القائمة
代謝フラックス解析スキル。13C/15N 安定同位体トレーサー データを用いた代謝フラックス推定・EMU モデリング・ フラックスバランス制約統合パイプライン。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/nahisaho/satori --skill scientific-metabolic-fluxيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
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。
عرض SKILL.md
استنادا إلى تصنيف SOC المهني
| name | scientific-metabolic-flux |
| description | 代謝フラックス解析スキル。13C/15N 安定同位体トレーサー データを用いた代謝フラックス推定・EMU モデリング・ フラックスバランス制約統合パイプライン。 |
| tu_tools | [{"key":"bigg","name":"BiGG Models","description":"代謝フラックスモデル検索"}] |
13C/15N 安定同位体トレーサー実験データを用いた代謝フラックス 推定・EMU (Elementary Metabolite Unit) フレームワーク・ フラックスバランス解析 (FBA) 制約統合パイプラインを提供する。
import numpy as np
import pandas as pd
from scipy.optimize import minimize
def load_mid_data(mid_file, sep="\t"):
"""
MID データ読み込み・正規化。
Parameters:
mid_file: str — MID データファイルパス
(TSV: metabolite, M+0, M+1, M+2, ...)
sep: str — 区切り文字
"""
df = pd.read_csv(mid_file, sep=sep,
index_col="metabolite")
mid_cols = [c for c in df.columns
if c.startswith("M+")]
for idx in df.index:
row_sum = df.loc[idx, mid_cols].sum()
if row_sum > 0:
df.loc[idx, mid_cols] /= row_sum
print(f"MID data: {len(df)} metabolites, "
f"{len(mid_cols)} isotopomers")
return df[mid_cols]
def natural_abundance_correction(mid_df, n_carbons):
"""
天然同位体存在量補正。
Parameters:
mid_df: DataFrame — 正規化済み MID データ
n_carbons: dict — 代謝物名→炭素数マッピング
"""
C13_NAT = 0.011 # 13C 天然存在比
corrected = mid_df.copy()
for met in corrected.index:
n_c = n_carbons.get(met, 6)
n_iso = min(corrected.shape[1], n_c + 1)
raw = corrected.loc[met].values[:n_iso]
# 補正行列 (簡易)
corr_matrix = np.zeros((n_iso, n_iso))
for i in range(n_iso):
for j in range(i, n_iso):
from math import comb
k = j - i
remain = n_c - i
if k <= remain:
corr_matrix[i, j] = (
comb(remain, k)
* C13_NAT ** k
* (1 - C13_NAT) ** (remain - k)
)
try:
corrected_vals = np.linalg.solve(
corr_matrix[:n_iso, :n_iso], raw)
corrected_vals = np.maximum(corrected_vals, 0)
corrected_vals /= corrected_vals.sum()
corrected.loc[met, corrected.columns[:n_iso]] = (
corrected_vals)
except np.linalg.LinAlgError:
pass
print(f"NA correction: {len(corrected)} metabolites")
return corrected
def build_emu_model(reactions, atom_transitions):
"""
EMU (Elementary Metabolite Unit) モデル構築。
Parameters:
reactions: list[dict] — 反応定義
[{id, substrates, products, reversible}]
atom_transitions: dict — 原子遷移マッピング
{reaction_id: [(from_met, from_atoms,
to_met, to_atoms)]}
"""
emu_network = {}
for rxn in reactions:
rxn_id = rxn["id"]
transitions = atom_transitions.get(rxn_id, [])
for from_met, f_atoms, to_met, t_atoms in (
transitions
):
emu_size = len(t_atoms)
emu_key = (to_met, tuple(sorted(t_atoms)))
if emu_key not in emu_network:
emu_network[emu_key] = []
emu_network[emu_key].append({
"reaction": rxn_id,
"precursor": from_met,
"precursor_atoms": f_atoms,
"reversible": rxn.get(
"reversible", False),
})
print(f"EMU model: {len(emu_network)} EMUs, "
f"{len(reactions)} reactions")
return emu_network
def simulate_mid(fluxes, emu_model, substrate_labeling,
metabolite):
"""
フラックスからの MID シミュレーション。
Parameters:
fluxes: dict — {reaction_id: flux_value}
emu_model: dict — EMU ネットワーク
substrate_labeling: dict — 基質ラベリングパターン
{metabolite: [M+0 fraction, M+1, ...]}
metabolite: str — シミュレーション対象代謝物
"""
relevant_emus = {
k: v for k, v emu_model.items()
k[] == metabolite
}
relevant_emus:
np.array([])
max_size = ((k[]) k relevant_emus)
mid = np.zeros(max_size + )
mid[] =
emu_key, precursors relevant_emus.items():
emu_size = (emu_key[])
prec precursors:
rxn_flux = fluxes.get(prec[], )
prec_label = substrate_labeling.get(
prec[],
[] + [] * emu_size)
i, frac (
prec_label[:emu_size + ]
):
i <= max_size:
mid[i] += rxn_flux * frac
mid_sum = mid.()
mid_sum > :
mid /= mid_sum
mid
def estimate_fluxes(observed_mids, emu_model,
substrate_labeling,
initial_fluxes,
metabolites):
"""
最小二乗法によるフラックス推定。
Parameters:
observed_mids: dict — {metabolite: np.array}
観測 MID データ
emu_model: dict — EMU ネットワーク
substrate_labeling: dict — 基質ラベリング
initial_fluxes: dict — 初期フラックス推定値
metabolites: list — 対象代謝物リスト
"""
flux_names = list(initial_fluxes.keys())
x0 = [initial_fluxes[f] for f in flux_names]
def objective(x):
fluxes = dict(zip(flux_names, x))
residual = 0.0
for met in metabolites:
if met not in observed_mids:
continue
obs = observed_mids[met]
sim = simulate_mid(
fluxes, emu_model,
substrate_labeling, met)
n = min(len(obs), len(sim))
residual += np.sum(
(obs[:n] - sim[:n]) ** 2)
return residual
bounds = [(0, None) for _ in flux_names]
result = minimize(objective, x0, method="L-BFGS-B",
bounds=bounds)
estimated = dict(zip(flux_names, result.x))
print(f"Flux estimation: SSR={result.fun:.6f}, "
f"converged={result.success}")
return estimated, result
def metabolic_flux_pipeline(mid_file, reactions,
atom_transitions,
substrate_labeling,
n_carbons,
output_dir="results"):
"""
代謝フラックス統合パイプライン。
Parameters:
mid_file: str — MID データファイル
reactions: list — 反応定義リスト
atom_transitions: dict — 原子遷移マッピング
substrate_labeling: dict — 基質ラベリング
n_carbons: dict — 代謝物→炭素数
output_dir: str — 出力ディレクトリ
"""
from pathlib import Path
output_dir = Path(output_dir)
output_dir.mkdir(parents=True, exist_ok=True)
# 1) MID 読み込み・補正
mid_raw = load_mid_data(mid_file)
mid_corr = natural_abundance_correction(
mid_raw, n_carbons)
mid_corr.to_csv(output_dir / "mid_corrected.csv")
# 2) EMU モデル構築
emu_model = build_emu_model(
reactions, atom_transitions)
# 3) フラックス推定
observed = {met: mid_corr.loc[met].values
for met in mid_corr.index}
init_fluxes = {r["id"]: 1.0 for r in reactions}
fluxes, opt_result = estimate_fluxes(
observed, emu_model, substrate_labeling,
init_fluxes, list(observed.keys()))
flux_df = pd.DataFrame([
{"reaction": k, "flux": v}
for k, v in fluxes.items()
])
flux_df.to_csv(output_dir / "fluxes.csv",
index=False)
print(f"Metabolic flux pipeline → {output_dir}")
return {"fluxes": fluxes, "mid_corrected": mid_corr}
metabolic-modeling → metabolic-flux → systems-biology
(FBA/COBRA) (13C MFA) (統合解析)
│ │ ↓
flux-balance-analysis ───┘ pathway-enrichment
(制約ベース) (パスウェイ集積)
| ファイル | 説明 | 次スキル |
|---|---|---|
results/mid_corrected.csv | 補正済み MID | → metabolic-modeling |
results/fluxes.csv | 推定フラックス | → systems-biology |
| TU Key | ツール名 | 連携内容 |
|---|---|---|
bigg | BiGG Models | 代謝フラックスモデル検索 |