@nahisaho/satori 0.9.0 → 0.10.0

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 **56 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。22 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 **66 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。32 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
 
@@ -54,6 +54,25 @@ quantum-computing → bayesian-statistics → graph-neural-networks
                   (XAI 説明可能性)  (DL パイプライン)
 ```
 
+**次世代オミクス・疫学パイプライン（T-Z）**
+
+```
+single-cell-genomics → spatial-transcriptomics     ← [T シングルセル・空間]
+  (scRNA-seq QC)       (Visium/MERFISH)
+        ↓                     ↓
+immunoinformatics → infectious-disease             ← [U 免疫・感染症]
+  (エピトープ予測)    (AMR・系統解析)
+        ↓                     ↓
+microbiome-metagenomics → environmental-ecology    ← [V マイクロバイオーム・環境]
+  (16S/メタゲノム)         (SDM・生物多様性)
+        ↓                     ↓
+systems-biology           population-genetics       ← [W+Y モデル・集団]
+  (SBML/FBA/GRN)           (Fst/ADMIXTURE)
+        ↓                     ↓
+epidemiology-public-health → text-mining-nlp       ← [X+Z 疫学・NLP]
+  (RR/OR/空間クラスタ)       (NER/KG/BERTopic)
+```
+
 | フェーズ | 生成ファイル | 参照先 |
 |---|---|---|
 | 仮説立案 | `docs/hypothesis.{md,json}`, `docs/workflow_design.{md,json}` | → scaffold, writing |
@@ -86,10 +105,20 @@ quantum-computing → bayesian-statistics → graph-neural-networks
 | 説明可能 AI | `results/xai_report.json`, `figures/shap_summary.png` | → clinical-decision |
 | 深層学習 | `results/dl_training_log.json`, `models/model.onnx` | → GNN, medical-imaging |
 | 医用イメージング | `results/imaging_report.{md,json}`, `results/radiomics_features.json` | → precision-oncology |
+| scRNA-seq 解析 | `results/sc_markers.json`, `figures/umap_clusters.png`, `results/rna_velocity.json` | → spatial, systems-biology |
+| 空間トランスクリプトミクス | `results/spatial_domains.json`, `figures/spatial_svg_map.png` | → single-cell, systems-biology |
+| 免疫情報学 | `results/epitope_candidates.json`, `results/tcr_diversity.json` | → infectious-disease, drug-target |
+| 感染症ゲノミクス | `results/amr_report.json`, `results/mlst_profile.json`, `results/sir_simulation.json` | → epidemiology, microbiome |
+| マイクロバイオーム | `results/asv_table.json`, `results/diversity_metrics.json`, `results/da_results.json` | → environmental-ecology |
+| 環境生態学 | `results/sdm_predictions.json`, `results/biodiversity_indices.json` | → microbiome, text-mining |
+| システム生物学 | `results/sbml_timecourse.json`, `results/fba_fluxes.json`, `results/grn_edges.json` | → multi-omics, network-analysis |
+| 疫学・公衆衛生 | `results/epi_risk_measures.json`, `results/spatial_clusters.json`, `results/dag_analysis.json` | → survival-clinical, causal-inference |
+| 集団遺伝学 | `results/pop_structure.json`, `results/fst_matrix.json`, `results/selection_scan.json` | → disease-research, variant-interpretation |
+| テキストマイニング | `results/ner_entities.json`, `results/knowledge_graph.json`, `results/topic_model.json` | → deep-research, meta-analysis |
 
 ### ToolUniverse MCP ツール連携
 
-22 のスキル（HIGH 13 + MEDIUM 9）は、[ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP サーバー経由で 1,200 以上の外部科学ツールを利用可能です。各 SKILL.md 内の `### 利用可能ツール` セクションに対応ツールが記載されています。
+32 のスキル（HIGH 13 + MEDIUM 9 + 新規 10）は、[ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP サーバー経由で 1,200 以上の外部科学ツールを利用可能です。各 SKILL.md 内の `### 利用可能ツール` セクションに対応ツールが記載されています。
 
 ```
 SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・計算)
@@ -100,11 +129,11 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 │ drug-target-profiling│───MCP──│ UniProt, ChEMBL, DGIdb       │
 │ variant-interpretation│──MCP──│ ClinVar, gnomAD, ClinGen     │
 │ admet-pharmacokinetics│──MCP──│ ADMET-AI, PubChem, ChEMBL    │
-│ ... (22 skills total) │       │ ... (1,200+ tools)           │
+│ ... (32 skills total) │       │ ... (1,200+ tools)           │
 └──────────────────────┘        └─────────────────────────────┘
 ```
 
-スキルは **19 の中区分**に分類されています。
+スキルは **26 の中区分**に分類されています。
 
 | 中区分 | スキル数 | 概要 |
 |---|:---:|---|
@@ -127,6 +156,13 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | Q. 腫瘍学・疾患研究 | 2 | 精密腫瘍学 (CIViC/OncoKB)・疾患-遺伝子関連 (GWAS/Orphanet) |
 | R. 量子・先端計算 | 5 | 量子計算・GNN・ベイズ統計・説明可能 AI・深層学習 |
 | S. 医用イメージング | 1 | DICOM/NIfTI・WSI 病理画像・Radiomics・MONAI |
+| T. シングルセル・空間オミクス | 2 | scRNA-seq・Visium・MERFISH・CELLxGENE・RNA velocity |
+| 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 | 2 | 16S/メタゲノム・α/β 多様性・SDM・OBIS・GBIF |
+| W. システム生物学 | 1 | SBML シミュレーション・FBA・GRN 推定・BioModels |
+| X. 疫学・公衆衛生 | 1 | リスク指標 (RR/OR)・年齢標準化・空間疫学・WHO・CDC |
+| Y. 集団遺伝学 | 1 | HWE・PCA/ADMIXTURE・Fst・選択スキャン・gnomAD・GWAS |
+| Z. 科学テキストマイニング | 1 | NER・関係抽出・知識グラフ・BERTopic・PubTator |
 
 ---
 
@@ -321,6 +357,65 @@ DICOM・WSI 等の医用画像の解析・セグメンテーションを担う
 |---|---|---|---|
 | 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 |
 
+### T. シングルセル・空間オミクス（2 種）
+
+scRNA-seq・空間トランスクリプトミクスの解析パイプラインを担うスキル群。
+
+| # | Skill | 説明 | 参照 Exp |
+|---|---|---|---|
+| 57 | [scientific-single-cell-genomics](scientific-single-cell-genomics/SKILL.md) | scRNA-seq QC・Scanpy Leiden クラスタリング・DEG・RNA velocity・CellChat 細胞間通信 | 汎用 |
+| 58 | [scientific-spatial-transcriptomics](scientific-spatial-transcriptomics/SKILL.md) | Visium/MERFISH 前処理・Squidpy SVG 検出・空間ドメイン・cell2location デコンボリューション | 汎用 |
+
+### U. 免疫・感染症（2 種）
+
+免疫情報学・病原体ゲノミクスの解析パイプラインを担うスキル群。
+
+| # | Skill | 説明 | 参照 Exp |
+|---|---|---|---|
+| 59 | [scientific-immunoinformatics](scientific-immunoinformatics/SKILL.md) | MHC-I/II 結合予測・B 細胞エピトープ・TCR/BCR レパトア多様性・抗体 CDR 解析・ワクチン候補ランキング | 汎用 |
+| 60 | [scientific-infectious-disease](scientific-infectious-disease/SKILL.md) | 病原体 WGS QC・AMR 遺伝子検出・MLST 型別・系統解析 (IQ-TREE)・SIR/SEIR 数理モデル | 汎用 |
+
+### V. マイクロバイオーム・環境（2 種）
+
+マイクロバイオーム解析と環境・生態系モデリングを担うスキル群。
+
+| # | Skill | 説明 | 参照 Exp |
+|---|---|---|---|
+| 61 | [scientific-microbiome-metagenomics](scientific-microbiome-metagenomics/SKILL.md) | DADA2 ASV パイプライン・MetaPhlAn/Kraken2・α/β 多様性・ANCOM-BC 差次的存在量・HUMAnN 機能プロファイリング | 汎用 |
+| 62 | [scientific-environmental-ecology](scientific-environmental-ecology/SKILL.md) | SDM (MaxEnt/RF/GBM)・生物多様性指数・群集序列化 (NMDS/CCA)・保全優先順位ランキング | 汎用 |
+
+### W. システム生物学（1 種）
+
+SBML 動的シミュレーション・代謝フラックス・遺伝子制御ネットワーク推定を担うスキル。
+
+| # | Skill | 説明 | 参照 Exp |
+|---|---|---|---|
+| 63 | [scientific-systems-biology](scientific-systems-biology/SKILL.md) | SBML/RoadRunner シミュレーション・FBA/pFBA (cobrapy)・GRN 推定 (GENIE3)・Sobol 感度解析 | 汎用 |
+
+### X. 疫学・公衆衛生（1 種）
+
+疫学的リスク指標算出・標準化・空間疫学・DAG 交絡分析を担うスキル。
+
+| # | Skill | 説明 | 参照 Exp |
+|---|---|---|---|
+| 64 | [scientific-epidemiology-public-health](scientific-epidemiology-public-health/SKILL.md) | RR/OR/RD/NNT/AF リスク指標・直接/間接年齢標準化・LISA/Getis-Ord 空間クラスタリング・DAG バックドア基準 | 汎用 |
+
+### Y. 集団遺伝学（1 種）
+
+集団構造推定・分化指標・自然選択検出を担うスキル。
+
+| # | Skill | 説明 | 参照 Exp |
+|---|---|---|---|
+| 65 | [scientific-population-genetics](scientific-population-genetics/SKILL.md) | PLINK2 QC・HWE 検定・PCA/ADMIXTURE・Weir-Cockerham Fst・iHS/Tajima's D 選択スキャン | 汎用 |
+
+### Z. 科学テキストマイニング（1 種）
+
+科学文献からの情報抽出・知識グラフ構築・トピックモデリングを担うスキル。
+
+| # | Skill | 説明 | 参照 Exp |
+|---|---|---|---|
+| 66 | [scientific-text-mining-nlp](scientific-text-mining-nlp/SKILL.md) | BioBERT/SciSpaCy NER・関係抽出・知識グラフ構築 (Louvain)・BERTopic トピックモデリング・引用ネットワーク分析 | 汎用 |
+
 ---
 
 ## インストール
@@ -459,6 +554,30 @@ Skills は `.github/skills/` に配置されているため、Copilot が自動
 │
 └── [S] 医用イメージング
     └── scientific-medical-imaging/
+│
+│── [T] シングルセル・空間オミクス
+│   ├── scientific-single-cell-genomics/
+│   └── scientific-spatial-transcriptomics/
+│
+│── [U] 免疫・感染症
+│   ├── scientific-immunoinformatics/
+│   └── scientific-infectious-disease/
+│
+│── [V] マイクロバイオーム・環境
+│   ├── scientific-microbiome-metagenomics/
+│   └── scientific-environmental-ecology/
+│
+│── [W] システム生物学
+│   └── scientific-systems-biology/
+│
+│── [X] 疫学・公衆衛生
+│   └── scientific-epidemiology-public-health/
+│
+│── [Y] 集団遺伝学
+│   └── scientific-population-genetics/
+│
+└── [Z] 科学テキストマイニング
+    └── scientific-text-mining-nlp/
 ```
 
 > 注: 実際のファイルシステム上ではすべてのスキルディレクトリは `.github/skills/` 直下にフラットに配置されています。上記の中区分グルーピングは論理的な分類です。

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "@nahisaho/satori",
-  "version": "0.9.0",
+  "version": "0.10.0",
   "description": "SATORI — Agent Skills for Science. GitHub Copilot Agent Skills collection for scientific data analysis.",
   "main": "index.js",
   "bin": {

package/src/.github/skills/scientific-environmental-ecology/SKILL.md

@@ -0,0 +1,295 @@
+---
+name: scientific-environmental-ecology
+description: |
+  環境科学・生態学解析スキル。種分布モデリング（SDM / MaxEnt）・
+  生物多様性指標（α/β/γ 多様性）・群集構造解析（NMDS/CCA/RDA）・
+  生態学的ニッチモデリング・保全優先順位評価・OBIS/GBIF データ統合パイプライン。
+---
+
+# Scientific Environmental Ecology
+
+環境科学・生態学に特化した解析パイプラインを提供する。
+種分布モデリング、生物多様性評価、群集構造解析、
+保全優先順位付け、海洋/陸域の生態系データ統合を扱う。
+
+## When to Use
+
+- 種分布モデル（SDM）を構築して生息適地を推定するとき
+- 群集の生物多様性指標を算出・比較するとき
+- 群集構造の環境要因への応答を解析するとき（CCA / RDA）
+- GBIF / OBIS から出現データを取得して空間解析を行うとき
+- 保全優先区域の評価・ランキングを行うとき
+
+---
+
+## Quick Start
+
+## 1. 種分布モデリング（SDM）
+
+```python
+import numpy as np
+import pandas as pd
+from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
+from sklearn.model_selection import cross_val_score
+from sklearn.metrics import roc_auc_score
+
+def species_distribution_model(occurrences, background, env_layers,
+                                 method="maxent", n_folds=5):
+    """
+    種分布モデリング（SDM）パイプライン。
+
+    method:
+      - "maxent": MaxEnt — 最大エントロピーモデル（在データのみ可）
+      - "rf": Random Forest — 在/不在データ
+      - "gbm": Gradient Boosting — アンサンブル学習
+      - "ensemble": 複数モデルの加重平均
+
+    MaxEnt 原理:
+      P(x) を環境変数 x の関数として推定。
+      情報エントロピーを最大化する分布を選択:
+        H(P) = -Σ P(x) log P(x) → maximize
+      制約: E_P[fⱼ] = E_data[fⱼ] (特徴量の期待値一致)
+
+    入力:
+      - occurrences: 種の出現座標 (lon, lat)
+      - background: 疑似不在点 (lon, lat)
+      - env_layers: 環境変数ラスタ（Bio1-Bio19 等）
+    """
+    # 環境変数を出現/不在点で抽出
+    X_pres = extract_env_values(occurrences, env_layers)
+    X_bg = extract_env_values(background, env_layers)
+    X = np.vstack([X_pres, X_bg])
+    y = np.concatenate([np.ones(len(X_pres)), np.zeros(len(X_bg))])
+
+    if method == "maxent":
+        from elapid import MaxentModel
+        model = MaxentModel()
+        model.fit(X_pres, X_bg)
+        pred = model.predict(env_layers)
+
+    elif method == "rf":
+        model = RandomForestClassifier(n_estimators=500, random_state=42)
+        model.fit(X, y)
+        auc_scores = cross_val_score(model, X, y, cv=n_folds, scoring="roc_auc")
+        print(f"  RF AUC: {np.mean(auc_scores):.3f} ± {np.std(auc_scores):.3f}")
+        pred = model.predict_proba(env_layers.reshape(-1, env_layers.shape[-1]))[:, 1]
+
+    elif method == "gbm":
+        model = GradientBoostingClassifier(n_estimators=300, max_depth=5,
+                                            random_state=42)
+        model.fit(X, y)
+        auc_scores = cross_val_score(model, X, y, cv=n_folds, scoring="roc_auc")
+        print(f"  GBM AUC: {np.mean(auc_scores):.3f} ± {np.std(auc_scores):.3f}")
+
+    return model, pred
+
+
+def extract_env_values(coords, env_layers):
+    """座標から環境変数値を抽出する。"""
+    import rasterio
+    values = []
+    for lon, lat in coords:
+        row, col = env_layers.index(lon, lat)
+        values.append(env_layers.read()[:, row, col])
+    return np.array(values)
+```
+
+## 2. 生物多様性指標
+
+```python
+from scipy.stats import entropy
+
+def biodiversity_indices(community_matrix, metadata=None):
+    """
+    群集ベースの生物多様性指標算出。
+
+    α 多様性（サイト内）:
+      - Species richness: S = 種数
+      - Shannon: H' = -Σ pᵢ ln(pᵢ)
+      - Simpson: D = 1 - Σ pᵢ²
+      - Pielou's Evenness: J = H' / ln(S)
+      - Chao1: S_est = S_obs + f₁²/(2·f₂)
+
+    β 多様性（サイト間）:
+      - Bray-Curtis dissimilarity
+      - Jaccard distance
+      - Sørensen index
+      - Whittaker's β: γ/ᾱ - 1
+
+    γ 多様性（景観全体）:
+      - 全サイトの合計種数
+    """
+    results = []
+    for idx, row in community_matrix.iterrows():
+        counts = row[row > 0].values
+        freqs = counts / counts.sum()
+        S = len(counts)
+
+        H = entropy(freqs)
+        D_simpson = 1 - np.sum(freqs ** 2)
+        J = H / np.log(S) if S > 1 else 0
+
+        f1 = np.sum(counts == 1)
+        f2 = max(np.sum(counts == 2), 1)
+        chao1 = S + (f1 ** 2) / (2 * f2)
+
+        results.append({
+            "site": idx,
+            "richness": S,
+            "shannon": round(H, 4),
+            "simpson": round(D_simpson, 4),
+            "evenness": round(J, 4),
+            "chao1": round(chao1, 1),
+            "total_abundance": int(counts.sum()),
+        })
+
+    alpha_df = pd.DataFrame(results).set_index("site")
+
+    # γ 多様性
+    gamma = (community_matrix > 0).any(axis=0).sum()
+    mean_alpha = alpha_df["richness"].mean()
+    beta_whittaker = gamma / mean_alpha - 1
+
+    summary = {
+        "gamma_diversity": gamma,
+        "mean_alpha": round(mean_alpha, 2),
+        "beta_whittaker": round(beta_whittaker, 3),
+    }
+
+    print(f"  Biodiversity: γ={gamma}, ᾱ={mean_alpha:.1f}, β_w={beta_whittaker:.3f}")
+    return alpha_df, summary
+```
+
+## 3. 群集構造解析（NMDS / CCA / RDA）
+
+```python
+def community_ordination(community_matrix, env_df=None, method="nmds",
+                           n_dims=2, distance="bray"):
+    """
+    群集構造の序列化（Ordination）。
+
+    method:
+      - "nmds": Non-metric Multidimensional Scaling — ランクベース
+      - "cca": Canonical Correspondence Analysis — 制約付き（単峰型応答）
+      - "rda": Redundancy Analysis — 制約付き（線形応答）
+      - "dca": Detrended Correspondence Analysis — 勾配長評価
+
+    NMDS stress 基準:
+      - < 0.05: Excellent
+      - < 0.10: Good
+      - < 0.20: Acceptable
+      - > 0.20: Poor（次元数増加を検討）
+    """
+    from skbio.stats.ordination import pcoa
+    from skbio.diversity import beta_diversity
+    from scipy.spatial.distance import squareform
+
+    if method == "nmds":
+        from sklearn.manifold import MDS
+        dm = beta_diversity(distance, community_matrix.values,
+                             community_matrix.index)
+        mds = MDS(n_components=n_dims, dissimilarity="precomputed",
+                   metric=False, random_state=42, max_iter=500)
+        coords = mds.fit_transform(squareform(dm.data))
+        stress = mds.stress_
+        print(f"  NMDS: stress={stress:.4f} ({n_dims}D)")
+        return coords, stress
+
+    elif method == "pcoa":
+        dm = beta_diversity(distance, community_matrix.values,
+                             community_matrix.index)
+        result = pcoa(dm)
+        return result.samples.values[:, :n_dims], result.proportion_explained[:n_dims]
+```
+
+## 4. 種の保全優先順位評価
+
+```python
+def conservation_priority(species_data, criteria_weights=None):
+    """
+    保全優先順位の多基準評価。
+
+    IUCN レッドリスト基準:
+      - CR: Critically Endangered
+      - EN: Endangered
+      - VU: Vulnerable
+      - NT: Near Threatened
+
+    評価基準:
+      1. 絶滅リスク（IUCN カテゴリ）
+      2. 系統的独自性（Evolutionary Distinctiveness）
+      3. 生息地面積減少率
+      4. Endemic 性（固有種かどうか）
+      5. 生態系サービス寄与
+    """
+    if criteria_weights is None:
+        criteria_weights = {
+            "iucn_score": 0.30,
+            "evolutionary_distinctiveness": 0.20,
+            "habitat_loss_rate": 0.20,
+            "endemism": 0.15,
+            "ecosystem_service": 0.15,
+        }
+
+    iucn_mapping = {"CR": 5, "EN": 4, "VU": 3, "NT": 2, "LC": 1, "DD": 0}
+    species_data["iucn_score"] = species_data["iucn_category"].map(iucn_mapping)
+
+    # 正規化
+    for col in criteria_weights:
+        if col in species_data.columns:
+            min_v = species_data[col].min()
+            max_v = species_data[col].max()
+            if max_v > min_v:
+                species_data[f"{col}_norm"] = (species_data[col] - min_v) / (max_v - min_v)
+
+    # Composite score
+    species_data["priority_score"] = sum(
+        w * species_data.get(f"{col}_norm", 0) for col, w in criteria_weights.items()
+    )
+    species_data = species_data.sort_values("priority_score", ascending=False)
+
+    print(f"  Conservation: {len(species_data)} species ranked")
+    return species_data
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/sdm_predictions.tif` | GeoTIFF |
+| `results/biodiversity_indices.csv` | CSV |
+| `results/ordination_scores.csv` | CSV |
+| `results/conservation_priority.csv` | CSV |
+| `figures/sdm_map.png` | PNG |
+| `figures/nmds_plot.png` | PNG |
+| `figures/diversity_comparison.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 |
+|---|---|---|
+| OBIS | `OBIS_search_taxa` | 海洋生物分類検索 |
+| OBIS | `OBIS_search_occurrences` | 海洋生物出現データ |
+| GBIF | `GBIF_search_species` | 種名検索 |
+| GBIF | `GBIF_search_occurrences` | 出現記録検索 |
+| Paleobiology | `Paleobiology_get_fossils` | 化石記録データ |
+| OLS | `ols_search_terms` | 生態学オントロジー検索 |
+| PubMed | `PubMed_search_articles` | 生態学文献検索 |
+
+### 参照スキル
+
+| スキル | 連携内容 |
+|---|---|
+| [scientific-statistical-testing](../scientific-statistical-testing/SKILL.md) | 多様性有意差検定 |
+| [scientific-pca-tsne](../scientific-pca-tsne/SKILL.md) | 次元削減・序列化 |
+| [scientific-ml-classification](../scientific-ml-classification/SKILL.md) | SDM モデル（RF/GBM） |
+| [scientific-image-analysis](../scientific-image-analysis/SKILL.md) | リモートセンシング画像解析 |
+| [scientific-time-series](../scientific-time-series/SKILL.md) | 生態系時系列トレンド |
+
+#### 依存パッケージ
+
+- scikit-bio, rasterio, geopandas, elapid, shapely, pygbif