@nahisaho/satori 0.20.0 → 0.22.0

package/src/.github/skills/scientific-crispr-design/SKILL.md

@@ -0,0 +1,369 @@
+---
+name: scientific-crispr-design
+description: |
+  CRISPR gRNA 設計スキル。Cas9/Cas12a PAM 配列検索・
+  オフターゲットスコアリング (CFD/MIT)・
+  CRISPRscan/Rule Set 2 活性予測・検証プライマー設計・
+  sgRNA スクリーニングライブラリ構築パイプライン。
+  TU 外スキル (Python ライブラリ + ローカル解析)。
+---
+
+# Scientific CRISPR Design
+
+CRISPR gRNA 設計・オフターゲット評価・活性予測を統合した
+効率的なガイド RNA 選択パイプラインを提供する。
+
+## When to Use
+
+- CRISPR-Cas9/Cas12a の gRNA を設計するとき
+- PAM 配列検索とガイド候補の列挙を行うとき
+- オフターゲットスコア (CFD/MIT) で安全性を評価するとき
+- gRNA 活性スコア (CRISPRscan/Rule Set 2) で効率を予測するとき
+- CRISPR スクリーニングライブラリを構築するとき
+- 検証用 PCR プライマーを設計するとき
+
+---
+
+## Quick Start
+
+## 1. PAM 配列検索・gRNA 候補列挙
+
+```python
+import re
+import pandas as pd
+from Bio import SeqIO
+from Bio.Seq import Seq
+
+
+# PAM パターン定義
+PAM_PATTERNS = {
+    "SpCas9":  {"pam": "NGG", "guide_len": 20,
+                "pam_side": "3prime"},
+    "SaCas9":  {"pam": "NNGRRT", "guide_len": 21,
+                "pam_side": "3prime"},
+    "Cas12a":  {"pam": "TTTV", "guide_len": 23,
+                "pam_side": "5prime"},
+    "xCas9":   {"pam": "NG", "guide_len": 20,
+                "pam_side": "3prime"},
+}
+
+
+def iupac_to_regex(pam):
+    """IUPAC → 正規表現変換。"""
+    iupac = {
+        "N": "[ACGT]", "R": "[AG]", "Y": "[CT]",
+        "S": "[GC]", "W": "[AT]", "K": "[GT]",
+        "M": "[AC]", "B": "[CGT]", "D": "[AGT]",
+        "H": "[ACT]", "V": "[ACG]",
+    }
+    return "".join(iupac.get(c, c) for c in pam)
+
+
+def find_grna_candidates(sequence, cas_type="SpCas9",
+                           strand="both"):
+    """
+    gRNA 候補の列挙。
+
+    Parameters:
+        sequence: str — 標的 DNA 配列
+        cas_type: str — Cas タイプ
+        strand: str — "sense"/"antisense"/"both"
+    """
+    config = PAM_PATTERNS[cas_type]
+    pam_re = iupac_to_regex(config["pam"])
+    gl = config["guide_len"]
+    side = config["pam_side"]
+    seq = sequence.upper()
+
+    candidates = []
+
+    def _search_strand(s, s_name):
+        for m in re.finditer(
+                f"(?=({pam_re}))", s):
+            pos = m.start()
+            if side == "3prime":
+                start = pos - gl
+                if start < 0:
+                    continue
+                guide = s[start:pos]
+            else:  # 5prime
+                start = pos + len(config["pam"])
+                end = start + gl
+                if end > len(s):
+                    continue
+                guide = s[start:end]
+
+            if len(guide) != gl:
+                continue
+
+            gc = (guide.count("G")
+                  + guide.count("C")) / gl
+
+            candidates.append({
+                "guide": guide,
+                "pam": m.group(1),
+                "position": pos,
+                "strand": s_name,
+                "gc_content": round(gc, 3),
+                "length": gl,
+            })
+
+    if strand in ("sense", "both"):
+        _search_strand(seq, "+")
+    if strand in ("antisense", "both"):
+        rc = str(Seq(seq).reverse_complement())
+        _search_strand(rc, "-")
+
+    df = pd.DataFrame(candidates)
+
+    # GC フィルタ (30-70%)
+    if not df.empty:
+        df = df[(df["gc_content"] >= 0.30)
+                & (df["gc_content"] <= 0.70)]
+
+    print(f"CRISPR {cas_type}: "
+          f"{len(df)} gRNA candidates "
+          f"(GC 30-70%)")
+    return df.reset_index(drop=True)
+```
+
+## 2. オフターゲットスコアリング
+
+```python
+import numpy as np
+
+
+# CFD スコア簡易実装 (Doench 2016)
+def cfd_score(guide, off_target):
+    """
+    CFD (Cutting Frequency Determination) スコア。
+
+    Parameters:
+        guide: str — gRNA 配列 (20nt)
+        off_target: str — オフターゲットサイト
+    """
+    # ポジション別ミスマッチペナルティ (簡易版)
+    mm_penalty = {
+        1: 0.0, 2: 0.0, 3: 0.014, 4: 0.0,
+        5: 0.0, 6: 0.395, 7: 0.317, 8: 0.0,
+        9: 0.389, 10: 0.079, 11: 0.445,
+        12: 0.508, 13: 0.613, 14: 0.851,
+        15: 0.732, 16: 0.828, 17: 0.615,
+        18: 0.804, 19: 0.685, 20: 0.583,
+    }
+
+    score = 1.0
+    for i in range(min(len(guide),
+                       len(off_target))):
+        if guide[i] != off_target[i]:
+            pos = i + 1
+            penalty = mm_penalty.get(pos, 0.5)
+            score *= (1.0 - penalty)
+
+    return round(score, 4)
+
+
+def score_off_targets(guide, genome_fasta,
+                        max_mismatches=4):
+    """
+    ゲノムワイドオフターゲットスコアリング。
+
+    Parameters:
+        guide: str — gRNA 配列
+        genome_fasta: str — リファレンスゲノム
+        max_mismatches: int — 最大ミスマッチ数
+    """
+    results = []
+    gl = len(guide)
+    guide_upper = guide.upper()
+
+    for record in SeqIO.parse(
+            genome_fasta, "fasta"):
+        seq = str(record.seq).upper()
+        for i in range(len(seq) - gl - 3):
+            site = seq[i:i + gl]
+            pam = seq[i + gl:i + gl + 3]
+            if not re.match("[ACGT]GG", pam):
+                continue
+
+            mm = sum(1 for a, b in
+                     zip(guide_upper, site)
+                     if a != b)
+            if mm <= max_mismatches:
+                results.append({
+                    "chrom": record.id,
+                    "position": i,
+                    "site": site,
+                    "pam": pam,
+                    "mismatches": mm,
+                    "cfd_score": cfd_score(
+                        guide_upper, site),
+                })
+
+    df = pd.DataFrame(results)
+    df = df.sort_values("cfd_score",
+                         ascending=False)
+    print(f"Off-target: {len(df)} sites "
+          f"(≤{max_mismatches} mm)")
+    return df
+```
+
+## 3. gRNA 活性予測
+
+```python
+def rule_set2_score(guide_30mer):
+    """
+    Rule Set 2 活性スコア (Doench 2016 簡易版)。
+
+    Parameters:
+        guide_30mer: str — 30nt 配列
+            (4nt upstream + 20nt guide + 3nt PAM
+             + 3nt downstream)
+    """
+    seq = guide_30mer.upper()
+    if len(seq) != 30:
+        print(f"Warning: expected 30nt, "
+              f"got {len(seq)}")
+        return 0.0
+
+    guide = seq[4:24]
+    gc = (guide.count("G")
+          + guide.count("C")) / 20
+
+    # 位置重み付きスコア (簡易)
+    score = 0.5
+
+    # GC 最適範囲
+    if 0.40 <= gc <= 0.70:
+        score += 0.1
+    elif gc < 0.30 or gc > 0.80:
+        score -= 0.2
+
+    # PAM 近傍優先塩基
+    if guide[-1] == "G":
+        score += 0.05
+    if guide[-4] == "C":
+        score += 0.03
+
+    # ポリ T 回避 (Pol III 終結)
+    if "TTTT" in guide:
+        score -= 0.3
+
+    return round(max(0, min(1, score)), 3)
+
+
+def rank_grnas(candidates_df, genome_fasta=None):
+    """
+    gRNA 候補ランキング。
+
+    Parameters:
+        candidates_df: pd.DataFrame — gRNA 候補
+        genome_fasta: str | None — オフタ解析用
+    """
+    df = candidates_df.copy()
+
+    # 活性スコア (30mer が無い場合は guide のみ)
+    df["activity_score"] = df["guide"].apply(
+        lambda g: rule_set2_score(
+            "AAAA" + g + "GGGNNN"
+            if len(g) == 20
+            else g.ljust(30, "N")))
+
+    # オフターゲット (ゲノムがあれば)
+    if genome_fasta:
+        ot_scores = []
+        for guide in df["guide"]:
+            ot = score_off_targets(
+                guide, genome_fasta, 3)
+            specificity = (
+                1.0 / (1.0 + len(ot))
+                if not ot.empty else 1.0)
+            ot_scores.append(round(specificity, 3))
+        df["specificity"] = ot_scores
+    else:
+        df["specificity"] = 1.0
+
+    # 総合スコア
+    df["composite_score"] = (
+        df["activity_score"] * 0.5
+        + df["specificity"] * 0.3
+        + df["gc_content"].clip(0.4, 0.6) * 0.2
+    ).round(3)
+
+    df = df.sort_values("composite_score",
+                         ascending=False)
+    print(f"gRNA ranking: top score = "
+          f"{df['composite_score'].iloc[0]}")
+    return df
+```
+
+## 4. sgRNA ライブラリ構築
+
+```python
+def build_sgrna_library(gene_list,
+                          genome_fasta,
+                          guides_per_gene=4,
+                          cas_type="SpCas9"):
+    """
+    スクリーニング用 sgRNA ライブラリ構築。
+
+    Parameters:
+        gene_list: list[dict] — 遺伝子リスト
+            [{"gene": "TP53", "sequence": "ATCG..."}]
+        genome_fasta: str — リファレンスゲノム
+        guides_per_gene: int — 遺伝子あたり gRNA 数
+        cas_type: str — Cas タイプ
+    """
+    library = []
+
+    for gene_info in gene_list:
+        gene = gene_info["gene"]
+        seq = gene_info["sequence"]
+
+        candidates = find_grna_candidates(
+            seq, cas_type)
+
+        if candidates.empty:
+            print(f"  {gene}: no candidates")
+            continue
+
+        ranked = rank_grnas(candidates)
+        top = ranked.head(guides_per_gene)
+
+        for _, row in top.iterrows():
+            library.append({
+                "gene": gene,
+                "guide": row["guide"],
+                "position": row["position"],
+                "strand": row["strand"],
+                "gc_content": row["gc_content"],
+                "activity": row["activity_score"],
+                "composite": row["composite_score"],
+            })
+
+    df = pd.DataFrame(library)
+    n_genes = df["gene"].nunique()
+    print(f"Library: {len(df)} sgRNAs for "
+          f"{n_genes} genes")
+    return df
+```
+
+---
+
+## パイプライン統合
+
+```
+genome-sequence-tools → crispr-design → perturbation-analysis
+  (ゲノム配列取得)       (gRNA 設計)     (摂動実験解析)
+        │                     │                ↓
+  variant-effect-prediction ─┘     functional-genomics
+    (変異影響予測)                   (機能ゲノミクス)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `grna_candidates.csv` | gRNA 候補リスト | → ランキング |
+| `off_target_report.csv` | オフターゲット評価 | → 安全性確認 |
+| `sgrna_library.csv` | sgRNA ライブラリ | → perturbation-analysis |

package/src/.github/skills/scientific-drug-repurposing/SKILL.md

@@ -5,6 +5,10 @@ description: |
   パラダイムに準拠し、7 つの戦略（ターゲット型、化合物型、疾患駆動型、メカニズム型、
   ネットワーク型、表現型、構造型）で候補を体系的に探索。
   「ドラッグリポジショニングして」「既存薬の新規適応を探して」で発火。
+tu_tools:
+  - key: pharos
+    name: Pharos
+    description: IDG Pharos/TCRD ターゲットナレッジベース
 ---
 
 # Scientific Drug Repurposing

package/src/.github/skills/scientific-environmental-ecology/SKILL.md

@@ -4,6 +4,11 @@ description: |
   環境科学・生態学解析スキル。種分布モデリング（SDM / MaxEnt）・
   生物多様性指標（α/β/γ 多様性）・群集構造解析（NMDS/CCA/RDA）・
   生態学的ニッチモデリング・保全優先順位評価・OBIS/GBIF データ統合パイプライン。
+  ToolUniverse 連携: gbif。
+tu_tools:
+  - key: gbif
+    name: GBIF
+    description: 地球規模生物多様性情報ファシリティ
 ---
 
 # Scientific Environmental Ecology

package/src/.github/skills/scientific-epidemiology-public-health/SKILL.md

@@ -5,6 +5,11 @@ description: |
   リスク指標（RR/OR/HR/NNT）・標準化死亡比（SMR）・年齢調整率・
   空間疫学（GIS / 空間クラスタリング）・因果推論ダイアグラム（DAG）・
   WHO/CDC/EU 公衆衛生データ統合パイプライン。
+  ToolUniverse 連携: who_gho。
+tu_tools:
+  - key: who_gho
+    name: WHO GHO
+    description: WHO Global Health Observatory 健康統計 API
 ---
 
 # Scientific Epidemiology & Public Health

package/src/.github/skills/scientific-epigenomics-chromatin/SKILL.md

@@ -6,6 +6,11 @@ description: |
   ヒストン修飾クロマチン状態モデリング (ChromHMM)、Hi-C 接触マップ・TAD 検出、
   転写因子結合サイト予測 (モチーフ濃縮)、差次結合解析 (DiffBind) を統合した
   計算エピゲノミクスパイプライン。ChIP-Atlas 43 万+実験との連携対応。
+  ToolUniverse 連携: chipatlas。
+tu_tools:
+  - key: chipatlas
+    name: ChIP-Atlas
+    description: ChIP-Atlas エピゲノミクスエンリッチメント解析 (43万+実験)
 ---
 
 # Scientific Epigenomics & Chromatin Biology

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

@@ -0,0 +1,274 @@
+---
+name: scientific-glycomics
+description: |
+  糖鎖構造解析スキル。GlyConnect / GlyGen / GlyCosmos
+  糖鎖データベース統合検索・糖鎖構造描画・糖タンパク質
+  グリコシル化部位予測・レクチンバインディング・
+  糖鎖マスフラグメンテーション解析パイプライン。
+  TU 外スキル (直接 REST API + Python ライブラリ)。
+---
+
+# Scientific Glycomics
+
+GlyConnect / GlyGen / GlyCosmos 糖鎖データベースを統合した
+糖鎖構造解析・糖タンパク質グリコサイト予測・レクチン特異性・
+糖鎖 MS フラグメンテーション解析パイプラインを提供する。
+
+## When to Use
+
+- 糖鎖構造を GlyTouCan ID から検索・描画するとき
+- タンパク質のグリコシル化部位を予測・マッピングするとき
+- GlyGen/GlyConnect で糖鎖-タンパク質関連を検索するとき
+- 糖鎖マススペクトルのフラグメンテーション解析を行うとき
+- レクチン-糖鎖結合特異性を調査するとき
+
+---
+
+## Quick Start
+
+## 1. GlyGen 糖鎖検索
+
+```python
+import requests
+import pandas as pd
+
+GLYGEN_API = "https://api.glygen.org"
+
+
+def glygen_glycan_search(glycan_type=None,
+                           mass_range=None):
+    """
+    GlyGen — 糖鎖検索。
+
+    Parameters:
+        glycan_type: str | None — 糖鎖タイプ
+            ("N-linked", "O-linked", "GAG" 等)
+        mass_range: tuple | None — (min_mass, max_mass)
+    """
+    query = {}
+    if glycan_type:
+        query["glycan_type"] = glycan_type
+    if mass_range:
+        query["mass"] = {
+            "min": mass_range[0],
+            "max": mass_range[1]}
+
+    url = f"{GLYGEN_API}/glycan/search"
+    resp = requests.post(url, json=query, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    results = data.get("results", [])
+    rows = []
+    for r in results:
+        rows.append({
+            "glytoucan_ac": r.get("glytoucan_ac", ""),
+            "mass": r.get("mass", 0),
+            "glycan_type": r.get("glycan_type", ""),
+            "composition": r.get(
+                "composition", ""),
+        })
+
+    df = pd.DataFrame(rows)
+    print(f"GlyGen search: {len(df)} glycans found")
+    return df
+
+
+def glygen_glycan_detail(glytoucan_ac):
+    """
+    GlyGen — 糖鎖詳細情報取得。
+
+    Parameters:
+        glytoucan_ac: str — GlyTouCan アクセッション
+    """
+    url = f"{GLYGEN_API}/glycan/detail/{glytoucan_ac}"
+    resp = requests.get(url, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    info = {
+        "glytoucan_ac": data.get("glytoucan_ac", ""),
+        "mass": data.get("mass", 0),
+        "glycan_type": data.get("glycan_type", ""),
+        "iupac": data.get("iupac", ""),
+        "glycoct": data.get("glycoct", ""),
+        "species": [s.get("name", "")
+                    for s in data.get("species", [])],
+        "proteins": len(data.get("glycoprotein", [])),
+    }
+
+    print(f"GlyGen: {glytoucan_ac} → "
+          f"type={info['glycan_type']}, "
+          f"mass={info['mass']:.1f}, "
+          f"proteins={info['proteins']}")
+    return info
+```
+
+## 2. 糖タンパク質グリコサイト検索
+
+```python
+def glygen_protein_glycosylation(uniprot_ac):
+    """
+    GlyGen — タンパク質グリコシル化部位取得。
+
+    Parameters:
+        uniprot_ac: str — UniProt アクセッション
+    """
+    url = f"{GLYGEN_API}/protein/detail/{uniprot_ac}"
+    resp = requests.get(url, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    sites = data.get("glycosylation", [])
+    rows = []
+    for site in sites:
+        rows.append({
+            "position": site.get("position", 0),
+            "type": site.get("type", ""),
+            "glytoucan_ac": site.get(
+                "glytoucan_ac", ""),
+            "residue": site.get("residue", ""),
+            "evidence": site.get("evidence", ""),
+        })
+
+    df = pd.DataFrame(rows)
+    print(f"GlyGen glycosites: {uniprot_ac} → "
+          f"{len(df)} sites")
+    return df
+```
+
+## 3. 糖鎖 MS フラグメンテーション
+
+```python
+import numpy as np
+
+
+def glycan_fragmentation(composition,
+                           ion_type="[M+Na]+"):
+    """
+    糖鎖 MS フラグメンテーション予測。
+
+    Parameters:
+        composition: dict — 糖鎖組成
+            例: {"Hex": 5, "HexNAc": 4, "Fuc": 1,
+                 "NeuAc": 2}
+        ion_type: str — イオン種
+    """
+    monosaccharide_mass = {
+        "Hex": 162.0528,
+        "HexNAc": 203.0794,
+        "Fuc": 146.0579,
+        "NeuAc": 291.0954,
+        "NeuGc": 307.0903,
+        "Pent": 132.0423,
+    }
+
+    adducts = {
+        "[M+Na]+": 22.9892,
+        "[M+H]+": 1.0073,
+        "[M+K]+": 38.9632,
+        "[M-H]-": -1.0073,
+    }
+
+    total_mass = 18.0106  # water
+    for sugar, count in composition.items():
+        if sugar in monosaccharide_mass:
+            total_mass += (monosaccharide_mass[sugar]
+                          * count)
+
+    adduct = adducts.get(ion_type, 22.9892)
+    precursor_mz = total_mass + adduct
+
+    # Y-type fragments (reducing end)
+    fragments = []
+    for sugar, count in composition.items():
+        if sugar not in monosaccharide_mass:
+            continue
+        for i in range(1, count + 1):
+            loss = monosaccharide_mass[sugar] * i
+            frag_mz = precursor_mz - loss
+            fragments.append({
+                "type": f"Y (loss {i}x{sugar})",
+                "mz": round(frag_mz, 4),
+                "loss": round(loss, 4),
+            })
+
+    df = pd.DataFrame(fragments).sort_values(
+        "mz", ascending=False)
+    print(f"Glycan fragmentation: "
+          f"precursor={precursor_mz:.4f}, "
+          f"{len(df)} fragments")
+    return df
+```
+
+## 4. 糖鎖解析統合パイプライン
+
+```python
+def glycomics_pipeline(uniprot_ids,
+                         output_dir="results"):
+    """
+    糖鎖解析統合パイプライン。
+
+    Parameters:
+        uniprot_ids: list[str] — UniProt ID 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) グリコサイトマッピング
+    all_sites = []
+    for uid in uniprot_ids:
+        sites = glygen_protein_glycosylation(uid)
+        sites["protein"] = uid
+        all_sites.append(sites)
+    if all_sites:
+        sites_df = pd.concat(all_sites,
+                             ignore_index=True)
+        sites_df.to_csv(
+            output_dir / "glycosites.csv",
+            index=False)
+
+    # 2) 糖鎖詳細取得
+    unique_glycans = set()
+    for df in all_sites:
+        if not df.empty:
+            unique_glycans.update(
+                df["glytoucan_ac"].dropna().unique())
+
+    glycan_details = []
+    for gac in list(unique_glycans)[:50]:
+        if gac:
+            detail = glygen_glycan_detail(gac)
+            if detail:
+                glycan_details.append(detail)
+    if glycan_details:
+        gdf = pd.DataFrame(glycan_details)
+        gdf.to_csv(
+            output_dir / "glycan_details.csv",
+            index=False)
+
+    print(f"Glycomics pipeline → {output_dir}")
+    return {"sites": sites_df if all_sites else
+            pd.DataFrame()}
+```
+
+---
+
+## パイプライン統合
+
+```
+proteomics-mass-spectrometry → glycomics → pathway-enrichment
+  (LC-MS/MS PTM 同定)          (糖鎖構造)   (糖鎖パスウェイ)
+         │                        │               ↓
+  protein-structure-analysis ────┘    immunoinformatics
+    (糖鎖結合サイト構造)               (抗体グリコシル化)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `results/glycosites.csv` | グリコシル化部位 | → protein-structure-analysis |
+| `results/glycan_details.csv` | 糖鎖詳細 | → pathway-enrichment |

package/src/.github/skills/scientific-gtex-tissue-expression/SKILL.md

@@ -3,8 +3,11 @@ name: scientific-gtex-tissue-expression
 description: |
   GTEx 組織発現スキル。GTEx Portal REST API v2 による
   組織特異的遺伝子発現パターン解析・eQTL ルックアップ・
-  多組織比較。直接 API (ToolUniverse 非連携)。
-tu_tools: []
+  多組織比較。ToolUniverse 連携: gtex_v2。
+tu_tools:
+  - key: gtex_v2
+    name: GTEx v2
+    description: GTEx Portal REST API v2 組織特異的発現・eQTL
 ---
 
 # Scientific GTEx Tissue Expression