@nahisaho/satori 0.9.0 → 0.10.0

package/src/.github/skills/scientific-population-genetics/SKILL.md

@@ -0,0 +1,336 @@
+---
+name: scientific-population-genetics
+description: |
+  集団遺伝学解析スキル。アレル頻度解析・Hardy-Weinberg 平衡検定・
+  集団構造解析（PCA / ADMIXTURE）・Fst 分化指標・選択圧検出（iHS / XP-EHH）・
+  連鎖不平衡（LD）解析・GWAS Catalog / gnomAD データ統合パイプライン。
+---
+
+# Scientific Population Genetics
+
+集団遺伝学に特化した解析パイプラインを提供する。
+アレル頻度、集団構造、遺伝的分化、自然選択シグナル、
+連鎖不平衡の解析を体系的に扱い、GWAS Catalog・gnomAD との統合を支援する。
+
+## When to Use
+
+- アレル頻度分布や Hardy-Weinberg 平衡を検定するとき
+- 集団構造（PCA / ADMIXTURE / STRUCTURE）を解析するとき
+- 集団間の遺伝的分化（Fst）を評価するとき
+- 自然選択シグナル（iHS / Tajima's D / XP-EHH）を検出するとき
+- GWAS 関連バリアントの集団遺伝学的解釈を行うとき
+
+---
+
+## Quick Start
+
+## 1. QC・アレル頻度解析
+
+```python
+import numpy as np
+import pandas as pd
+
+def genotype_qc(plink_prefix, mind=0.02, geno=0.02, maf=0.01,
+                  hwe_p=1e-6):
+    """
+    ジェノタイプ QC パイプライン（PLINK 2）。
+
+    フィルタリング基準:
+      - --mind: 個体ミッシング率 ≤ mind
+      - --geno: SNP ミッシング率 ≤ geno
+      - --maf: Minor Allele Frequency ≥ maf
+      - --hwe: Hardy-Weinberg p ≥ hwe_p（コントロールのみ）
+
+    追加 QC:
+      - 性別不一致チェック
+      - IBD 推定（近親者除外: π̂ > 0.25）
+      - PCA アウトライアー除外
+    """
+    import subprocess
+
+    # Step 1: ミッシング率フィルタ
+    cmd = (f"plink2 --bfile {plink_prefix} "
+           f"--mind {mind} --geno {geno} --maf {maf} "
+           f"--hwe {hwe_p} "
+           f"--make-bed --out {plink_prefix}_qc")
+    subprocess.run(cmd, shell=True, check=True)
+
+    # Step 2: IBD 推定（近親者検出）
+    cmd = (f"plink2 --bfile {plink_prefix}_qc "
+           f"--indep-pairwise 50 5 0.2 --out {plink_prefix}_prune")
+    subprocess.run(cmd, shell=True, check=True)
+
+    cmd = (f"plink2 --bfile {plink_prefix}_qc "
+           f"--extract {plink_prefix}_prune.prune.in "
+           f"--genome --out {plink_prefix}_ibd")
+    subprocess.run(cmd, shell=True, check=True)
+
+    return f"{plink_prefix}_qc"
+
+
+def allele_frequency_stats(genotype_matrix, populations):
+    """
+    集団別アレル頻度統計。
+
+    算出指標:
+      - MAF: Minor Allele Frequency
+      - Het: Observed heterozygosity = n_het / n_total
+      - Expected Het (He): 2pq
+      - HWE: Hardy-Weinberg 平衡検定 (χ² test)
+        H₀: f(AA) = p², f(Aa) = 2pq, f(aa) = q²
+    """
+    from scipy.stats import chi2
+
+    results = []
+    for pop in populations["population"].unique():
+        pop_idx = populations[populations["population"] == pop].index
+        geno_pop = genotype_matrix.loc[pop_idx]
+
+        for snp in geno_pop.columns:
+            counts = geno_pop[snp].value_counts()
+            n = counts.sum()
+            n_0 = counts.get(0, 0)  # AA
+            n_1 = counts.get(1, 0)  # Aa
+            n_2 = counts.get(2, 0)  # aa
+
+            p = (2 * n_0 + n_1) / (2 * n)
+            q = 1 - p
+            maf = min(p, q)
+
+            # HWE test
+            exp_0 = n * p**2
+            exp_1 = n * 2*p*q
+            exp_2 = n * q**2
+            if exp_0 > 0 and exp_1 > 0 and exp_2 > 0:
+                chi2_stat = ((n_0-exp_0)**2/exp_0 + (n_1-exp_1)**2/exp_1 +
+                              (n_2-exp_2)**2/exp_2)
+                hwe_p = 1 - chi2.cdf(chi2_stat, df=1)
+            else:
+                hwe_p = 1.0
+
+            het_obs = n_1 / n
+            het_exp = 2 * p * q
+
+            results.append({
+                "snp": snp, "population": pop,
+                "MAF": round(maf, 4), "p": round(p, 4),
+                "Het_obs": round(het_obs, 4), "Het_exp": round(het_exp, 4),
+                "HWE_p": round(hwe_p, 6),
+            })
+
+    return pd.DataFrame(results)
+```
+
+## 2. 集団構造解析
+
+```python
+def population_structure(plink_prefix, n_components=10, method="pca"):
+    """
+    集団構造解析。
+
+    method:
+      - "pca": 主成分分析 — 集団間の遺伝的差異を 2D/3D で可視化
+      - "admixture": ADMIXTURE — 各個体の祖先集団比率を推定
+        K=2〜10 を試行し、CV error 最小の K を選択
+
+    PCA on genotypes:
+      X を (n_samples × n_snps) ジェノタイプ行列として
+      共分散行列 C = XᵀX / n_snps の固有値分解
+    """
+    import subprocess
+
+    if method == "pca":
+        cmd = (f"plink2 --bfile {plink_prefix} "
+               f"--pca {n_components} --out {plink_prefix}_pca")
+        subprocess.run(cmd, shell=True, check=True)
+
+        eigenvec = pd.read_csv(f"{plink_prefix}_pca.eigenvec", sep="\t")
+        eigenval = pd.read_csv(f"{plink_prefix}_pca.eigenval", header=None)
+        var_explained = eigenval[0] / eigenval[0].sum()
+
+        print(f"  PCA: PC1={var_explained[0]:.3f}, PC2={var_explained[1]:.3f}")
+        return eigenvec, var_explained
+
+    elif method == "admixture":
+        cv_errors = {}
+        for K in range(2, 11):
+            cmd = f"admixture --cv {plink_prefix}.bed {K}"
+            result = subprocess.run(cmd, shell=True, capture_output=True, text=True)
+            # CV error 抽出
+            for line in result.stdout.split("\n"):
+                if "CV error" in line:
+                    cv_errors[K] = float(line.split(": ")[1])
+
+        best_K = min(cv_errors, key=cv_errors.get)
+        Q = pd.read_csv(f"{plink_prefix}.{best_K}.Q", sep=" ", header=None)
+
+        print(f"  ADMIXTURE: best K={best_K} (CV error={cv_errors[best_K]:.4f})")
+        return Q, cv_errors, best_K
+```
+
+## 3. 遺伝的分化（Fst）
+
+```python
+def calculate_fst(genotype_matrix, populations, method="weir_cockerham"):
+    """
+    集団間遺伝的分化指標 Fst 算出。
+
+    Weir-Cockerham (1984) 推定量:
+      F_ST = σ²_a / (σ²_a + σ²_b + σ²_w)
+      σ²_a: 集団間分散
+      σ²_b: 集団内個体間分散
+      σ²_w: 個体内（アレル間）分散
+
+    解釈:
+      Fst = 0: 分化なし（パンミクシア）
+      0 < Fst < 0.05: 低分化
+      0.05 ≤ Fst < 0.15: 中程度の分化
+      0.15 ≤ Fst < 0.25: 大きな分化
+      Fst ≥ 0.25: 非常に大きな分化
+
+    genome-wide Fst: 全 SNP の加重平均
+    per-SNP Fst: 局所的適応シグナルの検出
+    """
+    pop_labels = populations["population"]
+    unique_pops = pop_labels.unique()
+
+    fst_per_snp = []
+    for snp in genotype_matrix.columns:
+        # 集団別アレル頻度
+        pop_freqs = {}
+        pop_sizes = {}
+        for pop in unique_pops:
+            idx = pop_labels[pop_labels == pop].index
+            geno = genotype_matrix.loc[idx, snp].dropna()
+            p = (2 * (geno == 0).sum() + (geno == 1).sum()) / (2 * len(geno))
+            pop_freqs[pop] = p
+            pop_sizes[pop] = len(geno)
+
+        # Weir-Cockerham Fst
+        n_pops = len(unique_pops)
+        n_total = sum(pop_sizes.values())
+        p_bar = sum(pop_freqs[p] * pop_sizes[p] for p in unique_pops) / n_total
+        n_bar = n_total / n_pops
+
+        MSP = sum(pop_sizes[p] * (pop_freqs[p] - p_bar)**2
+                   for p in unique_pops) / (n_pops - 1)
+        MSG = sum(pop_sizes[p] * pop_freqs[p] * (1 - pop_freqs[p])
+                   for p in unique_pops) / (n_total - n_pops)
+
+        nc = (n_total - sum(n**2 for n in pop_sizes.values()) / n_total) / (n_pops - 1)
+
+        if (MSP + (nc - 1) * MSG) > 0:
+            fst = (MSP - MSG) / (MSP + (nc - 1) * MSG)
+        else:
+            fst = 0
+
+        fst_per_snp.append({"snp": snp, "Fst": max(fst, 0), "p_bar": p_bar})
+
+    fst_df = pd.DataFrame(fst_per_snp)
+    genome_fst = fst_df["Fst"].mean()
+
+    print(f"  Fst: genome-wide={genome_fst:.4f}, "
+          f"max per-SNP={fst_df['Fst'].max():.4f}")
+    return fst_df, genome_fst
+```
+
+## 4. 自然選択シグナル検出
+
+```python
+def selection_scan(haplotype_matrix, positions, method="ihs"):
+    """
+    自然選択シグナルの検出。
+
+    method:
+      - "ihs": Integrated Haplotype Score — ローカル正の選択
+        |iHS| > 2: 選択シグナル候補
+      - "tajima_d": Tajima's D — 中立性検定
+        D > 0: バランス選択 or 集団縮小
+        D < 0: 正の選択 or 集団拡大  
+        D ≈ 0: 中立進化
+      - "xpehh": Cross-Population EHH — 集団間正の選択
+
+    iHS:
+      各 SNP について、派生アレル (derived) と祖先アレル (ancestral) の
+      Extended Haplotype Homozygosity (EHH) を比較。
+      iHS = ln(iHH_A / iHH_D)  → 標準化
+    """
+    if method == "tajima_d":
+        # スライディングウィンドウ Tajima's D
+        from allel import tajima_d
+        import allel
+
+        D_values = []
+        window_size = 50000
+        step = 10000
+
+        for start in range(0, positions[-1], step):
+            end = start + window_size
+            mask = (positions >= start) & (positions < end)
+            if mask.sum() > 5:
+                ac = allel.AlleleCountsArray(
+                    haplotype_matrix[:, mask].sum(axis=0).reshape(-1, 1))
+                D = tajima_d(ac)
+                D_values.append({"start": start, "end": end, "D": D,
+                                  "n_snps": mask.sum()})
+
+        df = pd.DataFrame(D_values)
+        print(f"  Tajima's D: mean={df['D'].mean():.3f}, "
+              f"range=[{df['D'].min():.3f}, {df['D'].max():.3f}]")
+        return df
+
+    elif method == "ihs":
+        import allel
+        ihs = allel.ihs(haplotype_matrix, positions)
+        # 標準化
+        ihs_std = (ihs - np.nanmean(ihs)) / np.nanstd(ihs)
+
+        n_sig = np.sum(np.abs(ihs_std) > 2)
+        print(f"  iHS: {n_sig} candidate regions (|iHS|>2)")
+        return ihs_std
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/allele_frequencies.csv` | CSV |
+| `results/pca_eigenvec.csv` | CSV |
+| `results/admixture_Q.csv` | CSV |
+| `results/fst_per_snp.csv` | CSV |
+| `results/selection_scan.csv` | CSV |
+| `figures/pca_populations.png` | PNG |
+| `figures/admixture_barplot.png` | PNG |
+| `figures/manhattan_fst.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 |
+|---|---|---|
+| gnomAD | `gnomad_get_variant` | バリアント集団頻度 |
+| gnomAD | `gnomad_get_gene_constraints` | 遺伝子制約指標 |
+| gnomAD | `gnomad_get_region` | 領域別バリアント |
+| gnomAD | `gnomad_search_variants` | バリアント検索 |
+| GWAS | `GWAS_search_associations_by_gene` | 遺伝子別 GWAS 関連 |
+| GWAS | `gwas_search_studies` | GWAS 研究検索 |
+| GWAS | `gwas_get_variants_for_trait` | 形質別バリアント |
+| GWAS | `gwas_get_associations_for_snp` | SNP 別関連 |
+| GWAS | `gwas_get_snps_for_gene` | 遺伝子近傍 SNP |
+
+### 参照スキル
+
+| スキル | 連携内容 |
+|---|---|
+| [scientific-variant-interpretation](../scientific-variant-interpretation/SKILL.md) | バリアント臨床解釈 |
+| [scientific-bioinformatics](../scientific-bioinformatics/SKILL.md) | ゲノムアノテーション |
+| [scientific-disease-research](../scientific-disease-research/SKILL.md) | 疾患-遺伝子関連 |
+| [scientific-statistical-testing](../scientific-statistical-testing/SKILL.md) | 統計検定 |
+| [scientific-pca-tsne](../scientific-pca-tsne/SKILL.md) | 次元削減 |
+
+#### 依存パッケージ
+
+- scikit-allel, plink2, admixture, pandas, numpy, scipy

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