القائمة
CRISPR gRNA 設計スキル。Cas9/Cas12a PAM 配列検索・ オフターゲットスコアリング (CFD/MIT)・ CRISPRscan/Rule Set 2 活性予測・検証プライマー設計・ sgRNA スクリーニングライブラリ構築パイプライン。 TU 外スキル (Python ライブラリ + ローカル解析)。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
実験の監査レポート・データ来歴（プロベナンス）生成スキル。 データ変換履歴・使用ツールのバージョン・データ整合性チェックを 含むトレーサビリティレポートを自動生成する。 「監査レポート作成」「データ来歴を記録」「トレーサビリティ」で発火。
派生実験設計スキル。既存の実験をベースに条件を変更した派生実験を 設計する。実験計画法（DOE）に基づくパラメータ探索を支援。 「派生実験を設計して」「条件を変えて実験」「パラメータ探索」で発火。
実験テンプレート生成スキル。研究目的・仮説・手法・実験条件・評価基準・ スケジュールを構造化した実験計画書を自動作成する。 「実験テンプレート作成して」「実験計画を立てて」「実験プロトコルを作成」で発火。
実験結果を論文形式（LaTeX / IMRaD）にエクスポートするスキル。 Introduction・Materials & Methods・Results・Discussion の構造で 出版準備用の原稿を自動生成する。 「論文にして」「LaTeX出力」「出版準備」で発火。
実験結果の査読・レビュースキル。再現性・統計的妥当性・方法論の 健全性を体系的に評価し、構造化されたレビューレポートを生成する。 「レビューして」「査読して」「実験結果を評価して」で発火。
科学技術・学術論文の執筆スキル。IMRaD 標準、Nature/Science 系、ACS 系、IEEE 系、 Elsevier 系のジャーナル形式に対応した論文構成・セクション設計・文章パターンを提供。 「論文を書いて」「Abstract を作成して」「Methods セクションを書いて」で発火。 assets/ に主要ジャーナル形式の Markdown テンプレートを同梱。
| name | scientific-crispr-design |
| description | CRISPR gRNA 設計スキル。Cas9/Cas12a PAM 配列検索・ オフターゲットスコアリング (CFD/MIT)・ CRISPRscan/Rule Set 2 活性予測・検証プライマー設計・ sgRNA スクリーニングライブラリ構築パイプライン。 TU 外スキル (Python ライブラリ + ローカル解析)。 |
| tu_tools | [{"key":"ensembl","name":"Ensembl","description":"gRNA 設計用ゲノム配列参照"}] |
CRISPR gRNA 設計・オフターゲット評価・活性予測を統合した 効率的なガイド RNA 選択パイプラインを提供する。
import re
import pandas as pd
from Bio import SeqIO
from Bio.Seq import Seq
# PAM パターン定義
PAM_PATTERNS = {
"SpCas9": {"pam": "NGG", "guide_len": 20,
"pam_side": "3prime"},
"SaCas9": {"pam": "NNGRRT", "guide_len": 21,
"pam_side": "3prime"},
"Cas12a": {"pam": "TTTV", "guide_len": 23,
"pam_side": "5prime"},
"xCas9": {"pam": "NG", "guide_len": 20,
"pam_side": "3prime"},
}
def iupac_to_regex(pam):
"""IUPAC → 正規表現変換。"""
iupac = {
"N": "[ACGT]", "R": "[AG]", "Y": "[CT]",
"S": "[GC]", "W": "[AT]", "K": "[GT]",
"M": "[AC]", "B": "[CGT]", "D": "[AGT]",
"H": "[ACT]", "V": "[ACG]",
}
return "".join(iupac.get(c, c) for c in pam)
def find_grna_candidates(sequence, cas_type="SpCas9",
strand="both"):
"""
gRNA 候補の列挙。
Parameters:
sequence: str — 標的 DNA 配列
cas_type: str — Cas タイプ
strand: str — "sense"/"antisense"/"both"
"""
config = PAM_PATTERNS[cas_type]
pam_re = iupac_to_regex(config["pam"])
gl = config["guide_len"]
side = config["pam_side"]
seq = sequence.upper()
candidates = []
def _search_strand(s, s_name):
for m in re.finditer(
f"(?=({pam_re}))", s):
pos = m.start()
if side == "3prime":
start = pos - gl
if start < 0:
continue
guide = s[start:pos]
else: # 5prime
start = pos + len(config["pam"])
end = start + gl
if end > len(s):
continue
guide = s[start:end]
if len(guide) != gl:
continue
gc = (guide.count("G")
+ guide.count("C")) / gl
candidates.append({
"guide": guide,
"pam": m.group(1),
"position": pos,
"strand": s_name,
"gc_content": round(gc, 3),
"length": gl,
})
if strand in ("sense", "both"):
_search_strand(seq, "+")
if strand in ("antisense", "both"):
rc = str(Seq(seq).reverse_complement())
_search_strand(rc, "-")
df = pd.DataFrame(candidates)
# GC フィルタ (30-70%)
if not df.empty:
df = df[(df["gc_content"] >= 0.30)
& (df["gc_content"] <= 0.70)]
print(f"CRISPR {cas_type}: "
f"{len(df)} gRNA candidates "
f"(GC 30-70%)")
return df.reset_index(drop=True)
import numpy as np
# CFD スコア簡易実装 (Doench 2016)
def cfd_score(guide, off_target):
"""
CFD (Cutting Frequency Determination) スコア。
Parameters:
guide: str — gRNA 配列 (20nt)
off_target: str — オフターゲットサイト
"""
# ポジション別ミスマッチペナルティ (簡易版)
mm_penalty = {
1: 0.0, 2: 0.0, 3: 0.014, 4: 0.0,
5: 0.0, 6: 0.395, 7: 0.317, 8: 0.0,
9: 0.389, 10: 0.079, 11: 0.445,
12: 0.508, 13: 0.613, 14: 0.851,
15: 0.732, 16: 0.828, 17: 0.615,
18: 0.804, 19: 0.685, 20: 0.583,
}
score = 1.0
for i in range(min(len(guide),
len(off_target))):
if guide[i] != off_target[i]:
pos = i + 1
penalty = mm_penalty.get(pos, 0.5)
score *= (1.0 - penalty)
return round(score, 4)
def score_off_targets(guide, genome_fasta,
max_mismatches=4):
"""
ゲノムワイドオフターゲットスコアリング。
Parameters:
guide: str — gRNA 配列
genome_fasta: str — リファレンスゲノム
max_mismatches: int — 最大ミスマッチ数
"""
results = []
gl = len(guide)
guide_upper = guide.upper()
for record in SeqIO.parse(
genome_fasta, "fasta"):
seq = str(record.seq).upper()
for i in range(len(seq) - gl - 3):
site = seq[i:i + gl]
pam = seq[i + gl:i + gl + 3]
if not re.match("[ACGT]GG", pam):
continue
mm = sum(1 for a, b in
zip(guide_upper, site)
if a != b)
if mm <= max_mismatches:
results.append({
"chrom": record.id,
"position": i,
"site": site,
"pam": pam,
"mismatches": mm,
"cfd_score": cfd_score(
guide_upper, site),
})
df = pd.DataFrame(results)
df = df.sort_values("cfd_score",
ascending=False)
print(f"Off-target: {len(df)} sites "
f"(≤{max_mismatches} mm)")
return df
def rule_set2_score(guide_30mer):
"""
Rule Set 2 活性スコア (Doench 2016 簡易版)。
Parameters:
guide_30mer: str — 30nt 配列
(4nt upstream + 20nt guide + 3nt PAM
+ 3nt downstream)
"""
seq = guide_30mer.upper()
if len(seq) != 30:
print(f"Warning: expected 30nt, "
f"got {len(seq)}")
return 0.0
guide = seq[4:24]
gc = (guide.count("G")
+ guide.count("C")) / 20
# 位置重み付きスコア (簡易)
score = 0.5
# GC 最適範囲
if 0.40 <= gc <= 0.70:
score += 0.1
elif gc < 0.30 or gc > 0.80:
score -= 0.2
# PAM 近傍優先塩基
if guide[-1] == "G":
score += 0.05
if guide[-4] == "C":
score += 0.03
# ポリ T 回避 (Pol III 終結)
if "TTTT" in guide:
score -= 0.3
return round(max(0, min(1, score)), 3)
def rank_grnas(candidates_df, genome_fasta=None):
"""
gRNA 候補ランキング。
Parameters:
candidates_df: pd.DataFrame — gRNA 候補
genome_fasta: str | None — オフタ解析用
"""
df = candidates_df.copy()
# 活性スコア (30mer が無い場合は guide のみ)
df["activity_score"] = df["guide"].apply(
lambda g: rule_set2_score(
"AAAA" + g + "GGGNNN"
if len(g) == 20
else g.ljust(30, "N")))
# オフターゲット (ゲノムがあれば)
if genome_fasta:
ot_scores = []
for guide in df["guide"]:
ot = score_off_targets(
guide, genome_fasta, 3)
specificity = (
1.0 / (1.0 + len(ot))
if not ot.empty else 1.0)
ot_scores.append(round(specificity, 3))
df["specificity"] = ot_scores
else:
df["specificity"] = 1.0
# 総合スコア
df["composite_score"] = (
df["activity_score"] * 0.5
+ df["specificity"] * 0.3
+ df["gc_content"].clip(0.4, 0.6) * 0.2
).round(3)
df = df.sort_values("composite_score",
ascending=False)
print(f"gRNA ranking: top score = "
f"{df['composite_score'].iloc[0]}")
return df
def build_sgrna_library(gene_list,
genome_fasta,
guides_per_gene=4,
cas_type="SpCas9"):
"""
スクリーニング用 sgRNA ライブラリ構築。
Parameters:
gene_list: list[dict] — 遺伝子リスト
[{"gene": "TP53", "sequence": "ATCG..."}]
genome_fasta: str — リファレンスゲノム
guides_per_gene: int — 遺伝子あたり gRNA 数
cas_type: str — Cas タイプ
"""
library = []
for gene_info in gene_list:
gene = gene_info["gene"]
seq = gene_info["sequence"]
candidates = find_grna_candidates(
seq, cas_type)
if candidates.empty:
print(f" {gene}: no candidates")
continue
ranked = rank_grnas(candidates)
top = ranked.head(guides_per_gene)
for _, row in top.iterrows():
library.append({
"gene": gene,
"guide": row["guide"],
"position": row["position"],
"strand": row["strand"],
"gc_content": row["gc_content"],
"activity": row["activity_score"],
"composite": row["composite_score"],
})
df = pd.DataFrame(library)
n_genes = df["gene"].nunique()
print(f"Library: {len(df)} sgRNAs for "
f"{n_genes} genes")
return df
genome-sequence-tools → crispr-design → perturbation-analysis
(ゲノム配列取得) (gRNA 設計) (摂動実験解析)
│ │ ↓
variant-effect-prediction ─┘ functional-genomics
(変異影響予測) (機能ゲノミクス)
| ファイル | 説明 | 次スキル |
|---|---|---|
grna_candidates.csv | gRNA 候補リスト | → ランキング |
off_target_report.csv | オフターゲット評価 | → 安全性確認 |
sgrna_library.csv | sgRNA ライブラリ | → perturbation-analysis |
| TU Key | ツール名 | 連携内容 |
|---|---|---|
ensembl | Ensembl | gRNA 設計用ゲノム配列参照 |