@nahisaho/satori 0.19.0 → 0.21.0

package/src/.github/skills/scientific-cell-line-resources/SKILL.md

@@ -4,6 +4,10 @@ description: |
   細胞株リソーススキル。Cellosaurus 細胞株データベース検索、
   STR プロファイルマッチング、コンタミネーション検出、
   細胞株メタデータ (由来組織・疾患・種) 取得パイプライン。
+tu_tools:
+  - key: cellosaurus
+    name: Cellosaurus
+    description: 細胞株データベース (ExPASy)
 ---
 
 # Scientific Cell Line Resources

package/src/.github/skills/scientific-cellxgene-census/SKILL.md

@@ -0,0 +1,257 @@
+---
+name: scientific-cellxgene-census
+description: |
+  CELLxGENE Census 大規模シングルセルアトラススキル。
+  CZ CELLxGENE Census API によるヒト/マウス全アトラスの
+  メタデータ検索・遺伝子発現クエリ・セルタイプ分布解析・
+  データセット横断統合パイプライン。
+  ToolUniverse 連携: cellxgene_census。
+tu_tools:
+  - key: cellxgene_census
+    name: CELLxGENE Census
+    description: 大規模シングルセルアトラスデータアクセス API
+---
+
+# Scientific CELLxGENE Census
+
+CZ CELLxGENE Census API を活用した大規模シングルセルアトラスの
+メタデータ検索・遺伝子発現クエリ・セルタイプ分布解析・
+データセット横断統合パイプラインを提供する。
+
+## When to Use
+
+- 数千万細胞規模のシングルセルアトラスから特定組織/疾患のデータを抽出するとき
+- 組織横断的なセルタイプ分布を比較するとき
+- 特定遺伝子の全アトラスにわたる発現パターンを検索するとき
+- Census データセットをメタデータベースでフィルタリングするとき
+- AnnData/Sparse 行列として大規模データを効率的に取得するとき
+
+---
+
+## Quick Start
+
+## 1. Census メタデータ検索
+
+```python
+import cellxgene_census
+import pandas as pd
+
+
+def census_datasets(organism="Homo sapiens",
+                      tissue=None, disease=None):
+    """
+    CELLxGENE Census — データセットメタデータ検索。
+
+    Parameters:
+        organism: str — 生物種
+        tissue: str — 組織フィルタ
+        disease: str — 疾患フィルタ
+    """
+    with cellxgene_census.open_soma() as census:
+        datasets = census["census_info"]["datasets"].read(
+        ).concat().to_pandas()
+
+    if tissue:
+        datasets = datasets[
+            datasets["dataset_title"].str.contains(
+                tissue, case=False, na=False)]
+    if disease:
+        datasets = datasets[
+            datasets["dataset_title"].str.contains(
+                disease, case=False, na=False)]
+
+    print(f"Census datasets: {len(datasets)} matched")
+    return datasets
+
+
+def census_cell_metadata(organism="Homo sapiens",
+                           tissue=None,
+                           cell_type=None,
+                           max_cells=10000):
+    """
+    CELLxGENE Census — セルメタデータ取得。
+
+    Parameters:
+        organism: str — 生物種
+        tissue: str — 組織フィルタ
+        cell_type: str — セルタイプフィルタ
+        max_cells: int — 最大セル数
+    """
+    obs_filters = []
+    if tissue:
+        obs_filters.append(
+            f"tissue_general == '{tissue}'")
+    if cell_type:
+        obs_filters.append(
+            f"cell_type == '{cell_type}'")
+    value_filter = " and ".join(obs_filters) \
+        if obs_filters else None
+
+    with cellxgene_census.open_soma() as census:
+        obs_df = cellxgene_census.get_obs(
+            census, organism,
+            value_filter=value_filter,
+            column_names=[
+                "cell_type", "tissue_general",
+                "disease", "sex", "development_stage",
+                "dataset_id", "assay"],
+        )
+
+    df = obs_df.head(max_cells)
+    print(f"Census cells: {len(df)} retrieved "
+          f"(filter: {value_filter})")
+    return df
+```
+
+## 2. 遺伝子発現クエリ
+
+```python
+def census_gene_expression(organism="Homo sapiens",
+                             gene_symbols=None,
+                             tissue=None,
+                             max_cells=5000):
+    """
+    CELLxGENE Census — 遺伝子発現データ取得。
+
+    Parameters:
+        organism: str — 生物種
+        gene_symbols: list[str] — 遺伝子シンボルリスト
+        tissue: str — 組織フィルタ
+        max_cells: int — 最大セル数
+    """
+    obs_filter = (f"tissue_general == '{tissue}'"
+                  if tissue else None)
+    var_filter = None
+    if gene_symbols:
+        genes_str = "', '".join(gene_symbols)
+        var_filter = f"feature_name in ['{genes_str}']"
+
+    with cellxgene_census.open_soma() as census:
+        adata = cellxgene_census.get_anndata(
+            census, organism,
+            obs_value_filter=obs_filter,
+            var_value_filter=var_filter,
+            obs_column_names=[
+                "cell_type", "tissue_general",
+                "disease"],
+        )
+
+    if max_cells and len(adata) > max_cells:
+        import numpy as np
+        idx = np.random.choice(
+            len(adata), max_cells, replace=False)
+        adata = adata[idx]
+
+    print(f"Census expression: {adata.shape[0]} cells × "
+          f"{adata.shape[1]} genes")
+    return adata
+```
+
+## 3. セルタイプ分布解析
+
+```python
+def celltype_distribution(organism="Homo sapiens",
+                            tissue=None):
+    """
+    組織別セルタイプ分布解析。
+
+    Parameters:
+        organism: str — 生物種
+        tissue: str — 組織フィルタ
+    """
+    obs_filter = (f"tissue_general == '{tissue}'"
+                  if tissue else None)
+
+    with cellxgene_census.open_soma() as census:
+        obs_df = cellxgene_census.get_obs(
+            census, organism,
+            value_filter=obs_filter,
+            column_names=["cell_type",
+                          "tissue_general"],
+        )
+
+    # セルタイプカウント
+    ct_counts = obs_df["cell_type"].value_counts()
+    ct_df = pd.DataFrame({
+        "cell_type": ct_counts.index,
+        "count": ct_counts.values,
+        "fraction": ct_counts.values / ct_counts.sum(),
+    })
+
+    print(f"Cell types: {len(ct_df)} types, "
+          f"total {ct_counts.sum()} cells")
+    return ct_df
+```
+
+## 4. Census 統合パイプライン
+
+```python
+def census_pipeline(organism="Homo sapiens",
+                      tissue=None,
+                      gene_symbols=None,
+                      output_dir="results"):
+    """
+    CELLxGENE Census 統合パイプライン。
+
+    Parameters:
+        organism: str — 生物種
+        tissue: str — 組織
+        gene_symbols: list[str] — 対象遺伝子
+        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) データセットメタデータ
+    datasets = census_datasets(organism, tissue)
+    datasets.to_csv(output_dir / "census_datasets.csv",
+                    index=False)
+
+    # 2) セルタイプ分布
+    ct_dist = celltype_distribution(organism, tissue)
+    ct_dist.to_csv(
+        output_dir / "celltype_distribution.csv",
+        index=False)
+
+    # 3) 遺伝子発現 (指定時)
+    adata = None
+    if gene_symbols:
+        adata = census_gene_expression(
+            organism, gene_symbols, tissue)
+        adata.write_h5ad(
+            output_dir / "census_expression.h5ad")
+
+    print(f"Census pipeline → {output_dir}")
+    return {
+        "datasets": datasets,
+        "celltype_dist": ct_dist,
+        "adata": adata,
+    }
+```
+
+---
+
+## ToolUniverse 連携
+
+| TU Key | ツール名 | 連携内容 |
+|--------|---------|---------|
+| `cellxgene_census` | CELLxGENE Census | 大規模シングルセルアトラス API |
+
+## パイプライン統合
+
+```
+human-cell-atlas → cellxgene-census → single-cell-genomics
+  (HCA Portal)     (Census 大規模)     (Scanpy 解析)
+       │                  │                  ↓
+  spatial-multiomics ────┘      scvi-integration
+    (空間統合)                   (scVI/scANVI)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `results/census_datasets.csv` | データセット一覧 | → human-cell-atlas |
+| `results/celltype_distribution.csv` | セルタイプ分布 | → single-cell-genomics |
+| `results/census_expression.h5ad` | 発現行列 (AnnData) | → scvi-integration |

package/src/.github/skills/scientific-chembl-assay-mining/SKILL.md

@@ -5,6 +5,10 @@ description: |
   アッセイ検索・バイオアクティビティデータ取得・IC50/Ki/EC50 SAR 解析・
   ターゲット-化合物マッピング・選択性プロファイリング・ATC 分類検索・
   構造アラート検出パイプライン。
+tu_tools:
+  - key: chembl
+    name: ChEMBL
+    description: 創薬生理活性データベース (EBI)
 ---
 
 # Scientific ChEMBL Assay Mining

package/src/.github/skills/scientific-clingen-curation/SKILL.md

@@ -0,0 +1,258 @@
+---
+name: scientific-clingen-curation
+description: |
+  ClinGen 臨床ゲノム資源キュレーションスキル。ClinGen API に
+  よる遺伝子-疾患バリディティ、臨床アクショナビリティ、
+  投与量感受性、バリアントレベルエビデンス評価パイプライン。
+  ToolUniverse 連携: clingen。
+tu_tools:
+  - key: clingen
+    name: ClinGen
+    description: ClinGen 臨床ゲノムリソース キュレーションデータ
+---
+
+# Scientific ClinGen Curation
+
+ClinGen (Clinical Genome Resource) API を活用した
+遺伝子-疾患バリディティ分類・臨床アクショナビリティ
+スコアリング・投与量感受性評価・バリアントキュレーション
+パイプラインを提供する。
+
+## When to Use
+
+- 遺伝子-疾患関連のエビデンスレベルを評価するとき
+- 臨床アクショナビリティ (介入可能性) を判定するとき
+- ハプロ不全/トリプロ感受性を評価するとき
+- ClinGen キュレーション済みバリアント分類を取得するとき
+- ACMG ガイドラインに基づくバリアント解釈を行うとき
+
+---
+
+## Quick Start
+
+## 1. 遺伝子-疾患バリディティ
+
+```python
+import requests
+import pandas as pd
+
+CLINGEN_BASE = "https://search.clinicalgenome.org/kb"
+
+
+def clingen_gene_validity(gene_symbol):
+    """
+    ClinGen — 遺伝子-疾患バリディティ分類取得。
+
+    Parameters:
+        gene_symbol: str — 遺伝子シンボル (例: "BRCA1")
+    """
+    url = (f"{CLINGEN_BASE}/gene-validity/"
+           f"?search={gene_symbol}&format=json")
+    resp = requests.get(url, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    results = data if isinstance(data, list) else \
+        data.get("results", [])
+
+    rows = []
+    for item in results:
+        rows.append({
+            "gene": item.get("gene", {}).get(
+                "symbol", gene_symbol),
+            "disease": item.get("disease", {}).get(
+                "label", ""),
+            "classification": item.get(
+                "classification", ""),
+            "moi": item.get("moi", ""),
+            "sop": item.get("sopVersion", ""),
+        })
+
+    df = pd.DataFrame(rows)
+    print(f"ClinGen validity: {gene_symbol} → "
+          f"{len(df)} gene-disease pairs")
+    return df
+
+
+def clingen_gene_validity_batch(gene_symbols):
+    """
+    ClinGen — 複数遺伝子バリディティバッチ取得。
+
+    Parameters:
+        gene_symbols: list[str] — 遺伝子シンボルリスト
+    """
+    all_results = []
+    for sym in gene_symbols:
+        df = clingen_gene_validity(sym)
+        if not df.empty:
+            all_results.append(df)
+    if all_results:
+        combined = pd.concat(all_results,
+                             ignore_index=True)
+        cls_dist = combined["classification"].value_counts()
+        print(f"Validity distribution: "
+              f"{cls_dist.to_dict()}")
+        return combined
+    return pd.DataFrame()
+```
+
+## 2. 投与量感受性
+
+```python
+def clingen_dosage_sensitivity(gene_symbol):
+    """
+    ClinGen — 投与量感受性 (haplo/triplo) 評価取得。
+
+    Parameters:
+        gene_symbol: str — 遺伝子シンボル
+    """
+    url = (f"{CLINGEN_BASE}/gene-dosage/"
+           f"?search={gene_symbol}&format=json")
+    resp = requests.get(url, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    results = data if isinstance(data, list) else \
+        data.get("results", [])
+
+    rows = []
+    for item in results:
+        rows.append({
+            "gene": item.get("gene", {}).get(
+                "symbol", gene_symbol),
+            "haplo_score": item.get(
+                "haploinsufficiency", {}).get(
+                    "score", ""),
+            "haplo_label": item.get(
+                "haploinsufficiency", {}).get(
+                    "label", ""),
+            "triplo_score": item.get(
+                "triplosensitivity", {}).get(
+                    "score", ""),
+            "triplo_label": item.get(
+                "triplosensitivity", {}).get(
+                    "label", ""),
+        })
+
+    df = pd.DataFrame(rows)
+    print(f"ClinGen dosage: {gene_symbol} → "
+          f"{len(df)} entries")
+    return df
+```
+
+## 3. 臨床アクショナビリティ
+
+```python
+def clingen_actionability(gene_symbol):
+    """
+    ClinGen — 臨床アクショナビリティスコア取得。
+
+    Parameters:
+        gene_symbol: str — 遺伝子シンボル
+    """
+    url = (f"{CLINGEN_BASE}/actionability/"
+           f"?search={gene_symbol}&format=json")
+    resp = requests.get(url, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    results = data if isinstance(data, list) else \
+        data.get("results", [])
+
+    rows = []
+    for item in results:
+        rows.append({
+            "gene": item.get("gene", {}).get(
+                "symbol", gene_symbol),
+            "disease": item.get("disease", {}).get(
+                "label", ""),
+            "classification": item.get(
+                "classification", ""),
+            "date": item.get("date", ""),
+        })
+
+    df = pd.DataFrame(rows)
+    print(f"ClinGen actionability: {gene_symbol} → "
+          f"{len(df)} entries")
+    return df
+```
+
+## 4. ClinGen 統合パイプライン
+
+```python
+def clingen_pipeline(gene_symbols,
+                       output_dir="results"):
+    """
+    ClinGen 統合キュレーションパイプライン。
+
+    Parameters:
+        gene_symbols: list[str] — 遺伝子シンボルリスト
+        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) Gene-disease validity
+    validity_df = clingen_gene_validity_batch(
+        gene_symbols)
+    if not validity_df.empty:
+        validity_df.to_csv(
+            output_dir / "clingen_validity.csv",
+            index=False)
+
+    # 2) Dosage sensitivity
+    dosage_results = []
+    for sym in gene_symbols:
+        dos = clingen_dosage_sensitivity(sym)
+        if not dos.empty:
+            dosage_results.append(dos)
+    if dosage_results:
+        dosage_df = pd.concat(dosage_results,
+                              ignore_index=True)
+        dosage_df.to_csv(
+            output_dir / "clingen_dosage.csv",
+            index=False)
+
+    # 3) Actionability
+    action_results = []
+    for sym in gene_symbols:
+        act = clingen_actionability(sym)
+        if not act.empty:
+            action_results.append(act)
+    if action_results:
+        action_df = pd.concat(action_results,
+                              ignore_index=True)
+        action_df.to_csv(
+            output_dir / "clingen_actionability.csv",
+            index=False)
+
+    print(f"ClinGen pipeline → {output_dir}")
+    return {"validity": validity_df}
+```
+
+---
+
+## ToolUniverse 連携
+
+| TU Key | ツール名 | 連携内容 |
+|--------|---------|---------|
+| `clingen` | ClinGen | ClinGen 臨床ゲノムリソース キュレーションデータ |
+
+## パイプライン統合
+
+```
+variant-interpretation → clingen-curation → clinical-decision-support
+  (ClinVar/ACMG)        (GDV/DOS/ACT)        (臨床判断支援)
+         │                    │                      ↓
+  variant-effect-prediction ─┘          pharmacogenomics
+    (SpliceAI/CADD)                       (PGx 処方)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `results/clingen_validity.csv` | 遺伝子-疾患バリディティ | → genetic-counseling |
+| `results/clingen_dosage.csv` | 投与量感受性 | → cnv-analysis |
+| `results/clingen_actionability.csv` | 臨床介入可能性 | → precision-medicine |