メニュー
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)。
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。
SOC 職業分類に基づく
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 |