@nahisaho/satori 0.9.0 → 0.11.0

package/src/.github/skills/scientific-gene-expression-transcriptomics/SKILL.md

@@ -0,0 +1,330 @@
+---
+name: scientific-gene-expression-transcriptomics
+description: |
+  遺伝子発現・トランスクリプトミクス解析スキル。GEO (Gene Expression Omnibus) からの
+  公開データセット取得・前処理、DESeq2 (PyDESeq2) による差次発現解析、
+  GTEx 組織発現参照・eQTL 解析、Expression Atlas (EBI GXA) 統合照会、
+  遺伝子セット濃縮解析 (GSEA)、バルク RNA-seq カウントデータの
+  標準解析パイプライン。
+---
+
+# Scientific Gene Expression & Transcriptomics
+
+バルク RNA-seq / マイクロアレイの遺伝子発現データを対象に、
+GEO データセット取得→前処理→差次発現→GSEA→組織発現参照の
+統合トランスクリプトミクスパイプラインを提供する。
+
+## When to Use
+
+- GEO からバルク RNA-seq/マイクロアレイデータセットを取得・前処理するとき
+- DESeq2 による差次発現遺伝子 (DEG) 解析が必要なとき
+- GTEx 組織発現プロファイル・eQTL データを照会するとき
+- 遺伝子セット濃縮解析 (GSEA/ORA) を行うとき
+- Expression Atlas でベースライン/差次発現実験を検索するとき
+
+---
+
+## Quick Start
+
+## 1. GEO データセット取得
+
+```python
+import pandas as pd
+import GEOparse
+
+
+def fetch_geo_dataset(accession, output_dir="data/geo"):
+    """
+    GEO (Gene Expression Omnibus) データセットの取得・前処理。
+
+    GEO ID 形式:
+    - GSE: Series (発現データセット)
+    - GPL: Platform (アレイ/シーケンサー定義)
+    - GSM: Sample (個別サンプル)
+    - GDS: Dataset (キュレーション済み)
+    """
+    import os
+    os.makedirs(output_dir, exist_ok=True)
+
+    gse = GEOparse.get_GEO(geo=accession, destdir=output_dir)
+
+    print(f"  GEO Accession: {accession}")
+    print(f"  Title: {gse.metadata['title'][0]}")
+    print(f"  Platform: {list(gse.gpls.keys())}")
+    print(f"  Samples: {len(gse.gsms)}")
+    print(f"  Type: {gse.metadata.get('type', ['unknown'])}")
+
+    # サンプルメタデータ抽出
+    metadata = []
+    for gsm_name, gsm in gse.gsms.items():
+        meta = {"sample_id": gsm_name}
+        meta.update({k: v[0] if v else None
+                     for k, v in gsm.metadata.items()
+                     if k in ["title", "source_name_ch1", "characteristics_ch1"]})
+        metadata.append(meta)
+
+    metadata_df = pd.DataFrame(metadata)
+
+    # 発現マトリクス取得
+    pivot_df = gse.pivot_samples("VALUE")
+    print(f"  Expression matrix: {pivot_df.shape[0]} genes × {pivot_df.shape[1]} samples")
+
+    return gse, metadata_df, pivot_df
+```
+
+## 2. DESeq2 差次発現解析 (PyDESeq2)
+
+```python
+import numpy as np
+import pandas as pd
+
+
+def deseq2_differential_expression(count_matrix, metadata, design_factor,
+                                     contrast=None, alpha=0.05,
+                                     lfc_threshold=1.0):
+    """
+    PyDESeq2 による差次発現解析パイプライン。
+
+    1. カウントマトリクス入力 (genes × samples)
+    2. サイズファクター正規化 (median of ratios)
+    3. 分散推定 (shrinkage)
+    4. GLM フィッティング (NB 分布)
+    5. Wald 検定
+    6. LFC 収縮 (apeglm)
+    7. FDR 補正 (Benjamini-Hochberg)
+    """
+    from pydeseq2.dds import DeseqDataSet
+    from pydeseq2.ds import DeseqStats
+
+    # DeseqDataSet 構築
+    dds = DeseqDataSet(
+        counts=count_matrix,
+        metadata=metadata,
+        design_factors=design_factor,
+    )
+
+    # 正規化 + 分散推定 + 統計検定
+    dds.deseq2()
+
+    # 結果取得
+    stat_res = DeseqStats(dds, contrast=contrast, alpha=alpha)
+    stat_res.summary()
+
+    results_df = stat_res.results_df.copy()
+
+    # LFC 収縮
+    stat_res.lfc_shrink(coeff=contrast)
+    results_df["log2FoldChange_shrunk"] = stat_res.results_df["log2FoldChange"]
+
+    # フィルタリング
+    sig = results_df[
+        (results_df["padj"] < alpha) &
+        (results_df["log2FoldChange"].abs() > lfc_threshold)
+    ]
+
+    sig_up = sig[sig["log2FoldChange"] > 0]
+    sig_down = sig[sig["log2FoldChange"] < 0]
+
+    print(f"  DESeq2 results:")
+    print(f"    Total genes tested: {len(results_df)}")
+    print(f"    Significant (FDR < {alpha}, |log2FC| > {lfc_threshold}):")
+    print(f"      UP: {len(sig_up)}")
+    print(f"      DOWN: {len(sig_down)}")
+
+    return results_df, sig
+
+
+def generate_volcano_plot(results_df, alpha=0.05, lfc_threshold=1.0,
+                           output_file="figures/volcano_rnaseq.png"):
+    """
+    Volcano プロット生成。
+    """
+    import matplotlib.pyplot as plt
+
+    fig, ax = plt.subplots(figsize=(8, 6))
+
+    results_df["-log10_padj"] = -np.log10(results_df["padj"].clip(lower=1e-300))
+
+    # 色分け
+    colors = []
+    for _, row in results_df.iterrows():
+        if row["padj"] < alpha and row["log2FoldChange"] > lfc_threshold:
+            colors.append("red")
+        elif row["padj"] < alpha and row["log2FoldChange"] < -lfc_threshold:
+            colors.append("blue")
+        else:
+            colors.append("gray")
+
+    ax.scatter(results_df["log2FoldChange"], results_df["-log10_padj"],
+              c=colors, alpha=0.5, s=5)
+    ax.axhline(-np.log10(alpha), color="gray", linestyle="--", lw=0.5)
+    ax.axvline(lfc_threshold, color="gray", linestyle="--", lw=0.5)
+    ax.axvline(-lfc_threshold, color="gray", linestyle="--", lw=0.5)
+    ax.set_xlabel("log2 Fold Change")
+    ax.set_ylabel("-log10(adjusted p-value)")
+    ax.set_title("Volcano Plot — Differential Expression")
+    plt.tight_layout()
+    plt.savefig(output_file, dpi=300)
+    plt.close()
+
+    return output_file
+```
+
+## 3. GTEx 組織発現・eQTL 照会
+
+```python
+import pandas as pd
+
+
+def query_gtex_expression(gene_name, tissue=None):
+    """
+    GTEx (Genotype-Tissue Expression) 組織発現プロファイル照会。
+
+    GTEx v8: 54 組織, 948 ドナー, 17,382 サンプル。
+    TPM (Transcripts Per Million) ベースの発現量。
+    """
+    print(f"  GTEx gene expression query: {gene_name}")
+    if tissue:
+        print(f"  Tissue: {tissue}")
+    else:
+        print("  All tissues (54 tissue sites)")
+
+    return {"gene": gene_name, "tissue": tissue}
+
+
+def query_gtex_eqtl(gene_name, tissue, pvalue_threshold=1e-5):
+    """
+    GTEx eQTL (expression Quantitative Trait Loci) 照会。
+
+    eQTL = 遺伝子発現量に影響する遺伝的変異
+    - cis-eQTL: 遺伝子の ±1 Mb 以内の変異
+    - trans-eQTL: 遺伝子から離れた変異
+    """
+    print(f"  GTEx eQTL query: gene={gene_name}, tissue={tissue}")
+    print(f"  P-value threshold: {pvalue_threshold}")
+    print("  Types: cis-eQTL (primary), trans-eQTL")
+
+    return {"gene": gene_name, "tissue": tissue}
+```
+
+## 4. 遺伝子セット濃縮解析 (GSEA)
+
+```python
+import pandas as pd
+import numpy as np
+
+
+def gsea_preranked(ranked_gene_list, gene_sets="MSigDB_Hallmark_2020",
+                    n_permutations=1000, min_size=15, max_size=500):
+    """
+    GSEA (Gene Set Enrichment Analysis) — Preranked。
+
+    入力: log2FC × -log10(p) でランク付けされた遺伝子リスト
+    遺伝子セットDB:
+    - MSigDB Hallmark (H)
+    - GO Biological Process (C5:BP)
+    - KEGG Pathways (C2:KEGG)
+    - Reactome (C2:REACTOME)
+    """
+    import gseapy as gp
+
+    # ランクスコア = sign(log2FC) × -log10(pvalue)
+    results = gp.prerank(
+        rnk=ranked_gene_list,
+        gene_sets=gene_sets,
+        processes=4,
+        permutation_num=n_permutations,
+        min_size=min_size,
+        max_size=max_size,
+        outdir="results/gsea",
+        seed=42,
+    )
+
+    sig_terms = results.res2d[results.res2d["FDR q-val"] < 0.05]
+
+    print(f"  GSEA results ({gene_sets}):")
+    print(f"    Gene sets tested: {len(results.res2d)}")
+    print(f"    Significant (FDR < 0.05): {len(sig_terms)}")
+    if len(sig_terms) > 0:
+        print(f"    Top enriched:")
+        for _, row in sig_terms.head(5).iterrows():
+            direction = "UP" if row["NES"] > 0 else "DOWN"
+            print(f"      {row['Term']} (NES={row['NES']:.2f}, {direction})")
+
+    return results
+
+
+def overrepresentation_analysis(gene_list, background=None,
+                                  gene_sets="GO_Biological_Process_2021"):
+    """
+    遺伝子オーバーリプレゼンテーション解析 (ORA)。
+
+    Fisher exact test ベースの濃縮解析。
+    DEG リスト → 機能カテゴリへのマッピング。
+    """
+    import gseapy as gp
+
+    results = gp.enrich(
+        gene_list=gene_list,
+        gene_sets=gene_sets,
+        background=background,
+        outdir="results/ora",
+    )
+
+    sig = results.res2d[results.res2d["Adjusted P-value"] < 0.05]
+
+    print(f"  ORA results ({gene_sets}):")
+    print(f"    Input genes: {len(gene_list)}")
+    print(f"    Significant terms: {len(sig)}")
+
+    return results
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/geo_expression_matrix.csv` | CSV |
+| `results/deseq2_results.csv` | CSV |
+| `results/gsea/` | ディレクトリ |
+| `results/ora/` | ディレクトリ |
+| `figures/volcano_rnaseq.png` | PNG |
+| `figures/ma_plot.png` | PNG |
+| `figures/gsea_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 |
+|---|---|---|
+| GEO | `geo_search_datasets` | GEO データセット検索 |
+| GEO | `geo_get_dataset_info` | データセット詳細取得 |
+| GEO | `geo_get_sample_info` | サンプル情報取得 |
+| GTEx | `GTEx_get_median_gene_expression` | 組織間中央値発現量 |
+| GTEx | `GTEx_get_gene_expression` | サンプルレベル発現データ |
+| GTEx | `GTEx_get_top_expressed_genes` | 高発現遺伝子取得 |
+| GTEx | `GTEx_get_eqtl_genes` | eQTL 遺伝子 (eGenes) |
+| GTEx | `GTEx_get_single_tissue_eqtls` | 単一組織 eQTL |
+| GTEx | `GTEx_get_multi_tissue_eqtls` | 多組織 eQTL |
+| GTEx | `GTEx_calculate_eqtl` | eQTL 計算 |
+| Expression Atlas | `ExpressionAtlas_search_experiments` | 実験検索 |
+| Expression Atlas | `ExpressionAtlas_get_baseline` | ベースライン発現 |
+| Expression Atlas | `ExpressionAtlas_search_differential` | 差次発現実験 |
+| ArrayExpress | `arrayexpress_search_experiments` | ArrayExpress 実験検索 |
+
+### 参照スキル
+
+| スキル | 関連 |
+|---|---|
+| `scientific-bioinformatics` | バルク RNA-seq 基盤 |
+| `scientific-single-cell-genomics` | scRNA-seq (単一細胞) |
+| `scientific-epigenomics-chromatin` | 発現-エピゲノム統合 |
+| `scientific-multi-omics` | マルチオミクス統合 |
+| `scientific-network-analysis` | 共発現ネットワーク |
+
+### 依存パッケージ
+
+`pydeseq2`, `GEOparse`, `gseapy`, `pandas`, `numpy`, `matplotlib`, `scipy`

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