@nahisaho/satori 0.8.0 → 0.10.0

package/src/.github/skills/scientific-single-cell-genomics/SKILL.md

@@ -0,0 +1,361 @@
+---
+name: scientific-single-cell-genomics
+description: |
+  シングルセルゲノミクス解析スキル。scRNA-seq データの品質管理・正規化・
+  次元削減（PCA/UMAP）・クラスタリング（Leiden）・差次発現遺伝子（DEG）同定・
+  セルタイプアノテーション・RNA velocity・細胞間コミュニケーション推定パイプライン。
+  Scanpy / AnnData フレームワークに準拠。
+---
+
+# Scientific Single-Cell Genomics
+
+scRNA-seq / snRNA-seq データを対象に、QC → 正規化 → 高変動遺伝子選択 →
+次元削減 → クラスタリング → DEG → セルタイプアノテーションの標準パイプラインを提供する。
+CELLxGENE Census・HCA データポータルとの連携も組み込む。
+
+## When to Use
+
+- scRNA-seq / snRNA-seq データの解析パイプラインが必要なとき
+- セルタイプのクラスタリングとアノテーションを行うとき
+- クラスタ間の差次発現遺伝子を同定するとき
+- RNA velocity による細胞分化軌跡を解析するとき
+- CellChat / CellPhoneDB による細胞間コミュニケーション推定を行うとき
+
+---
+
+## Quick Start
+
+## 1. QC・前処理パイプライン
+
+```python
+import scanpy as sc
+import numpy as np
+import pandas as pd
+
+def sc_qc_preprocessing(adata, min_genes=200, max_genes=5000,
+                         max_pct_mito=20, min_cells=3):
+    """
+    scRNA-seq 標準 QC パイプライン。
+
+    QC メトリクス:
+      - n_genes_by_counts: 細胞あたり検出遺伝子数
+      - total_counts: 細胞あたり総 UMI カウント
+      - pct_counts_mt: ミトコンドリア遺伝子比率（%）
+
+    フィルタリング基準:
+      - min_genes ≤ n_genes ≤ max_genes
+      - pct_mito ≤ max_pct_mito
+      - 遺伝子は min_cells 以上の細胞で発現
+    """
+    # ミトコンドリア遺伝子のアノテーション
+    adata.var["mt"] = adata.var_names.str.startswith(("MT-", "mt-"))
+    sc.pp.calculate_qc_metrics(adata, qc_vars=["mt"], inplace=True)
+
+    n_before = adata.n_obs
+    # 細胞フィルタ
+    sc.pp.filter_cells(adata, min_genes=min_genes)
+    adata = adata[adata.obs["n_genes_by_counts"] <= max_genes].copy()
+    adata = adata[adata.obs["pct_counts_mt"] <= max_pct_mito].copy()
+    # 遺伝子フィルタ
+    sc.pp.filter_genes(adata, min_cells=min_cells)
+
+    n_after = adata.n_obs
+    print(f"  QC: {n_before} → {n_after} cells ({n_before - n_after} removed)")
+
+    return adata
+
+
+def sc_normalize(adata, target_sum=1e4, n_top_genes=2000):
+    """
+    正規化・HVG 選択パイプライン。
+
+    手順:
+      1. Library size normalization (target_sum)
+      2. Log1p 変換
+      3. Highly Variable Gene (HVG) 選択 (Seurat v3 法)
+    """
+    adata.layers["counts"] = adata.X.copy()
+    sc.pp.normalize_total(adata, target_sum=target_sum)
+    sc.pp.log1p(adata)
+    adata.layers["log_normalized"] = adata.X.copy()
+    sc.pp.highly_variable_genes(adata, n_top_genes=n_top_genes, flavor="seurat_v3",
+                                 layer="counts")
+    print(f"  HVG: {adata.var['highly_variable'].sum()} genes selected")
+    return adata
+```
+
+## 2. 次元削減・クラスタリング
+
+```python
+def sc_clustering(adata, n_pcs=50, n_neighbors=15, resolution=1.0,
+                   random_state=42):
+    """
+    PCA → 近傍グラフ → UMAP → Leiden クラスタリング。
+
+    Parameters:
+        n_pcs: PCA 主成分数
+        n_neighbors: k-NN グラフの近傍数
+        resolution: Leiden クラスタリングの解像度
+    """
+    sc.pp.scale(adata, max_value=10)
+    sc.tl.pca(adata, n_comps=n_pcs, random_state=random_state)
+
+    # Elbow plot 用の分散説明率
+    variance_ratio = adata.uns["pca"]["variance_ratio"]
+    cumvar = np.cumsum(variance_ratio)
+    n_pcs_use = int(np.argmax(cumvar >= 0.9)) + 1
+    n_pcs_use = max(n_pcs_use, 15)
+    print(f"  PCA: using {n_pcs_use} PCs (cumulative variance ≥ 90%)")
+
+    sc.pp.neighbors(adata, n_pcs=n_pcs_use, n_neighbors=n_neighbors,
+                     random_state=random_state)
+    sc.tl.umap(adata, random_state=random_state)
+    sc.tl.leiden(adata, resolution=resolution, random_state=random_state)
+
+    n_clusters = adata.obs["leiden"].nunique()
+    print(f"  Leiden: {n_clusters} clusters (resolution={resolution})")
+    return adata
+```
+
+## 3. 差次発現遺伝子（DEG）同定
+
+```python
+def sc_deg_analysis(adata, groupby="leiden", method="wilcoxon",
+                     n_genes=200, min_logfc=0.25, max_pval=0.05):
+    """
+    クラスタ間の差次発現遺伝子を同定する。
+
+    method:
+      - "wilcoxon": Wilcoxon rank-sum test（推奨）
+      - "t-test_overestim_var": Welch's t-test（高速）
+      - "logreg": Logistic regression
+
+    Returns:
+        DataFrame with top DEGs per cluster
+    """
+    sc.tl.rank_genes_groups(adata, groupby=groupby, method=method, n_genes=n_genes)
+
+    deg_results = []
+    for cluster in adata.obs[groupby].unique():
+        df = sc.get.rank_genes_groups_df(adata, group=cluster)
+        df["cluster"] = cluster
+        df_sig = df[(df["logfoldchanges"].abs() >= min_logfc) &
+                     (df["pvals_adj"] < max_pval)]
+        deg_results.append(df_sig)
+
+    deg_df = pd.concat(deg_results, ignore_index=True)
+    print(f"  DEG: {len(deg_df)} significant genes across {adata.obs[groupby].nunique()} clusters")
+    return deg_df
+```
+
+## 4. セルタイプアノテーション
+
+```python
+def annotate_celltypes_marker(adata, marker_dict, groupby="leiden",
+                               threshold=0.5):
+    """
+    マーカー遺伝子ベースのセルタイプアノテーション。
+
+    marker_dict 例:
+        {
+            "T cells": ["CD3D", "CD3E", "CD8A", "CD4"],
+            "B cells": ["CD19", "MS4A1", "CD79A"],
+            "Monocytes": ["CD14", "LYZ", "FCGR3A"],
+            "NK cells": ["NKG7", "GNLY", "KLRD1"],
+            "Dendritic": ["FCER1A", "CST3", "CLEC10A"],
+        }
+
+    各クラスタのマーカー遺伝子発現スコアを計算し、最も高いスコアに対応する
+    セルタイプをアサインする。
+    """
+    sc.tl.score_genes(adata, gene_list=[], score_name="_dummy")
+
+    scores = {}
+    for cell_type, markers in marker_dict.items():
+        valid_markers = [m for m in markers if m in adata.var_names]
+        if valid_markers:
+            score_name = f"score_{cell_type.replace(' ', '_')}"
+            sc.tl.score_genes(adata, gene_list=valid_markers, score_name=score_name)
+            scores[cell_type] = score_name
+
+    # クラスタごとに最高スコアのセルタイプを割り当て
+    cluster_annotations = {}
+    for cluster in adata.obs[groupby].unique():
+        mask = adata.obs[groupby] == cluster
+        best_type = "Unknown"
+        best_score = -np.inf
+        for cell_type, score_col in scores.items():
+            mean_score = adata.obs.loc[mask, score_col].mean()
+            if mean_score > best_score and mean_score > threshold:
+                best_score = mean_score
+                best_type = cell_type
+        cluster_annotations[cluster] = best_type
+
+    adata.obs["cell_type"] = adata.obs[groupby].map(cluster_annotations)
+    print(f"  Annotation: {len(set(cluster_annotations.values()))} cell types assigned")
+    return adata, cluster_annotations
+```
+
+## 5. RNA Velocity
+
+```python
+def rna_velocity_analysis(adata_loom_path, adata, basis="umap"):
+    """
+    scVelo による RNA velocity 解析。
+
+    RNA velocity は、スプライシング状態（unspliced/spliced）の比率から
+    遺伝子発現の時間的変化方向を推定する。
+
+    Modes:
+      - stochastic: 確率的モデル（推奨、高速）
+      - dynamical: 動的モデル（精度高、低速）
+    """
+    import scvelo as scv
+
+    # 前処理
+    scv.pp.filter_and_normalize(adata, min_shared_counts=20, n_top_genes=2000)
+    scv.pp.moments(adata, n_pcs=30, n_neighbors=30)
+
+    # Velocity 推定
+    scv.tl.velocity(adata, mode="stochastic")
+    scv.tl.velocity_graph(adata)
+
+    # 可視化
+    scv.pl.velocity_embedding_stream(adata, basis=basis,
+                                      save="figures/velocity_stream.png")
+
+    # Latent time（擬似時間）
+    scv.tl.latent_time(adata)
+    print(f"  Velocity: latent time range [{adata.obs['latent_time'].min():.3f}, "
+          f"{adata.obs['latent_time'].max():.3f}]")
+
+    return adata
+```
+
+## 6. 細胞間コミュニケーション推定
+
+```python
+def cell_communication_analysis(adata, groupby="cell_type",
+                                  database="CellChatDB.human"):
+    """
+    CellChat によるリガンド-レセプター相互作用解析。
+
+    パイプライン:
+      1. L-R ペアデータベースのロード
+      2. 発現ベースのコミュニケーション確率計算
+      3. シグナリングネットワーク推定
+      4. 経路レベル集約
+    """
+    import cellchat
+
+    cc = cellchat.CellChat(adata, groupby=groupby)
+    cc.preprocess()
+    cc.identify_overexpressed_genes()
+    cc.identify_overexpressed_interactions()
+
+    cc.compute_communication_prob(database=database)
+    cc.filter_communication(min_cells=10)
+    cc.compute_communication_prob_pathway()
+
+    # ネットワーク可視化
+    cc.aggregate_net()
+    cc.net_analysis()
+
+    # 結果取得
+    lr_pairs = cc.get_significant_interactions()
+    print(f"  CellChat: {len(lr_pairs)} significant L-R interactions")
+
+    return cc, lr_pairs
+```
+
+## 7. 可視化
+
+```python
+def sc_visualization_panel(adata, deg_df=None, save_dir="figures"):
+    """
+    シングルセル解析結果の可視化パネル。
+
+    生成図:
+      1. QC violin plot (n_genes, total_counts, pct_mito)
+      2. UMAP — leiden clusters
+      3. UMAP — cell types
+      4. DEG dot plot (top markers per cluster)
+      5. Marker heatmap
+    """
+    import matplotlib.pyplot as plt
+    import os
+    os.makedirs(save_dir, exist_ok=True)
+
+    # 1. QC violin
+    sc.pl.violin(adata, ["n_genes_by_counts", "total_counts", "pct_counts_mt"],
+                  jitter=0.4, multi_panel=True, save="_qc.png")
+
+    # 2. UMAP — clusters
+    sc.pl.umap(adata, color="leiden", legend_loc="on data",
+                title="Leiden Clusters", save="_leiden.png")
+
+    # 3. UMAP — cell types
+    if "cell_type" in adata.obs.columns:
+        sc.pl.umap(adata, color="cell_type",
+                    title="Cell Type Annotation", save="_celltypes.png")
+
+    # 4. DEG dot plot
+    if deg_df is not None:
+        top_markers = deg_df.groupby("cluster").head(5)["names"].unique().tolist()
+        sc.pl.dotplot(adata, var_names=top_markers[:30],
+                       groupby="leiden", save="_markers.png")
+
+    # 5. Stacked violin
+    if deg_df is not None:
+        top5 = deg_df.groupby("cluster").head(3)["names"].unique().tolist()[:20]
+        sc.pl.stacked_violin(adata, var_names=top5,
+                              groupby="leiden", save="_stacked.png")
+
+    print(f"  Figures saved to {save_dir}/")
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/sc_qc_summary.json` | JSON |
+| `results/sc_deg_results.csv` | CSV |
+| `results/sc_celltype_annotations.json` | JSON |
+| `results/sc_velocity_summary.json` | JSON |
+| `results/sc_cellchat_interactions.csv` | CSV |
+| `figures/umap_leiden.png` | PNG |
+| `figures/umap_celltypes.png` | PNG |
+| `figures/velocity_stream.png` | PNG |
+| `figures/deg_dotplot.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 |
+|---|---|---|
+| CELLxGENE | `CELLxGENE_get_expression_data` | シングルセル発現データ取得 |
+| CELLxGENE | `CELLxGENE_get_cell_metadata` | 細胞メタデータ取得 |
+| CELLxGENE | `CELLxGENE_get_gene_metadata` | 遺伝子メタデータ取得 |
+| CELLxGENE | `CELLxGENE_get_presence_matrix` | 遺伝子存在マトリクス |
+| CELLxGENE | `CELLxGENE_get_embeddings` | 埋め込みベクトル取得 |
+| CELLxGENE | `CELLxGENE_download_h5ad` | H5AD ファイルダウンロード |
+| HCA | `hca_search_projects` | Human Cell Atlas プロジェクト検索 |
+| HCA | `hca_get_file_manifest` | HCA ファイルマニフェスト取得 |
+| HPA | `HPA_get_rna_expression_by_source` | 組織別 RNA 発現データ |
+
+### 参照スキル
+
+| スキル | 連携内容 |
+|---|---|
+| [scientific-bioinformatics](../scientific-bioinformatics/SKILL.md) | 遺伝子アノテーション・パスウェイ解析 |
+| [scientific-multi-omics](../scientific-multi-omics/SKILL.md) | マルチオミクス統合 |
+| [scientific-network-analysis](../scientific-network-analysis/SKILL.md) | 遺伝子制御ネットワーク |
+| [scientific-deep-learning](../scientific-deep-learning/SKILL.md) | scVI / scGPT 等の深層学習モデル |
+| [scientific-pca-tsne](../scientific-pca-tsne/SKILL.md) | 次元削減手法 |
+
+#### 依存パッケージ
+
+- scanpy, anndata, scvelo, cellchat, leidenalg, umap-learn

package/src/.github/skills/scientific-spatial-transcriptomics/SKILL.md

@@ -0,0 +1,281 @@
+---
+name: scientific-spatial-transcriptomics
+description: |
+  空間トランスクリプトミクス解析スキル。10x Visium / MERFISH / Slide-seq データの
+  前処理・空間的遺伝子発現パターン検出（Moran's I / SpatialDE）・
+  空間ドメイン同定（BayesSpace / STAGATE）・細胞-細胞近接解析・
+  Deconvolution（cell2location）パイプライン。Squidpy フレームワーク準拠。
+---
+
+# Scientific Spatial Transcriptomics
+
+空間トランスクリプトミクス技術（10x Visium, MERFISH, Slide-seq, STARmap 等）で
+取得したデータの空間的遺伝子発現解析パイプラインを提供する。
+空間統計・空間ドメイン検出・deconvolution・リガンド-レセプター空間共発現を扱う。
+
+## When to Use
+
+- Visium / MERFISH 等の空間トランスクリプトミクスデータの解析が必要なとき
+- 空間的に変動する遺伝子（SVG: Spatially Variable Genes）を同定するとき
+- 組織内の空間ドメインを自動検出するとき
+- スポットの細胞型 deconvolution を行うとき
+- 空間的なリガンド-レセプター相互作用を評価するとき
+
+---
+
+## Quick Start
+
+## 1. 空間データ前処理
+
+```python
+import scanpy as sc
+import squidpy as sq
+import numpy as np
+import pandas as pd
+
+def spatial_preprocessing(adata, min_counts=500, min_genes=200,
+                           max_pct_mito=25, n_top_genes=3000):
+    """
+    空間トランスクリプトミクス前処理パイプライン。
+
+    手順:
+      1. QC メトリクス計算
+      2. 低品質スポット/セルフィルタリング
+      3. 正規化 + log1p
+      4. HVG 選択
+      5. 空間近傍グラフ構築
+    """
+    # ミトコンドリア遺伝子
+    adata.var["mt"] = adata.var_names.str.startswith(("MT-", "mt-"))
+    sc.pp.calculate_qc_metrics(adata, qc_vars=["mt"], inplace=True)
+
+    n_before = adata.n_obs
+    sc.pp.filter_cells(adata, min_counts=min_counts)
+    sc.pp.filter_cells(adata, min_genes=min_genes)
+    adata = adata[adata.obs["pct_counts_mt"] <= max_pct_mito].copy()
+    sc.pp.filter_genes(adata, min_cells=10)
+    print(f"  QC: {n_before} → {adata.n_obs} spots")
+
+    # 正規化
+    adata.layers["counts"] = adata.X.copy()
+    sc.pp.normalize_total(adata, target_sum=1e4)
+    sc.pp.log1p(adata)
+    sc.pp.highly_variable_genes(adata, n_top_genes=n_top_genes, flavor="seurat_v3",
+                                 layer="counts")
+
+    # 空間近傍グラフ
+    sq.gr.spatial_neighbors(adata, coord_type="grid", n_neighs=6)
+    print(f"  Spatial neighbors: {adata.obsp['spatial_connectivities'].nnz} edges")
+
+    return adata
+```
+
+## 2. 空間的変動遺伝子（SVG）検出
+
+```python
+def spatially_variable_genes(adata, method="moran", n_perms=100,
+                               fdr_threshold=0.05):
+    """
+    空間的に変動する遺伝子を同定する。
+
+    method:
+      - "moran": Moran's I 空間自己相関統計量
+        I = (N / W) * Σᵢ Σⱼ wᵢⱼ (xᵢ - x̄)(xⱼ - x̄) / Σᵢ (xᵢ - x̄)²
+      - "sepal": SEPAL（拡散ベース）
+
+    Moran's I:
+      - I ≈ 1: 強い正の空間自己相関（同値クラスタリング）
+      - I ≈ 0: ランダム分布
+      - I ≈ -1: 負の空間自己相関（チェッカーボード）
+    """
+    if method == "moran":
+        sq.gr.spatial_autocorr(adata, mode="moran", n_perms=n_perms, n_jobs=-1)
+        svg_df = adata.uns["moranI"].copy()
+        svg_df["significant"] = svg_df["pval_norm_fdr_bh"] < fdr_threshold
+        svg_df = svg_df.sort_values("I", ascending=False)
+    elif method == "sepal":
+        sq.gr.spatial_autocorr(adata, mode="geary", n_perms=n_perms, n_jobs=-1)
+        svg_df = adata.uns["gearyC"].copy()
+        svg_df["significant"] = svg_df["pval_norm_fdr_bh"] < fdr_threshold
+
+    n_sig = svg_df["significant"].sum()
+    print(f"  SVG ({method}): {n_sig} significant spatially variable genes")
+    return svg_df
+```
+
+## 3. 空間ドメイン検出
+
+```python
+def spatial_domain_detection(adata, n_domains=7, method="leiden", resolution=0.8):
+    """
+    空間ドメイン（組織領域）を自動検出する。
+
+    method:
+      - "leiden": 空間グラフベース Leiden クラスタリング
+      - "bayesspace": BayesSpace（ベイズモデル、Visium 特化）
+
+    空間的制約付きクラスタリングにより、遺伝子発現が類似し空間的にも
+    隣接するスポットを同一ドメインにグループ化する。
+    """
+    sc.pp.scale(adata, max_value=10)
+    sc.tl.pca(adata, n_comps=30)
+
+    if method == "leiden":
+        # 空間近傍グラフを利用
+        sc.tl.leiden(adata, resolution=resolution, adjacency=adata.obsp["spatial_connectivities"])
+        adata.obs["spatial_domain"] = adata.obs["leiden"]
+    elif method == "bayesspace":
+        from bayesspace import BayesSpace
+        bs = BayesSpace(adata, n_clusters=n_domains)
+        bs.fit()
+        adata.obs["spatial_domain"] = bs.labels_.astype(str)
+
+    n_domains_found = adata.obs["spatial_domain"].nunique()
+    print(f"  Domains: {n_domains_found} spatial domains detected ({method})")
+    return adata
+```
+
+## 4. Cell-type Deconvolution
+
+```python
+def spatial_deconvolution(adata_spatial, adata_sc, cell_type_col="cell_type",
+                            method="cell2location"):
+    """
+    空間スポットの細胞型組成を scRNA-seq 参照データから推定する。
+
+    method:
+      - "cell2location": Bayesian 推定（推奨、高精度）
+      - "rctd": RCTD（ロバスト deconvolution）
+
+    cell2location モデル:
+      y_s ~ NB(μ_s, α)
+      μ_s = Σ_f w_sf * g_f
+      w_sf: スポット s における細胞型 f の存在量
+      g_f: 細胞型 f の遺伝子発現シグネチャ
+    """
+    import cell2location
+
+    # リファレンスシグネチャの学習
+    cell2location.models.RegressionModel.setup_anndata(adata_sc, labels_key=cell_type_col)
+    ref_model = cell2location.models.RegressionModel(adata_sc)
+    ref_model.train(max_epochs=250)
+    inf_aver = ref_model.export_posterior(adata_sc)
+
+    # Spatial mapping
+    cell2location.models.Cell2location.setup_anndata(adata_spatial)
+    mod = cell2location.models.Cell2location(adata_spatial,
+                                              cell_state_df=inf_aver)
+    mod.train(max_epochs=30000)
+
+    adata_spatial = mod.export_posterior(adata_spatial)
+    print(f"  Deconvolution: {len(inf_aver.columns)} cell types mapped to "
+          f"{adata_spatial.n_obs} spots")
+    return adata_spatial
+```
+
+## 5. 空間リガンド-レセプター解析
+
+```python
+def spatial_ligand_receptor(adata, cluster_key="spatial_domain",
+                              n_perms=1000, fdr_threshold=0.01):
+    """
+    空間的に隣接するクラスタ間のリガンド-レセプター相互作用を検定する。
+
+    Squidpy の permutation test:
+      各 L-R ペアについて、空間的に隣接するスポット間の共発現が
+      ランダム置換と比較して有意に高いかを検定する。
+    """
+    sq.gr.ligrec(adata, n_perms=n_perms, cluster_key=cluster_key,
+                  copy=False, use_raw=False, transmitter_params={"categories": "ligand"},
+                  receiver_params={"categories": "receptor"})
+
+    lr_results = adata.uns["ligrec"]
+    pvals = lr_results["pvalues"]
+    sig_count = (pvals < fdr_threshold).sum().sum()
+    print(f"  L-R analysis: {sig_count} significant spatial interactions")
+    return lr_results
+```
+
+## 6. 空間可視化
+
+```python
+def spatial_visualization_panel(adata, svg_df=None, save_dir="figures"):
+    """
+    空間トランスクリプトミクス可視化パネル。
+
+    生成図:
+      1. 空間遺伝子発現マップ（top SVG）
+      2. 空間ドメインマップ
+      3. Deconvolution 結果マップ
+      4. Spatial autocorrelation ヒートマップ
+    """
+    import matplotlib.pyplot as plt
+    import os
+    os.makedirs(save_dir, exist_ok=True)
+
+    # 1. 空間上の遺伝子発現
+    if svg_df is not None:
+        top_svgs = svg_df[svg_df["significant"]].head(6).index.tolist()
+        sq.pl.spatial_scatter(adata, color=top_svgs, ncols=3,
+                               save=f"{save_dir}/spatial_svgs.png")
+
+    # 2. 空間ドメイン
+    if "spatial_domain" in adata.obs.columns:
+        sq.pl.spatial_scatter(adata, color="spatial_domain",
+                               save=f"{save_dir}/spatial_domains.png")
+
+    # 3. Moran's I 分布
+    if svg_df is not None:
+        fig, ax = plt.subplots(figsize=(8, 4))
+        ax.hist(svg_df["I"], bins=50, color="steelblue", alpha=0.7)
+        ax.axvline(x=0, color="red", linestyle="--", label="Random (I=0)")
+        ax.set_xlabel("Moran's I")
+        ax.set_ylabel("Count")
+        ax.set_title("Distribution of Spatial Autocorrelation")
+        ax.legend()
+        plt.tight_layout()
+        plt.savefig(f"{save_dir}/morans_i_dist.png", dpi=300, bbox_inches="tight")
+        plt.close()
+
+    print(f"  Figures saved to {save_dir}/")
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/svg_results.csv` | CSV |
+| `results/spatial_domains.json` | JSON |
+| `results/deconvolution_proportions.csv` | CSV |
+| `results/ligrec_results.json` | JSON |
+| `figures/spatial_svgs.png` | PNG |
+| `figures/spatial_domains.png` | PNG |
+| `figures/morans_i_dist.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 |
+|---|---|---|
+| CELLxGENE | `CELLxGENE_get_expression_data` | 参照シングルセルデータ取得 |
+| CELLxGENE | `CELLxGENE_get_cell_metadata` | 細胞メタデータ参照 |
+| CELLxGENE | `CELLxGENE_download_h5ad` | H5AD データダウンロード |
+| HCA | `hca_search_projects` | HCA 空間データ検索 |
+| HPA | `HPA_get_rna_expression_by_source` | 組織発現参照データ |
+
+### 参照スキル
+
+| スキル | 連携内容 |
+|---|---|
+| [scientific-single-cell-genomics](../scientific-single-cell-genomics/SKILL.md) | scRNA-seq 参照データ・deconvolution |
+| [scientific-bioinformatics](../scientific-bioinformatics/SKILL.md) | 遺伝子アノテーション・パスウェイ濃縮 |
+| [scientific-image-analysis](../scientific-image-analysis/SKILL.md) | 組織画像処理・セグメンテーション |
+| [scientific-network-analysis](../scientific-network-analysis/SKILL.md) | 空間近傍ネットワーク解析 |
+| [scientific-bayesian-statistics](../scientific-bayesian-statistics/SKILL.md) | BayesSpace ドメイン検出 |
+
+#### 依存パッケージ
+
+- squidpy, scanpy, anndata, cell2location, bayesspace, SpatialDE

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

@@ -233,6 +233,18 @@ def bayesian_sequential_update(successes_list, trials_list,
 | `figures/cox_ph_forest.png` | PNG |
 | `figures/bayesian_update.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 |
+|---|---|---|
+| ClinicalTrials | `search_clinical_trials` | 臨床試験検索 |
+| ClinicalTrials | `clinical_trials_get_details` | 試験詳細取得 |
+| FAERS | `FAERS_count_reactions_by_drug_event` | 有害事象データ |
+| GDC | `GDC_search_cases` | TCGA 臨床データ |
+| PubMed | `PubMed_search_articles` | 臨床文献検索 |
+
 #### 参照実験
 
 - **Exp-03**: Kaplan-Meier + Cox PH（がん生存解析）