@nahisaho/satori 0.21.0 → 0.22.0

package/README.md

@@ -7,7 +7,7 @@
 
 ## Overview
 
-このディレクトリには、Exp-01〜13 で蓄積した科学データ解析技法を Agent Skills として体系化した **160 個**のスキルを格納しています。Copilot がプロンプトの文脈に応じて適切なスキルを自動ロードし、各実験で確立した解析パターンを再利用します。124 のスキルは [ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP 経由で 1,200 以上の外部科学データベースツールとも連携可能です。
+このディレクトリには、Exp-01〜13 で蓄積した科学データ解析技法を Agent Skills として体系化した **166 個**のスキルを格納しています。Copilot がプロンプトの文脈に応じて適切なスキルを自動ロードし、各実験で確立した解析パターンを再利用します。131 のスキルは [ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP 経由で 1,200 以上の外部科学データベースツールとも連携可能です。
 
 ### パイプラインフロー
 
@@ -208,7 +208,7 @@ symbolic-mathematics ──→ systems-biology ──→ admet-pharmacokinetics
 
 ### ToolUniverse MCP ツール連携
 
-124 のスキル（HIGH 13 + MEDIUM 9 + Phase 3: 20 + Phase 4: 8 + Phase 5: 9 + Phase 6: 7 + Phase 7: 4 + Phase 8: 4 + Phase 9: 5 + Phase 10: 6 + Phase 11: 8 new + 6 existing + Phase 12: 3 new + 12 existing key additions + Phase 13: 3 new + 7 existing key additions）は、[ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP サーバー経由で 1,200 以上の外部科学ツールを利用可能です。各 SKILL.md 内の `### 利用可能ツール` セクションに対応ツールが記載されています。
+131 のスキル（HIGH 13 + MEDIUM 9 + Phase 3: 20 + Phase 4: 8 + Phase 5: 9 + Phase 6: 7 + Phase 7: 4 + Phase 8: 4 + Phase 9: 5 + Phase 10: 6 + Phase 11: 8 new + 6 existing + Phase 12: 3 new + 12 existing key additions + Phase 13: 3 new + 7 existing key additions + Phase 14: 1 new + 6 existing key additions）は、[ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP サーバー経由で 1,200 以上の外部科学ツールを利用可能です。各 SKILL.md 内の `### 利用可能ツール` セクションに対応ツールが記載されています。
 
 ```
 SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・計算)
@@ -277,7 +277,7 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 │ cellxgene-census   │───MCP──│ CELLxGENE Census API          │
 │ pharos-targets     │───MCP──│ Pharos GraphQL API            │
 │ clingen-curation   │───MCP──│ ClinGen Validity/Dosage       │
-│ ... (124 skills total)│      │ ... (1,200+ tools)           │
+│ ... (131 skills total)│      │ ... (1,200+ tools)           │
 └──────────────────────┘        └─────────────────────────────┘
 ```
 
@@ -290,23 +290,23 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | C. 機械学習・モデリング | 3 | 回帰・分類・特徴量重要度 |
 | D. 実験計画・プロセス最適化 | 2 | DOE・応答曲面法・ベイズ最適化 |
 | E. 信号・スペクトル・時系列 | 4 | スペクトル解析・生体信号・時系列分解・神経電気生理学 |
-| F. 生命科学・オミクス | 26 | バイオインフォ・メタボロ・ゲノム配列・マルチオミクス・ネットワーク・プロテオミクス・トランスクリプトミクス・パスウェイ濃縮・代謝物 DB・HPA・ゲノム配列ツール・非コード RNA・オントロジー・EBI DB 群・Ensembl ゲノミクス・STRING/BioGRID PPI・発現比較・モデル生物 DB・GEO 発現プロファイル・寄生虫ゲノミクス・ArrayExpress 発現アーカイブ・GTEx 組織発現・UniProt プロテオーム・Reactome パスウェイ・HGNC 命名法・代謝ネットワーク |
+| F. 生命科学・オミクス | 28 | バイオインフォ・メタボロ・ゲノム配列・マルチオミクス・ネットワーク・プロテオミクス・トランスクリプトミクス・パスウェイ濃縮・代謝物 DB・HPA・ゲノム配列ツール・非コード RNA・オントロジー・EBI DB 群・Ensembl ゲノミクス・STRING/BioGRID PPI・発現比較・モデル生物 DB・GEO 発現プロファイル・寄生虫ゲノミクス・ArrayExpress 発現アーカイブ・GTEx 組織発現・UniProt プロテオーム・Reactome パスウェイ・HGNC 命名法・代謝ネットワーク・糖鎖解析・リピドミクス |
 | G. 化学・材料・イメージング | 9 | ケモインフォ・材料特性評価・画像形態解析・計算材料科学・ChEMBL アッセイマイニング・MD シミュレーション・高度イメージング・深層化学・STITCH 化学-タンパク質ネットワーク |
-| H. 臨床・疫学・メタ科学 | 6 | 生存解析・因果推論・メタアナリシス・臨床試験解析・臨床レポート・バイオバンク大規模コホート |
+| H. 臨床・疫学・メタ科学 | 7 | 生存解析・因果推論・メタアナリシス・臨床試験解析・臨床レポート・バイオバンク大規模コホート・臨床標準用語 |
 | I. Deep Research・文献検索 | 4 | 科学文献深層リサーチ・エビデンス階層評価・マルチ DB 文献検索・引用ネットワーク・プレプリント横断検索・Semantic Scholar 学術グラフ |
 | J. 創薬・ファーマコロジー | 9 | 標的プロファイリング・ADMET/PK・ドラッグリポジショニング・分子ドッキング・薬理学的ターゲット・化合物スクリーニング・NCI-60 スクリーニング・DrugBank リソース・Pharos ターゲット |
 | K. 構造生物学・タンパク質工学 | 7 | PDB/AlphaFold 構造解析・de novo タンパク質設計・PPI ネットワーク・ドメイン/ファミリー・構造プロテオミクス・AlphaFold DB 構造予測・RCSB PDB 構造検索 |
 | L. 精密医療・臨床意思決定 | 6 | 変異解釈 (ACMG/AMP)・エビデンスベース臨床意思決定・バリアント効果予測・CIViC 臨床エビデンス・gnomAD バリアント・ClinGen キュレーション |
-| M. 実験室自動化・データ管理 | 2 | 液体ハンドリング・プロトコル管理・ELN/LIMS 連携・ラボデータ管理 |
+| M. 実験室自動化・データ管理 | 3 | 液体ハンドリング・プロトコル管理・ELN/LIMS 連携・ラボデータ管理・CRISPR gRNA 設計 |
 | N. 科学プレゼンテーション・図式 | 2 | 科学スライド・ポスター・ワークフロー図・科学図式 |
 | O. 研究計画・グラント・規制 | 3 | 助成金申請書・研究方法論・倫理審査・規制科学 |
-| P. ファーマコビジランス・薬理ゲノミクス | 3 | FAERS 不均衡分析・MedDRA 階層・安全性シグナル検出・PGx 代謝型・PharmGKB 臨床アノテーション |
+| P. ファーマコビジランス・薬理ゲノミクス | 4 | FAERS 不均衡分析・MedDRA 階層・安全性シグナル検出・PGx 代謝型・PharmGKB 臨床アノテーション・臨床薬理学 PopPK/PBPK |
 | Q. 腫瘍学・疾患研究 | 10 | 精密腫瘍学 (CIViC/OncoKB)・疾患-遺伝子関連 (GWAS/Orphanet)・がんゲノミクス (COSMIC/DepMap)・希少疾患遺伝学・細胞株リソース・ICGC がんゲノムデータ・Open Targets 遺伝学・DepMap 依存性・Monarch オントロジー・GDC ポータル |
 | R. 量子・先端計算 | 7 | 量子計算・GNN・ベイズ統計・説明可能 AI・深層学習・ヘルスケア AI・強化学習 |
 | S. 医用イメージング | 1 | DICOM/NIfTI・WSI 病理画像・Radiomics・MONAI |
 | T. シングルセル・空間・エピゲノミクス | 13 | scRNA-seq・Visium・MERFISH・CELLxGENE・RNA velocity・エピゲノミクス・レギュラトリーゲノミクス・摂動解析・scVI 統合・scATAC-seq/Signac・GPU シングルセル・ENCODE/SCREEN・Human Cell Atlas・高度 Squidpy 空間解析・空間マルチオミクス・CELLxGENE Census |
 | U. 免疫・感染症 | 2 | 免疫情報学・MHC 結合予測・病原体ゲノミクス・AMR・IEDB |
-| V. マイクロバイオーム・環境 | 8 | 16S/メタゲノム・α/β 多様性・SDM・OBIS・GBIF・系統解析・rRNA 分類学・植物バイオロジー・海洋生態学・環境地理空間データ・古生物学 |
+| V. マイクロバイオーム・環境 | 9 | 16S/メタゲノム・α/β 多様性・SDM・OBIS・GBIF・系統解析・rRNA 分類学・植物バイオロジー・海洋生態学・環境地理空間データ・古生物学・MAG 再構築 |
 | W. システム生物学 | 4 | SBML シミュレーション・FBA・GRN 推定・BioModels・代謝モデリング・Metabolic Atlas・代謝フラックス解析 |
 | X. 疫学・公衆衛生 | 3 | リスク指標 (RR/OR)・年齢標準化・空間疫学・WHO・CDC・公衆衛生データ・環境毒性学 |
 | Y. 集団遺伝学 | 2 | HWE・PCA/ADMIXTURE・Fst・選択スキャン・gnomAD・GWAS・GWAS Catalog |
@@ -381,9 +381,9 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 24 | [scientific-time-series](scientific-time-series/SKILL.md) | STL 分解・SARIMA 予測・変化点検出・FFT 周期解析・Granger 因果 | 汎用 |
 | 67 | [scientific-neuroscience-electrophysiology](scientific-neuroscience-electrophysiology/SKILL.md) | SpikeInterface/Kilosort4 スパイクソート・MNE EEG/ERP・NeuroKit2 HRV/EDA・脳機能結合 | 汎用 |
 
-### F. 生命科学・オミクス（26 種）
+### F. 生命科学・オミクス（28 種）
 
-バイオ・オミクス・ネットワーク解析・オントロジー・EBI データベース・ゲノミクス・PPI・発現比較・モデル生物 DB・GEO 発現プロファイル・寄生虫ゲノミクス・ArrayExpress 発現アーカイブ・GTEx 組織発現・UniProt プロテオーム・Reactome パスウェイ・HGNC 命名法・代謝ネットワークを担うスキル群。
+バイオ・オミクス・ネットワーク解析・オントロジー・EBI データベース・ゲノミクス・PPI・発現比較・モデル生物 DB・GEO 発現プロファイル・寄生虫ゲノミクス・ArrayExpress 発現アーカイブ・GTEx 組織発現・UniProt プロテオーム・Reactome パスウェイ・HGNC 命名法・代謝ネットワーク・糖鎖解析・リピドミクスを担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
@@ -413,6 +413,8 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 144 | [scientific-reactome-pathways](scientific-reactome-pathways/SKILL.md) | Reactome Content Service パスウェイ検索・UniProt マッピング・参加者取得 | 汎用 |
 | 159 | [scientific-hgnc-nomenclature](scientific-hgnc-nomenclature/SKILL.md) | HGNC REST API 遺伝子命名法・公式シンボル検索・エイリアス解決・遺伝子ファミリー | 汎用 |
 | 160 | [scientific-metabolomics-network](scientific-metabolomics-network/SKILL.md) | 代謝物相関ネットワーク構築・KEGG パスウェイグラフ・ハブ代謝物・エンリッチメント | 汎用 |
+| 161 | [scientific-glycomics](scientific-glycomics/SKILL.md) | GlyGen/GlyConnect 糖鎖データベース統合・糖タンパク質部位検索・MS 断片化予測 | 汎用 |
+| 162 | [scientific-lipidomics](scientific-lipidomics/SKILL.md) | LipidMAPS/SwissLipids 脂質構造検索・サブクラス分類・脂質差次解析・脂質エンリッチメント | 汎用 |
 
 ### G. 化学・材料・イメージング（9 種）
 
@@ -430,9 +432,9 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 115 | [scientific-deep-chemistry](scientific-deep-chemistry/SKILL.md) | DeepChem GCN/MPNN/AttentiveFP 分子特性予測・MoleculeNet・ChemBERTa | 汎用 |
 | 154 | [scientific-stitch-chemical-network](scientific-stitch-chemical-network/SKILL.md) | STITCH 化学物質-タンパク質相互作用ネットワーク・ネットワーク薬理学・ポリファーマコロジー | 汎用 |
 
-### H. 臨床・疫学・メタ科学（6 種）
+### H. 臨床・疫学・メタ科学（7 種）
 
-臨床試験・因果推論・メタアナリシス・臨床試験解析・バイオバンク大規模コホートを担うスキル群。
+臨床試験・因果推論・メタアナリシス・臨床試験解析・バイオバンク大規模コホート・臨床標準用語を担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
@@ -442,6 +444,7 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 71 | [scientific-clinical-trials-analytics](scientific-clinical-trials-analytics/SKILL.md) | ClinicalTrials.gov API v2 検索・競合ランドスケープ・AE/アウトカム抽出 | 汎用 |
 | 85 | [scientific-clinical-reporting](scientific-clinical-reporting/SKILL.md) | SOAP ノート・バイオマーカーレポート・ファーマコゲノミクス・FHIR JSON | 汎用 |
 | 151 | [scientific-biobank-cohort](scientific-biobank-cohort/SKILL.md) | UK Biobank/BBJ/All of Us 大規模コホート・GWAS サマリー統計・PheWAS | 汎用 |
+| 166 | [scientific-clinical-standards](scientific-clinical-standards/SKILL.md) | LOINC/ICD-10/ICD-11 臨床標準コード検索・FHIR R4 マッピング・用語相互運用 | 汎用 |
 
 ### I. Deep Research・文献検索（4 種）
 
@@ -496,14 +499,15 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 148 | [scientific-gnomad-variants](scientific-gnomad-variants/SKILL.md) | gnomAD GraphQL 集団アレル頻度・遺伝子制約 (pLI/LOEUF)・リージョンクエリ | 汎用 |
 | 157 | [scientific-clingen-curation](scientific-clingen-curation/SKILL.md) | ClinGen 遺伝子-疾患バリディティ・投与量感受性・臨床アクショナビリティ | 汎用 |
 
-### M. 実験室自動化・データ管理（2 種）
+### M. 実験室自動化・データ管理（3 種）
 
-ラボ実験の自動化とデータ管理を担うスキル群。
+ラボ実験の自動化とデータ管理・CRISPR gRNA 設計を担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
 | 44 | [scientific-lab-automation](scientific-lab-automation/SKILL.md) | PyLabRobot/Opentrons プロトコル・SOP テンプレート・ELN/LIMS 連携・QC 検証 | 汎用 |
 | 72 | [scientific-lab-data-management](scientific-lab-data-management/SKILL.md) | Benchling ELN/DNA 設計・DNAnexus PaaS・OMERO バイオイメージング・Protocols.io | 汎用 |
+| 164 | [scientific-crispr-design](scientific-crispr-design/SKILL.md) | CRISPR gRNA 設計・Cas9/Cas12a PAM 検索・オフターゲットスコアリング・sgRNA ライブラリ構築 | 汎用 |
 
 ### N. 科学プレゼンテーション・図式（2 種）
 
@@ -524,15 +528,16 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 47 | [scientific-research-methodology](scientific-research-methodology/SKILL.md) | SCAMPER/TRIZ ブレインストーミング・研究デザインマトリクス・FINER 基準・IRB 倫理チェック | 汎用 |
 | 74 | [scientific-regulatory-science](scientific-regulatory-science/SKILL.md) | FDA Orange Book/医療機器 510(k)/ISO 13485 QMS/CAPA/USPTO 特許検索 | 汎用 |
 
-### P. ファーマコビジランス・薬理ゲノミクス（3 種）
+### P. ファーマコビジランス・薬理ゲノミクス（4 種）
 
-市販後医薬品安全性監視と薬理ゲノミクス・PharmGKB 臨床アノテーションのためのシグナル検出・定量評価を担うスキル群。
+市販後医薬品安全性監視と薬理ゲノミクス・PharmGKB 臨床アノテーション・臨床薬理学モデリングのためのシグナル検出・定量評価を担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
 | 48 | [scientific-pharmacovigilance](scientific-pharmacovigilance/SKILL.md) | FAERS 不均衡分析 (PRR/ROR/IC/EBGM)・MedDRA 階層・時系列トレンド・Naranjo 因果評価 | 汎用 |
 | 75 | [scientific-pharmacogenomics](scientific-pharmacogenomics/SKILL.md) | PharmGKB/CPIC ガイドライン・Star アレル・代謝型・FDA PGx バイオマーカー | 汎用 |
 | 138 | [scientific-pharmgkb-pgx](scientific-pharmgkb-pgx/SKILL.md) | PharmGKB REST API 臨床アノテーション・薬物遺伝子関連・投与量ガイドライン | 汎用 |
+| 165 | [scientific-clinical-pharmacology](scientific-clinical-pharmacology/SKILL.md) | PopPK NLME・PBPK シミュレーション・TDM 投与量最適化・Emax PD モデリング | 汎用 |
 
 ### Q. 腫瘍学・疾患研究（10 種）
 
@@ -602,9 +607,9 @@ scRNA-seq・空間トランスクリプトミクス・エピゲノミクス・
 | 59 | [scientific-immunoinformatics](scientific-immunoinformatics/SKILL.md) | MHC-I/II 結合予測・B 細胞エピトープ・TCR/BCR レパトア多様性・抗体 CDR 解析・ワクチン候補ランキング | 汎用 |
 | 60 | [scientific-infectious-disease](scientific-infectious-disease/SKILL.md) | 病原体 WGS QC・AMR 遺伝子検出・MLST 型別・系統解析 (IQ-TREE)・SIR/SEIR 数理モデル | 汎用 |
 
-### V. マイクロバイオーム・環境（8 種）
+### V. マイクロバイオーム・環境（9 種）
 
-マイクロバイオーム解析・環境/生態系モデリング・系統解析・rRNA 分類学・植物バイオロジー・海洋生態学・環境地理空間データ・古生物学を担うスキル群。
+マイクロバイオーム解析・環境/生態系モデリング・系統解析・rRNA 分類学・植物バイオロジー・海洋生態学・環境地理空間データ・古生物学・MAG 再構築を担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
@@ -616,6 +621,7 @@ scRNA-seq・空間トランスクリプトミクス・エピゲノミクス・
 | 122 | [scientific-marine-ecology](scientific-marine-ecology/SKILL.md) | OBIS/WoRMS/GBIF/FishBase 海洋生物多様性・分布解析 | 汎用 |
 | 128 | [scientific-environmental-geodata](scientific-environmental-geodata/SKILL.md) | SoilGrids/WorldClim 環境地理空間データ・種分布モデル環境変数 | 汎用 |
 | 129 | [scientific-paleobiology](scientific-paleobiology/SKILL.md) | PBDB 化石産出記録・分類群検索・地質年代多様性曲線 | 汎用 |
+| 163 | [scientific-metagenome-assembled-genomes](scientific-metagenome-assembled-genomes/SKILL.md) | MetaBAT2/CONCOCT ビニング・CheckM2 品質評価・GTDB-Tk 分類・MAG パイプライン | 汎用 |
 
 ### W. システム生物学（4 種）
 
@@ -768,7 +774,9 @@ Skills は `.github/skills/` に配置されているため、Copilot が自動
 │   ├── scientific-uniprot-proteome/
 │   ├── scientific-reactome-pathways/
 │   ├── scientific-hgnc-nomenclature/
-│   └── scientific-metabolomics-network/
+│   ├── scientific-metabolomics-network/
+│   ├── scientific-glycomics/
+│   └── scientific-lipidomics/
 │
 │── [G] 化学・材料・イメージング
 │   ├── scientific-cheminformatics/
@@ -787,7 +795,8 @@ Skills は `.github/skills/` に配置されているため、Copilot が自動
 │   ├── scientific-meta-analysis/
 │   ├── scientific-clinical-trials-analytics/
 │   ├── scientific-clinical-reporting/
-│   └── scientific-biobank-cohort/
+│   ├── scientific-biobank-cohort/
+│   └── scientific-clinical-standards/
 │
 ├── [I] Deep Research・文献検索
 │   ├── scientific-deep-research/
@@ -825,7 +834,8 @@ Skills は `.github/skills/` に配置されているため、Copilot が自動
 │
 ├── [M] 実験室自動化・データ管理
 │   ├── scientific-lab-automation/
-│   └── scientific-lab-data-management/
+│   ├── scientific-lab-data-management/
+│   └── scientific-crispr-design/
 │
 ├── [N] 科学プレゼンテーション・図式
 │   ├── scientific-presentation-design/
@@ -839,7 +849,8 @@ Skills は `.github/skills/` に配置されているため、Copilot が自動
 ├── [P] ファーマコビジランス・薬理ゲノミクス
 │   ├── scientific-pharmacovigilance/
 │   ├── scientific-pharmacogenomics/
-│   └── scientific-pharmgkb-pgx/
+│   ├── scientific-pharmgkb-pgx/
+│   └── scientific-clinical-pharmacology/
 │
 ├── [Q] 腫瘍学・疾患研究
 │   ├── scientific-precision-oncology/
@@ -892,7 +903,8 @@ Skills は `.github/skills/` に配置されているため、Copilot が自動
 │   ├── scientific-plant-biology/
 │   ├── scientific-marine-ecology/
 │   ├── scientific-environmental-geodata/
-│   └── scientific-paleobiology/
+│   ├── scientific-paleobiology/
+│   └── scientific-metagenome-assembled-genomes/
 │
 │── [W] システム生物学
 │   ├── scientific-systems-biology/

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "@nahisaho/satori",
-  "version": "0.21.0",
+  "version": "0.22.0",
   "description": "SATORI — Agent Skills for Science. GitHub Copilot Agent Skills collection for scientific data analysis.",
   "main": "index.js",
   "bin": {

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

@@ -0,0 +1,361 @@
+---
+name: scientific-clinical-pharmacology
+description: |
+  臨床薬理学モデリングスキル。PopPK (NLME 混合効果モデル)・
+  PBPK シミュレーション・TDM 投与量最適化・
+  Emax/Sigmoid PD モデリング・薬物間相互作用予測・
+  臨床薬理パイプライン。
+  TU 外スキル (Python + nlmixr2/mrgsolve ラッパー)。
+---
+
+# Scientific Clinical Pharmacology
+
+母集団薬物動態 (PopPK)・生理学的薬物動態 (PBPK)・
+薬力学 (PD) モデリングを統合した臨床薬理学
+解析パイプラインを提供する。
+
+## When to Use
+
+- 母集団 PK (PopPK) の NLME 解析を行うとき
+- PBPK モデルで薬物動態をシミュレーションするとき
+- TDM (Therapeutic Drug Monitoring) 投与量を最適化するとき
+- Emax/Sigmoid PD モデルを当てはめるとき
+- 薬物間相互作用 (DDI) の影響を予測するとき
+- 小児・腎障害・肝障害の用量調節を検討するとき
+
+---
+
+## Quick Start
+
+## 1. コンパートメント PK モデル
+
+```python
+import numpy as np
+import pandas as pd
+from scipy.integrate import odeint
+from scipy.optimize import minimize
+
+
+def one_compartment_iv(y, t, cl, v):
+    """1-コンパートメント IV ボーラス ODE。"""
+    return [-cl / v * y[0]]
+
+
+def two_compartment_iv(y, t, cl, v1, q, v2):
+    """2-コンパートメント IV ボーラス ODE。"""
+    c1 = y[0] / v1
+    c2 = y[1] / v2
+    dy1 = -cl * c1 - q * (c1 - c2)
+    dy2 = q * (c1 - c2)
+    return [dy1, dy2]
+
+
+def simulate_pk(dose, model="1cmt",
+                  params=None,
+                  times=None):
+    """
+    PK モデルシミュレーション。
+
+    Parameters:
+        dose: float — 投与量 (mg)
+        model: str — "1cmt" or "2cmt"
+        params: dict — PK パラメータ
+            1cmt: {cl, v}
+            2cmt: {cl, v1, q, v2}
+        times: array — 時間点 (h)
+    """
+    if times is None:
+        times = np.linspace(0, 24, 241)
+    if params is None:
+        params = ({"cl": 5.0, "v": 50.0}
+                  if model == "1cmt"
+                  else {"cl": 5.0, "v1": 50.0,
+                        "q": 2.0, "v2": 30.0})
+
+    if model == "1cmt":
+        y0 = [dose]
+        sol = odeint(one_compartment_iv, y0,
+                     times,
+                     args=(params["cl"],
+                           params["v"]))
+        conc = sol[:, 0] / params["v"]
+    else:
+        y0 = [dose, 0.0]
+        sol = odeint(two_compartment_iv, y0,
+                     times,
+                     args=(params["cl"],
+                           params["v1"],
+                           params["q"],
+                           params["v2"]))
+        conc = sol[:, 0] / params["v1"]
+
+    df = pd.DataFrame({
+        "time": times, "concentration": conc})
+    cmax = conc.max()
+    t_half = 0.693 * params.get(
+        "v", params.get("v1", 50)) / params["cl"]
+    print(f"PK sim ({model}): Cmax={cmax:.2f}, "
+          f"t1/2={t_half:.1f}h")
+    return df
+```
+
+## 2. 母集団 PK (PopPK) 推定
+
+```python
+def popk_estimation(data, model="1cmt"):
+    """
+    母集団 PK パラメータ推定 (簡易 NLME)。
+
+    Parameters:
+        data: pd.DataFrame — 個体別濃度データ
+            columns: [id, time, dv, dose, (covariates)]
+        model: str — "1cmt" or "2cmt"
+    """
+    subjects = data["id"].unique()
+
+    def _objective(theta):
+        """集団目的関数 (OFV)。"""
+        tv_cl = np.exp(theta[0])
+        tv_v = np.exp(theta[1])
+        omega_cl = np.exp(theta[2])
+        omega_v = np.exp(theta[3])
+        sigma = np.exp(theta[4])
+
+        ofv = 0.0
+        for subj in subjects:
+            sdata = data[data["id"] == subj]
+            dose = sdata["dose"].iloc[0]
+            times = sdata["time"].values
+            obs = sdata["dv"].values
+
+            # 個体パラメータ (EBE 近似)
+            eta_cl = 0.0
+            eta_v = 0.0
+            cl_i = tv_cl * np.exp(eta_cl)
+            v_i = tv_v * np.exp(eta_v)
+
+            pred = dose / v_i * np.exp(
+                -cl_i / v_i * times)
+            pred = np.maximum(pred, 1e-10)
+
+            # OFV 要素
+            residual = np.log(obs + 1e-10) - np.log(
+                pred)
+            ofv += np.sum(
+                residual**2 / sigma**2
+                + np.log(sigma**2))
+
+        return ofv
+
+    # 初期値
+    x0 = [np.log(5), np.log(50),
+           np.log(0.3), np.log(0.3),
+           np.log(0.2)]
+
+    result = minimize(_objective, x0,
+                      method="Nelder-Mead",
+                      options={"maxiter": 5000})
+
+    estimates = {
+        "tv_cl": round(np.exp(result.x[0]), 3),
+        "tv_v": round(np.exp(result.x[1]), 3),
+        "omega_cl": round(np.exp(result.x[2]), 3),
+        "omega_v": round(np.exp(result.x[3]), 3),
+        "sigma": round(np.exp(result.x[4]), 3),
+        "ofv": round(result.fun, 2),
+        "converged": result.success,
+    }
+
+    print(f"PopPK: CL={estimates['tv_cl']} L/h, "
+          f"V={estimates['tv_v']} L, "
+          f"OFV={estimates['ofv']}")
+    return estimates
+```
+
+## 3. TDM 投与量最適化
+
+```python
+def tdm_dose_optimization(
+        current_conc, current_dose,
+        target_range, pk_params,
+        interval=12):
+    """
+    TDM ベース投与量最適化。
+
+    Parameters:
+        current_conc: float — 現在トラフ濃度
+        current_dose: float — 現在投与量 (mg)
+        target_range: tuple — 目標濃度範囲 (min, max)
+        pk_params: dict — {cl, v} PK パラメータ
+        interval: float — 投与間隔 (h)
+    """
+    cl = pk_params["cl"]
+    v = pk_params["v"]
+    ke = cl / v
+    target_mid = (target_range[0]
+                  + target_range[1]) / 2
+
+    # 線形 PK 仮定: 用量比例
+    ratio = target_mid / max(current_conc, 0.01)
+    new_dose = current_dose * ratio
+
+    # シミュレーション検証
+    times = np.linspace(0, interval, 100)
+    conc_profile = (new_dose / v
+                    * np.exp(-ke * times))
+    cmax = conc_profile[0]
+    ctrough = conc_profile[-1]
+
+    in_range = (target_range[0] <= ctrough
+                <= target_range[1])
+
+    result = {
+        "current_dose": current_dose,
+        "current_trough": current_conc,
+        "recommended_dose": round(new_dose, 1),
+        "predicted_cmax": round(cmax, 2),
+        "predicted_trough": round(ctrough, 2),
+        "target_range": target_range,
+        "in_target": in_range,
+    }
+
+    status = "✓" if in_range else "✗"
+    print(f"TDM: {current_dose}mg → "
+          f"{new_dose:.1f}mg "
+          f"(trough {ctrough:.2f}) {status}")
+    return result
+```
+
+## 4. Emax PD モデル
+
+```python
+def emax_model(conc, emax, ec50, hill=1):
+    """Emax / Sigmoid Emax モデル。"""
+    return emax * conc**hill / (
+        ec50**hill + conc**hill)
+
+
+def fit_emax(conc_data, effect_data,
+               sigmoid=False):
+    """
+    Emax モデルフィッティング。
+
+    Parameters:
+        conc_data: array — 濃度データ
+        effect_data: array — 薬効データ
+        sigmoid: bool — Sigmoid (Hill) モデル
+    """
+    from scipy.optimize import curve_fit
+
+    conc = np.array(conc_data)
+    effect = np.array(effect_data)
+
+    if sigmoid:
+        def _model(c, emax, ec50, hill):
+            return emax_model(c, emax, ec50, hill)
+        p0 = [max(effect), np.median(conc), 1.0]
+        bounds = ([0, 0, 0.1], [np.inf, np.inf, 10])
+    else:
+        def _model(c, emax, ec50):
+            return emax_model(c, emax, ec50, 1)
+        p0 = [max(effect), np.median(conc)]
+        bounds = ([0, 0], [np.inf, np.inf])
+
+    popt, pcov = curve_fit(
+        _model, conc, effect, p0=p0,
+        bounds=bounds, maxfev=5000)
+
+    perr = np.sqrt(np.diag(pcov))
+
+    result = {
+        "emax": round(popt[0], 3),
+        "ec50": round(popt[1], 3),
+        "emax_se": round(perr[0], 3),
+        "ec50_se": round(perr[1], 3),
+    }
+    if sigmoid:
+        result["hill"] = round(popt[2], 3)
+        result["hill_se"] = round(perr[2], 3)
+
+    print(f"PD fit: Emax={result['emax']}, "
+          f"EC50={result['ec50']}"
+          + (f", Hill={result['hill']}"
+             if sigmoid else ""))
+    return result
+```
+
+## 5. 臨床薬理統合パイプライン
+
+```python
+def clinical_pharmacology_pipeline(
+        pk_data, pd_data=None,
+        target_range=(10, 20),
+        output_dir="results"):
+    """
+    臨床薬理学統合パイプライン。
+
+    Parameters:
+        pk_data: pd.DataFrame — PK 濃度データ
+        pd_data: pd.DataFrame | None — PD 効果データ
+        target_range: tuple — 目標トラフ範囲
+        output_dir: str — 出力ディレクトリ
+    """
+    from pathlib import Path
+    out = Path(output_dir)
+    out.mkdir(parents=True, exist_ok=True)
+
+    # 1) PopPK 推定
+    pk_est = popk_estimation(pk_data)
+
+    # 2) TDM 最適化 (最新トラフがあれば)
+    latest = pk_data.sort_values("time").iloc[-1]
+    tdm = tdm_dose_optimization(
+        latest["dv"], latest["dose"],
+        target_range,
+        {"cl": pk_est["tv_cl"],
+         "v": pk_est["tv_v"]})
+
+    # 3) PD モデル (データがあれば)
+    pd_result = None
+    if pd_data is not None:
+        pd_result = fit_emax(
+            pd_data["concentration"],
+            pd_data["effect"],
+            sigmoid=True)
+
+    # 4) シミュレーション
+    sim = simulate_pk(
+        tdm["recommended_dose"],
+        params={"cl": pk_est["tv_cl"],
+                "v": pk_est["tv_v"]})
+    sim.to_csv(out / "pk_simulation.csv",
+               index=False)
+
+    print(f"Clinical PK pipeline → {out}")
+    return {
+        "popk": pk_est,
+        "tdm": tdm,
+        "pd": pd_result,
+        "simulation": sim,
+    }
+```
+
+---
+
+## パイプライン統合
+
+```
+admet-pharmacokinetics → clinical-pharmacology → pharmacogenomics
+  (ADMET 予測)           (臨床 PK/PD)           (遺伝薬理学)
+       │                       │                      ↓
+  drug-repurposing ────────────┘          clinical-decision-support
+    (薬剤リパーパシング)                       (臨床意思決定)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `pk_simulation.csv` | PK シミュレーション | → dose-response |
+| `popk_estimates.json` | PopPK パラメータ | → pharmacogenomics |
+| `tdm_recommendation.json` | TDM 推奨用量 | → clinical-decision |