@nahisaho/satori 0.20.0 → 0.22.0

package/src/.github/skills/scientific-hgnc-nomenclature/SKILL.md

@@ -0,0 +1,282 @@
+---
+name: scientific-hgnc-nomenclature
+description: |
+  HGNC 遺伝子命名法スキル。HUGO Gene Nomenclature Committee
+  REST API による公式遺伝子シンボル検索・エイリアス解決・
+  遺伝子ファミリー/グループクエリ・ID クロスリファレンス
+  パイプライン。
+  TU 外スキル (直接 REST API)。
+---
+
+# Scientific HGNC Nomenclature
+
+HGNC (HUGO Gene Nomenclature Committee) REST API を活用した
+公式遺伝子シンボル検索・エイリアス/旧シンボル解決・
+遺伝子ファミリー照会・マルチデータベース ID 相互参照
+パイプラインを提供する。
+
+## When to Use
+
+- 遺伝子エイリアスから公式 HGNC シンボルを取得するとき
+- 旧遺伝子シンボル (previous symbol) を最新名に変換するとき
+- 遺伝子ファミリー/グループのメンバーリストを取得するとき
+- HGNC ID ↔ Ensembl / NCBI Gene / UniProt のクロスリファレンスを行うとき
+- 遺伝子座タイプ (protein-coding, ncRNA 等) でフィルタするとき
+
+---
+
+## Quick Start
+
+## 1. HGNC シンボル検索
+
+```python
+import requests
+import pandas as pd
+
+HGNC_BASE = "https://rest.genenames.org"
+HEADERS = {"Accept": "application/json"}
+
+
+def hgnc_search(query):
+    """
+    HGNC — 遺伝子シンボル/名前検索。
+
+    Parameters:
+        query: str — 検索クエリ (シンボル/名前)
+    """
+    url = f"{HGNC_BASE}/search/{query}"
+    resp = requests.get(url, headers=HEADERS,
+                        timeout=30)
+    resp.raise_for_status()
+    data = resp.json().get("response", {})
+    docs = data.get("docs", [])
+
+    rows = []
+    for doc in docs:
+        rows.append({
+            "hgnc_id": doc.get("hgnc_id", ""),
+            "symbol": doc.get("symbol", ""),
+            "name": doc.get("name", ""),
+            "locus_type": doc.get("locus_type", ""),
+            "status": doc.get("status", ""),
+        })
+
+    df = pd.DataFrame(rows)
+    print(f"HGNC search '{query}': {len(df)} hits")
+    return df
+
+
+def hgnc_fetch_symbol(symbol):
+    """
+    HGNC — 公式シンボルで遺伝子詳細取得。
+
+    Parameters:
+        symbol: str — 公式遺伝子シンボル (例: "BRCA1")
+    """
+    url = f"{HGNC_BASE}/fetch/symbol/{symbol}"
+    resp = requests.get(url, headers=HEADERS,
+                        timeout=30)
+    resp.raise_for_status()
+    docs = resp.json().get("response", {}).get(
+        "docs", [])
+
+    if not docs:
+        print(f"HGNC: {symbol} not found")
+        return {}
+
+    doc = docs[0]
+    info = {
+        "hgnc_id": doc.get("hgnc_id", ""),
+        "symbol": doc.get("symbol", ""),
+        "name": doc.get("name", ""),
+        "locus_type": doc.get("locus_type", ""),
+        "location": doc.get("location", ""),
+        "alias_symbol": doc.get("alias_symbol", []),
+        "prev_symbol": doc.get("prev_symbol", []),
+        "ensembl_gene_id": doc.get(
+            "ensembl_gene_id", ""),
+        "entrez_id": doc.get("entrez_id", ""),
+        "uniprot_ids": doc.get("uniprot_ids", []),
+        "gene_group": doc.get("gene_group", []),
+    }
+
+    print(f"HGNC: {symbol} → {info['name']} "
+          f"({info['locus_type']})")
+    return info
+```
+
+## 2. エイリアス/旧シンボル解決
+
+```python
+def hgnc_resolve_alias(alias):
+    """
+    HGNC — エイリアスから公式シンボルへ解決。
+
+    Parameters:
+        alias: str — エイリアスまたは旧シンボル
+    """
+    # 1) alias_symbol で検索
+    url = f"{HGNC_BASE}/fetch/alias_symbol/{alias}"
+    resp = requests.get(url, headers=HEADERS,
+                        timeout=30)
+    resp.raise_for_status()
+    docs = resp.json().get("response", {}).get(
+        "docs", [])
+
+    if docs:
+        symbols = [d["symbol"] for d in docs]
+        print(f"HGNC alias '{alias}' → "
+              f"{', '.join(symbols)}")
+        return symbols
+
+    # 2) prev_symbol で検索
+    url2 = f"{HGNC_BASE}/fetch/prev_symbol/{alias}"
+    resp2 = requests.get(url2, headers=HEADERS,
+                         timeout=30)
+    resp2.raise_for_status()
+    docs2 = resp2.json().get("response", {}).get(
+        "docs", [])
+
+    if docs2:
+        symbols = [d["symbol"] for d in docs2]
+        print(f"HGNC prev '{alias}' → "
+              f"{', '.join(symbols)}")
+        return symbols
+
+    print(f"HGNC: '{alias}' not resolved")
+    return []
+
+
+def hgnc_resolve_batch(aliases):
+    """
+    HGNC — バッチエイリアス解決。
+
+    Parameters:
+        aliases: list[str] — エイリアス/旧シンボルリスト
+    """
+    results = []
+    for alias in aliases:
+        resolved = hgnc_resolve_alias(alias)
+        results.append({
+            "input": alias,
+            "resolved": resolved[0] if resolved
+                        else "UNRESOLVED",
+            "ambiguous": len(resolved) > 1,
+        })
+
+    df = pd.DataFrame(results)
+    n_resolved = (df["resolved"] != "UNRESOLVED").sum()
+    print(f"HGNC batch: {n_resolved}/{len(df)} "
+          f"resolved")
+    return df
+```
+
+## 3. 遺伝子ファミリー/グループ
+
+```python
+def hgnc_gene_group(group_name):
+    """
+    HGNC — 遺伝子ファミリー/グループメンバー取得。
+
+    Parameters:
+        group_name: str — グループ名
+                          (例: "Kinases", "Ion channels")
+    """
+    url = (f"{HGNC_BASE}/search/"
+           f"gene_group:%22{group_name}%22")
+    resp = requests.get(url, headers=HEADERS,
+                        timeout=30)
+    resp.raise_for_status()
+    docs = resp.json().get("response", {}).get(
+        "docs", [])
+
+    rows = []
+    for doc in docs:
+        rows.append({
+            "symbol": doc.get("symbol", ""),
+            "name": doc.get("name", ""),
+            "locus_type": doc.get("locus_type", ""),
+            "location": doc.get("location", ""),
+        })
+
+    df = pd.DataFrame(rows)
+    print(f"HGNC group '{group_name}': "
+          f"{len(df)} members")
+    return df
+```
+
+## 4. HGNC 統合パイプライン
+
+```python
+def hgnc_pipeline(symbols, aliases=None,
+                    output_dir="results"):
+    """
+    HGNC 統合命名法パイプライン。
+
+    Parameters:
+        symbols: list[str] — 公式シンボルリスト
+        aliases: list[str] | None — 解決するエイリアス
+        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) シンボル詳細
+    details = []
+    for sym in symbols:
+        info = hgnc_fetch_symbol(sym)
+        if info:
+            details.append(info)
+    detail_df = pd.DataFrame(details)
+    detail_df.to_csv(
+        output_dir / "hgnc_details.csv",
+        index=False)
+
+    # 2) エイリアス解決
+    if aliases:
+        alias_df = hgnc_resolve_batch(aliases)
+        alias_df.to_csv(
+            output_dir / "hgnc_alias_resolved.csv",
+            index=False)
+
+    # 3) ID クロスリファレンス
+    xref_rows = []
+    for d in details:
+        xref_rows.append({
+            "symbol": d.get("symbol", ""),
+            "hgnc_id": d.get("hgnc_id", ""),
+            "ensembl": d.get("ensembl_gene_id", ""),
+            "entrez": d.get("entrez_id", ""),
+            "uniprot": (d.get("uniprot_ids", [""])[0]
+                        if d.get("uniprot_ids")
+                        else ""),
+        })
+    xref_df = pd.DataFrame(xref_rows)
+    xref_df.to_csv(
+        output_dir / "hgnc_xref.csv",
+        index=False)
+
+    print(f"HGNC pipeline → {output_dir}")
+    return {"details": detail_df, "xref": xref_df}
+```
+
+---
+
+## パイプライン統合
+
+```
+biothings-idmapping → hgnc-nomenclature → genome-sequence-tools
+  (MyGene/MyVariant)     (公式シンボル)       (配列解析)
+         │                     │                  ↓
+  gene-expression ────────────┘       variant-interpretation
+    (RNA-seq)                          (バリアント解釈)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `results/hgnc_details.csv` | 遺伝子詳細 | → gene-expression |
+| `results/hgnc_alias_resolved.csv` | エイリアス解決 | → biothings-idmapping |
+| `results/hgnc_xref.csv` | ID 相互参照 | → genome-sequence-tools |

package/src/.github/skills/scientific-human-cell-atlas/SKILL.md

@@ -8,6 +8,9 @@ tu_tools:
   - key: hca_tools
     name: Human Cell Atlas Tools
     description: HCA データポータル プロジェクト・バンドル・ファイル検索
+  - 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 Human Cell Atlas

package/src/.github/skills/scientific-human-protein-atlas/SKILL.md

@@ -4,6 +4,10 @@ description: |
   Human Protein Atlas (HPA) 統合スキル。組織/細胞タンパク質発現、
   がん予後バイオマーカー、RNA 発現プロファイル、細胞内局在、
   タンパク質相互作用の包括的検索・解析パイプライン。
+tu_tools:
+  - key: hpa
+    name: Human Protein Atlas
+    description: 組織/細胞タンパク質発現・RNA 発現・がん予後
 ---
 
 # Scientific Human Protein Atlas

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

@@ -9,6 +9,15 @@ tu_tools:
   - key: iedb
     name: IEDB
     description: 免疫エピトープデータベース
+  - key: imgt
+    name: IMGT
+    description: 国際免疫遺伝学情報システム
+  - key: sabdab
+    name: SAbDab
+    description: 構造抗体データベース
+  - key: therasabdab
+    name: TheraSAbDab
+    description: 治療用抗体構造データベース
 ---
 
 # Scientific Immunoinformatics

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

@@ -0,0 +1,284 @@
+---
+name: scientific-lipidomics
+description: |
+  リピドミクス解析スキル。LipidMAPS / SwissLipids / LION
+  脂質データベース統合検索・脂質サブクラス分類・
+  脂質 MS/MS スペクトル同定・脂質パスウェイエンリッチメント・
+  脂質プロファイリングパイプライン。
+  TU 外スキル (直接 REST API + Python ライブラリ)。
+---
+
+# Scientific Lipidomics
+
+LipidMAPS / SwissLipids / LION 脂質データベースを統合した
+脂質構造検索・サブクラス分類・MS/MS 同定・
+脂質パスウェイエンリッチメント解析パイプラインを提供する。
+
+## When to Use
+
+- LC-MS/MS リピドミクスデータの脂質同定を行うとき
+- LipidMAPS で脂質構造・サブクラスを検索するとき
+- 脂質プロファイルの差次解析 (fold change/p-value) を行うとき
+- LION エンリッチメントで脂質機能解析を行うとき
+- 脂質パスウェイ (スフィンゴ脂質/リン脂質代謝) を可視化するとき
+
+---
+
+## Quick Start
+
+## 1. LipidMAPS 構造検索
+
+```python
+import requests
+import pandas as pd
+
+LIPIDMAPS_API = "https://www.lipidmaps.org/rest"
+
+
+def lipidmaps_search(name=None, formula=None,
+                       mass=None, tolerance=0.01):
+    """
+    LipidMAPS — 脂質構造検索。
+
+    Parameters:
+        name: str | None — 脂質名 (部分一致)
+        formula: str | None — 分子式
+        mass: float | None — 精密質量
+        tolerance: float — 質量誤差 (Da)
+    """
+    if mass is not None:
+        url = (f"{LIPIDMAPS_API}/compound/lm_id/"
+               f"mass/{mass}/{tolerance}")
+    elif name:
+        url = (f"{LIPIDMAPS_API}/compound/lm_id/"
+               f"name/{name}")
+    elif formula:
+        url = (f"{LIPIDMAPS_API}/compound/lm_id/"
+               f"formula/{formula}")
+    else:
+        print("LipidMAPS: provide name, formula, "
+              "or mass")
+        return pd.DataFrame()
+
+    resp = requests.get(url, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    if isinstance(data, dict):
+        data = [data]
+
+    rows = []
+    for item in data:
+        rows.append({
+            "lm_id": item.get("lm_id", ""),
+            "name": item.get("name", ""),
+            "sys_name": item.get(
+                "systematic_name", ""),
+            "formula": item.get("formula", ""),
+            "mass": item.get("mass", 0),
+            "main_class": item.get(
+                "main_class", ""),
+            "sub_class": item.get("sub_class", ""),
+        })
+
+    df = pd.DataFrame(rows)
+    print(f"LipidMAPS: {len(df)} lipids found")
+    return df
+
+
+def lipidmaps_classification(lm_id):
+    """
+    LipidMAPS — 脂質分類階層取得。
+
+    Parameters:
+        lm_id: str — LipidMAPS ID (例: "LMFA01010001")
+    """
+    url = (f"{LIPIDMAPS_API}/compound/"
+           f"lm_id/{lm_id}/all")
+    resp = requests.get(url, timeout=30)
+    resp.raise_for_status()
+    data = resp.json()
+
+    classification = {
+        "lm_id": data.get("lm_id", ""),
+        "category": data.get("core", ""),
+        "main_class": data.get("main_class", ""),
+        "sub_class": data.get("sub_class", ""),
+        "class_level4": data.get(
+            "class_level4", ""),
+        "smiles": data.get("smiles", ""),
+        "inchi_key": data.get("inchi_key", ""),
+    }
+
+    print(f"LipidMAPS: {lm_id} → "
+          f"{classification['main_class']} / "
+          f"{classification['sub_class']}")
+    return classification
+```
+
+## 2. 脂質差次解析
+
+```python
+import numpy as np
+from scipy import stats
+
+
+def lipid_differential_analysis(data, groups,
+                                  fdr_threshold=0.05):
+    """
+    脂質差次解析 (Fold Change + t-test)。
+
+    Parameters:
+        data: pd.DataFrame — 脂質濃度行列
+            (行=サンプル, 列=脂質)
+        groups: list[int] — グループラベル (0 or 1)
+        fdr_threshold: float — FDR 閾値
+    """
+    from statsmodels.stats.multitest import (
+        multipletests)
+
+    groups = np.array(groups)
+    g0 = data[groups == 0]
+    g1 = data[groups == 1]
+
+    results = []
+    for lipid in data.columns:
+        mean0 = g0[lipid].mean()
+        mean1 = g1[lipid].mean()
+        fc = (mean1 / mean0 if mean0 > 0
+              else np.inf)
+        log2fc = np.log2(fc) if fc > 0 else 0
+        _, pval = stats.ttest_ind(
+            g0[lipid], g1[lipid])
+        results.append({
+            "lipid": lipid,
+            "mean_ctrl": round(mean0, 4),
+            "mean_case": round(mean1, 4),
+            "fold_change": round(fc, 4),
+            "log2FC": round(log2fc, 4),
+            "pvalue": pval,
+        })
+
+    df = pd.DataFrame(results)
+    _, fdr, _, _ = multipletests(
+        df["pvalue"], method="fdr_bh")
+    df["fdr"] = fdr
+    df["significant"] = df["fdr"] < fdr_threshold
+
+    n_sig = df["significant"].sum()
+    n_up = ((df["significant"]) &
+            (df["log2FC"] > 0)).sum()
+    n_down = ((df["significant"]) &
+              (df["log2FC"] < 0)).sum()
+    print(f"Lipid DA: {n_sig} significant "
+          f"({n_up} up, {n_down} down)")
+    return df.sort_values("pvalue")
+```
+
+## 3. 脂質サブクラスエンリッチメント
+
+```python
+def lipid_subclass_enrichment(
+        sig_lipids, all_lipids, class_map):
+    """
+    脂質サブクラスエンリッチメント (Fisher exact)。
+
+    Parameters:
+        sig_lipids: list[str] — 有意脂質リスト
+        all_lipids: list[str] — 全脂質リスト
+        class_map: dict — {lipid: subclass} マッピング
+    """
+    from scipy.stats import fisher_exact
+
+    sig_set = set(sig_lipids)
+    all_set = set(all_lipids)
+
+    # サブクラス別集計
+    subclasses = set(class_map.values())
+    results = []
+    for sc in subclasses:
+        sc_all = {l for l, c in class_map.items()
+                  if c == sc and l in all_set}
+        sc_sig = sc_all & sig_set
+        a = len(sc_sig)
+        b = len(sig_set) - a
+        c = len(sc_all) - a
+        d = len(all_set) - a - b - c
+        if a == 0:
+            continue
+        _, pval = fisher_exact(
+            [[a, b], [c, d]],
+            alternative="greater")
+        results.append({
+            "subclass": sc,
+            "sig_in_class": a,
+            "total_in_class": len(sc_all),
+            "pvalue": pval,
+            "ratio": round(a / len(sc_all), 3),
+        })
+
+    df = pd.DataFrame(results).sort_values("pvalue")
+    print(f"Subclass enrichment: "
+          f"{(df['pvalue'] < 0.05).sum()} "
+          f"significant subclasses")
+    return df
+```
+
+## 4. リピドミクス統合パイプライン
+
+```python
+def lipidomics_pipeline(data, groups,
+                          output_dir="results"):
+    """
+    リピドミクス統合パイプライン。
+
+    Parameters:
+        data: pd.DataFrame — 脂質濃度行列
+        groups: list[int] — グループラベル
+        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) 差次解析
+    da = lipid_differential_analysis(data, groups)
+    da.to_csv(output_dir / "lipid_da.csv",
+              index=False)
+
+    # 2) LipidMAPS アノテーション
+    annotations = []
+    for lipid in data.columns[:30]:
+        result = lipidmaps_search(name=lipid)
+        if not result.empty:
+            row = result.iloc[0].to_dict()
+            row["query"] = lipid
+            annotations.append(row)
+    if annotations:
+        ann_df = pd.DataFrame(annotations)
+        ann_df.to_csv(
+            output_dir / "lipid_annotations.csv",
+            index=False)
+
+    print(f"Lipidomics pipeline → {output_dir}")
+    return {"da": da}
+```
+
+---
+
+## パイプライン統合
+
+```
+metabolomics → lipidomics → pathway-enrichment
+  (LC-MS 全代謝物)  (脂質特化)   (脂質代謝パスウェイ)
+       │                │               ↓
+  metabolomics-network ─┘     multi-omics
+    (代謝物相関)               (オミクス統合)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `results/lipid_da.csv` | 差次脂質 | → biomarker-discovery |
+| `results/lipid_annotations.csv` | LipidMAPS 注釈 | → pathway-enrichment |

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

@@ -9,6 +9,9 @@ tu_tools:
   - key: hmdb
     name: HMDB
     description: ヒトメタボロームデータベース
+  - key: metabolomics_workbench
+    name: Metabolomics Workbench
+    description: Metabolomics Workbench REST API メタボロームデータ・RefMet
 ---
 
 # Scientific Metabolomics Analysis