@nahisaho/satori 0.8.0 → 0.10.0

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

@@ -0,0 +1,310 @@
+---
+name: scientific-systems-biology
+description: |
+  システム生物学解析スキル。動的モデリング（ODE / SBML）・
+  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。
+---
+
+# Scientific Systems Biology
+
+システム生物学の定量的モデリングパイプラインを提供する。
+ODE ベースの動的モデル、フラックスバランス解析（FBA）、
+遺伝子制御ネットワーク（GRN）推定、パラメータ推定・感度解析を扱い、
+BioModels・Reactome・KEGG・BiGG の統合的活用を支援する。
+
+## When to Use
+
+- 生物学的パスウェイの動的モデリング（ODE）が必要なとき
+- 代謝ネットワークのフラックスバランス解析（FBA）を行うとき
+- 遺伝子制御ネットワーク（GRN）を推定するとき
+- BioModels / SBML モデルの取得・シミュレーションを行うとき
+- モデルパラメータの推定・感度解析を行うとき
+
+---
+
+## Quick Start
+
+## 1. SBML モデルシミュレーション
+
+```python
+import numpy as np
+import pandas as pd
+
+def simulate_sbml_model(sbml_file, duration=100, n_points=1000):
+    """
+    SBML モデルのシミュレーション。
+
+    SBML (Systems Biology Markup Language):
+      生物学的モデルの標準交換フォーマット。BioModels DB に 1,000+ モデル収録。
+
+    手順:
+      1. SBML → RoadRunner ロード
+      2. 初期条件設定
+      3. 時間発展シミュレーション
+      4. 結果抽出・可視化
+
+    対応モデル:
+      - ODE ベース（決定論的）
+      - Stochastic（Gillespie SSA）
+      - Hybrid
+    """
+    import roadrunner
+
+    rr = roadrunner.RoadRunner(sbml_file)
+    result = rr.simulate(0, duration, n_points)
+
+    df = pd.DataFrame(result, columns=result.colnames)
+    species = [c for c in df.columns if c != "time"]
+
+    print(f"  SBML: {len(species)} species simulated over t=[0, {duration}]")
+    print(f"  Species: {', '.join(species[:5])}{'...' if len(species) > 5 else ''}")
+    return df, rr
+
+
+def steady_state_analysis(rr):
+    """
+    定常状態解析。
+
+    定常状態: dx/dt = f(x, p) = 0
+    ヤコビアン J の固有値 → 安定性判定:
+      - Re(λᵢ) < 0 ∀i: 安定平衡点
+      - ∃i: Re(λᵢ) > 0: 不安定
+    """
+    rr.steadyState()
+    species_ids = rr.getFloatingSpeciesIds()
+    ss_values = rr.getFloatingSpeciesConcentrations()
+
+    # ヤコビアン
+    jac = rr.getFullJacobian()
+    eigenvalues = np.linalg.eigvals(jac)
+    stable = all(np.real(eigenvalues) < 0)
+
+    ss_dict = dict(zip(species_ids, ss_values))
+    ss_dict["stable"] = stable
+    ss_dict["eigenvalues"] = eigenvalues.tolist()
+
+    print(f"  Steady state: {'Stable' if stable else 'Unstable'}")
+    return ss_dict
+```
+
+## 2. フラックスバランス解析（FBA）
+
+```python
+def flux_balance_analysis(model_path, objective="biomass", method="fba"):
+    """
+    代謝フラックスバランス解析。
+
+    FBA 定式化:
+      max  c^T · v          (目的関数、通常 biomass)
+      s.t. S · v = 0        (定常状態制約)
+           vₘᵢₙ ≤ v ≤ vₘₐₓ  (フラックス範囲制約)
+
+    method:
+      - "fba": 標準 FBA — LP で最適フラックス分布を求める
+      - "pfba": Parsimonious FBA — 最小総フラックスで最適化
+      - "fva": Flux Variability Analysis — 各反応の許容フラックス範囲
+      - "loopless": ループフリー FBA
+
+    入力: SBML / JSON / YAML 形式のゲノムスケール代謝モデル（GEM）
+    BiGG Models DB: 100+ 生物種の GEM を収録
+    """
+    import cobra
+
+    model = cobra.io.read_sbml_model(model_path)
+    print(f"  Model: {model.id} — {len(model.reactions)} reactions, "
+          f"{len(model.metabolites)} metabolites, {len(model.genes)} genes")
+
+    if method == "fba":
+        solution = model.optimize()
+    elif method == "pfba":
+        solution = cobra.flux_analysis.pfba(model)
+    elif method == "fva":
+        fva_result = cobra.flux_analysis.flux_variability_analysis(
+            model, fraction_of_optimum=0.9)
+        return fva_result
+
+    # 結果
+    objective_value = solution.objective_value
+    fluxes = solution.fluxes
+
+    # Essential genes (single gene knockouts)
+    essential = []
+    for gene in model.genes:
+        with model:
+            gene.knock_out()
+            ko_sol = model.optimize()
+            if ko_sol.objective_value < 0.01 * objective_value:
+                essential.append(gene.id)
+
+    print(f"  FBA: objective={objective_value:.4f}, "
+          f"{len(essential)} essential genes")
+
+    result = {
+        "objective_value": objective_value,
+        "n_active_reactions": (fluxes.abs() > 1e-6).sum(),
+        "n_essential_genes": len(essential),
+        "essential_genes": essential,
+    }
+    return result, fluxes
+```
+
+## 3. 遺伝子制御ネットワーク推定（GRN）
+
+```python
+def infer_grn(expression_matrix, method="genie3", n_top=1000):
+    """
+    遺伝子制御ネットワーク（GRN）推定。
+
+    method:
+      - "genie3": GENIE3 — Random Forest ベース
+        各遺伝子 gⱼ を他の全遺伝子で回帰し、
+        特徴量重要度を制御関係の重みとする。
+      - "scenic": SCENIC — cis-regulatory 解析統合
+      - "granger": Granger 因果性 — 時系列データ向け
+
+    GENIE3 原理:
+      For each target gene gⱼ:
+        Train RF: gⱼ = f(g₁, ..., gⱼ₋₁, gⱼ₊₁, ..., gₚ)
+        Weight wᵢⱼ = importance of gᵢ for predicting gⱼ
+    """
+    from arboreto.algo import genie3
+
+    # GENIE3
+    if method == "genie3":
+        network = genie3(expression_matrix.values,
+                          gene_names=expression_matrix.columns.tolist())
+        network = network.sort_values("importance", ascending=False).head(n_top)
+
+    # ネットワーク構築
+    import networkx as nx
+    G = nx.DiGraph()
+    for _, row in network.iterrows():
+        G.add_edge(row["TF"], row["target"], weight=row["importance"])
+
+    # ハブ TF（高出次数）
+    out_degrees = sorted(G.out_degree(), key=lambda x: x[1], reverse=True)
+    top_tfs = out_degrees[:10]
+
+    print(f"  GRN: {G.number_of_nodes()} nodes, {G.number_of_edges()} edges")
+    print(f"  Top TFs: {', '.join([tf for tf, _ in top_tfs[:5]])}")
+    return G, network
+```
+
+## 4. パラメータ推定・感度解析
+
+```python
+from scipy.optimize import differential_evolution
+from SALib.sample import saltelli
+from SALib.analyze import sobol
+
+def parameter_estimation(model_func, data, param_bounds, method="de"):
+    """
+    ODE モデルパラメータ推定。
+
+    method:
+      - "de": Differential Evolution（グローバル最適化）
+      - "mcmc": MCMC — pymc/emcee（事後分布推定）
+
+    目的関数: Σ (y_data - y_model)² / σ² → minimize
+    """
+    def objective(params):
+        y_pred = model_func(params)
+        residuals = (data["y_obs"] - y_pred) ** 2
+        return np.sum(residuals / data.get("sigma", 1) ** 2)
+
+    if method == "de":
+        result = differential_evolution(objective, bounds=param_bounds,
+                                         seed=42, maxiter=1000, tol=1e-8)
+        return {
+            "params": result.x,
+            "cost": result.fun,
+            "success": result.success,
+            "message": result.message,
+        }
+
+
+def global_sensitivity_analysis(model_func, param_names, param_bounds,
+                                  n_samples=1024):
+    """
+    Sobol グローバル感度解析。
+
+    指標:
+      - S1: 一次感度指標（主効果）
+      - ST: 全次感度指標（主効果＋交互作用全て）
+      - S2: 二次感度指標（ペアワイズ交互作用）
+
+    S1 + 交互作用 = ST
+    ΣS1 < 1 の場合、交互作用効果が存在する。
+    """
+    problem = {
+        "num_vars": len(param_names),
+        "names": param_names,
+        "bounds": param_bounds,
+    }
+
+    param_values = saltelli.sample(problem, n_samples)
+    Y = np.array([model_func(p) for p in param_values])
+
+    Si = sobol.analyze(problem, Y)
+
+    sa_df = pd.DataFrame({
+        "parameter": param_names,
+        "S1": Si["S1"],
+        "S1_conf": Si["S1_conf"],
+        "ST": Si["ST"],
+        "ST_conf": Si["ST_conf"],
+    })
+
+    print(f"  Sensitivity: top parameter = {sa_df.loc[sa_df['ST'].idxmax(), 'parameter']} "
+          f"(ST={sa_df['ST'].max():.3f})")
+    return sa_df, Si
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/simulation_timecourse.csv` | CSV |
+| `results/fba_fluxes.csv` | CSV |
+| `results/grn_network.csv` | CSV |
+| `results/sensitivity_analysis.csv` | CSV |
+| `results/parameter_estimates.json` | JSON |
+| `figures/timecourse_plot.png` | PNG |
+| `figures/flux_map.png` | PNG |
+| `figures/grn_graph.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 |
+|---|---|---|
+| BioModels | `biomodels_search` | SBML モデル検索 |
+| BioModels | `BioModels_get_model` | モデル詳細取得 |
+| BioModels | `BioModels_download_model` | モデルダウンロード |
+| Reactome | `Reactome_get_pathway` | パスウェイ情報取得 |
+| Reactome | `Reactome_get_pathway_reactions` | 反応一覧取得 |
+| Reactome | `Reactome_map_uniprot_to_pathways` | UniProt→パスウェイ |
+| BiGG | `BiGG_search` | 代謝モデル検索 |
+| BiGG | `BiGG_get_model` | GEM モデル取得 |
+| BiGG | `BiGG_get_reaction` | 反応詳細取得 |
+| KEGG | `kegg_get_pathway_info` | KEGG パスウェイ |
+| KEGG | `kegg_get_gene_info` | KEGG 遺伝子情報 |
+
+### 参照スキル
+
+| スキル | 連携内容 |
+|---|---|
+| [scientific-network-analysis](../scientific-network-analysis/SKILL.md) | GRN ネットワーク解析 |
+| [scientific-multi-omics](../scientific-multi-omics/SKILL.md) | マルチオミクスデータ統合 |
+| [scientific-bayesian-statistics](../scientific-bayesian-statistics/SKILL.md) | ベイズパラメータ推定 |
+| [scientific-doe](../scientific-doe/SKILL.md) | 実験設計・感度解析 |
+| [scientific-metabolomics](../scientific-metabolomics/SKILL.md) | 代謝フラックス-メタボローム統合 |
+
+#### 依存パッケージ
+
+- cobra (cobrapy), roadrunner (libroadrunner), arboreto, SALib, scipy, networkx

package/src/.github/skills/scientific-text-mining-nlp/SKILL.md

@@ -0,0 +1,358 @@
+---
+name: scientific-text-mining-nlp
+description: |
+  科学テキストマイニング・NLP スキル。生物医学 NER（遺伝子/疾患/薬物/化合物）・
+  関係抽出（PPI / DDI / GDA）・文献ベースナレッジグラフ構築・
+  エビデンス要約・トピックモデリング・引用ネットワーク解析パイプライン。
+  PubTator / SemanticScholar / EuropePMC データ統合。
+---
+
+# Scientific Text Mining & NLP
+
+科学文献に対する自然言語処理（NLP）パイプラインを提供する。
+生物医学エンティティ認識、関係抽出、ナレッジグラフ構築、
+トピックモデリング、自動エビデンス要約を体系的に扱う。
+
+## When to Use
+
+- 大量の科学文献から遺伝子・疾患・薬物名を自動抽出するとき
+- タンパク質-タンパク質相互作用（PPI）等の関係を文献から抽出するとき
+- 文献ベースのナレッジグラフを構築するとき
+- 研究トレンドのトピックモデリングを行うとき
+- 引用ネットワーク分析で影響力のある論文を同定するとき
+
+---
+
+## Quick Start
+
+## 1. 生物医学 NER（Named Entity Recognition）
+
+```python
+import numpy as np
+import pandas as pd
+
+def biomedical_ner(texts, model="biobert", entity_types=None):
+    """
+    生物医学テキストからのエンティティ認識。
+
+    model:
+      - "biobert": BioBERT — PubMed 事前学習 BERT
+      - "scispacy": SciSpaCy — 科学テキスト特化 spaCy
+      - "pubtator": PubTator3 API — NCBI の NER サービス
+
+    entity_types:
+      - Gene/Protein: 遺伝子・タンパク質名
+      - Disease: 疾患名（MESH / OMIM ID）
+      - Chemical/Drug: 化合物・薬物名（MeSH / DrugBank ID）
+      - Species: 生物種
+      - Mutation: 変異（tmVar 形式）
+      - Cell Line / Cell Type
+    """
+    if entity_types is None:
+        entity_types = ["Gene", "Disease", "Chemical", "Species", "Mutation"]
+
+    if model == "scispacy":
+        import spacy
+        nlp = spacy.load("en_core_sci_lg")
+        from scispacy.linking import EntityLinker
+        nlp.add_pipe("scispacy_linker", config={
+            "resolve_abbreviations": True,
+            "linker_name": "umls"
+        })
+
+        all_entities = []
+        for i, text in enumerate(texts):
+            doc = nlp(text)
+            for ent in doc.ents:
+                all_entities.append({
+                    "doc_id": i,
+                    "text": ent.text,
+                    "label": ent.label_,
+                    "start": ent.start_char,
+                    "end": ent.end_char,
+                    "kb_id": ent._.kb_ents[0][0] if ent._.kb_ents else None,
+                    "confidence": ent._.kb_ents[0][1] if ent._.kb_ents else None,
+                })
+
+        df = pd.DataFrame(all_entities)
+        print(f"  NER: {len(df)} entities from {len(texts)} documents")
+        return df
+
+    elif model == "biobert":
+        from transformers import pipeline
+        ner_pipeline = pipeline("ner", model="dmis-lab/biobert-large-cased-v1.1-ner",
+                                 aggregation_strategy="simple")
+
+        all_entities = []
+        for i, text in enumerate(texts):
+            entities = ner_pipeline(text)
+            for ent in entities:
+                all_entities.append({
+                    "doc_id": i, "text": ent["word"],
+                    "label": ent["entity_group"],
+                    "score": ent["score"],
+                })
+
+        return pd.DataFrame(all_entities)
+```
+
+## 2. 関係抽出
+
+```python
+def relation_extraction(texts, relation_type="ppi", model="biobert_re"):
+    """
+    科学文献からの関係抽出。
+
+    relation_type:
+      - "ppi": Protein-Protein Interaction
+      - "ddi": Drug-Drug Interaction
+      - "gda": Gene-Disease Association
+      - "chem_disease": Chemical-Disease Relation
+      - "chem_gene": Chemical-Gene Interaction
+
+    パイプライン:
+      1. NER でエンティティ抽出
+      2. 同一文内のエンティティペアを候補として列挙
+      3. 各ペアの関係分類（BERT ベース）
+      4. 信頼度フィルタリング
+    """
+    from transformers import pipeline
+
+    if relation_type == "ppi":
+        re_model = "dmis-lab/biobert-v1.1"  # Fine-tuned for PPI
+    elif relation_type == "ddi":
+        re_model = "dmis-lab/biobert-v1.1"
+
+    classifier = pipeline("text-classification", model=re_model)
+
+    relations = []
+    for i, text in enumerate(texts):
+        # エンティティペア候補をマーキング
+        ner_results = biomedical_ner([text], model="scispacy")
+        entities = ner_results[ner_results["doc_id"] == 0]
+
+        # 全ペアの関係分類
+        for idx_a, ent_a in entities.iterrows():
+            for idx_b, ent_b in entities.iterrows():
+                if idx_a < idx_b:
+                    # コンテキスト付きテキスト
+                    marked_text = mark_entities(text, ent_a, ent_b)
+                    pred = classifier(marked_text[:512])
+
+                    if pred[0]["score"] > 0.7:
+                        relations.append({
+                            "doc_id": i,
+                            "entity_a": ent_a["text"],
+                            "entity_b": ent_b["text"],
+                            "relation": pred[0]["label"],
+                            "confidence": pred[0]["score"],
+                        })
+
+    df = pd.DataFrame(relations)
+    print(f"  RE: {len(df)} relations from {len(texts)} documents")
+    return df
+
+
+def mark_entities(text, ent_a, ent_b):
+    """エンティティをマーキングしたテキストを生成。"""
+    # 簡易実装: @ENTITY_A@ / @ENTITY_B@ でマーク
+    marked = text.replace(ent_a["text"], f"@ENTITY_A@ {ent_a['text']} @/ENTITY_A@")
+    marked = marked.replace(ent_b["text"], f"@ENTITY_B@ {ent_b['text']} @/ENTITY_B@")
+    return marked
+```
+
+## 3. ナレッジグラフ構築
+
+```python
+def build_knowledge_graph(entities_df, relations_df, min_confidence=0.7):
+    """
+    文献ベースのナレッジグラフ構築。
+
+    ノード: エンティティ（遺伝子、疾患、薬物、経路 etc.）
+    エッジ: 関係（interacts_with, treats, causes, associated_with etc.）
+
+    パイプライン:
+      1. エンティティ正規化（UMLS CUI / MeSH 統一）
+      2. 重複エンティティマージ
+      3. 関係集約（頻度 + 最大信頼度）
+      4. グラフ構築 + コミュニティ検出
+    """
+    import networkx as nx
+    from collections import Counter
+
+    # 信頼度フィルタ
+    rel_filtered = relations_df[relations_df["confidence"] >= min_confidence]
+
+    # グラフ構築
+    G = nx.MultiDiGraph()
+
+    # エンティティノード追加
+    for _, ent in entities_df.iterrows():
+        G.add_node(ent["text"], type=ent["label"],
+                    kb_id=ent.get("kb_id", None))
+
+    # 関係エッジ追加
+    edge_counts = Counter()
+    for _, rel in rel_filtered.iterrows():
+        key = (rel["entity_a"], rel["entity_b"], rel["relation"])
+        edge_counts[key] += 1
+        G.add_edge(rel["entity_a"], rel["entity_b"],
+                    relation=rel["relation"],
+                    confidence=rel["confidence"],
+                    frequency=edge_counts[key])
+
+    # コミュニティ検出
+    G_simple = nx.Graph(G)
+    from networkx.algorithms.community import louvain_communities
+    communities = louvain_communities(G_simple, resolution=1.0)
+
+    print(f"  KG: {G.number_of_nodes()} nodes, {G.number_of_edges()} edges, "
+          f"{len(communities)} communities")
+    return G, communities
+```
+
+## 4. トピックモデリング
+
+```python
+def topic_modeling(abstracts, n_topics=10, method="bertopic"):
+    """
+    科学文献のトピックモデリング。
+
+    method:
+      - "bertopic": BERTopic — BERT 埋め込み + HDBSCAN + c-TF-IDF
+      - "lda": LDA (Latent Dirichlet Allocation) — 確率的トピックモデル
+      - "nmf": NMF (Non-negative Matrix Factorization)
+
+    BERTopic パイプライン:
+      1. BERT / SPECTER で文書埋め込み
+      2. UMAP で次元削減
+      3. HDBSCAN でクラスタリング
+      4. c-TF-IDF でトピックワード抽出
+    """
+    if method == "bertopic":
+        from bertopic import BERTopic
+        from sentence_transformers import SentenceTransformer
+
+        embedding_model = SentenceTransformer("allenai-specter")
+        topic_model = BERTopic(embedding_model=embedding_model,
+                                nr_topics=n_topics,
+                                calculate_probabilities=True)
+
+        topics, probs = topic_model.fit_transform(abstracts)
+
+        topic_info = topic_model.get_topic_info()
+        print(f"  Topics: {len(topic_info) - 1} topics from {len(abstracts)} documents")
+        return topic_model, topics, probs
+
+    elif method == "lda":
+        from sklearn.decomposition import LatentDirichletAllocation
+        from sklearn.feature_extraction.text import CountVectorizer
+
+        vectorizer = CountVectorizer(max_df=0.95, min_df=2, stop_words="english")
+        dtm = vectorizer.fit_transform(abstracts)
+
+        lda = LatentDirichletAllocation(n_components=n_topics, random_state=42)
+        lda.fit(dtm)
+
+        feature_names = vectorizer.get_feature_names_out()
+        topics = {}
+        for i, topic_dist in enumerate(lda.components_):
+            top_words = [feature_names[j] for j in topic_dist.argsort()[-10:]]
+            topics[f"Topic_{i}"] = top_words
+
+        return lda, topics
+```
+
+## 5. 引用ネットワーク分析
+
+```python
+def citation_network_analysis(papers_df, citations_df):
+    """
+    引用ネットワーク分析。
+
+    指標:
+      - In-degree: 被引用数 → 影響力
+      - PageRank: 引用の質を加味した影響力
+      - Hub/Authority (HITS): Hub=多数引用、Authority=多数被引用
+      - Citation burst: 急激な被引用増加（新興トピック）
+      - Bibliographic coupling: 同じ論文を引用するペア
+      - Co-citation: 同時に引用されるペア
+    """
+    import networkx as nx
+
+    G = nx.DiGraph()
+    for _, paper in papers_df.iterrows():
+        G.add_node(paper["paper_id"], title=paper["title"],
+                    year=paper["year"])
+
+    for _, cite in citations_df.iterrows():
+        G.add_edge(cite["citing"], cite["cited"])
+
+    # PageRank
+    pagerank = nx.pagerank(G, alpha=0.85)
+
+    # HITS
+    hubs, authorities = nx.hits(G, max_iter=100)
+
+    # 結果集約
+    metrics_df = pd.DataFrame({
+        "paper_id": list(G.nodes()),
+        "in_degree": [G.in_degree(n) for n in G.nodes()],
+        "out_degree": [G.out_degree(n) for n in G.nodes()],
+        "pagerank": [pagerank.get(n, 0) for n in G.nodes()],
+        "hub_score": [hubs.get(n, 0) for n in G.nodes()],
+        "authority_score": [authorities.get(n, 0) for n in G.nodes()],
+    })
+    metrics_df = metrics_df.sort_values("pagerank", ascending=False)
+
+    print(f"  Citation network: {G.number_of_nodes()} papers, "
+          f"{G.number_of_edges()} citations")
+    return G, metrics_df
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/ner_entities.csv` | CSV |
+| `results/relations.csv` | CSV |
+| `results/knowledge_graph.json` | JSON |
+| `results/topic_model_info.csv` | CSV |
+| `results/citation_metrics.csv` | CSV |
+| `figures/kg_visualization.png` | PNG |
+| `figures/topic_distribution.png` | PNG |
+| `figures/citation_network.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 |
+|---|---|---|
+| PubTator | `PubTator3_LiteratureSearch` | NER 付き文献検索 |
+| PubTator | `PubTator3_EntityAutocomplete` | エンティティ補完 |
+| PubMed | `PubMed_search_articles` | PubMed 文献検索 |
+| PubMed | `PubMed_get_cited_by` | 被引用論文取得 |
+| PubMed | `PubMed_get_related` | 関連論文取得 |
+| SemanticScholar | `SemanticScholar_search_papers` | 学術論文検索 |
+| EuropePMC | `EuropePMC_search_articles` | EuropePMC 検索 |
+| EuropePMC | `EuropePMC_get_fulltext` | 全文テキスト取得 |
+| EuropePMC | `EuropePMC_get_references` | 引用文献取得 |
+| OpenAlex | `openalex_search_works` | OpenAlex 検索 |
+| DBLP | `DBLP_search_publications` | CS 文献検索 |
+
+### 参照スキル
+
+| スキル | 連携内容 |
+|---|---|
+| [scientific-deep-research](../scientific-deep-research/SKILL.md) | 深層文献調査 |
+| [scientific-citation-checker](../scientific-citation-checker/SKILL.md) | 引用検証 |
+| [scientific-network-analysis](../scientific-network-analysis/SKILL.md) | ネットワーク解析 |
+| [scientific-meta-analysis](../scientific-meta-analysis/SKILL.md) | 系統的文献レビュー |
+| [scientific-graph-neural-networks](../scientific-graph-neural-networks/SKILL.md) | ナレッジグラフ推論 |
+
+#### 依存パッケージ
+
+- scispacy, spacy, transformers, bertopic, sentence-transformers, networkx

package/src/.github/skills/scientific-variant-interpretation/SKILL.md

@@ -301,6 +301,20 @@ def pgx_recommendation(gene, phenotype, drug):
 | `results/variant_classification.json` | ACMG/AMP 分類データ（JSON） | 分類完了時 |
 | `results/pgx_report.json` | 薬理ゲノミクスレポート（JSON） | PGx 評価完了時 |
 
+### 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 |
+|---|---|---|
+| ClinVar | `clinvar_search_variants` | バリアントの病原性分類検索 |
+| gnomAD | `gnomad_get_gene_constraints` | 遺伝子制約メトリクス（pLI / LOEUF） |
+| ClinGen | `ClinGen_get_gene_validity` | 遺伝子-疾患の妥当性評価 |
+| AlphaMissense | `AlphaMissense_get_variant_score` | ミスセンス病原性予測スコア |
+| PharmGKB | `PharmGKB_search_variants` | 薬理ゲノミクスバリアント検索 |
+| CADD | `CADD_get_variant_score` | バリアント有害性スコア |
+| MyVariant | `MyVariant_get_variant_annotation` | 統合バリアントアノテーション |
+
 ### 参照スキル
 
 | スキル | 連携 |