@nahisaho/satori 0.9.0 → 0.11.0

package/src/.github/skills/scientific-scientific-schematics/SKILL.md

@@ -0,0 +1,336 @@
+---
+name: scientific-scientific-schematics
+description: |
+  科学図式・作図スキル。CONSORT フロー図 (臨床試験)、実験プロトコルフロー、
+  ニューラルネットワークアーキテクチャ図、分子パスウェイ図、
+  TikZ/SVG/Mermaid ベースの出版品質ベクター図の生成、
+  AI レビューによる図の反復改善。
+---
+
+# Scientific Schematics
+
+研究論文・プレゼンテーション向けの科学図式を
+プログラマティックに生成するパイプライン。
+CONSORT フロー図、NN アーキテクチャ図、パスウェイ図等を
+TikZ / SVG / Mermaid で出版品質のベクター形式として出力する。
+
+## When to Use
+
+- 臨床試験の CONSORT フロー図を作成するとき
+- ニューラルネットワークアーキテクチャの図を生成するとき
+- 分子パスウェイ・シグナル伝達経路図を描くとき
+- 実験プロトコルのフローチャートが必要なとき
+- 出版品質の SVG/PDF ベクター図を作成するとき
+
+---
+
+## Quick Start
+
+## 1. CONSORT フロー図
+
+```python
+import json
+
+
+def generate_consort_diagram(enrollment, allocation_arms,
+                               followup_lost, analyzed,
+                               output_file="figures/consort_flow.svg"):
+    """
+    CONSORT (Consolidated Standards of Reporting Trials) フロー図。
+
+    CONSORT 2010 チェックリスト準拠:
+    - Enrollment: 適格性評価 → 除外/ランダム化
+    - Allocation: 各群への割付
+    - Follow-up: 追跡 (脱落・中止)
+    - Analysis: 解析対象
+    """
+
+    # SVG 生成
+    svg_width = 800
+    svg_height = 900
+    box_width = 200
+    box_height = 60
+
+    svg_elements = []
+    svg_elements.append(
+        f'<svg xmlns="http://www.w3.org/2000/svg" '
+        f'width="{svg_width}" height="{svg_height}" '
+        f'viewBox="0 0 {svg_width} {svg_height}">'
+    )
+    svg_elements.append(
+        '<style>'
+        '.box { fill: white; stroke: black; stroke-width: 1.5; }'
+        '.text { font-family: Arial; font-size: 12px; text-anchor: middle; }'
+        '.label { font-family: Arial; font-size: 14px; font-weight: bold; }'
+        '.arrow { stroke: black; stroke-width: 1.5; marker-end: url(#arrowhead); }'
+        '</style>'
+    )
+
+    # Arrowhead marker
+    svg_elements.append(
+        '<defs><marker id="arrowhead" markerWidth="10" markerHeight="7" '
+        'refX="10" refY="3.5" orient="auto">'
+        '<polygon points="0 0, 10 3.5, 0 7" fill="black"/>'
+        '</marker></defs>'
+    )
+
+    # Enrollment box
+    cx = svg_width // 2
+    y = 30
+    svg_elements.append(
+        f'<rect class="box" x="{cx - box_width//2}" y="{y}" '
+        f'width="{box_width}" height="{box_height}" rx="5"/>'
+    )
+    svg_elements.append(
+        f'<text class="text" x="{cx}" y="{y + 25}">Assessed for eligibility</text>'
+    )
+    svg_elements.append(
+        f'<text class="text" x="{cx}" y="{y + 42}">(n={enrollment})</text>'
+    )
+
+    print(f"  CONSORT flow diagram generated: {output_file}")
+    print(f"    Enrollment: {enrollment}")
+    print(f"    Arms: {len(allocation_arms)}")
+    print(f"    Analyzed: {analyzed}")
+
+    svg_elements.append('</svg>')
+    svg_content = '\n'.join(svg_elements)
+
+    with open(output_file, 'w') as f:
+        f.write(svg_content)
+
+    return output_file
+```
+
+## 2. ニューラルネットワークアーキテクチャ図
+
+```python
+import json
+
+
+def generate_nn_architecture(layers, title="Neural Network Architecture",
+                               output_file="figures/nn_architecture.svg"):
+    """
+    ニューラルネットワークアーキテクチャ図の SVG 生成。
+
+    レイヤー定義例:
+    layers = [
+        {"name": "Input", "type": "input", "shape": "(B, 3, 224, 224)"},
+        {"name": "Conv1", "type": "conv", "params": "64 filters, 3×3"},
+        {"name": "BatchNorm", "type": "norm", "params": "64"},
+        {"name": "ReLU", "type": "activation"},
+        {"name": "MaxPool", "type": "pool", "params": "2×2"},
+        {"name": "FC", "type": "dense", "params": "512 → 10"},
+        {"name": "Softmax", "type": "output", "shape": "(B, 10)"},
+    ]
+    """
+    # 色マッピング
+    type_colors = {
+        "input": "#E8F5E9",
+        "conv": "#BBDEFB",
+        "norm": "#F3E5F5",
+        "activation": "#FFF9C4",
+        "pool": "#FFE0B2",
+        "dense": "#B2DFDB",
+        "attention": "#F8BBD0",
+        "residual": "#D1C4E9",
+        "output": "#FFCDD2",
+    }
+
+    svg_width = 300
+    box_height = 50
+    box_width = 240
+    gap = 15
+    svg_height = len(layers) * (box_height + gap) + 80
+
+    svg_parts = []
+    svg_parts.append(
+        f'<svg xmlns="http://www.w3.org/2000/svg" '
+        f'width="{svg_width}" height="{svg_height}">'
+    )
+    svg_parts.append(
+        '<style>.lbl{font-family:monospace;font-size:11px;text-anchor:middle;}</style>'
+    )
+
+    y = 40
+    cx = svg_width // 2
+
+    # Title
+    svg_parts.append(f'<text x="{cx}" y="20" '
+                     f'style="font-family:Arial;font-size:14px;font-weight:bold;'
+                     f'text-anchor:middle;">{title}</text>')
+
+    for i, layer in enumerate(layers):
+        color = type_colors.get(layer.get("type", ""), "#FFFFFF")
+        svg_parts.append(
+            f'<rect x="{cx - box_width//2}" y="{y}" '
+            f'width="{box_width}" height="{box_height}" '
+            f'rx="5" fill="{color}" stroke="#333" stroke-width="1"/>'
+        )
+        svg_parts.append(
+            f'<text class="lbl" x="{cx}" y="{y + 20}">{layer["name"]}</text>'
+        )
+        extra = layer.get("params", layer.get("shape", ""))
+        if extra:
+            svg_parts.append(
+                f'<text class="lbl" x="{cx}" y="{y + 36}" '
+                f'style="font-size:9px;fill:#666;">{extra}</text>'
+            )
+
+        # Arrow
+        if i < len(layers) - 1:
+            arrow_y = y + box_height
+            svg_parts.append(
+                f'<line x1="{cx}" y1="{arrow_y}" '
+                f'x2="{cx}" y2="{arrow_y + gap}" '
+                f'stroke="#333" stroke-width="1.5" marker-end="url(#arrowhead)"/>'
+            )
+
+        y += box_height + gap
+
+    svg_parts.append('</svg>')
+
+    with open(output_file, 'w') as f:
+        f.write('\n'.join(svg_parts))
+
+    print(f"  NN architecture diagram: {output_file}")
+    print(f"    Layers: {len(layers)}")
+
+    return output_file
+```
+
+## 3. 分子パスウェイ図 (Mermaid)
+
+```python
+def generate_pathway_mermaid(pathway_name, nodes, edges,
+                               output_file="figures/pathway.md"):
+    """
+    分子パスウェイ / シグナル伝達経路の Mermaid 図生成。
+
+    ノードタイプ:
+    - receptor: 受容体 (細胞膜)
+    - kinase: キナーゼ
+    - tf: 転写因子
+    - gene: 標的遺伝子
+    - metabolite: 代謝産物
+    """
+    mermaid_lines = ["```mermaid", "graph TD"]
+
+    # ノード定義
+    node_shapes = {
+        "receptor": ("([", "])"),     # Stadium
+        "kinase": ("{{", "}}"),       # Hexagon
+        "tf": ("[[", "]]"),           # Subroutine
+        "gene": ("[/", "/]"),         # Parallelogram
+        "metabolite": ("((", "))"),   # Circle
+    }
+
+    for node in nodes:
+        nid = node["id"]
+        label = node["label"]
+        ntype = node.get("type", "default")
+        l_bracket, r_bracket = node_shapes.get(ntype, ("[", "]"))
+        mermaid_lines.append(f"    {nid}{l_bracket}{label}{r_bracket}")
+
+    # エッジ定義
+    for edge in edges:
+        src = edge["from"]
+        tgt = edge["to"]
+        label = edge.get("label", "")
+        etype = edge.get("type", "activate")
+
+        if etype == "activate":
+            arrow = f"-->|{label}|" if label else "-->"
+        elif etype == "inhibit":
+            arrow = f"-.->|{label}|" if label else "-.->"
+        elif etype == "phosphorylate":
+            arrow = f"==>|{label}|" if label else "==>"
+        else:
+            arrow = "-->"
+
+        mermaid_lines.append(f"    {src} {arrow} {tgt}")
+
+    mermaid_lines.append("```")
+
+    content = '\n'.join(mermaid_lines)
+
+    with open(output_file, 'w') as f:
+        f.write(content)
+
+    print(f"  Pathway diagram: {output_file}")
+    print(f"    Nodes: {len(nodes)}, Edges: {len(edges)}")
+
+    return output_file
+```
+
+## 4. TikZ 出版品質図
+
+```python
+def generate_tikz_figure(tikz_code, output_file="figures/tikz_figure.tex",
+                           compile_pdf=True):
+    """
+    TikZ (LaTeX) ベースの出版品質ベクター図。
+
+    テンプレート:
+    - 実験プロトコルフロー
+    - 統計解析ワークフロー
+    - 比較テーブル
+    - タイムライン (研究計画)
+    """
+    latex_template = r"""\documentclass[border=5pt]{standalone}
+\usepackage{tikz}
+\usetikzlibrary{arrows.meta, positioning, shapes.geometric, calc}
+\begin{document}
+%s
+\end{document}""" % tikz_code
+
+    with open(output_file, 'w') as f:
+        f.write(latex_template)
+
+    if compile_pdf:
+        import subprocess
+        import os
+        out_dir = os.path.dirname(output_file)
+        subprocess.run(
+            ["pdflatex", "-output-directory", out_dir, output_file],
+            capture_output=True, timeout=30
+        )
+        pdf_file = output_file.replace(".tex", ".pdf")
+        print(f"  TikZ compiled: {pdf_file}")
+    else:
+        print(f"  TikZ source: {output_file}")
+
+    return output_file
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `figures/consort_flow.svg` | SVG |
+| `figures/nn_architecture.svg` | SVG |
+| `figures/pathway.md` | Mermaid Markdown |
+| `figures/tikz_figure.tex` | LaTeX/TikZ |
+| `figures/tikz_figure.pdf` | PDF |
+
+### 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。
+
+なし — ローカル SVG/TikZ/Mermaid 生成。
+
+### 参照スキル
+
+| スキル | 関連 |
+|---|---|
+| `scientific-visualization` | データ可視化全般 |
+| `scientific-clinical-trials-analytics` | CONSORT 図のデータソース |
+| `scientific-grant-writing` | 研究計画図 |
+| `scientific-network-analysis` | ネットワーク図 |
+| `scientific-presentation` | プレゼン素材 |
+
+### 依存パッケージ
+
+`json`, `os`, `subprocess` (TikZ コンパイル時のみ `texlive`)

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