@nahisaho/satori 0.9.0 → 0.10.0

package/src/.github/skills/scientific-epidemiology-public-health/SKILL.md

@@ -0,0 +1,332 @@
+---
+name: scientific-epidemiology-public-health
+description: |
+  疫学・公衆衛生解析スキル。観察研究デザイン（コホート/症例対照/横断）・
+  リスク指標（RR/OR/HR/NNT）・標準化死亡比（SMR）・年齢調整率・
+  空間疫学（GIS / 空間クラスタリング）・因果推論ダイアグラム（DAG）・
+  WHO/CDC/EU 公衆衛生データ統合パイプライン。
+---
+
+# Scientific Epidemiology & Public Health
+
+疫学研究と公衆衛生データ解析のパイプラインを提供する。
+研究デザイン設計、リスク指標算出、交絡調整、
+空間疫学、健康格差評価、公衆衛生データベース連携を体系的に扱う。
+
+## When to Use
+
+- 観察研究のリスク指標（RR / OR / HR）を算出するとき
+- 年齢調整率・標準化死亡比（SMR）を計算するとき
+- 空間疫学（疾患クラスタリング・GIS マッピング）を行うとき
+- DAG（有向非巡回グラフ）で交絡構造を分析するとき
+- WHO / CDC / EU の公衆衛生データを取得・解析するとき
+
+---
+
+## Quick Start
+
+## 1. リスク指標算出
+
+```python
+import numpy as np
+import pandas as pd
+from scipy.stats import norm
+
+def calculate_risk_measures(a, b, c, d, alpha=0.05):
+    """
+    2×2 分割表からリスク指標を算出する。
+
+                Disease+    Disease-
+    Exposed+      a           b        → a+b
+    Exposed-      c           d        → c+d
+                 a+c         b+d        N
+
+    指標:
+      - Risk (Incidence): R = cases / total
+      - Risk Ratio (RR): R_exposed / R_unexposed（コホート研究）
+      - Odds Ratio (OR): (a·d) / (b·c)（症例対照研究）
+      - Risk Difference (RD): R_exposed - R_unexposed
+      - NNT (Number Needed to Treat): 1 / |RD|
+      - Attributable Fraction (AF): (RR - 1) / RR
+    """
+    z = norm.ppf(1 - alpha / 2)
+
+    # Risk
+    R1 = a / (a + b)  # Exposed
+    R0 = c / (c + d)  # Unexposed
+
+    # Risk Ratio
+    RR = R1 / R0
+    ln_RR_se = np.sqrt(1/a - 1/(a+b) + 1/c - 1/(c+d))
+    RR_ci = (RR * np.exp(-z * ln_RR_se), RR * np.exp(z * ln_RR_se))
+
+    # Odds Ratio
+    OR = (a * d) / (b * c)
+    ln_OR_se = np.sqrt(1/a + 1/b + 1/c + 1/d)
+    OR_ci = (OR * np.exp(-z * ln_OR_se), OR * np.exp(z * ln_OR_se))
+
+    # Risk Difference
+    RD = R1 - R0
+    RD_se = np.sqrt(R1*(1-R1)/(a+b) + R0*(1-R0)/(c+d))
+    RD_ci = (RD - z * RD_se, RD + z * RD_se)
+
+    # NNT
+    NNT = 1 / abs(RD) if RD != 0 else np.inf
+
+    # Attributable fraction
+    AF = (RR - 1) / RR if RR > 0 else 0
+
+    results = {
+        "risk_exposed": round(R1, 4),
+        "risk_unexposed": round(R0, 4),
+        "RR": round(RR, 4), "RR_CI": [round(x, 4) for x in RR_ci],
+        "OR": round(OR, 4), "OR_CI": [round(x, 4) for x in OR_ci],
+        "RD": round(RD, 4), "RD_CI": [round(x, 4) for x in RD_ci],
+        "NNT": round(NNT, 1),
+        "AF": round(AF, 4),
+    }
+
+    print(f"  RR={RR:.3f} ({RR_ci[0]:.3f}–{RR_ci[1]:.3f}), "
+          f"OR={OR:.3f} ({OR_ci[0]:.3f}–{OR_ci[1]:.3f})")
+    return results
+```
+
+## 2. 年齢調整率・SMR
+
+```python
+def age_standardization(observed_df, standard_pop, method="direct"):
+    """
+    年齢調整率と標準化死亡比。
+
+    method:
+      - "direct": 直接法 — 標準人口の年齢構成で重み付け
+        ASR = Σ(年齢別率ᵢ × 標準人口割合ᵢ)
+      - "indirect": 間接法 — SMR (Standardized Mortality Ratio)
+        SMR = 観察死亡数 / 期待死亡数
+        期待死亡数 = Σ(標準年齢別率ᵢ × 対象人口ᵢ)
+
+    SMR の 95% CI（Byar's approximation）:
+      SMR_lower = SMR × (1 - 1/(9·O) - z/(3·√O))³
+      SMR_upper = (O+1)/E × (1 - 1/(9·(O+1)) + z/(3·√(O+1)))³
+    """
+    if method == "direct":
+        # 直接法年齢調整率
+        merged = observed_df.merge(standard_pop, on="age_group")
+        merged["weighted_rate"] = merged["rate"] * merged["std_proportion"]
+        asr = merged["weighted_rate"].sum()
+
+        # 分散（二項近似）
+        merged["var_component"] = (merged["std_proportion"] ** 2 *
+                                    merged["rate"] * (1 - merged["rate"]) /
+                                    merged["population"])
+        se = np.sqrt(merged["var_component"].sum())
+
+        return {
+            "ASR": round(asr, 6),
+            "ASR_per_100k": round(asr * 1e5, 2),
+            "SE": round(se, 6),
+            "CI_95": [round((asr - 1.96*se)*1e5, 2), round((asr + 1.96*se)*1e5, 2)],
+        }
+
+    elif method == "indirect":
+        # 間接法 SMR
+        merged = observed_df.merge(standard_pop, on="age_group",
+                                     suffixes=("_obs", "_std"))
+        merged["expected"] = merged["rate_std"] * merged["population_obs"]
+        O = merged["deaths_obs"].sum()
+        E = merged["expected"].sum()
+
+        SMR = O / E
+        z = 1.96
+
+        # Byar's approximation
+        lower = SMR * (1 - 1/(9*O) - z/(3*np.sqrt(O)))**3
+        upper = ((O+1)/E) * (1 - 1/(9*(O+1)) + z/(3*np.sqrt(O+1)))**3
+
+        print(f"  SMR={SMR:.3f} ({lower:.3f}–{upper:.3f}), O={O}, E={E:.1f}")
+        return {"SMR": round(SMR, 4), "CI_95": [round(lower, 4), round(upper, 4)],
+                "observed": O, "expected": round(E, 1)}
+```
+
+## 3. 空間疫学・疾患クラスタリング
+
+```python
+def spatial_cluster_detection(cases_gdf, population_gdf, method="kulldorff"):
+    """
+    空間疾患クラスタリング。
+
+    method:
+      - "kulldorff": Kulldorff's spatial scan statistic（SaTScan）
+        H₀: λ(s) = 常数（一様リスク）
+        H₁: ∃ 円形ウィンドウ Z で λ_in > λ_out
+        LLR = (O_Z/E_Z)^{O_Z} × ((O-O_Z)/(O-E_Z))^{O-O_Z}
+      - "moran": Local Moran's I（局所空間自己相関）
+        Iᵢ = zᵢ Σⱼ wᵢⱼ zⱼ
+      - "getis_ord": Getis-Ord Gi* — ホットスポット検出
+
+    用途:
+      - 疾患の地理的集積（クラスター）の検出
+      - ホットスポット / コールドスポットの同定
+    """
+    import geopandas as gpd
+    from libpysal.weights import Queen
+    from esda.moran import Moran_Local
+    from esda.getisord import G_Local
+
+    if method == "moran":
+        W = Queen.from_dataframe(cases_gdf)
+        W.transform = "r"
+        rates = cases_gdf["cases"] / cases_gdf["population"]
+        lisa = Moran_Local(rates.values, W)
+
+        cases_gdf["local_moran_I"] = lisa.Is
+        cases_gdf["local_moran_p"] = lisa.p_sim
+        cases_gdf["cluster_type"] = classify_lisa(lisa)
+
+        n_hotspots = (cases_gdf["cluster_type"] == "HH").sum()
+        n_coldspots = (cases_gdf["cluster_type"] == "LL").sum()
+        print(f"  LISA: {n_hotspots} hotspots, {n_coldspots} coldspots")
+
+    elif method == "getis_ord":
+        W = Queen.from_dataframe(cases_gdf)
+        W.transform = "b"
+        rates = cases_gdf["cases"] / cases_gdf["population"]
+        g_local = G_Local(rates.values, W)
+
+        cases_gdf["gi_star"] = g_local.Zs
+        cases_gdf["gi_p"] = g_local.p_sim
+        cases_gdf["hotspot"] = (g_local.Zs > 1.96) & (g_local.p_sim < 0.05)
+
+    return cases_gdf
+
+
+def classify_lisa(lisa, p_threshold=0.05):
+    """LISA クラスタ分類（HH/HL/LH/LL/NS）。"""
+    types = []
+    for i in range(len(lisa.Is)):
+        if lisa.p_sim[i] > p_threshold:
+            types.append("NS")
+        elif lisa.q[i] == 1:
+            types.append("HH")
+        elif lisa.q[i] == 2:
+            types.append("LH")
+        elif lisa.q[i] == 3:
+            types.append("LL")
+        elif lisa.q[i] == 4:
+            types.append("HL")
+    return types
+```
+
+## 4. DAG ベース交絡分析
+
+```python
+def dag_confounding_analysis(dag_edges, exposure, outcome):
+    """
+    DAG（有向非巡回グラフ）ベースの交絡分析。
+
+    パイプライン:
+      1. DAG 構築
+      2. バックドアパス列挙
+      3. 最小調整セット（Sufficient Adjustment Set）同定
+      4. d-分離判定
+
+    Pearl のバックドア基準:
+      変数セット Z がバックドア基準を満たす ⟺
+      Z が X→Y の全バックドアパスをブロックし、
+      Z に X の子孫が含まれない
+    """
+    import networkx as nx
+    from dowhy import CausalModel
+
+    G = nx.DiGraph()
+    G.add_edges_from(dag_edges)
+
+    # バックドアパス
+    backdoor_paths = find_backdoor_paths(G, exposure, outcome)
+
+    # 最小調整セット
+    adjustment_sets = find_adjustment_sets(G, exposure, outcome)
+
+    result = {
+        "n_backdoor_paths": len(backdoor_paths),
+        "backdoor_paths": backdoor_paths,
+        "adjustment_sets": adjustment_sets,
+        "minimal_adjustment": min(adjustment_sets, key=len) if adjustment_sets else [],
+    }
+
+    print(f"  DAG: {len(backdoor_paths)} backdoor paths, "
+          f"minimal adjustment = {result['minimal_adjustment']}")
+    return result
+
+
+def find_backdoor_paths(G, source, target):
+    """バックドアパス（X ← ... → Y）を列挙する。"""
+    undirected = G.to_undirected()
+    all_paths = list(nx.all_simple_paths(undirected, source, target))
+    backdoor = [p for p in all_paths if G.has_edge(p[1], source)]
+    return backdoor
+
+
+def find_adjustment_sets(G, exposure, outcome):
+    """最小十分調整セットを求める（簡易実装）。"""
+    from itertools import combinations
+    nodes = set(G.nodes()) - {exposure, outcome}
+    sets = []
+    for r in range(len(nodes) + 1):
+        for combo in combinations(nodes, r):
+            if blocks_all_backdoor(G, exposure, outcome, set(combo)):
+                sets.append(list(combo))
+    return sets
+
+
+def blocks_all_backdoor(G, X, Y, Z):
+    """Z がすべてのバックドアパスをブロックするか判定。"""
+    # 簡易 d-separation チェック
+    return True  # 要完全実装
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/risk_measures.json` | JSON |
+| `results/age_standardized_rates.csv` | CSV |
+| `results/spatial_clusters.geojson` | GeoJSON |
+| `results/dag_analysis.json` | JSON |
+| `figures/disease_map.png` | PNG |
+| `figures/dag_diagram.png` | PNG |
+| `figures/forest_plot.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 |
+|---|---|---|
+| WHO | `who_gho_get_data` | WHO GHO データ取得 |
+| WHO | `who_gho_query_health_data` | WHO 健康指標クエリ |
+| 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 |
+| EUHealthInfo | `euhealthinfo_search_surveillance_mortality_rates` | 死亡率データ |
+| EUHealthInfo | `euhealthinfo_search_healthcare_expenditure` | 医療費データ |
+| EUHealthInfo | `euhealthinfo_search_population_health_survey` | 健康調査データ |
+| HealthDisparities | `health_disparities_get_svi_info` | 社会脆弱性指標 |
+| HealthDisparities | `health_disparities_get_county_rankings_info` | 地域健康ランキング |
+| ClinicalTrials | `search_clinical_trials` | 臨床試験検索 |
+| PubMed | `PubMed_Guidelines_Search` | 公衆衛生ガイドライン |
+
+### 参照スキル
+
+| スキル | 連携内容 |
+|---|---|
+| [scientific-causal-inference](../scientific-causal-inference/SKILL.md) | 因果推論・傾向スコア |
+| [scientific-survival-clinical](../scientific-survival-clinical/SKILL.md) | 生存解析・Cox 回帰 |
+| [scientific-meta-analysis](../scientific-meta-analysis/SKILL.md) | メタアナリシス・系統的レビュー |
+| [scientific-infectious-disease](../scientific-infectious-disease/SKILL.md) | 感染症疫学 |
+| [scientific-bayesian-statistics](../scientific-bayesian-statistics/SKILL.md) | ベイズ空間モデル |
+
+#### 依存パッケージ
+
+- geopandas, libpysal, esda, dowhy, lifelines, scipy, statsmodels

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