@nahisaho/satori 0.24.0 → 0.25.0

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 **182 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。
+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 **190 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
 
@@ -286,9 +286,9 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 中区分 | スキル数 | 概要 |
 |---|:---:|---|
 | A. 基盤・ワークフロー | 17 | パイプライン構築・前処理・データ生成・図表・執筆・仮説立案・批判的レビュー・SI 生成・LaTeX 変換・引用検証・査読対応・改訂追跡・論文品質・系統的レビュー・BioThings ID マッピング・データ投稿・CrossRef メタデータ |
-| B. 統計・探索的解析 | 9 | EDA・仮説検定・次元削減・記号数学・欠損データ解析・高度可視化・データプロファイリング・地理空間解析・ネットワーク可視化 |
-| C. 機械学習・モデリング | 9 | 回帰・分類・特徴量重要度・アクティブラーニング・AutoML・アンサンブル学習・異常検知・因果 ML・モデル監視 |
-| 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 |
+| B. 統計・探索的解析 | 11 | EDA・仮説検定・次元削減・記号数学・欠損データ解析・高度可視化・データプロファイリング・地理空間解析・ネットワーク可視化・統計シミュレーション・ストリーミング解析 |
+| C. 機械学習・モデリング | 11 | 回帰・分類・特徴量重要度・アクティブラーニング・AutoML・アンサンブル学習・異常検知・因果 ML・モデル監視・半教師あり学習・マルチタスク学習 |
+| D. 実験計画・プロセス最適化 | 3 | DOE・応答曲面法・ベイズ最適化・適応的実験計画 |
 | E. 信号・スペクトル・時系列 | 5 | スペクトル解析・生体信号・時系列分解・神経電気生理学・ML 時系列予測 |
 | 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 |
@@ -302,8 +302,8 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 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 | 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 | 9 | 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・転移学習・不確実性定量化 |
-| S. 医用イメージング | 1 | DICOM/NIfTI・WSI 病理画像・Radiomics・MONAI |
+| R. 量子・先端計算 | 11 | 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・転移学習・不確実性定量化・連合学習・NAS |
+| S. 医用イメージング | 2 | DICOM/NIfTI・WSI 病理画像・Radiomics・MONAI・放射線診断支援 AI |
 | 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 | 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 |
@@ -340,9 +340,9 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 119 | [scientific-data-submission](scientific-data-submission/SKILL.md) | GenBank/SRA/GEO/BioProject/BioSample データ投稿・FAIR 原則準拠 | 汎用 |
 | 139 | [scientific-crossref-metadata](scientific-crossref-metadata/SKILL.md) | CrossRef REST API DOI 解決・論文メタデータ・引用数・ジャーナル情報 | 汎用 |
 
-### B. 統計・探索的解析（9 種）
+### B. 統計・探索的解析（11 種）
 
-データの理解・検定・次元削減・記号数学・欠損データ解析・高度可視化・データプロファイリング・地理空間解析・ネットワーク可視化を担うスキル群。
+データの理解・検定・次元削減・記号数学・欠損データ解析・高度可視化・データプロファイリング・地理空間解析・ネットワーク可視化・統計シミュレーション・ストリーミング解析を担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
@@ -355,10 +355,12 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 179 | [scientific-data-profiling](scientific-data-profiling/SKILL.md) | ydata-profiling 自動 EDA・データ品質スコア (5 次元)・Great Expectations バリデーション | 汎用 |
 | 180 | [scientific-geospatial-analysis](scientific-geospatial-analysis/SKILL.md) | GeoPandas 地理空間処理・Moran's I/LISA 空間自己相関・Kriging 補間・Folium 地図 | 汎用 |
 | 181 | [scientific-network-visualization](scientific-network-visualization/SKILL.md) | NetworkX グラフ構築・Louvain/Leiden コミュニティ検出・中心性分析・PyVis インタラクティブ | 汎用 |
+| 187 | [scientific-statistical-simulation](scientific-statistical-simulation/SKILL.md) | Monte Carlo シミュレーション・Bootstrap 推論 (BCa)・Permutation Test・検出力分析 | 汎用 |
+| 188 | [scientific-streaming-analytics](scientific-streaming-analytics/SKILL.md) | River オンライン学習・ストリーミング異常検知・概念ドリフト検出 (ADWIN/DDM) | 汎用 |
 
-### C. 機械学習・モデリング（9 種）
+### C. 機械学習・モデリング（11 種）
 
-教師あり学習・特徴量解釈・アクティブラーニング・AutoML・アンサンブル学習・異常検知・因果 ML・モデル監視を担うスキル群。
+教師あり学習・特徴量解釈・アクティブラーニング・AutoML・アンサンブル学習・異常検知・因果 ML・モデル監視・半教師あり学習・マルチタスク学習を担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
@@ -371,15 +373,18 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 175 | [scientific-anomaly-detection](scientific-anomaly-detection/SKILL.md) | Isolation Forest/LOF/OCSVM アンサンブル異常検知・Autoencoder 異常・SPC 管理図 | 汎用 |
 | 176 | [scientific-causal-ml](scientific-causal-ml/SKILL.md) | DoWhy 因果推論・EconML Double ML/Causal Forest・S/T/X-Learner メタラーナー | 汎用 |
 | 177 | [scientific-model-monitoring](scientific-model-monitoring/SKILL.md) | データドリフト検出 (KS/PSI/Wasserstein)・性能劣化検出・A/B テスト統計 | 汎用 |
+| 185 | [scientific-semi-supervised-learning](scientific-semi-supervised-learning/SKILL.md) | Self-Training・Label Propagation・Pseudo-Labeling 品質評価・ラベル効率化 | 汎用 |
+| 186 | [scientific-multi-task-learning](scientific-multi-task-learning/SKILL.md) | Hard/Soft Parameter Sharing MTL・GradNorm 動的タスクバランシング・PCGrad | 汎用 |
 
-### D. 実験計画・プロセス最適化（2 種）
+### D. 実験計画・プロセス最適化（3 種）
 
-実験設計と応答曲面最適化を担うスキル群。
+実験設計・応答曲面最適化・適応的実験計画を担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
 | 20 | [scientific-doe](scientific-doe/SKILL.md) | 田口直交表・CCD/Box-Behnken・ANOVA 因子効果・ベイズ最適化 | 汎用 |
 | 21 | [scientific-process-optimization](scientific-process-optimization/SKILL.md) | 応答曲面法 (ML-RSM)・パレート最適化・プロセスウィンドウ | 12, 13 |
+| 190 | [scientific-adaptive-experiments](scientific-adaptive-experiments/SKILL.md) | Thompson Sampling/UCB バンディット・SPRT 逐次検定・ベイズ適応用量探索 | 汎用 |
 
 ### E. 信号・スペクトル・時系列（5 種）
 
@@ -570,9 +575,9 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 149 | [scientific-monarch-ontology](scientific-monarch-ontology/SKILL.md) | Monarch Initiative 疾患-遺伝子-表現型オントロジー・HPO・エンティティ検索 | 汎用 |
 | 150 | [scientific-gdc-portal](scientific-gdc-portal/SKILL.md) | NCI Genomic Data Commons REST API・プロジェクト/ケース/SSM 検索 | 汎用 |
 
-### R. 量子・先端計算（9 種）
+### R. 量子・先端計算（11 種）
 
-量子計算・GNN・ベイズ統計・XAI・深層学習・ヘルスケア AI・強化学習・転移学習・不確実性定量化など次世代計算手法を担うスキル群。
+量子計算・GNN・ベイズ統計・XAI・深層学習・ヘルスケア AI・強化学習・転移学習・不確実性定量化・連合学習・NAS など次世代計算手法を担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
@@ -585,14 +590,17 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 104 | [scientific-reinforcement-learning](scientific-reinforcement-learning/SKILL.md) | Stable-Baselines3/PufferLib RL エージェント訓練・分子設計/実験最適化 RL | 汎用 |
 | 170 | [scientific-transfer-learning](scientific-transfer-learning/SKILL.md) | Vision/NLP ファインチューニング・Few-shot・知識蒸留・ドメイン適応 | 汎用 |
 | 171 | [scientific-uncertainty-quantification](scientific-uncertainty-quantification/SKILL.md) | Conformal Prediction・MC Dropout・深層アンサンブル・Calibration・ECE | 汎用 |
+| 183 | [scientific-federated-learning](scientific-federated-learning/SKILL.md) | Flower FL パイプライン・FedAvg/FedProx 集約・DP-SGD 差分プライバシー・非 IID 分割 | 汎用 |
+| 184 | [scientific-neural-architecture-search](scientific-neural-architecture-search/SKILL.md) | Optuna NAS・Pareto 多目的探索 (精度 vs サイズ)・探索空間定義・枝刈り | 汎用 |
 
-### S. 医用イメージング（1 種）
+### S. 医用イメージング（2 種）
 
-DICOM・WSI 等の医用画像の解析・セグメンテーションを担うスキル。
+DICOM・WSI 等の医用画像解析・セグメンテーション・放射線診断支援 AI を担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
 | 56 | [scientific-medical-imaging](scientific-medical-imaging/SKILL.md) | DICOM/NIfTI 処理・MONAI U-Net/SwinUNETR・WSI パッチ抽出・Radiomics・3D 可視化 | 汎用 |
+| 189 | [scientific-radiology-ai](scientific-radiology-ai/SKILL.md) | MONAI CADe/CADx パイプライン・CT/MRI 分類・Grad-CAM 説明可能性・構造化レポート | 汎用 |
 
 ### T. シングルセル・空間・エピゲノミクス（13 種）
 
@@ -752,7 +760,9 @@ Skills は `.github/skills/` に配置されているため、Copilot が自動
 │   ├── scientific-advanced-visualization/
 │   ├── scientific-data-profiling/
 │   ├── scientific-geospatial-analysis/
-│   └── scientific-network-visualization/
+│   ├── scientific-network-visualization/
+│   ├── scientific-statistical-simulation/
+│   └── scientific-streaming-analytics/
 │
 │── [C] 機械学習・モデリング
 │   ├── scientific-ml-regression/
@@ -763,11 +773,14 @@ Skills は `.github/skills/` に配置されているため、Copilot が自動
 │   ├── scientific-ensemble-methods/
 │   ├── scientific-anomaly-detection/
 │   ├── scientific-causal-ml/
-│   └── scientific-model-monitoring/
+│   ├── scientific-model-monitoring/
+│   ├── scientific-semi-supervised-learning/
+│   └── scientific-multi-task-learning/
 │
 │── [D] 実験計画・プロセス最適化
 │   ├── scientific-doe/
-│   └── scientific-process-optimization/
+│   ├── scientific-process-optimization/
+│   └── scientific-adaptive-experiments/
 │
 │── [E] 信号・スペクトル・時系列
 │   ├── scientific-spectral-signal/
@@ -903,10 +916,13 @@ Skills は `.github/skills/` に配置されているため、Copilot が自動
 │   ├── scientific-healthcare-ai/
 │   ├── scientific-reinforcement-learning/
 │   ├── scientific-transfer-learning/
-│   └── scientific-uncertainty-quantification/
+│   ├── scientific-uncertainty-quantification/
+│   ├── scientific-federated-learning/
+│   └── scientific-neural-architecture-search/
 │
-└── [S] 医用イメージング
-    └── scientific-medical-imaging/
+├── [S] 医用イメージング
+│   ├── scientific-medical-imaging/
+│   └── scientific-radiology-ai/
 │
 │── [T] シングルセル・空間・エピゲノミクス
 │   ├── scientific-single-cell-genomics/

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "@nahisaho/satori",
-  "version": "0.24.0",
+  "version": "0.25.0",
   "description": "SATORI — Agent Skills for Science. GitHub Copilot Agent Skills collection for scientific data analysis.",
   "main": "index.js",
   "bin": {

package/src/.github/skills/scientific-adaptive-experiments/SKILL.md

@@ -0,0 +1,287 @@
+---
+name: scientific-adaptive-experiments
+description: |
+  適応的実験計画スキル。多腕バンディット (Thompson Sampling/UCB)・
+  ベイズ適応設計・逐次検定 (SPRT)・
+  Response-Adaptive Randomization・早期停止規則。
+---
+
+# Scientific Adaptive Experiments
+
+実験中のデータに基づいて動的に実験計画を修正する
+適応的実験設計パイプラインを提供する。
+
+## When to Use
+
+- A/B テストの適応的割り当てを行うとき
+- 多腕バンディットで探索と活用を最適化するとき
+- 逐次解析で早期停止判定を行うとき
+- ベイズ適応設計で用量探索するとき
+- Response-Adaptive Randomization で臨床試験を設計するとき
+
+---
+
+## Quick Start
+
+## 1. 多腕バンディット
+
+```python
+import numpy as np
+import pandas as pd
+from typing import List, Dict
+
+
+class ThompsonSamplingBandit:
+    """
+    Thompson Sampling ベータ-ベルヌーイバンディット。
+    """
+
+    def __init__(self, n_arms, prior_alpha=1.0, prior_beta=1.0):
+        """
+        Parameters:
+            n_arms: int — アーム数
+            prior_alpha: float — Beta 事前分布の α
+            prior_beta: float — Beta 事前分布の β
+        """
+        self.n_arms = n_arms
+        self.alphas = np.full(n_arms, prior_alpha)
+        self.betas = np.full(n_arms, prior_beta)
+        self.history = []
+
+    def select_arm(self):
+        samples = np.array([
+            np.random.beta(a, b)
+            for a, b in zip(self.alphas, self.betas)])
+        return int(np.argmax(samples))
+
+    def update(self, arm, reward):
+        if reward > 0:
+            self.alphas[arm] += 1
+        else:
+            self.betas[arm] += 1
+        self.history.append({"arm": arm, "reward": reward})
+
+    def get_summary(self):
+        records = []
+        for i in range(self.n_arms):
+            a, b = self.alphas[i], self.betas[i]
+            records.append({
+                "arm": i,
+                "alpha": a, "beta": b,
+                "mean": a / (a + b),
+                "n_pulls": int(a + b - 2),
+                "95%_lower": float(np.percentile(
+                    np.random.beta(a, b, 10000), 2.5)),
+            })
+        return pd.DataFrame(records)
+
+
+def run_bandit_experiment(true_rates, n_rounds=1000,
+                          algorithm="thompson", seed=42):
+    """
+    バンディット実験シミュレーション。
+
+    Parameters:
+        true_rates: list[float] — 各アームの真の成功率
+        n_rounds: int — ラウンド数
+        algorithm: str — "thompson" / "ucb" / "epsilon_greedy"
+        seed: int — 乱数シード
+    """
+    rng = np.random.default_rng(seed)
+    n_arms = len(true_rates)
+
+    if algorithm == "thompson":
+        bandit = ThompsonSamplingBandit(n_arms)
+        for t in range(n_rounds):
+            arm = bandit.select_arm()
+            reward = int(rng.random() < true_rates[arm])
+            bandit.update(arm, reward)
+    elif algorithm == "ucb":
+        counts = np.zeros(n_arms)
+        values = np.zeros(n_arms)
+        history = []
+        for t in range(n_rounds):
+            if t < n_arms:
+                arm = t
+            else:
+                ucb = values + np.sqrt(2 * np.log(t) / (counts + 1e-10))
+                arm = int(np.argmax(ucb))
+            reward = int(rng.random() < true_rates[arm])
+            counts[arm] += 1
+            values[arm] += (reward - values[arm]) / counts[arm]
+            history.append({"arm": arm, "reward": reward})
+        bandit = type("UCB", (), {
+            "history": history,
+            "get_summary": lambda self: pd.DataFrame([
+                {"arm": i, "n_pulls": int(counts[i]),
+                 "mean": values[i]} for i in range(n_arms)])
+        })()
+    else:  # epsilon_greedy
+        epsilon = 0.1
+        counts = np.zeros(n_arms)
+        values = np.zeros(n_arms)
+        history = []
+        for t in range(n_rounds):
+            if rng.random() < epsilon:
+                arm = rng.integers(n_arms)
+            else:
+                arm = int(np.argmax(values))
+            reward = int(rng.random() < true_rates[arm])
+            counts[arm] += 1
+            values[arm] += (reward - values[arm]) / counts[arm]
+            history.append({"arm": arm, "reward": reward})
+        bandit = type("EG", (), {
+            "history": history,
+            "get_summary": lambda self: pd.DataFrame([
+                {"arm": i, "n_pulls": int(counts[i]),
+                 "mean": values[i]} for i in range(n_arms)])
+        })()
+
+    summary = bandit.get_summary()
+    best_arm = summary.loc[summary["mean"].idxmax(), "arm"]
+    print(f"Bandit ({algorithm}, {n_rounds} rounds):")
+    print(f"  Best arm: {best_arm} (est. rate={summary.loc[summary['arm']==best_arm, 'mean'].values[0]:.3f})")
+    print(f"  True best: {np.argmax(true_rates)} (rate={max(true_rates):.3f})")
+    return bandit, summary
+```
+
+## 2. 逐次検定 (SPRT)
+
+```python
+def sequential_probability_ratio_test(data_stream,
+                                       h0_rate=0.5,
+                                       h1_rate=0.6,
+                                       alpha=0.05, beta=0.2):
+    """
+    Wald の逐次確率比検定 (SPRT)。
+
+    Parameters:
+        data_stream: iterable — 逐次観測データ (0/1)
+        h0_rate: float — 帰無仮説下の成功率
+        h1_rate: float — 対立仮説下の成功率
+        alpha: float — 第 1 種の過誤確率
+        beta: float — 第 2 種の過誤確率
+    """
+    A = np.log((1 - beta) / alpha)  # H1 採択境界
+    B = np.log(beta / (1 - alpha))  # H0 採択境界
+
+    log_lr = 0.0
+    history = []
+
+    for i, x in enumerate(data_stream):
+        # 対数尤度比の更新
+        if x == 1:
+            log_lr += np.log(h1_rate / h0_rate)
+        else:
+            log_lr += np.log((1 - h1_rate) / (1 - h0_rate))
+
+        decision = None
+        if log_lr >= A:
+            decision = "reject_H0"
+        elif log_lr <= B:
+            decision = "accept_H0"
+
+        history.append({
+            "step": i + 1, "observation": x,
+            "log_lr": log_lr,
+            "upper_bound": A, "lower_bound": B,
+            "decision": decision,
+        })
+
+        if decision is not None:
+            print(f"SPRT: {decision} at step {i+1} "
+                  f"(log_LR={log_lr:.3f})")
+            break
+
+    df = pd.DataFrame(history)
+    if df["decision"].iloc[-1] is None:
+        print(f"SPRT: Inconclusive after {len(df)} observations")
+    return df
+```
+
+## 3. ベイズ適応用量探索
+
+```python
+def bayesian_adaptive_dose_finding(dose_levels, n_patients=30,
+                                    target_toxicity=0.33,
+                                    prior_alpha=1.0,
+                                    prior_beta=1.0, seed=42):
+    """
+    ベイズ適応用量探索 (CRM 簡易版)。
+
+    Parameters:
+        dose_levels: list[float] — 用量レベル
+        n_patients: int — 患者数
+        target_toxicity: float — 目標毒性率
+        prior_alpha: float — Beta 事前分布 α
+        prior_beta: float — Beta 事前分布 β
+        seed: int — 乱数シード
+    """
+    rng = np.random.default_rng(seed)
+    n_doses = len(dose_levels)
+    alphas = np.full(n_doses, prior_alpha)
+    betas = np.full(n_doses, prior_beta)
+    history = []
+
+    # 真の毒性率 (シミュレーション用)
+    true_tox = np.linspace(0.05, 0.60, n_doses)
+
+    current_dose = 0
+    for patient in range(n_patients):
+        toxicity = int(rng.random() < true_tox[current_dose])
+
+        if toxicity:
+            alphas[current_dose] += 1
+        else:
+            betas[current_dose] += 1
+
+        history.append({
+            "patient": patient + 1,
+            "dose_level": current_dose,
+            "dose_value": dose_levels[current_dose],
+            "toxicity": toxicity,
+        })
+
+        # 次の用量選択 (最も target に近い推定毒性率)
+        means = alphas / (alphas + betas)
+        distances = np.abs(means - target_toxicity)
+        current_dose = int(np.argmin(distances))
+
+    # MTD 推定
+    final_means = alphas / (alphas + betas)
+    mtd_idx = int(np.argmin(np.abs(final_means - target_toxicity)))
+
+    summary = pd.DataFrame({
+        "dose_level": range(n_doses),
+        "dose_value": dose_levels,
+        "est_toxicity": final_means,
+        "n_treated": [sum(1 for h in history
+                         if h["dose_level"] == i)
+                      for i in range(n_doses)],
+    })
+
+    print(f"Bayesian adaptive: MTD = dose {mtd_idx} "
+          f"(value={dose_levels[mtd_idx]}, "
+          f"est_tox={final_means[mtd_idx]:.3f})")
+    return summary, pd.DataFrame(history)
+```
+
+---
+
+## パイプライン統合
+
+```
+[実験目的] → adaptive-experiments → statistical-testing
+               (適応設計)              (最終解析)
+                    │
+              doe ← statistical-simulation
+          (古典計画)    (検出力分析)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `bandit_summary.csv` | バンディット結果 | → 最適アーム |
+| `sprt_history.csv` | SPRT 検定履歴 | → 判定結果 |
+| `dose_finding.csv` | 用量探索結果 | → MTD 推定 |