(f"Monarch pipeline: {disease_query} "
+          f"→ {output_dir}")
+    return {"genes": genes, "phenotypes": phenotypes}
+```
+
+---
+
+## ToolUniverse 連携
+
+| TU Key | ツール名 | 連携内容 |
+|--------|---------|---------|
+| `monarch` | Monarch Initiative | 疾患-表現型-遺伝子オントロジー統合 |
+
+## パイプライン統合
+
+```
+disease-research → monarch-ontology → rare-disease-genetics
+  (GWAS/DisGeNET)   (Monarch API)     (OMIM/Orphanet)
+        │                  │                 ↓
+variant-interpretation ───┘       ontology-enrichment
+  (ClinVar/ACMG)                 (EFO/OLS/Enrichr)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `results/monarch_diseases.csv` | 疾患検索結果 | → disease-research |
+| `results/monarch_genes.csv` | 関連遺伝子 | → variant-interpretation |
+| `results/monarch_phenotypes.csv` | HPO 表現型 | → rare-disease-genetics |

package/src/.github/skills/scientific-pharmacology-targets/SKILL.md

@@ -4,6 +4,16 @@ description: |
   薬理学的ターゲットプロファイリングスキル。BindingDB 結合親和性、
   GPCRdb GPCR 構造-活性、GtoPdb 薬理学、BRENDA 酵素動態、
   Pharos 未解明ターゲット(TDL)の統合解析パイプライン。
+tu_tools:
+  - key: bindingdb
+    name: BindingDB
+    description: 結合親和性データベース
+  - key: gtopdb
+    name: GtoPdb
+    description: Guide to PHARMACOLOGY
+  - key: brenda
+    name: BRENDA
+    description: 酵素動態データベース
 ---
 
 # Scientific Pharmacology Targets

package/src/.github/skills/scientific-precision-oncology/SKILL.md

@@ -4,6 +4,10 @@ description: |
   精密腫瘍学スキル。CIViC・OncoKB・cBioPortal・COSMIC・GDC/TCGA を統合し、
   腫瘍ゲノムプロファイリング・分子標的選定・バイオマーカー評価・治療推奨を支援。
   「がんゲノム解析して」「腫瘍プロファイリングして」「OncoKB で検索して」で発火。
+tu_tools:
+  - key: oncokb
+    name: OncoKB
+    description: 精密腫瘍学アノテーション
 ---
 
 # Scientific Precision Oncology

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 |