메뉴
メタゲノムアセンブルゲノム (MAG) 解析スキル。 MetaBAT2 / CONCOCT / MaxBin2 ビニング・CheckM2 品質評価・ GTDB-Tk 分類学的分類・dRep 脱重複・Prokka アノテーション・ MAG アセンブリ品質レポートパイプライン。 TU 外スキル (CLI ラッパー + Python ライブラリ)。
기본적으로 소스를 먼저 확인하는 Prompt가 선택됩니다. 직접 명령으로 전환하거나 로컬 사본을 다운로드할 수도 있습니다.
설치 여부를 결정하기 전에 SKILL.md와 SkillsMP에 표시된 보조 파일을 읽어 보세요.
Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.
직접 명령은 검토 Prompt를 거치지 않습니다. 실행하기 전에 소스를 확인하세요.
npx skills add https://github.com/nahisaho/satori --skill scientific-metagenome-assembled-genomes명령은 한 줄로 유지됩니다. 복사하기 전에 가로로 스크롤해 전체 내용을 확인하세요.
로컬 사본을 원하시나요? SkillsMP에서 현재 제공할 수 있는 파일을 다운로드하세요.
SOC 직업 분류 기준
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 표시 중
| name | scientific-metagenome-assembled-genomes |
| description | メタゲノムアセンブルゲノム (MAG) 解析スキル。 MetaBAT2 / CONCOCT / MaxBin2 ビニング・CheckM2 品質評価・ GTDB-Tk 分類学的分類・dRep 脱重複・Prokka アノテーション・ MAG アセンブリ品質レポートパイプライン。 TU 外スキル (CLI ラッパー + Python ライブラリ)。 |
| tu_tools | [{"key":"mgnify","name":"MGnify","description":"メタゲノムアセンブル・MAG データ検索"}] |
メタゲノムリードから個別ゲノム (MAG) を再構築する ビニング・品質評価・分類・アノテーションの 統合パイプラインを提供する。
import subprocess
import pandas as pd
from pathlib import Path
def run_metabat2(assembly_fasta, bam_file,
output_dir="metabat2_bins",
min_contig=2500):
"""
MetaBAT2 — メタゲノムコンティグビニング。
Parameters:
assembly_fasta: str — アセンブリ FASTA
bam_file: str — ソート済み BAM
output_dir: str — 出力ディレクトリ
min_contig: int — 最小コンティグ長
"""
out = Path(output_dir)
out.mkdir(parents=True, exist_ok=True)
depth_file = out /
subprocess.run([
,
, (depth_file),
bam_file
], check=)
subprocess.run([
,
, assembly_fasta,
, (depth_file),
, (out / ),
, (min_contig),
, ,
], check=)
bins = (out.glob())
()
bins
def run_checkm2(bin_dir, output_dir="checkm2_out",
threads=8):
"""
CheckM2 — MAG 品質評価
(完全性 / コンタミネーション / N50)。
Parameters:
bin_dir: str — ビンディレクトリ
output_dir: str — 出力ディレクトリ
threads: int — スレッド数
"""
out = Path(output_dir)
out.mkdir(parents=True, exist_ok=True)
subprocess.run([
"checkm2", "predict",
"--input", bin_dir,
"--output-directory", str(out),
"--threads", str(threads),
"-x", "fa",
], check=True)
report = out / "quality_report.tsv"
df = pd.read_csv(report, sep="\t")
# MIMAG 基準による分類
df["quality"] = df.apply(
lambda r: (
"high" if r["Completeness"] >= 90
and r["Contamination"] < 5
else "medium"
if r["Completeness"] >= 50
and r["Contamination"] < 10
else "low"), axis=1)
n_hq = (df["quality"] == "high").sum()
n_mq = (df["quality"] == "medium").sum()
n_lq = (df["quality"] == "low").sum()
print(f"CheckM2: {n_hq} HQ, {n_mq} MQ, "
f"{n_lq} LQ MAGs")
return df
def filter_quality_mags(checkm_df,
min_completeness=50,
max_contamination=10):
"""
品質基準によるMAGフィルタリング。
Parameters:
checkm_df: pd.DataFrame — CheckM2 結果
min_completeness: float — 最小完全性 (%)
max_contamination: float — 最大汚染 (%)
"""
filtered = checkm_df[
(checkm_df["Completeness"]
>= min_completeness)
& (checkm_df["Contamination"]
<= max_contamination)
].copy()
print(f"Filter: {len(filtered)}/"
f"{len(checkm_df)} MAGs passed "
f"(≥{min_completeness}% comp, "
f"≤{max_contamination}% contam)")
return filtered
def run_gtdbtk(bin_dir, output_dir="gtdbtk_out",
threads=8):
"""
GTDB-Tk — ゲノム分類学分類
(GTDB taxonomy)。
Parameters:
bin_dir: str — フィルタ済みビンディレクトリ
output_dir: str — 出力ディレクトリ
threads: int — スレッド数
"""
out = Path(output_dir)
out.mkdir(parents=True, exist_ok=True)
subprocess.run([
"gtdbtk", "classify_wf",
"--genome_dir", bin_dir,
"--out_dir", str(out),
"--cpus", str(threads),
"-x", "fa",
], check=True)
# 細菌/古細菌分類結果を統合
results = []
for domain in ["bac120", "ar53"]:
tsv = (out / f"gtdbtk.{domain}."
"summary.tsv")
if tsv.exists():
df = pd.read_csv(tsv, sep="\t")
df["domain_marker"] = domain
results.append(df)
if results:
combined = pd.concat(results,
ignore_index=True)
print(f"GTDB-Tk: {len(combined)} MAGs "
f"classified")
return combined
print("GTDB-Tk: no classification results")
return pd.DataFrame()
def run_drep(bin_dir, output_dir="drep_out",
ani_threshold=0.95):
"""
dRep — MAG 脱重複 (ANI ベース)。
Parameters:
bin_dir: str — ビンディレクトリ
output_dir: str — 出力ディレクトリ
ani_threshold: float — ANI 閾値
"""
out = Path(output_dir)
out.mkdir(parents=True, exist_ok=True)
subprocess.run([
"dRep", "dereplicate",
str(out),
"-g", f"{bin_dir}/*.fa",
"-sa", str(ani_threshold),
"--ignoreGenomeQuality",
], check=True)
derep = list(
(out / "dereplicated_genomes").glob("*.fa"))
print(f"dRep: {len(derep)} dereplicated MAGs "
f"(ANI ≥ {ani_threshold})")
return derep
def mag_pipeline(assembly_fasta, bam_file,
output_dir="mag_results",
threads=8):
"""
MAG 統合パイプライン。
Parameters:
assembly_fasta: str — メタゲノムアセンブリ
bam_file: str — ソート済み BAM
output_dir: str — 出力ルート
threads: int — スレッド数
"""
out = Path(output_dir)
out.mkdir(parents=True, exist_ok=True)
# 1) ビニング
bins = run_metabat2(
assembly_fasta, bam_file,
str(out / "bins"))
# 2) 品質評価
checkm = run_checkm2(
str(out / "bins"),
str(out / "checkm2"),
threads)
# 3) フィルタリング (MIMAG medium+)
quality = filter_quality_mags(checkm)
# 4) GTDB-Tk 分類
taxonomy = run_gtdbtk(
str(out / "bins"),
str(out / "gtdbtk"),
threads)
# 5) 脱重複
derep = run_drep(
str(out / "bins"),
str(out / "drep"))
print(f"MAG pipeline: {len(bins)} bins → "
f"{len(quality)} QC passed → "
f"{len(derep)} dereplicated")
# === パイプライン連携用の構造化出力 ===
results = Path(output_dir) / "results"
results.mkdir(parents=True, exist_ok=True)
# 1) MAG品質サマリーCSV (→ phylogenetics, environmental-ecology)
quality.to_csv(results / "mag_quality_summary.csv", index=False)
print(f" ✔ MAG quality summary: {results / 'mag_quality_summary.csv'}")
# 2) 分類学サマリーCSV (→ phylogenetics)
if not taxonomy.empty:
taxonomy.to_csv(results / "mag_taxonomy.csv", index=False)
print(f" ✔ MAG taxonomy: {results / 'mag_taxonomy.csv'}")
# 3) 代表MAGをFASTAに統合 (→ phylogenetics, annotation)
representative_fasta = results / "representative_mags.fasta"
with open(representative_fasta, "w") as f:
for mag_path in derep:
mag_name = Path(mag_path).stem
with open(mag_path) as mag_f:
for line in mag_f:
if line.startswith(">"):
f.write(f">{mag_name}_{line[1:]}")
else:
f.write(line)
print(f" ✔ Representative MAGs FASTA: {representative_fasta}")
# 4) パイプラインサマリーJSON
import json
pipeline_summary = {
"total_bins": len(bins),
"quality_passed": len(quality),
"high_quality": int((quality["quality"] == "high").sum()) if "quality" in quality.columns else 0,
"medium_quality": int((quality["quality"] == "medium").sum()) if "quality" in quality.columns else 0,
"dereplicated": len(derep),
"classified": len(taxonomy) if not taxonomy.empty else 0,
}
with open(results / "mag_pipeline_summary.json", "w") as f:
json.dump(pipeline_summary, f, indent=2)
print(f" ✔ Pipeline summary: {results / 'mag_pipeline_summary.json'}")
return {
"bins": bins,
"checkm": checkm,
"quality": quality,
"taxonomy": taxonomy,
"dereplicated": derep,
}
microbiome-metagenomics → metagenome-assembled-genomes → environmental-ecology
(メタゲノム組成解析) (MAG 再構築) (生態系統合)
│ │ ↓
long-read-sequencing ─────────┘ phylogenomics
(ロングリードアセンブリ) (系統解析)
| ファイル | 説明 | 次スキル |
|---|---|---|
*_bins/bin.*.fa | ビンゲノム | → dRep, GTDB-Tk |
checkm2_out/quality_report.tsv | 品質レポート | → フィルタリング |
gtdbtk_out/*.summary.tsv | 分類結果 | → phylogenomics |
drep_out/dereplicated_genomes/ | 脱重複 MAG | → environmental-ecology |
| TU Key | ツール名 | 連携内容 |
|---|---|---|
mgnify | MGnify | メタゲノムアセンブル・MAG データ検索 |