@nahisaho/satori 0.9.0 → 0.10.0

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-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