Menu
高度 Squidpy 空間解析スキル。空間自己相関・共起解析・空間 近傍・リガンド受容体空間マッピング・ニッチ同定。 K-Dense 連携: squidpy-advanced。 ToolUniverse 連携: cellxgene。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
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-squidpy-advanced |
| description | | |
Squidpy の高度な空間統計解析機能を活用した空間トランスクリプ トミクス解析パイプラインを提供する。
import squidpy as sq
import scanpy as sc
import pandas as pd
import numpy as np
def squidpy_spatial_autocorrelation(adata, genes=None,
mode="moran", n_perms=100,
n_jobs=4):
"""
Squidpy — 空間自己相関解析 (Moran's I / Geary's C)。
Parameters:
adata: AnnData — 空間トランスクリプトミクスデータ
genes: list[str] — 対象遺伝子 (None=HVG 使用)
mode: str — "moran" or "geary"
n_perms: int — 並べ替え検定回数
n_jobs: int — 並列ジョブ数
"""
# 空間グラフ構築 (未構築の場合)
if "spatial_connectivities" not in adata.obsp:
sq.gr.spatial_neighbors(adata, coord_type="generic",
n_neighs=6)
if genes is None:
sc.pp.highly_variable_genes(adata, n_top_genes=200)
genes = adata.var_names[adata.var["highly_variable"]].tolist()
sq.gr.spatial_autocorr(adata, mode=mode, genes=genes,
n_perms=n_perms, n_jobs=n_jobs)
result_key = f"{mode}I" if mode == "moran" else f"{mode}C"
result = adata.uns[result_key].copy()
sig = result[result["pval_norm"] < 0.05]
print(f"Spatial autocorrelation ({mode}): "
f"{len(sig)}/{len(result)} significant genes")
return result.sort_values("pval_norm")
def squidpy_co_occurrence(adata, cluster_key="cell_type",
interval=50, n_splits=None):
"""
Squidpy — 細胞タイプ空間共起解析。
Parameters:
adata: AnnData — 空間トランスクリプトミクスデータ
cluster_key: str — 細胞タイプアノテーションカラム
interval: int — 距離インターバル数
n_splits: int — 分割数 (大規模データ用, None=自動)
"""
sq.gr.co_occurrence(adata, cluster_key=cluster_key,
interval=interval, n_splits=n_splits)
co_occ = adata.uns[f"{cluster_key}_co_occurrence"]
occ_scores = co_occ["occ"]
interval_vals = co_occ["interval"]
categories = adata.obs[cluster_key].cat.categories.tolist()
# 最近距離での共起スコアマトリクス
near_idx = 0
scores = occ_scores[near_idx]
co_df = pd.DataFrame(scores, index=categories, columns=categories)
# 有意な共起ペア
pairs = []
for i, cat_i in enumerate(categories):
for j, cat_j in enumerate(categories):
if i < j:
pairs.append({
"cell_type_a": cat_i,
"cell_type_b": cat_j,
"co_occurrence_score": scores[i, j],
})
pairs_df = pd.DataFrame(pairs).sort_values(
"co_occurrence_score", ascending=False)
print(f"Co-occurrence: {len(categories)} cell types, "
f"top pair: {pairs_df.iloc[0]['cell_type_a']} — "
f"{pairs_df.iloc[0]['cell_type_b']}")
return co_df, pairs_df
def squidpy_niche_identification(adata, cluster_key="cell_type",
n_neighs=15, n_niches=5,
seed=42):
"""
Squidpy — 空間ニッチ同定。
Parameters:
adata: AnnData — 空間トランスクリプトミクスデータ
cluster_key: str — 細胞タイプカラム
n_neighs: int — 近傍数
n_niches: int — ニッチクラスタ数
seed: int — 乱数シード
"""
# 近傍エンリッチメント
sq.gr.nhood_enrichment(adata, cluster_key=cluster_key)
nhood = adata.uns[f"{cluster_key}_nhood_enrichment"]
zscore_matrix = nhood["zscore"]
categories = adata.obs[cluster_key].cat.categories.tolist()
nhood_df = pd.DataFrame(zscore_matrix, index=categories,
columns=categories)
# 空間近傍グラフ
sq.gr.spatial_neighbors(adata, coord_type="generic",
n_neighs=n_neighs)
# 近傍組成プロファイル
from sklearn.cluster import KMeans
cell_types = adata.obs[cluster_key]
type_dummies = pd.get_dummies(cell_types)
# 各細胞の近傍組成
conn = adata.obsp["spatial_connectivities"]
nhood_composition = conn.dot(type_dummies.values)
nhood_comp_df = pd.DataFrame(
nhood_composition, columns=type_dummies.columns,
index=adata.obs_names)
# ニッチクラスタリング
km = KMeans(n_clusters=n_niches, random_state=seed, n_init=10)
adata.obs["spatial_niche"] = km.fit_predict(
nhood_comp_df.values).astype(str)
niche_summary = adata.obs.groupby("spatial_niche")[cluster_key]\
.value_counts(normalize=True).unstack(fill_value=0)
print(f"Niche identification: {n_niches} niches, "
f"{len(categories)} cell types")
return nhood_df, niche_summary
def squidpy_advanced_pipeline(adata, cluster_key="cell_type",
output_dir="results"):
"""
Squidpy 高度空間解析統合パイプライン。
Parameters:
adata: AnnData — 空間トランスクリプトミクスデータ
cluster_key: str — 細胞タイプカラム
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) 空間自己相関
autocorr = squidpy_spatial_autocorrelation(adata)
autocorr.to_csv(output_dir / "spatial_autocorrelation.csv")
# 2) 空間共起
co_df, pairs_df = squidpy_co_occurrence(adata,
cluster_key=cluster_key)
co_df.to_csv(output_dir / "co_occurrence_matrix.csv")
pairs_df.to_csv(output_dir / "co_occurrence_pairs.csv",
index=False)
# 3) ニッチ同定
nhood_df, niche_summary = squidpy_niche_identification(
adata, cluster_key=cluster_key)
nhood_df.to_csv(output_dir / "nhood_enrichment.csv")
niche_summary.to_csv(output_dir / "niche_composition.csv")
# 4) 中心性スコア
sq.gr.centrality_scores(adata, cluster_key=cluster_key)
centrality = adata.uns[f"{cluster_key}_centrality_scores"]
centrality_df = pd.DataFrame(centrality)
centrality_df.to_csv(output_dir / "centrality_scores.csv")
adata.write(output_dir / "adata_spatial.h5ad")
print(f"Squidpy advanced pipeline: {output_dir}")
return {
"autocorrelation": autocorr,
"co_occurrence": co_df,
"niches": niche_summary,
"centrality": centrality_df,
}
| K-Dense Key | 参照内容 |
|---|---|
squidpy-advanced | 高度空間統計・ニッチ解析手法 |
spatial-transcriptomics → squidpy-advanced → single-cell-genomics
(Visium/MERFISH) (空間統計) (scRNA-seq)
│ │ ↓
image-analysis ─────────────┘ cell-communication
(H&E/IF 画像) │ (リガンド-受容体)
↓
multi-omics
(空間マルチモーダル)
| ファイル | 説明 | 次スキル |
|---|---|---|
results/spatial_autocorrelation.csv | 空間自己相関 | → gene-expression |
results/co_occurrence_matrix.csv | 共起マトリクス | → cell-communication |
results/niche_composition.csv | ニッチ組成 | → single-cell-genomics |
results/centrality_scores.csv | 中心性スコア | → spatial-transcriptomics |
results/adata_spatial.h5ad | AnnData (全結果) | → multi-omics |
| TU Key | ツール名 | 連携内容 |
|---|---|---|
cellxgene | CellxGene | 空間トランスクリプトミクスデータ検索 |