@nahisaho/satori 0.21.0 → 0.22.0

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

package/src/.github/skills/scientific-metagenome-assembled-genomes/SKILL.md

@@ -0,0 +1,299 @@
+---
+name: scientific-metagenome-assembled-genomes
+description: |
+  メタゲノムアセンブルゲノム (MAG) 解析スキル。
+  MetaBAT2 / CONCOCT / MaxBin2 ビニング・CheckM2 品質評価・
+  GTDB-Tk 分類学的分類・dRep 脱重複・Prokka アノテーション・
+  MAG アセンブリ品質レポートパイプライン。
+  TU 外スキル (CLI ラッパー + Python ライブラリ)。
+---
+
+# Scientific Metagenome-Assembled Genomes
+
+メタゲノムリードから個別ゲノム (MAG) を再構築する
+ビニング・品質評価・分類・アノテーションの
+統合パイプラインを提供する。
+
+## When to Use
+
+- メタゲノムショットガンデータから MAG を再構築するとき
+- コンティグビニング (MetaBAT2/CONCOCT/MaxBin2) を実行するとき
+- CheckM/CheckM2 でゲノム完全性・コンタミネーションを評価するとき
+- GTDB-Tk で MAG の分類学的位置づけを行うとき
+- dRep で冗長な MAG を脱重複するとき
+- Prokka/Bakta で MAG のアノテーションを行うとき
+
+---
+
+## Quick Start
+
+## 1. MetaBAT2 ビニング
+
+```python
+import subprocess
+import pandas as pd
+from pathlib import Path
+
+
+def run_metabat2(assembly_fasta, bam_file,
+                   output_dir="metabat2_bins",
+                   min_contig=2500):
+    """
+    MetaBAT2 — メタゲノムコンティグビニング。
+
+    Parameters:
+        assembly_fasta: str — アセンブリ FASTA
+        bam_file: str — ソート済み BAM
+        output_dir: str — 出力ディレクトリ
+        min_contig: int — 最小コンティグ長
+    """
+    out = Path(output_dir)
+    out.mkdir(parents=True, exist_ok=True)
+
+    # 深度テーブル生成
+    depth_file = out / "depth.txt"
+    subprocess.run([
+        "jgi_summarize_bam_contig_depths",
+        "--outputDepth", str(depth_file),
+        bam_file
+    ], check=True)
+
+    # MetaBAT2 実行
+    subprocess.run([
+        "metabat2",
+        "-i", assembly_fasta,
+        "-a", str(depth_file),
+        "-o", str(out / "bin"),
+        "-m", str(min_contig),
+        "--seed", "42",
+    ], check=True)
+
+    bins = list(out.glob("bin.*.fa"))
+    print(f"MetaBAT2: {len(bins)} bins generated")
+    return bins
+```
+
+## 2. CheckM2 品質評価
+
+```python
+def run_checkm2(bin_dir, output_dir="checkm2_out",
+                  threads=8):
+    """
+    CheckM2 — MAG 品質評価
+    (完全性 / コンタミネーション / N50)。
+
+    Parameters:
+        bin_dir: str — ビンディレクトリ
+        output_dir: str — 出力ディレクトリ
+        threads: int — スレッド数
+    """
+    out = Path(output_dir)
+    out.mkdir(parents=True, exist_ok=True)
+
+    subprocess.run([
+        "checkm2", "predict",
+        "--input", bin_dir,
+        "--output-directory", str(out),
+        "--threads", str(threads),
+        "-x", "fa",
+    ], check=True)
+
+    report = out / "quality_report.tsv"
+    df = pd.read_csv(report, sep="\t")
+
+    # MIMAG 基準による分類
+    df["quality"] = df.apply(
+        lambda r: (
+            "high" if r["Completeness"] >= 90
+            and r["Contamination"] < 5
+            else "medium"
+            if r["Completeness"] >= 50
+            and r["Contamination"] < 10
+            else "low"), axis=1)
+
+    n_hq = (df["quality"] == "high").sum()
+    n_mq = (df["quality"] == "medium").sum()
+    n_lq = (df["quality"] == "low").sum()
+    print(f"CheckM2: {n_hq} HQ, {n_mq} MQ, "
+          f"{n_lq} LQ MAGs")
+    return df
+
+
+def filter_quality_mags(checkm_df,
+                          min_completeness=50,
+                          max_contamination=10):
+    """
+    品質基準によるMAGフィルタリング。
+
+    Parameters:
+        checkm_df: pd.DataFrame — CheckM2 結果
+        min_completeness: float — 最小完全性 (%)
+        max_contamination: float — 最大汚染 (%)
+    """
+    filtered = checkm_df[
+        (checkm_df["Completeness"]
+         >= min_completeness)
+        & (checkm_df["Contamination"]
+           <= max_contamination)
+    ].copy()
+
+    print(f"Filter: {len(filtered)}/"
+          f"{len(checkm_df)} MAGs passed "
+          f"(≥{min_completeness}% comp, "
+          f"≤{max_contamination}% contam)")
+    return filtered
+```
+
+## 3. GTDB-Tk 分類
+
+```python
+def run_gtdbtk(bin_dir, output_dir="gtdbtk_out",
+                 threads=8):
+    """
+    GTDB-Tk — ゲノム分類学分類
+    (GTDB taxonomy)。
+
+    Parameters:
+        bin_dir: str — フィルタ済みビンディレクトリ
+        output_dir: str — 出力ディレクトリ
+        threads: int — スレッド数
+    """
+    out = Path(output_dir)
+    out.mkdir(parents=True, exist_ok=True)
+
+    subprocess.run([
+        "gtdbtk", "classify_wf",
+        "--genome_dir", bin_dir,
+        "--out_dir", str(out),
+        "--cpus", str(threads),
+        "-x", "fa",
+    ], check=True)
+
+    # 細菌/古細菌分類結果を統合
+    results = []
+    for domain in ["bac120", "ar53"]:
+        tsv = (out / f"gtdbtk.{domain}."
+               "summary.tsv")
+        if tsv.exists():
+            df = pd.read_csv(tsv, sep="\t")
+            df["domain_marker"] = domain
+            results.append(df)
+
+    if results:
+        combined = pd.concat(results,
+                             ignore_index=True)
+        print(f"GTDB-Tk: {len(combined)} MAGs "
+              f"classified")
+        return combined
+
+    print("GTDB-Tk: no classification results")
+    return pd.DataFrame()
+```
+
+## 4. dRep 脱重複
+
+```python
+def run_drep(bin_dir, output_dir="drep_out",
+               ani_threshold=0.95):
+    """
+    dRep — MAG 脱重複 (ANI ベース)。
+
+    Parameters:
+        bin_dir: str — ビンディレクトリ
+        output_dir: str — 出力ディレクトリ
+        ani_threshold: float — ANI 閾値
+    """
+    out = Path(output_dir)
+    out.mkdir(parents=True, exist_ok=True)
+
+    subprocess.run([
+        "dRep", "dereplicate",
+        str(out),
+        "-g", f"{bin_dir}/*.fa",
+        "-sa", str(ani_threshold),
+        "--ignoreGenomeQuality",
+    ], check=True)
+
+    derep = list(
+        (out / "dereplicated_genomes").glob("*.fa"))
+    print(f"dRep: {len(derep)} dereplicated MAGs "
+          f"(ANI ≥ {ani_threshold})")
+    return derep
+```
+
+## 5. MAG パイプライン統合
+
+```python
+def mag_pipeline(assembly_fasta, bam_file,
+                   output_dir="mag_results",
+                   threads=8):
+    """
+    MAG 統合パイプライン。
+
+    Parameters:
+        assembly_fasta: str — メタゲノムアセンブリ
+        bam_file: str — ソート済み BAM
+        output_dir: str — 出力ルート
+        threads: int — スレッド数
+    """
+    out = Path(output_dir)
+    out.mkdir(parents=True, exist_ok=True)
+
+    # 1) ビニング
+    bins = run_metabat2(
+        assembly_fasta, bam_file,
+        str(out / "bins"))
+
+    # 2) 品質評価
+    checkm = run_checkm2(
+        str(out / "bins"),
+        str(out / "checkm2"),
+        threads)
+
+    # 3) フィルタリング (MIMAG medium+)
+    quality = filter_quality_mags(checkm)
+
+    # 4) GTDB-Tk 分類
+    taxonomy = run_gtdbtk(
+        str(out / "bins"),
+        str(out / "gtdbtk"),
+        threads)
+
+    # 5) 脱重複
+    derep = run_drep(
+        str(out / "bins"),
+        str(out / "drep"))
+
+    print(f"MAG pipeline: {len(bins)} bins → "
+          f"{len(quality)} QC passed → "
+          f"{len(derep)} dereplicated")
+
+    return {
+        "bins": bins,
+        "checkm": checkm,
+        "quality": quality,
+        "taxonomy": taxonomy,
+        "dereplicated": derep,
+    }
+```
+
+---
+
+## パイプライン統合
+
+```
+microbiome-metagenomics → metagenome-assembled-genomes → environmental-ecology
+  (メタゲノム組成解析)      (MAG 再構築)                   (生態系統合)
+        │                        │                            ↓
+  long-read-sequencing ─────────┘                    phylogenomics
+    (ロングリードアセンブリ)                            (系統解析)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `*_bins/bin.*.fa` | ビンゲノム | → dRep, GTDB-Tk |
+| `checkm2_out/quality_report.tsv` | 品質レポート | → フィルタリング |
+| `gtdbtk_out/*.summary.tsv` | 分類結果 | → phylogenomics |
+| `drep_out/dereplicated_genomes/` | 脱重複 MAG | → environmental-ecology |

package/src/.github/skills/scientific-model-organism-db/SKILL.md

@@ -5,6 +5,14 @@ description: |
   WormBase (線虫)、ZFIN (ゼブラフィッシュ)、RGD (ラット)、
   MGI (マウス) の REST API を統合した
   モデル生物遺伝子・表現型・疾患モデル横断検索パイプライン。
+  ToolUniverse 連携: impc, mpd。
+tu_tools:
+  - key: impc
+    name: IMPC
+    description: 国際マウス表現型解析コンソーシアム
+  - key: mpd
+    name: MPD
+    description: Mouse Phenome Database マウス表現型
 ---
 
 # Scientific Model Organism Database

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

@@ -4,6 +4,17 @@ description: |
   公衆衛生データアクセススキル。NHANES 疫学調査データ、MedlinePlus 一般向け
   健康情報、RxNorm 薬剤標準語彙、ODPHP 健康目標・ガイドライン、
   Health Disparities 健康格差データ統合パイプライン。
+  ToolUniverse 連携: nhanes, medlineplus, odphp。
+tu_tools:
+  - key: nhanes
+    name: NHANES
+    description: 全米健康栄養調査データ
+  - key: medlineplus
+    name: MedlinePlus
+    description: NLM 一般向け健康情報 API
+  - key: odphp
+    name: ODPHP
+    description: Healthy People 健康目標・ガイドライン
 ---
 
 # Scientific Public Health Data

package/src/.github/skills/scientific-systems-biology/SKILL.md

@@ -5,6 +5,17 @@ description: |
   代謝フラックス解析（FBA / pFBA）・遺伝子制御ネットワーク推定（GRN）・
   シグナル伝達経路モデリング・パラメータ推定・感度解析・
   BioModels/Reactome/KEGG/BiGG 統合パイプライン。
+  ToolUniverse 連携: bigg_models, complex_portal, wikipathways。
+tu_tools:
+  - key: bigg_models
+    name: BiGG Models
+    description: ゲノムスケール代謝モデル BiGG REST API
+  - key: complex_portal
+    name: Complex Portal
+    description: EBI タンパク質複合体データベース
+  - key: wikipathways
+    name: WikiPathways
+    description: WikiPathways コミュニティパスウェイ
 ---
 
 # Scientific Systems Biology