@nahisaho/satori 0.8.0 → 0.10.0

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

@@ -0,0 +1,341 @@
+---
+name: scientific-immunoinformatics
+description: |
+  免疫情報学スキル。エピトープ予測（MHC-I/II バインディング）・
+  T 細胞/B 細胞エピトープマッピング・抗体構造解析（CDR ループ）・
+  免疫レパトア解析（TCR/BCR クロノタイプ）・ワクチン候補設計・
+  IEDB/IMGT/SAbDab データベース統合パイプライン。
+---
+
+# Scientific Immunoinformatics
+
+免疫情報学（Immunoinformatics）に特化した解析パイプラインを提供する。
+エピトープ予測、MHC 結合親和性推定、抗体配列・構造解析、
+免疫レパトア多様性解析、ワクチン候補優先順位付けを体系的に扱う。
+
+## When to Use
+
+- ペプチド-MHC 結合親和性を予測するとき
+- T 細胞 / B 細胞エピトープを同定・マッピングするとき
+- TCR / BCR レパトア（クロノタイプ）多様性を解析するとき
+- 抗体 CDR ループの構造モデリングを行うとき
+- ワクチン候補アンチゲンの優先順位付けを行うとき
+
+---
+
+## Quick Start
+
+## 1. MHC-I バインディング予測
+
+```python
+import numpy as np
+import pandas as pd
+
+def predict_mhc_binding(peptides, alleles, method="netmhcpan"):
+    """
+    MHC クラス I バインディング親和性予測。
+
+    method:
+      - "netmhcpan": NetMHCpan 4.1 — ペプチド-MHC 結合 IC50 予測
+      - "mhcflurry": MHCflurry 2.0 — ニューラルネットワークベース
+
+    閾値:
+      - Strong binder: IC50 < 50 nM (または %Rank < 0.5)
+      - Weak binder: IC50 < 500 nM (または %Rank < 2.0)
+
+    Parameters:
+        peptides: ペプチド配列リスト（8-14 mer）
+        alleles: HLA アレルリスト (e.g., ["HLA-A*02:01", "HLA-B*07:02"])
+    """
+    from mhcflurry import Class1PresentationPredictor
+
+    predictor = Class1PresentationPredictor.load()
+
+    results = []
+    for peptide in peptides:
+        for allele in alleles:
+            pred = predictor.predict(peptides=[peptide], alleles=[allele],
+                                     verbose=0)
+            results.append({
+                "peptide": peptide,
+                "allele": allele,
+                "affinity_nM": pred["affinity"].values[0],
+                "percentile_rank": pred["affinity_percentile"].values[0],
+                "processing_score": pred["processing_score"].values[0],
+                "presentation_score": pred["presentation_score"].values[0],
+            })
+
+    df = pd.DataFrame(results)
+    df["binding_level"] = np.where(
+        df["affinity_nM"] < 50, "Strong",
+        np.where(df["affinity_nM"] < 500, "Weak", "Non-binder")
+    )
+
+    n_strong = (df["binding_level"] == "Strong").sum()
+    n_weak = (df["binding_level"] == "Weak").sum()
+    print(f"  MHC-I: {n_strong} strong + {n_weak} weak binders / {len(df)} predictions")
+    return df
+```
+
+## 2. B 細胞エピトープ予測
+
+```python
+def predict_bcell_epitopes(sequence, window_size=20, threshold=0.5):
+    """
+    B 細胞（線状）エピトープ予測。
+
+    統合スコアリング:
+      1. BepiPred 2.0: Random Forest ベース予測
+      2. Parker hydrophilicity scale
+      3. Emini surface accessibility
+      4. Chou-Fasman β-turn prediction
+
+    combined_score = 0.4 * bepipred + 0.2 * hydrophilicity +
+                     0.2 * surface + 0.2 * beta_turn
+    """
+    from Bio.SeqUtils.ProtParam import ProteinAnalysis
+
+    pa = ProteinAnalysis(str(sequence))
+
+    # Parker hydrophilicity
+    hydrophilicity = pa.protein_scale(window=window_size,
+                                       param_dict="Parker")
+
+    # 簡易 B 細胞エピトープスコア
+    from Bio.SeqUtils.ProtParam import ProtParamData
+    flexibility = pa.flexibility()
+
+    epitopes = []
+    for i in range(len(sequence) - window_size + 1):
+        window = sequence[i:i + window_size]
+        score = np.mean([
+            hydrophilicity[i] if i < len(hydrophilicity) else 0,
+            flexibility[i] if i < len(flexibility) else 0,
+        ])
+        if score > threshold:
+            epitopes.append({
+                "start": i + 1,
+                "end": i + window_size,
+                "sequence": window,
+                "score": score,
+            })
+
+    df = pd.DataFrame(epitopes)
+    print(f"  B-cell epitopes: {len(df)} predicted (threshold={threshold})")
+    return df
+```
+
+## 3. TCR/BCR レパトア解析
+
+```python
+def repertoire_analysis(clonotype_df, chain="TRB",
+                         clone_col="cdr3_aa", count_col="clone_count"):
+    """
+    TCR/BCR レパトア多様性解析。
+
+    多様性指標:
+      - Shannon entropy: H = -Σ pᵢ log₂(pᵢ)
+      - Simpson index: D = 1 - Σ pᵢ²
+      - Chao1 estimator: S_est = S_obs + f₁²/(2·f₂)
+      - Clonality: 1 - H/log₂(N)
+      - Gini coefficient: 均等性の指標
+
+    Parameters:
+        clonotype_df: クロノタイプ DataFrame (cdr3_aa, clone_count)
+        chain: TCR/BCR 鎖 (TRA, TRB, IGH, IGL, IGK)
+    """
+    from scipy.stats import entropy
+
+    counts = clonotype_df[count_col].values
+    total = counts.sum()
+    freqs = counts / total
+
+    # Shannon entropy
+    H = entropy(freqs, base=2)
+    # Simpson index
+    D = 1 - np.sum(freqs ** 2)
+    # Clonality
+    n_clones = len(counts)
+    clonality = 1 - H / np.log2(n_clones) if n_clones > 1 else 0
+
+    # Chao1
+    f1 = np.sum(counts == 1)  # singletons
+    f2 = np.sum(counts == 2)  # doubletons
+    chao1 = n_clones + (f1 ** 2) / (2 * max(f2, 1))
+
+    # Gini coefficient
+    sorted_freqs = np.sort(freqs)
+    n = len(sorted_freqs)
+    gini = (2 * np.sum((np.arange(1, n + 1)) * sorted_freqs) / (n * np.sum(sorted_freqs))) - (n + 1) / n
+
+    # Top clones
+    top10 = clonotype_df.nlargest(10, count_col)
+
+    metrics = {
+        "chain": chain,
+        "n_clonotypes": n_clones,
+        "total_cells": int(total),
+        "shannon_entropy": round(H, 4),
+        "simpson_index": round(D, 4),
+        "clonality": round(clonality, 4),
+        "chao1": round(chao1, 1),
+        "gini": round(gini, 4),
+        "top1_frequency": round(freqs[0], 4) if len(freqs) > 0 else 0,
+    }
+
+    print(f"  Repertoire ({chain}): {n_clones} clonotypes, "
+          f"Shannon={H:.3f}, Clonality={clonality:.3f}")
+    return metrics, top10
+```
+
+## 4. 抗体構造解析
+
+```python
+def antibody_structure_analysis(vh_seq, vl_seq, numbering="imgt"):
+    """
+    抗体可変領域の構造解析。
+
+    パイプライン:
+      1. ANARCI ナンバリング（IMGT / Kabat / Chothia）
+      2. CDR ループ同定（CDR-H1/H2/H3, CDR-L1/L2/L3）
+      3. フレームワーク領域（FR1-FR4）抽出
+      4. 発生確率・体細胞超変異（SHM）率推定
+      5. ヒト化可能性スコア
+
+    CDR 定義（IMGT 方式）:
+      CDR-H1: 26-33 (8 残基)
+      CDR-H2: 51-57 (7 残基)
+      CDR-H3: 93-102 (可変長)
+    """
+    from anarci import anarci
+
+    # ナンバリング
+    vh_numbered = anarci([("VH", vh_seq)], scheme=numbering)
+    vl_numbered = anarci([("VL", vl_seq)], scheme=numbering)
+
+    # CDR 抽出（IMGT 方式）
+    cdr_regions = {
+        "CDR-H1": (26, 33), "CDR-H2": (51, 57), "CDR-H3": (93, 102),
+        "CDR-L1": (27, 32), "CDR-L2": (50, 52), "CDR-L3": (89, 97),
+    }
+
+    cdrs = {}
+    for name, (start, end) in cdr_regions.items():
+        chain_data = vh_numbered if "H" in name else vl_numbered
+        seq = extract_region(chain_data, start, end)
+        cdrs[name] = seq
+
+    # SHM 率（生殖系列との差分）推定
+    def estimate_shm_rate(numbered_seq, germline_db="imgt"):
+        """生殖系列配列との差異から SHM 率を推定"""
+        # 簡易実装: 生殖系列との一致率
+        return 0.0  # 要生殖系列 DB
+
+    result = {
+        "cdrs": cdrs,
+        "vh_length": len(vh_seq),
+        "vl_length": len(vl_seq),
+        "cdr_h3_length": len(cdrs.get("CDR-H3", "")),
+        "numbering": numbering,
+    }
+
+    print(f"  Antibody: CDR-H3 length={result['cdr_h3_length']}, "
+          f"scheme={numbering}")
+    return result
+```
+
+## 5. ワクチン候補優先順位付け
+
+```python
+def vaccine_candidate_ranking(antigens_df, weights=None):
+    """
+    ワクチン候補アンチゲンの多基準優先順位付け。
+
+    評価基準:
+      1. Antigenicity score: VaxiJen 2.0 スコア（閾値 > 0.4）
+      2. Allergenicity: AllerTOP 非アレルゲン性
+      3. Toxicity: ToxinPred 非毒性
+      4. MHC coverage: HLA supertype カバー率
+      5. Conservation: 配列保存性（多株間）
+      6. Surface accessibility: 表面露出度
+
+    Composite score = Σ wᵢ · normalized_scoreᵢ
+    """
+    if weights is None:
+        weights = {
+            "antigenicity": 0.25,
+            "mhc_coverage": 0.25,
+            "conservation": 0.20,
+            "surface_accessibility": 0.15,
+            "non_allergenicity": 0.10,
+            "non_toxicity": 0.05,
+        }
+
+    # Min-max 正規化
+    for col in weights.keys():
+        if col in antigens_df.columns:
+            min_val = antigens_df[col].min()
+            max_val = antigens_df[col].max()
+            if max_val > min_val:
+                antigens_df[f"{col}_norm"] = (antigens_df[col] - min_val) / (max_val - min_val)
+            else:
+                antigens_df[f"{col}_norm"] = 1.0
+
+    # Composite スコア
+    antigens_df["composite_score"] = sum(
+        w * antigens_df.get(f"{col}_norm", 0)
+        for col, w in weights.items()
+    )
+
+    antigens_df = antigens_df.sort_values("composite_score", ascending=False)
+    print(f"  Vaccine candidates: {len(antigens_df)} antigens ranked")
+    return antigens_df
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/mhc_binding_predictions.csv` | CSV |
+| `results/bcell_epitopes.csv` | CSV |
+| `results/repertoire_diversity.json` | JSON |
+| `results/antibody_structure.json` | JSON |
+| `results/vaccine_candidates_ranked.csv` | CSV |
+| `figures/epitope_map.png` | PNG |
+| `figures/repertoire_clonality.png` | PNG |
+
+### 利用可能ツール
+
+> [ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP 経由で利用可能な外部ツール。
+
+| カテゴリ | 主要ツール | 用途 |
+|---|---|---|
+| IEDB | `iedb_search_epitopes` | エピトープ検索 |
+| IEDB | `iedb_get_epitope_mhc` | エピトープ-MHC 結合データ |
+| IEDB | `iedb_search_bcell` | B 細胞エピトープ検索 |
+| IEDB | `iedb_search_mhc` | MHC アレル検索 |
+| IEDB | `iedb_search_antigens` | 抗原検索 |
+| IMGT | `IMGT_get_gene_info` | 免疫遺伝子情報 |
+| IMGT | `IMGT_get_sequence` | 免疫グロブリン配列取得 |
+| IMGT | `IMGT_search_genes` | 免疫遺伝子検索 |
+| SAbDab | `SAbDab_search_structures` | 抗体構造検索 |
+| SAbDab | `SAbDab_get_structure` | 抗体構造取得 |
+| TheraSAbDab | `TheraSAbDab_search_therapeutics` | 治療用抗体検索 |
+| TheraSAbDab | `TheraSAbDab_search_by_target` | 標的別治療用抗体 |
+| UniProt | `UniProt_get_entry_by_accession` | タンパク質情報取得 |
+
+### 参照スキル
+
+| スキル | 連携内容 |
+|---|---|
+| [scientific-sequence-analysis](../scientific-sequence-analysis/SKILL.md) | 配列アライメント・保存性解析 |
+| [scientific-protein-structure-analysis](../scientific-protein-structure-analysis/SKILL.md) | 抗体 3D 構造解析 |
+| [scientific-protein-design](../scientific-protein-design/SKILL.md) | 抗体エンジニアリング |
+| [scientific-variant-interpretation](../scientific-variant-interpretation/SKILL.md) | HLA タイピング・バリアント解釈 |
+| [scientific-single-cell-genomics](../scientific-single-cell-genomics/SKILL.md) | 免疫細胞サブタイプ解析 |
+
+#### 依存パッケージ
+
+- mhcflurry, anarci, biopython, immcantation, scirpy

package/src/.github/skills/scientific-infectious-disease/SKILL.md

@@ -0,0 +1,342 @@
+---
+name: scientific-infectious-disease
+description: |
+  感染症ゲノミクス・疫学スキル。病原体ゲノム解析（SNP/系統樹）・
+  AMR（薬剤耐性）遺伝子検出・分子疫学（MLST/cgMLST）・
+  アウトブレイク調査トレーシング・疫学的 SIR/SEIR コンパートメントモデル・
+  伝播ネットワーク推定パイプライン。
+---
+
+# Scientific Infectious Disease Genomics
+
+病原体ゲノミクスと感染症疫学の統合解析パイプラインを提供する。
+病原体配列タイピング、系統解析、薬剤耐性遺伝子検出、
+アウトブレイク伝播推定、数理疫学モデルを体系的に扱う。
+
+## When to Use
+
+- 病原体の全ゲノムシーケンスデータの解析が必要なとき
+- 薬剤耐性（AMR）遺伝子を検出・分類するとき
+- 分子疫学タイピング（MLST, cgMLST, SNP）を行うとき
+- アウトブレイクの伝播経路を推定するとき
+- SIR / SEIR 等のコンパートメントモデルで感染拡大をシミュレーションするとき
+
+---
+
+## Quick Start
+
+## 1. 病原体ゲノム前処理
+
+```python
+import numpy as np
+import pandas as pd
+
+def pathogen_qc_pipeline(fastq_r1, fastq_r2, reference_genome,
+                           min_depth=30, min_coverage=0.95):
+    """
+    病原体 WGS 前処理パイプライン。
+
+    手順:
+      1. Fastp — read QC + adapter trimming
+      2. BWA-MEM2 — リファレンスマッピング
+      3. Samtools / Picard — dupmark + sort
+      4. FreeBayes / GATK — variant calling
+      5. カバレッジ / 深度 QC
+
+    品質基準:
+      - mean_depth ≥ min_depth (既定: 30x)
+      - genome_coverage ≥ min_coverage (既定: 95%)
+    """
+    import subprocess
+
+    cmds = [
+        # QC + trimming
+        f"fastp -i {fastq_r1} -I {fastq_r2} -o trim_R1.fq.gz -O trim_R2.fq.gz "
+        f"--json qc_report.json",
+        # Mapping
+        f"bwa-mem2 mem -t 8 {reference_genome} trim_R1.fq.gz trim_R2.fq.gz | "
+        f"samtools sort -@ 4 -o aligned.bam",
+        # Mark duplicates
+        f"samtools markdup aligned.bam dedup.bam",
+        f"samtools index dedup.bam",
+        # Variant calling
+        f"freebayes -f {reference_genome} dedup.bam > variants.vcf",
+        # Coverage stats
+        f"samtools depth -a dedup.bam | awk '{{sum+=$3; n++}} END {{print sum/n}}'"
+    ]
+
+    for cmd in cmds:
+        subprocess.run(cmd, shell=True, check=True)
+
+    print(f"  Pipeline complete: variants.vcf generated")
+    return "variants.vcf"
+```
+
+## 2. AMR 遺伝子検出
+
+```python
+def detect_amr_genes(assembly_fasta, database="resfinder"):
+    """
+    薬剤耐性（AMR）遺伝子の検出。
+
+    データベース:
+      - ResFinder: 後天性耐性遺伝子
+      - CARD (RGI): 包括的 AMR データベース
+      - AMRFinderPlus: NCBI 統合 AMR 検出
+
+    結果カテゴリ:
+      - 耐性遺伝子（acquired resistance genes）
+      - 点変異（point mutations）
+      - 耐性表現型予測
+    """
+    import subprocess
+    import json
+
+    if database == "resfinder":
+        cmd = (f"python -m resfinder -ifa {assembly_fasta} "
+               f"--acquired --point -o resfinder_results/")
+        subprocess.run(cmd, shell=True, check=True)
+
+        with open("resfinder_results/ResFinder_results_tab.txt") as f:
+            lines = f.readlines()
+        results = parse_resfinder_output(lines)
+
+    elif database == "card":
+        cmd = f"rgi main -i {assembly_fasta} -o rgi_results -t contig -a BLAST"
+        subprocess.run(cmd, shell=True, check=True)
+        results = pd.read_csv("rgi_results.txt", sep="\t")
+
+    n_genes = len(results) if isinstance(results, list) else len(results)
+    print(f"  AMR: {n_genes} resistance genes detected ({database})")
+    return results
+
+
+def parse_resfinder_output(lines):
+    """ResFinder 出力をパースする。"""
+    results = []
+    for line in lines[1:]:
+        fields = line.strip().split("\t")
+        if len(fields) >= 6:
+            results.append({
+                "gene": fields[0],
+                "identity": float(fields[1]),
+                "coverage": float(fields[2]),
+                "phenotype": fields[5] if len(fields) > 5 else "Unknown",
+            })
+    return results
+```
+
+## 3. 分子疫学タイピング
+
+```python
+def molecular_typing(assembly_fasta, organism, scheme="mlst"):
+    """
+    分子疫学タイピング。
+
+    scheme:
+      - "mlst": Multi-Locus Sequence Typing（7 遺伝子座）
+      - "cgmlst": core genome MLST（数百〜数千遺伝子座）
+      - "wgmlst": whole genome MLST
+
+    MLST:
+      各ハウスキーピング遺伝子座のアリル番号の組み合わせで
+      Sequence Type（ST）を決定する。
+    """
+    import subprocess
+
+    if scheme == "mlst":
+        cmd = f"mlst {assembly_fasta} --scheme {organism}"
+        result = subprocess.run(cmd, shell=True, capture_output=True, text=True)
+        fields = result.stdout.strip().split("\t")
+        typing = {
+            "file": fields[0],
+            "scheme": fields[1],
+            "ST": fields[2],
+            "alleles": fields[3:],
+        }
+    elif scheme == "cgmlst":
+        cmd = f"chewbbaca AlleleCall -i {assembly_fasta} -g schema/ -o cgmlst_results/"
+        subprocess.run(cmd, shell=True, check=True)
+        typing = {"scheme": "cgMLST", "results_dir": "cgmlst_results/"}
+
+    print(f"  Typing: ST={typing.get('ST', 'N/A')} ({scheme})")
+    return typing
+```
+
+## 4. 系統解析・伝播推定
+
+```python
+def phylogenetic_analysis(alignment_fasta, method="iqtree", model="GTR+G"):
+    """
+    病原体系統解析パイプライン。
+
+    method:
+      - "iqtree": IQ-TREE 2 — 最尤法（ModelFinder 自動モデル選択）
+      - "raxml": RAxML-NG — 最尤法
+      - "beast": BEAST 2 — ベイズ系統年代学
+
+    アウトブレイク推定:
+      - SNP 距離行列 → 最小スパニングツリー
+      - tMRCA (最近共通祖先時間) 推定
+    """
+    import subprocess
+    from Bio import Phylo
+
+    if method == "iqtree":
+        cmd = (f"iqtree2 -s {alignment_fasta} -m {model} "
+               f"-bb 1000 -alrt 1000 -nt AUTO")
+        subprocess.run(cmd, shell=True, check=True)
+        tree = Phylo.read(f"{alignment_fasta}.treefile", "newick")
+
+    return tree
+
+
+def transmission_network(snp_matrix, max_snp_distance=10):
+    """
+    SNP 距離ベースの伝播ネットワーク推定。
+
+    基準:
+      - 直接伝播: SNP 距離 ≤ max_snp_distance
+      - 近縁クラスタ: SNP 距離 ≤ 2 × max_snp_distance
+
+    アルゴリズム:
+      1. ペアワイズ SNP 距離計算
+      2. 閾値以下のペアをエッジとして接続
+      3. 最小スパニングツリーで伝播方向推定
+    """
+    import networkx as nx
+
+    G = nx.Graph()
+    samples = snp_matrix.index.tolist()
+    G.add_nodes_from(samples)
+
+    for i, s1 in enumerate(samples):
+        for j, s2 in enumerate(samples):
+            if i < j:
+                dist = snp_matrix.iloc[i, j]
+                if dist <= max_snp_distance:
+                    G.add_edge(s1, s2, weight=dist, snp_distance=dist)
+
+    mst = nx.minimum_spanning_tree(G)
+    clusters = list(nx.connected_components(G))
+
+    print(f"  Transmission: {G.number_of_edges()} links, "
+          f"{len(clusters)} clusters")
+    return G, mst, clusters
+```
+
+## 5. SIR / SEIR コンパートメントモデル
+
+```python
+from scipy.integrate import odeint
+
+def sir_model(y, t, beta, gamma, N):
+    """
+    SIR コンパートメントモデル。
+
+    dS/dt = -β · S · I / N
+    dI/dt =  β · S · I / N - γ · I
+    dR/dt =  γ · I
+
+    R₀ = β / γ (基本再生産数)
+    """
+    S, I, R = y
+    dSdt = -beta * S * I / N
+    dIdt = beta * S * I / N - gamma * I
+    dRdt = gamma * I
+    return [dSdt, dIdt, dRdt]
+
+
+def seir_model(y, t, beta, sigma, gamma, N):
+    """
+    SEIR コンパートメントモデル（潜伏期あり）。
+
+    dS/dt = -β · S · I / N
+    dE/dt =  β · S · I / N - σ · E
+    dI/dt =  σ · E - γ · I
+    dR/dt =  γ · I
+
+    σ: 潜伏期の逆数 (1/incubation_period)
+    """
+    S, E, I, R = y
+    dSdt = -beta * S * I / N
+    dEdt = beta * S * I / N - sigma * E
+    dIdt = sigma * E - gamma * I
+    dRdt = gamma * I
+    return [dSdt, dEdt, dIdt, dRdt]
+
+
+def run_epidemic_simulation(model="SIR", N=1e6, I0=10, R0=2.5,
+                              gamma=1/10, sigma=1/5, days=180):
+    """
+    感染症拡大シミュレーション。
+
+    Parameters:
+        R0: 基本再生産数
+        gamma: 回復率 (1/感染期間)
+        sigma: 発症率 (1/潜伏期間、SEIR のみ)
+        days: シミュレーション日数
+    """
+    beta = R0 * gamma
+    t = np.linspace(0, days, days * 10)
+
+    if model == "SIR":
+        y0 = [N - I0, I0, 0]
+        sol = odeint(sir_model, y0, t, args=(beta, gamma, N))
+        df = pd.DataFrame(sol, columns=["S", "I", "R"])
+    elif model == "SEIR":
+        y0 = [N - I0, 0, I0, 0]
+        sol = odeint(seir_model, y0, t, args=(beta, sigma, gamma, N))
+        df = pd.DataFrame(sol, columns=["S", "E", "I", "R"])
+
+    df["t"] = t
+    peak_I = df["I"].max()
+    peak_day = df.loc[df["I"].idxmax(), "t"]
+
+    print(f"  {model}: R₀={R0:.1f}, peak infection={peak_I:.0f} at day {peak_day:.0f}")
+    return df
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/amr_genes.csv` | CSV |
+| `results/mlst_typing.json` | JSON |
+| `results/snp_matrix.csv` | CSV |
+| `results/transmission_network.json` | JSON |
+| `results/epidemic_simulation.csv` | CSV |
+| `figures/phylogenetic_tree.png` | PNG |
+| `figures/transmission_network.png` | PNG |
+| `figures/epidemic_curves.png` | PNG |
+
+### 利用可能ツール
+
+> [ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP 経由で利用可能な外部ツール。
+
+| カテゴリ | 主要ツール | 用途 |
+|---|---|---|
+| EUHealthInfo | `euhealthinfo_search_infectious_diseases` | 感染症サーベイランスデータ |
+| EUHealthInfo | `euhealthinfo_search_surveillance` | 疫学サーベイランス |
+| CDC | `cdc_data_search_datasets` | CDC データセット検索 |
+| CDC | `cdc_data_get_dataset` | CDC データ取得 |
+| NCBI | `BLAST_nucleotide_search` | 病原体配列同定 |
+| NCBI | `NCBI_get_sequence` | ゲノム配列取得 |
+| PubMed | `PubMed_search_articles` | 感染症文献検索 |
+| ClinicalTrials | `search_clinical_trials` | 感染症治療臨床試験 |
+
+### 参照スキル
+
+| スキル | 連携内容 |
+|---|---|
+| [scientific-sequence-analysis](../scientific-sequence-analysis/SKILL.md) | 配列アライメント・BLAST |
+| [scientific-bioinformatics](../scientific-bioinformatics/SKILL.md) | ゲノムアノテーション |
+| [scientific-network-analysis](../scientific-network-analysis/SKILL.md) | 伝播ネットワーク可視化 |
+| [scientific-survival-clinical](../scientific-survival-clinical/SKILL.md) | 感染症アウトカム解析 |
+| [scientific-bayesian-statistics](../scientific-bayesian-statistics/SKILL.md) | ベイズ系統年代学 |
+
+#### 依存パッケージ
+
+- biopython, ete3, scipy, networkx, subprocess (fastp, bwa-mem2, freebayes, iqtree2)

package/src/.github/skills/scientific-meta-analysis/SKILL.md

@@ -344,6 +344,17 @@ def cumulative_meta_analysis(studies_df, sort_by="year", model="random"):
 | `figures/funnel_plot.png` | PNG |
 | `figures/cumulative_meta.png` | PNG |
 
+### 利用可能ツール
+
+> [ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP 経由で利用可能な外部ツール。
+
+| カテゴリ | 主要ツール | 用途 |
+|---|---|---|
+| PubMed | `PubMed_search_articles` | メタアナリシス対象文献検索 |
+| PubMed | `PubMed_get_article` | 論文メタデータ取得 |
+| EuropePMC | `EuropePMC_search_articles` | ヨーロッパ文献検索 |
+| Crossref | `Crossref_search_works` | 出版情報検索 |
+
 #### 依存パッケージ
 
 ```