はじめに — なぜ研究者が Agent Skills を開発すべきか

AI エージェントは汎用的に賢いですが、あなたの研究分野の専門知識 は持っていません。

scRNA-seq のクラスタリングパイプライン、メタボロミクスの前処理手順、PPI ネットワーク解析のベストプラクティス ——こうした「研究室で当たり前に使われている手順」をAIエージェントに教える仕組みが Agent Skills です。

	従来の AI 活用	Agent Skills 活用
やること	毎回プロンプトで手順を説明する	SKILL.md に手順を書いておくだけ
特徴	属人化・再現不可	共有・再利用可能

本記事では、Agent Skills 仕様と、科学研究向けスキルコレクション SATORI（190 個のスキルを収録）を参照しながら、プログラミング初心者の研究者でも自分のドメイン専用の Agent Skills を開発できるよう、ステップバイステップで解説します。

想定読者: 実験系研究者（プログラミング初心者 OK）
所要時間: 約 15 分
前提知識: テキストエディタでファイルを編集できること

Agent Skills とは？

オープンスタンダード

Agent Skills は、Anthropic が開発し、オープンスタンダードとして公開した AI エージェント拡張フォーマット です¹。

Skills are folders of instructions, scripts, and resources that agents can discover and use to perform better at specific tasks.
（スキルとは、エージェントが特定のタスクをより正確・効率的に実行するために発見・利用できる、指示・スクリプト・リソースのフォルダです）

GitHub Copilot をはじめ、複数の AI 開発ツールで採用されており、一度書けばどこでも使える ポータビリティが特徴です。

スキルの 3 つの価値

価値	説明	研究者にとってのメリット
ドメイン専門知識	専門的な知識を再利用可能な指示としてパッケージ化	解析手法を研究室全体で共有
再現可能なワークフロー	複数ステップのタスクを一貫した手順に	実験解析の再現性を確保
相互運用性	同じスキルを異なる AI エージェントで利用可能	ツールに縛られない

SKILL.md の構造を理解する

Agent Skills の中核は SKILL.md という 1 つのファイルです。これだけあれば、スキルとして機能します。

最小構成

my-skill/
└── SKILL.md          # ← これだけで OK！

SKILL.md の書き方

SKILL.md は YAML フロントマター + Markdown 本文 の 2 パートで構成されます。

---
name: my-skill
description: |
  スキルの説明をここに書きます。
  どんなタスクで使うべきかを記述します。
---

# スキルの指示内容

ここに AI エージェントへの具体的な指示を Markdown で書きます。

YAML フロントマター（メタデータ）

フィールド	必須	説明
`name`	✅	スキル名（小文字英数字とハイフンのみ、最大 64 文字）
`description`	✅	スキルの説明（最大 1024 文字）
`license`	—	ライセンス
`compatibility`	—	動作環境の要件
`metadata`	—	追加メタデータ（キー:値）

name のルール: 小文字・数字・ハイフンのみ。ハイフンで始めたり終わったりしない。ディレクトリ名と一致させる。
例: ✅ my-analysis-pipeline ❌ MyAnalysis ❌ -my-skill

Markdown 本文（指示内容）

YAML フロントマターの後に、AI エージェントへの指示を Markdown で自由に記述します。推奨する構成は以下の通りです。

# スキル名

## When to Use
- このスキルが適用されるタスクの条件

## Procedure
- ステップバイステップの指示

## Code Examples
- 入力と期待される出力の例

## Caveats
- よくある落とし穴や例外処理

実践：最初の Agent Skills を作ってみよう

ここから実際に、Western Blot の定量解析を行うスキルを作ってみましょう。実験系研究者なら馴染みのあるタスクです。

ステップ 1：ディレクトリを作成

mkdir western-blot-quantification

ステップ 2：SKILL.md を作成

お使いのテキストエディタで western-blot-quantification/SKILL.md を作成します。

western-blot-quantification/SKILL.md

---
name: western-blot-quantification
description: |
  Western Blot バンドの定量解析スキル。画像からバンド強度を測定し、
  ハウスキーピング遺伝子（β-actin, GAPDH 等）で正規化した相対発現量を
  算出する。統計検定（t検定/ANOVA）とグラフ作成まで一貫して実行。
---

# Western Blot 定量解析

## When to Use

- Western Blot の画像（TIFF/PNG）からバンド強度を定量したいとき
- ハウスキーピング遺伝子で正規化した相対発現量を求めたいとき
- 複数サンプル間の統計的比較（t検定, ANOVA）を行いたいとき

## Procedure

### 1. 画像の読み込みと前処理

- TIFF または PNG 形式の画像を読み込む
- グレースケール変換を行う
- 必要に応じてバックグラウンド補正（Rolling Ball 法）を適用する

### 2. バンド強度の測定

- 各バンドの ROI（Region of Interest）を設定する
- ROI 内のピクセル強度の積分値を算出する
- バックグラウンド領域の値を差し引く

### 3. 正規化

- ハウスキーピング遺伝子のバンド強度で割る
- コントロール群を 1.0 として相対値を算出する

### 4. 統計解析とグラフ作成

- 2 群比較: Student's t-test（Welch 補正）
- 3 群以上: 一元配置 ANOVA + Tukey HSD 事後検定
- 棒グラフ + 個別データ点 + エラーバー（SEM）で可視化する

## Output Files

| ファイル | 内容 |
|:--|:--|
| `results/band_intensities.csv` | 各バンドの生の強度値 |
| `results/normalized_expression.csv` | 正規化後の相対発現量 |
| `results/statistical_tests.csv` | 統計検定の結果（p値） |
| `figures/expression_barplot.png` | 発現量の棒グラフ |

## Code Examples

```python
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt

def normalize_expression(target_intensity, housekeeping_intensity,
                         control_indices):
    """
    ハウスキーピング遺伝子で正規化し、コントロール群を 1.0 とする。

    Parameters
    ----------
    target_intensity : array-like
        ターゲットタンパク質のバンド強度
    housekeeping_intensity : array-like
        ハウスキーピング遺伝子のバンド強度
    control_indices : list of int
        コントロール群のサンプルインデックス

    Returns
    -------
    np.ndarray
        正規化された相対発現量
    """
    ratio = np.array(target_intensity) / np.array(housekeeping_intensity)
    control_mean = np.mean(ratio[control_indices])
    return ratio / control_mean
```

## Caveats

- 過飽和（saturation）したバンドは定量に使用しないこと
- ハウスキーピング遺伝子が処理条件で変動しないことを確認すること
- 生物学的反復は最低 3 回（n ≥ 3）を推奨

ポイント: SKILL.md は「AI への指示書」です。あなたが後輩に解析手順を教えるように書けば OK です。

ステップ 3：より充実したスキルにする（オプション）

スキルが複雑になったら、scripts/ や references/ ディレクトリを追加できます。

western-blot-quantification/
├── SKILL.md                      # メインの指示ファイル
├── scripts/
│   └── quantify_bands.py         # 実行可能な解析スクリプト
├── references/
│   └── normalization-methods.md  # 正規化手法の詳細解説
└── assets/
    └── example-blot.png          # サンプル画像

Progressive Disclosure（段階的開示）

Agent Skills は効率的にコンテキストを使うため、3 段階で情報を読み込みます。

段階	読み込み内容	トークン量	タイミング
1️⃣ メタデータ	`name` と `description` のみ	〜100	常時ロード
2️⃣ メイン指示	SKILL.md 本文	5000 以下	スキル選択時
3️⃣ 追加リソース	scripts/, references/, assets/	必要分のみ	必要な時だけ

これにより、SKILL.md 本文は 5000 トークン以下（目安：500 行以内） に収め、詳細は参照ファイルに分離することが推奨されています。

5000 トークン制限: SKILL.md 本文が 5000 トークンを超えると、AI エージェントのコンテキストを圧迫し、指示の理解精度が低下します。長くなる場合は references/ や scripts/ にファイルを分離してください。

実例：SATORI の科学スキルを見てみよう

SATORI は、科学データ解析のための Agent Skills コレクションで、190 個のスキル を収録しています。実際のスキルがどのように書かれているか見てみましょう。

バイオインフォマティクス解析スキルの例

以下は SATORI に収録されている scientific-bioinformatics スキルの一部です。

scientific-bioinformatics/SKILL.md

---
name: scientific-bioinformatics
description: |
  バイオインフォマティクス解析パイプラインのスキル。scRNA-seq（Scanpy）、
  ゲノム配列解析（BioPython）、PPI ネットワーク解析（NetworkX）、
  メタボロミクスの前処理を行う際に使用。
---

# Scientific Bioinformatics Pipelines

## When to Use

- scRNA-seq データの QC・前処理・クラスタリング・DEG 解析
- ゲノム/タンパク質配列のアラインメント・系統解析
- タンパク質相互作用ネットワークの構築・中心性解析
- メタボロミクスの前処理（補完・変換・スケーリング）・PLS-DA

このスキルには Scanpy を使った scRNA-seq パイプラインのコード例が含まれています。

import scanpy as sc

def scrnaseq_pipeline(adata, min_genes=200, max_genes=5000,
                       max_pct_mito=20, n_hvg=2000, resolution=0.5):
    """Scanpy の標準 scRNA-seq 解析パイプライン。"""
    # QC フィルタリング
    sc.pp.filter_cells(adata, min_genes=min_genes)
    sc.pp.filter_genes(adata, min_cells=3)
    adata.var["mt"] = adata.var_names.str.startswith("MT-")
    sc.pp.calculate_qc_metrics(adata, qc_vars=["mt"],
                                percent_top=None, inplace=True)
    adata = adata[adata.obs["pct_counts_mt"] < max_pct_mito].copy()

    # 正規化 → HVG → PCA → Neighbors → UMAP → Leiden
    sc.pp.normalize_total(adata, target_sum=1e4)
    sc.pp.log1p(adata)
    sc.pp.highly_variable_genes(adata, n_top_genes=n_hvg)
    adata.raw = adata
    adata = adata[:, adata.var["highly_variable"]].copy()
    sc.pp.scale(adata, max_value=10)
    sc.tl.pca(adata, n_comps=50)
    sc.pp.neighbors(adata, n_pcs=30)
    sc.tl.umap(adata)
    sc.tl.leiden(adata, resolution=resolution)
    return adata

学べるポイント: SATORI のスキルは「研究で確立した解析パターンをそのまま SKILL.md に書き下ろした」ものです。あなたも自分の解析パイプラインを同じように書けます。

SATORI のスキル分類（26 カテゴリ・190 スキル）

SATORI のスキルは以下のような分類で整理されています。

カテゴリ	スキル数	内容例
基盤・ワークフロー	17	パイプライン構築、前処理、論文執筆
統計・探索的解析	11	EDA、仮説検定、可視化
機械学習・モデリング	11	回帰、分類、AutoML
生命科学・オミクス	28	scRNA-seq、プロテオミクス、パスウェイ解析
創薬・ファーマコロジー	9	標的プロファイリング、ADMET、ドッキング
構造生物学	7	AlphaFold、タンパク質設計、PPI
精密医療	6	バリアント解釈、臨床意思決定
腫瘍学・疾患研究	10	がんゲノミクス、精密腫瘍学
Deep Research	4	文献検索、エビデンス評価
その他（計算材料、疫学、NLP 等）	77	量子計算、ベイズ統計、テキストマイニング

これらすべてが ToolUniverse 経由で 1,200 以上の外部科学データベースツール と連携可能です。

あなたのドメイン用スキルを設計するコツ

1. 日常の解析手順を書き出す

まず、あなたが普段行っている解析手順を箇条書きにしてみましょう。

例：フローサイトメトリー解析の場合
1. FCS ファイルを読み込む
2. 前方散乱/側方散乱でデブリを除去する
3. シングレットゲーティングを行う
4. 蛍光補正（コンペンセーション）を適用する
5. 各マーカーでゲーティングし、ポジティブ率を算出する
6. 統計比較とグラフ作成を行う

2. SKILL.md に変換する

箇条書きをそのまま SKILL.md の構造に落とし込みます。

flow-cytometry-analysis/SKILL.md

---
name: flow-cytometry-analysis
description: |
  フローサイトメトリー（FCM）データの解析スキル。FCS ファイルの読み込み、
  ゲーティング戦略の設計、蛍光補正、ポジティブ率算出、統計比較を実行。
---

# フローサイトメトリー解析

## When to Use
- FCS ファイルからフローサイトメトリーデータを解析したいとき
- 手動ゲーティングの結果を定量化したいとき
- 複数サンプル間でポジティブ率を統計比較したいとき

## Procedure

### 1. データの読み込み
- FCS 3.0/3.1 形式のファイルを読み込む
- FlowCal または fcsparser ライブラリを使用する

### 2. 前処理
- FSC-A vs SSC-A で細胞集団をゲーティング（デブリ除去）
- FSC-H vs FSC-A でシングレットゲーティング
- 必要に応じて生死判定マーカーで dead cell を除外する

### 3. 蛍光補正
- 単染色コントロールから補正行列を算出する
- 全サンプルに補正を適用する

### 4. ゲーティングと定量
- FMO コントロールを基準にポジティブ/ネガティブの閾値を設定する
- 各マーカーのポジティブ率（%）を算出する

### 5. 統計解析
- 2 群: Mann-Whitney U 検定（ノンパラメトリック）
- 3 群以上: Kruskal-Wallis 検定 + Dunn の事後検定

## Output Files
| ファイル | 内容 |
|:--|:--|
| `results/gating_summary.csv` | 各ゲートの細胞数と割合 |
| `results/positive_rates.csv` | マーカー別ポジティブ率 |
| `figures/gating_plots.png` | ゲーティング図 |
| `figures/comparison_boxplot.png` | 群間比較のボックスプロット |

3. 良いスキルを書くためのチェックリスト

チェック項目	説明
✅ name が命名規則に従っている	小文字英数字 + ハイフン、64 文字以内
✅ description が具体的	「何をするか」と「いつ使うか」を含む
✅ 手順が明確	後輩に教えるレベルの具体性がある
✅ 入出力が定義されている	入力ファイルと出力ファイルが明記されている
✅ コード例がある	主要な処理の Python コード例を含む
✅ 注意事項がある	よくある失敗パターンを記載
✅ 5000 トークン以下	超える場合は references/ に分離（目安：500 行以内）

CoreClaw で Agent Skills を動かす

作成した Agent Skills は、CoreClaw 上で動作させることができます。CoreClaw は AI for Science のための AI Agent OS で、Docker コンテナ内で安全に AI エージェントを実行するプラットフォームです。

CoreClaw の仕組み

スキルの登録方法

方法 1: ディレクトリに配置する

# skills/ ディレクトリにスキルフォルダをコピーするだけ
cp -r western-blot-quantification/ skills/

方法 2: ZIP アップロード（Web UI から）

スキルフォルダを ZIP に圧縮する
CoreClaw の Web 画面で左ペイン下部の「⚙ Settings」を開く
Skills タブの「📦 Upload ZIP」からアップロード

方法 3: チャットグループに割り当て

Web UI のサイドバーで新しいチャットグループを作成し、スキルセレクターからチェックを入れるだけで使えます。

セキュリティ：スキルスキャナー

サードパーティのスキルを使う場合、CoreClaw の スキルスキャナー でセキュリティスキャンを実行できます。

ステータス	意味
🟢 Safe	安全（検出なし）
🟡 Caution	中リスクのパターンを検出
🔴 Warning	高リスクのパターンを検出

スキルスキャナーは簡易的なチェックツールです。最終的にはご自身でスキルの内容を確認し、自己責任で採用してください。

分野別のスキル設計ガイド

あなたの研究分野に合わせたスキルの設計例を示します。

化学系

name: nmr-spectrum-analysis
description: |
  NMR スペクトル（1H, 13C, COSY, HSQC）の解析スキル。
  ケミカルシフトの帰属、結合定数の算出、構造推定を支援。

物理系

name: xrd-crystal-structure
description: |
  X 線回折（XRD）データの解析スキル。ピーク同定、
  格子定数の算出、Rietveld 精密化の手順を提供。

生態学系

name: species-distribution-modeling
description: |
  種分布モデリング（SDM）のスキル。MaxEnt や Random Forest を用い、
  生息地適合度の予測と環境変数の重要度評価を実行。

医学系

name: clinical-trial-survival-analysis
description: |
  臨床試験データの生存時間解析スキル。Kaplan-Meier 法、
  Log-rank 検定、Cox 比例ハザードモデルの実行と結果解釈。

ヒント: まずは 自分が最も頻繁に行う解析 を 1 つ選び、スキルにしてみましょう。完璧を目指さず、使いながら改善するのがコツです。

サブスキルで複雑なワークフローを管理する

スキルが大きくなったら、サブスキル に分割して管理できます。

my-omics-pipeline/
├── SKILL.md                         # 親スキル（全体のオーケストレーション）
└── skills/
    ├── quality-control/
    │   └── SKILL.md                 # QC サブスキル
    ├── normalization/
    │   └── SKILL.md                 # 正規化サブスキル
    ├── differential-expression/
    │   └── SKILL.md                 # 差次的発現解析サブスキル
    └── pathway-enrichment/
        └── SKILL.md                 # パスウェイ解析サブスキル

SATORI の scientist スキルは、この構造で 195 個のサブスキル を管理しています。

scientist/
├── SKILL.md
└── skills/
    ├── scientific-hypothesis-pipeline/
    ├── scientific-protein-structure-analysis/
    ├── scientific-drug-target-profiling/
    ├── scientific-bioinformatics/
    └── ... (195 サブスキル)

ToolUniverse 連携：1,200 以上の科学ツールを活用

SATORI のスキルは、ToolUniverse の MCP（Model Context Protocol）サーバー経由で 1,200 以上の外部科学データベースツール と連携できます。

SATORI Skill（方法論・判断）	連携	ToolUniverse SMCP（データ取得・計算）
bioinformatics	MCP	UniProt, KEGG, GEO
drug-target-profiling	MCP	ChEMBL, DGIdb, PubChem
variant-interpretation	MCP	ClinVar, gnomAD, ClinGen
literature-search	MCP	PubMed, OpenAlex, Semantic Scholar
cancer-genomics	MCP	COSMIC, cBioPortal, DepMap

SKILL.md 内に「利用可能ツール」セクションを記載しておくと、AI エージェントが適切なツールを自動的に呼び出します。

## Available Tools

| カテゴリ | ツール | 用途 |
|:--|:--|:--|
| UniProt | `UniProt_search` | タンパク質検索 |
| KEGG | `kegg_get_pathway_info` | パスウェイ情報取得 |
| PubMed | `pubmed_search` | 文献検索 |

MCP の可能性 — データベースの先へ

ToolUniverse 経由の科学データベース連携は MCP 活用の一例にすぎません。MCP（Model Context Protocol）は、AI エージェントと外部システムをつなぐ 汎用プロトコル です。MCP サーバーを自作すれば、あなたの研究環境にある あらゆるツール を AI エージェントから利用可能にできます。

研究インフラとの連携例

連携先	MCP サーバーの役割	研究者のメリット
シミュレーションソフト	GROMACS, LAMMPS, Gaussian 等にジョブを投入し、結果を取得	「このタンパク質の MD シミュレーションを 100ns 実行して」と指示するだけ
スーパーコンピュータ	SLURM / PBS 等のジョブスケジューラにジョブを投入し、完了を監視	HPC のコマンド操作を覚えなくても大規模計算を実行可能
実験装置	分析機器の制御 API に接続し、測定データを自動取得	測定→解析→レポートの一気通貫ワークフロー
ラボノート / ELN	Benchling, LabArchives 等に実験記録を自動登録	解析結果が自動的にラボノートに反映
クラウドストレージ	AWS S3, Google Drive 等から大規模データを取得・保存	データの所在を意識せず解析に集中

MCP サーバー連携の仕組み

つまり、Agent Skills が「何をすべきか」を定義し、MCP サーバーが「どうやって外部と通信するか」を担う という役割分担です。スキルと MCP を組み合わせることで、自然言語の指示ひとつで研究ワークフロー全体を自動化できる可能性が広がります。

まとめ

Agent Skills は、あなたの研究ノウハウを AI エージェントに教える最もシンプルな方法 です。

研究者が行うこと	→	AI が行うこと
SKILL.md を書く	→	手順を読み込む
「こう解析して」と指示	→	「了解、実行します」
手順を共有する	→	どんなデータにも適用する

始め方のまとめ:

📝 書く: 日常の解析手順を SKILL.md に書き出す
📁 置く: スキルフォルダを skills/ に配置する
🚀 使う: CoreClaw で AI エージェントに解析を依頼する
🔄 改善する: 使いながら指示を修正・追加する

Agent Skills のオープンスタンダード仕様は GitHub で公開されており、コミュニティからの貢献を歓迎しています。科学研究向けのスキルコレクション SATORI も参考にしてください。

あなたの研究分野の最初の Agent Skill を、今日から作ってみませんか？

参考リンク

リソース	URL
Agent Skills 仕様	https://github.com/agentskills/agentskills
Agent Skills 公式サイト	https://agentskills.io
Agent Skills 仕様書（Specification）	https://agentskills.io/specification
SATORI（科学用 Agent Skills）	https://github.com/nahisaho/satori
CoreClaw（AI Agent OS）	https://qiita.com/hisaho/items/7ff94c306db3785f4e68
ToolUniverse（科学ツール MCP）	https://github.com/mims-harvard/ToolUniverse

付録：分野別 Agent Skills サンプル集

以下に、主要な研究分野を MECE（漏れなく・ダブりなく） で分類し、各分野のサンプル SKILL.md を掲載します。コピー＆ペーストしてそのまま使用・改変できます。

大分類	サンプルスキル	対象の研究者
A. 生命科学・医学	scrna-seq-clustering	分子生物学、細胞生物学、医学
B. 化学・材料科学	nmr-structure-elucidation	有機化学、無機化学、材料工学
C. 物理学・工学	xrd-crystal-analysis	物性物理、結晶工学、半導体
D. 地球科学・環境科学	species-distribution-modeling	生態学、環境科学、地球科学
E. 情報科学・数理科学	ml-experiment-tracker	機械学習、統計、応用数学
F. 社会科学・人文科学	survey-text-analysis	心理学、社会学、言語学

A. 生命科学・医学：scRNA-seq クラスタリング解析

scrna-seq-clustering/SKILL.md

---
name: scrna-seq-clustering
description: |
  シングルセル RNA-seq データのクラスタリング解析スキル。Scanpy を用いた
  QC、正規化、HVG 選択、次元削減、クラスタリング、マーカー遺伝子同定を実行。
  10x Genomics データに対応。
---

# scRNA-seq クラスタリング解析

## When to Use

- 10x Genomics の scRNA-seq データを解析したいとき
- 細胞クラスタを同定し、マーカー遺伝子を特定したいとき
- UMAP による可視化とクラスタ間の差次的発現解析を行いたいとき

## Procedure

### 1. データ読み込みと QC

- `scanpy.read_10x_h5()` または `scanpy.read_10x_mtx()` でデータを読み込む
- ミトコンドリア遺伝子（`MT-` プレフィックス）の割合を算出する
- 以下の基準でフィルタリングする：
  - 最小遺伝子数: 200
  - 最大遺伝子数: 5000（ダブレット除去）
  - ミトコンドリア遺伝子割合: < 20%

### 2. 正規化と特徴量選択

- ライブラリサイズを 10,000 に正規化する
- Log1p 変換を適用する
- 上位 2000 個の高変動遺伝子（HVG）を選択する

### 3. 次元削減とクラスタリング

- PCA（50 成分）→ Neighbors（30 PC）→ UMAP
- Leiden アルゴリズムでクラスタリング（resolution = 0.5〜1.0）

### 4. マーカー遺伝子同定

- `scanpy.tl.rank_genes_groups()` で各クラスタのマーカーを同定する
- Wilcoxon 順位和検定を使用する
- 上位 20 遺伝子をヒートマップとドットプロットで可視化する

## Code Examples

```python
import scanpy as sc

# データ読み込みと QC
adata = sc.read_10x_h5("filtered_feature_bc_matrix.h5")
adata.var_names_make_unique()
adata.var["mt"] = adata.var_names.str.startswith("MT-")
sc.pp.calculate_qc_metrics(adata, qc_vars=["mt"], inplace=True)
adata = adata[adata.obs["pct_counts_mt"] < 20].copy()

# 正規化 → HVG → PCA → クラスタリング
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)
sc.pp.highly_variable_genes(adata, n_top_genes=2000)
adata = adata[:, adata.var["highly_variable"]].copy()
sc.pp.scale(adata, max_value=10)
sc.tl.pca(adata, n_comps=50)
sc.pp.neighbors(adata, n_pcs=30)
sc.tl.leiden(adata, resolution=0.8)
sc.tl.umap(adata)

# マーカー遺伝子同定
sc.tl.rank_genes_groups(adata, groupby="leiden", method="wilcoxon")
sc.pl.rank_genes_groups_dotplot(adata, n_genes=5, save="markers.png")
```

## Output Files

| ファイル | 内容 |
|:--|:--|
| `figures/umap_clusters.png` | UMAP クラスタ可視化 |
| `figures/markers.png` | マーカー遺伝子ドットプロット |
| `results/markers_per_cluster.csv` | クラスタごとのマーカー遺伝子リスト |

## Caveats

- バッチ効果がある場合は `scanorama` や `harmony` で補正すること
- resolution パラメータはデータに応じて 0.3〜1.5 で調整すること
- ダブレット検出には事前に `scrublet` を適用することを推奨

B. 化学・材料科学：NMR 構造解析

nmr-structure-elucidation/SKILL.md

---
name: nmr-structure-elucidation
description: |
  NMR スペクトルデータ（1H, 13C, COSY, HSQC, HMBC）を用いた有機化合物の
  構造推定スキル。ケミカルシフトの帰属、結合定数の算出、2D NMR による
  結合相関の解析を支援。RDKit による構造描画にも対応。
---

# NMR 構造解析

## When to Use

- 合成した化合物の構造確認を行いたいとき
- 1D/2D NMR スペクトルからケミカルシフトを帰属したいとき
- COSY/HSQC/HMBC の相関データから部分構造を組み立てたいとき

## Procedure

### 1. スペクトルデータの読み込み

- JCAMP-DX (.jdx) または Bruker 形式のデータを読み込む
- nmrglue ライブラリを使用してスペクトルを処理する

### 2. ¹H NMR 解析

- ピーク検出を行い、ケミカルシフト (δ, ppm) を一覧化する
- 積分比から水素の数を推定する
- 分裂パターン（s, d, t, q, m）と結合定数 J (Hz) を算出する
- 以下のケミカルシフト範囲を参考に帰属する：
  - δ 0.8–1.5: アルキル CH₃, CH₂
  - δ 3.3–4.5: ヘテロ原子隣接 CH
  - δ 6.5–8.5: 芳香族 H
  - δ 9.0–10.0: アルデヒド H

### 3. ¹³C NMR 解析

- DEPT または HSQC を併用して CH₃/CH₂/CH/C を区別する
- カルボニル（δ 170–220）、芳香族（δ 110–160）等の領域で帰属する

### 4. 2D NMR による構造推定

- COSY: ³J(H-H) 結合相関から隣接プロトンを特定する
- HSQC: ¹J(C-H) 直接結合相関から C-H ペアを確定する
- HMBC: ²J/³J(C-H) 長距離相関から炭素骨格を推定する

### 5. 構造の確定と描画

- 部分構造を組み合わせて候補構造を提案する
- 分子量（MS データ）と一致するか確認する
- RDKit で構造式を描画する

## Code Examples

```python
import nmrglue as ng
import numpy as np

# Bruker データの読み込み
dic, data = ng.bruker.read("./experiment_dir")
udic = ng.bruker.guess_udic(dic, data)

# フーリエ変換とフェーズ補正
data = ng.proc_base.fft(data)
data = ng.proc_autophase.autops(data, "acme")

# ピーク検出
peaks = ng.peakpick.pick(data, pthres=1e6, algorithm="downward")
print(f"検出ピーク数: {len(peaks)}")
```

## Output Files

| ファイル | 内容 |
|:--|:--|
| `results/chemical_shifts.csv` | ケミカルシフト・帰属一覧 |
| `results/correlations.csv` | 2D NMR 相関データ |
| `figures/1h_spectrum.png` | ¹H NMR スペクトル図 |
| `figures/structure.png` | 推定構造式 |

## Caveats

- 溶媒ピーク（CDCl₃: δ 7.26, DMSO-d₆: δ 2.50）を差し引くこと
- 不純物のピークを事前に除外すること
- 対称性のある分子では等価なプロトンに注意すること

C. 物理学・工学：X 線回折（XRD）結晶構造解析

xrd-crystal-analysis/SKILL.md

---
name: xrd-crystal-analysis
description: |
  粉末 X 線回折（XRD）データの解析スキル。ピーク同定、格子定数の算出、
  相同定（ICDD/COD データベース照合）、Rietveld 精密化を実行。
  pymatgen および GSAS-II との連携に対応。
---

# XRD 結晶構造解析

## When to Use

- 粉末 XRD パターンから結晶相を同定したいとき
- 格子定数や結晶子サイズを算出したいとき
- Rietveld 精密化で結晶構造パラメータを精密化したいとき

## Procedure

### 1. データの読み込みと前処理

- XY (2θ, intensity) または RAW/XRDML 形式のデータを読み込む
- バックグラウンド補正を行う（多項式フィットまたは Sonneveld-Visser 法）
- Kα₂ ストリッピングが必要な場合は適用する

### 2. ピーク検出とインデキシング

- ピーク位置（2θ）と強度を検出する
- Bragg の法則 (nλ = 2d sinθ) で面間隔 d を算出する
- Scherrer 式で結晶子サイズ τ を推定する：
  - τ = Kλ / (β cosθ)
  - K ≈ 0.9, β = FWHM (rad)

### 3. 相同定

- 実測 d 値リストを ICDD PDF / COD データベースと照合する
- 一致するエントリを候補としてリストアップする

### 4. Rietveld 精密化（オプション）

- 初期構造モデル（CIF ファイル）を読み込む
- 格子定数、原子位置、温度因子をフィッティングする
- Rwp, Rp, GOF の収束を確認する

## Code Examples

```python
from pymatgen.analysis.diffraction.xrd import XRDCalculator
from pymatgen.core import Structure
import numpy as np

# CIF ファイルから構造を読み込み、XRD パターンをシミュレート
structure = Structure.from_file("structure.cif")
calculator = XRDCalculator(wavelength="CuKa")
pattern = calculator.get_pattern(structure)

# Scherrer 式による結晶子サイズの推定
def scherrer_size(fwhm_deg, two_theta_deg, wavelength=1.5406, K=0.9):
    """結晶子サイズ (nm) を Scherrer 式で算出する。"""
    beta = np.radians(fwhm_deg)
    theta = np.radians(two_theta_deg / 2)
    return (K * wavelength) / (beta * np.cos(theta)) / 10  # Å → nm
```

## Output Files

| ファイル | 内容 |
|:--|:--|
| `results/peak_list.csv` | 2θ, d 値, 強度, hkl 一覧 |
| `results/lattice_parameters.json` | 格子定数 (a, b, c, α, β, γ) |
| `figures/xrd_pattern.png` | 実測 vs 計算 XRD パターン |

## Caveats

- 試料が混合相の場合は定量分析（RIR 法）を適用すること
- 優先配向がある場合は March-Dollase 補正を考慮すること
- アモルファス成分はブロードなハローとして現れるため、結晶相とは別に扱うこと

D. 地球科学・環境科学：種分布モデリング（SDM）

species-distribution-modeling/SKILL.md

---
name: species-distribution-modeling
description: |
  種分布モデリング（SDM）スキル。GBIF の出現記録と WorldClim の気候データを
  用いて、MaxEnt や Random Forest で生息適地を予測。AUC 評価、
  環境変数の重要度分析、将来気候シナリオ下の分布予測を実行。
---

# 種分布モデリング（SDM）

## When to Use

- 生物種の潜在的な分布域を予測したいとき
- 分布を規定する環境要因を特定したいとき
- 気候変動シナリオ下での分布域変化をシミュレーションしたいとき

## Procedure

### 1. データ準備

- 出現記録を GBIF (Global Biodiversity Information Facility) から取得する
- 環境変数を WorldClim (bioclim) からダウンロードする（bio1〜bio19）
- 空間的な希薄化（spatial thinning）で記録の偏りを補正する

### 2. 擬似不在点の生成

- 研究対象領域内に背景点（pseudo-absence）をランダムに生成する
- 出現点から最低 10km 離れた地点を選択する
- 不在点数 = 出現点数 × 10（推奨）

### 3. モデル構築

- MaxEnt: 最大エントロピーモデル（java ベース or `elapid`）
- Random Forest: scikit-learn `RandomForestClassifier`
- 5-fold 空間交差検証で過学習を防ぐ

### 4. モデル評価

- AUC (Area Under the ROC Curve): ≥ 0.8 を基準とする
- TSS (True Skill Statistic): ≥ 0.6 を基準とする
- 応答曲線で各変数の影響を可視化する

### 5. 予測マップの作成

- 現在の気候条件で適地マップを生成する
- 将来シナリオ（SSP2-4.5, SSP5-8.5）で分布変化を予測する

## Code Examples

```python
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score
import rasterio

# 出現/不在データの読み込み
occurrences = pd.read_csv("occurrence_data.csv")  # lat, lon, presence

# 環境変数の抽出
def extract_bioclim(points_df, raster_path):
    """座標から bioclim 変数値を抽出する。"""
    with rasterio.open(raster_path) as src:
        coords = [(row.lon, row.lat) for _, row in points_df.iterrows()]
        values = [v[0] for v in src.sample(coords)]
    return values

# Random Forest モデル
rf = RandomForestClassifier(n_estimators=500, random_state=42)
scores = cross_val_score(rf, X_env, y, cv=5, scoring="roc_auc")
print(f"AUC: {scores.mean():.3f} ± {scores.std():.3f}")
```

## Output Files

| ファイル | 内容 |
|:--|:--|
| `results/model_evaluation.csv` | AUC, TSS 等の評価指標 |
| `results/variable_importance.csv` | 環境変数の重要度ランキング |
| `figures/suitability_map.png` | 生息適地マップ |
| `figures/future_projection.png` | 将来分布予測マップ |

## Caveats

- サンプリングバイアス（道路・都市近傍に偏る）に注意すること
- 環境変数間の多重共線性（VIF > 10）がある場合は変数を削減すること
- モデルの外挿（学習範囲外の環境条件への予測）は信頼性が低い

E. 情報科学・数理科学：ML 実験管理

ml-experiment-tracker/SKILL.md

---
name: ml-experiment-tracker
description: |
  機械学習の実験管理・再現性確保スキル。ハイパーパラメータ探索、
  学習曲線の可視化、モデル比較、再現性のためのシード固定と環境記録を
  体系的に実行。MLflow / Weights & Biases との連携に対応。
---

# ML 実験管理

## When to Use

- 機械学習モデルの学習と評価を体系的に管理したいとき
- ハイパーパラメータ探索の結果を記録・比較したいとき
- 実験の再現性を確保したいとき

## Procedure

### 1. 実験環境の記録

- Python バージョン、ライブラリバージョンを記録する
- ランダムシードを固定する（numpy, torch, random）
- GPU 情報を記録する

### 2. データの準備と分割

- 学習:検証:テスト = 60:20:20 で分割する
- 層化分割（StratifiedKFold）を使用する
- データのハッシュ値を記録して同一性を保証する

### 3. ハイパーパラメータ探索

- Optuna で Bayesian Optimization を実行する
- 探索範囲と試行回数を事前に定義する
- 各試行の結果を自動的に記録する

### 4. モデル学習と評価

- 学習曲線（loss, metric vs epoch）をプロットする
- 検証セットでのベストモデルを保存する（Early Stopping）
- テストセットでの最終評価を行う

### 5. 結果の記録と比較

- メトリクス（Accuracy, F1, AUC 等）をテーブルで整理する
- 複数モデル間の比較表を生成する
- 統計的有意差検定（Wilcoxon）を実施する

## Code Examples

```python
import optuna
import numpy as np
import torch

def fix_seed(seed=42):
    """再現性のためにシードを固定する。"""
    np.random.seed(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed_all(seed)
    torch.backends.cudnn.deterministic = True

def objective(trial):
    """Optuna のハイパーパラメータ探索。"""
    lr = trial.suggest_float("lr", 1e-5, 1e-2, log=True)
    n_layers = trial.suggest_int("n_layers", 1, 5)
    dropout = trial.suggest_float("dropout", 0.1, 0.5)
    # モデル学習・検証
    model = build_model(n_layers=n_layers, dropout=dropout)
    val_score = train_and_evaluate(model, lr=lr)
    return val_score

study = optuna.create_study(direction="maximize")
study.optimize(objective, n_trials=100)
print(f"Best AUC: {study.best_value:.4f}")
print(f"Best params: {study.best_params}")
```

## Output Files

| ファイル | 内容 |
|:--|:--|
| `results/experiment_log.json` | 全試行のパラメータとメトリクス |
| `results/best_model.pt` | ベストモデルの重み |
| `results/model_comparison.csv` | モデル間の性能比較表 |
| `figures/learning_curve.png` | 学習曲線 |
| `figures/optuna_history.png` | 探索履歴の可視化 |

## Caveats

- データリーク（学習データにテストデータの情報が漏れる）に注意すること
- GPU メモリ不足の場合はバッチサイズを削減すること
- 実験結果の報告には必ず標準偏差を含めること（n ≥ 3 の独立試行）

F. 社会科学・人文科学：調査テキスト分析

survey-text-analysis/SKILL.md

---
name: survey-text-analysis
description: |
  アンケートの自由記述テキスト分析スキル。形態素解析（MeCab/Sudachi）、
  共起ネットワーク、トピックモデル（LDA）、センチメント分析を実行。
  日本語テキストに対応。KH Coder 互換の出力形式を提供。
---

# 調査テキスト分析

## When to Use

- アンケートの自由記述回答を定量的に分析したいとき
- テキストデータからトピック（話題）を抽出したいとき
- 回答の感情傾向（ポジティブ/ネガティブ）を把握したいとき

## Procedure

### 1. テキストの前処理

- 全角・半角の統一、不要な記号の除去を行う
- MeCab + NEologd 辞書で形態素解析する
- 名詞・動詞・形容詞を抽出し、活用形を原形に戻す
- ストップワード（「こと」「もの」「ため」等）を除去する

### 2. 頻度分析

- 単語出現頻度（TF）を集計する
- TF-IDF を算出し、特徴的な語を抽出する
- ワードクラウドを生成する

### 3. 共起ネットワーク分析

- 同一回答内での単語共起関係を算出する（Jaccard 係数）
- 共起ネットワークを描画する（閾値: Jaccard ≥ 0.1）
- サブグラフ検出（Louvain 法）でトピッククラスタを抽出する

### 4. トピックモデル（LDA）

- gensim の LdaModel でトピックを推定する
- トピック数は coherence score (c_v) で最適化する（3〜20 の範囲）
- 各トピックの上位キーワードと代表的な回答を表示する

### 5. センチメント分析

- 東北大学の日本語評判分析辞書を使用する
- 各回答にポジティブ/ネガティブ/ニュートラルのラベルを付与する
- 属性（年代、性別等）ごとの感情傾向をクロス集計する

## Code Examples

```python
import MeCab
from collections import Counter
from wordcloud import WordCloud

def tokenize_japanese(text, pos_filter=("名詞", "動詞", "形容詞")):
    """MeCab で日本語テキストを形態素解析する。"""
    tagger = MeCab.Tagger("-d /usr/lib/x86_64-linux-gnu/mecab/dic/mecab-ipadic-neologd")
    node = tagger.parseToNode(text)
    tokens = []
    while node:
        features = node.feature.split(",")
        if features[0] in pos_filter:
            base_form = features[6] if features[6] != "*" else node.surface
            tokens.append(base_form)
        node = node.next
    return tokens

# ワードクラウド生成
all_tokens = []
for response in survey_responses:
    all_tokens.extend(tokenize_japanese(response))

freq = Counter(all_tokens)
wc = WordCloud(font_path="/usr/share/fonts/truetype/ipafont/ipagp.ttf",
               width=800, height=400, background_color="white")
wc.generate_from_frequencies(freq)
wc.to_file("figures/wordcloud.png")
```

## Output Files

| ファイル | 内容 |
|:--|:--|
| `results/word_frequency.csv` | 単語出現頻度表 |
| `results/cooccurrence_matrix.csv` | 共起行列 |
| `results/topic_keywords.csv` | トピックごとの上位キーワード |
| `results/sentiment_summary.csv` | センチメント集計結果 |
| `figures/wordcloud.png` | ワードクラウド |
| `figures/cooccurrence_network.png` | 共起ネットワーク図 |

## Caveats

- 回答数が少ない場合（< 100 件）はトピックモデルの精度が低下する
- 個人を特定できる記述は事前に匿名化すること（倫理審査対応）
- 専門用語が多い場合は MeCab のユーザー辞書に登録すること

Agent Skills 公式サイト ↩