メニュー
CELLxGENE Census 大規模シングルセルアトラススキル。 CZ CELLxGENE Census API によるヒト/マウス全アトラスの メタデータ検索・遺伝子発現クエリ・セルタイプ分布解析・ データセット横断統合パイプライン。 ToolUniverse 連携: cellxgene_census。
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/nahisaho/satori --skill scientific-cellxgene-censusコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
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。
SKILL.md を表示中
SOC 職業分類に基づく
| name | scientific-cellxgene-census |
| description | CELLxGENE Census 大規模シングルセルアトラススキル。 CZ CELLxGENE Census API によるヒト/マウス全アトラスの メタデータ検索・遺伝子発現クエリ・セルタイプ分布解析・ データセット横断統合パイプライン。 ToolUniverse 連携: cellxgene_census。 |
| tu_tools | [{"key":"cellxgene_census","name":"CELLxGENE Census","description":"大規模シングルセルアトラスデータアクセス API"}] |
CZ CELLxGENE Census API を活用した大規模シングルセルアトラスの メタデータ検索・遺伝子発現クエリ・セルタイプ分布解析・ データセット横断統合パイプラインを提供する。
import cellxgene_census
import pandas as pd
def census_datasets(organism="Homo sapiens",
tissue=None, disease=None):
"""
CELLxGENE Census — データセットメタデータ検索。
Parameters:
organism: str — 生物種
tissue: str — 組織フィルタ
disease: str — 疾患フィルタ
"""
with cellxgene_census.open_soma() as census:
datasets = census["census_info"]["datasets"].read(
).concat().to_pandas()
if tissue:
datasets = datasets[
datasets["dataset_title"].str.contains(
tissue, case=False, na=False)]
if disease:
datasets = datasets[
datasets["dataset_title"].str.contains(
disease, case=False, na=False)]
print(f"Census datasets: {len(datasets)} matched")
return datasets
def census_cell_metadata(organism="Homo sapiens",
tissue=None,
cell_type=None,
max_cells=10000):
"""
CELLxGENE Census — セルメタデータ取得。
Parameters:
organism: str — 生物種
tissue: str — 組織フィルタ
cell_type: str — セルタイプフィルタ
max_cells: int — 最大セル数
"""
obs_filters = []
if tissue:
obs_filters.append(
f"tissue_general == '{tissue}'")
if cell_type:
obs_filters.append(
f"cell_type == '{cell_type}'")
value_filter = " and ".join(obs_filters) \
if obs_filters else None
with cellxgene_census.open_soma() as census:
obs_df = cellxgene_census.get_obs(
census, organism,
value_filter=value_filter,
column_names=[
"cell_type", "tissue_general",
"disease", "sex", "development_stage",
"dataset_id", "assay"],
)
df = obs_df.head(max_cells)
print(f"Census cells: {len(df)} retrieved "
f"(filter: {value_filter})")
return df
def census_gene_expression(organism="Homo sapiens",
gene_symbols=None,
tissue=None,
max_cells=5000):
"""
CELLxGENE Census — 遺伝子発現データ取得。
Parameters:
organism: str — 生物種
gene_symbols: list[str] — 遺伝子シンボルリスト
tissue: str — 組織フィルタ
max_cells: int — 最大セル数
"""
obs_filter = (f"tissue_general == '{tissue}'"
if tissue else None)
var_filter = None
if gene_symbols:
genes_str = "', '".join(gene_symbols)
var_filter = f"feature_name in ['{genes_str}']"
with cellxgene_census.open_soma() as census:
adata = cellxgene_census.get_anndata(
census, organism,
obs_value_filter=obs_filter,
var_value_filter=var_filter,
obs_column_names=[
"cell_type", "tissue_general",
"disease"],
)
if max_cells and len(adata) > max_cells:
import numpy as np
idx = np.random.choice(
len(adata), max_cells, replace=False)
adata = adata[idx]
print(f"Census expression: {adata.shape[0]} cells × "
f"{adata.shape[1]} genes")
return adata
def celltype_distribution(organism="Homo sapiens",
tissue=None):
"""
組織別セルタイプ分布解析。
Parameters:
organism: str — 生物種
tissue: str — 組織フィルタ
"""
obs_filter = (f"tissue_general == '{tissue}'"
if tissue else None)
with cellxgene_census.open_soma() as census:
obs_df = cellxgene_census.get_obs(
census, organism,
value_filter=obs_filter,
column_names=["cell_type",
"tissue_general"],
)
# セルタイプカウント
ct_counts = obs_df["cell_type"].value_counts()
ct_df = pd.DataFrame({
"cell_type": ct_counts.index,
"count": ct_counts.values,
"fraction": ct_counts.values / ct_counts.sum(),
})
print(f"Cell types: {len(ct_df)} types, "
f"total {ct_counts.sum()} cells")
return ct_df
def census_pipeline(organism="Homo sapiens",
tissue=None,
gene_symbols=None,
output_dir="results"):
"""
CELLxGENE Census 統合パイプライン。
Parameters:
organism: str — 生物種
tissue: str — 組織
gene_symbols: list[str] — 対象遺伝子
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) データセットメタデータ
datasets = census_datasets(organism, tissue)
datasets.to_csv(output_dir / "census_datasets.csv",
index=False)
# 2) セルタイプ分布
ct_dist = celltype_distribution(organism, tissue)
ct_dist.to_csv(
output_dir / "celltype_distribution.csv",
index=False)
# 3) 遺伝子発現 (指定時)
adata = None
if gene_symbols:
adata = census_gene_expression(
organism, gene_symbols, tissue)
adata.write_h5ad(
output_dir / "census_expression.h5ad")
print(f"Census pipeline → {output_dir}")
return {
"datasets": datasets,
"celltype_dist": ct_dist,
"adata": adata,
}
| TU Key | ツール名 | 連携内容 |
|---|---|---|
cellxgene_census | CELLxGENE Census | 大規模シングルセルアトラス API |
human-cell-atlas → cellxgene-census → single-cell-genomics
(HCA Portal) (Census 大規模) (Scanpy 解析)
│ │ ↓
spatial-multiomics ────┘ scvi-integration
(空間統合) (scVI/scANVI)
| ファイル | 説明 | 次スキル |
|---|---|---|
results/census_datasets.csv | データセット一覧 | → human-cell-atlas |
results/celltype_distribution.csv | セルタイプ分布 | → single-cell-genomics |
results/census_expression.h5ad | 発現行列 (AnnData) | → scvi-integration |