Answering Research Questions

研究に関する質問への回答

概要

クエリから知見の獲得まで、研究ワークフロー全体をオーケストレーションします。

基本原則： 体系的で、追跡可能かつ包括的に進めます。検索 → 評価 → 探索 → 統合。

開始時に宣言： 「Answering Research Questions スキルを使用して、[トピック]に関する[具体的なデータ]を探します。」

プロセス

フェーズ 1：クエリを解析する

ユーザーの依頼から以下を抽出します。

キーワード：

• 主な概念（例：「BTK inhibitor」、「selectivity」）
• 同義語や別表現（例：「Bruton tyrosine kinase」）
• 関連用語（例：「off-target」、「kinase panel」）

必要なデータの種類：

• 特定の測定値（IC50、KD、EC50 など）
• 方法やプロトコル
• 構造や配列
• 結果や結論

制約条件：

• 日付範囲
• 特定の化合物／標的
• 生物やシステム
• 出版物の種類

必要に応じて確認の質問をします：

• 「in vitro データと in vivo データのどちらをお探しですか？」
• 「特定の期間はありますか？」
• 「特に関心のあるキナーゼはありますか？」
• 「Unpaywall API リクエストに使用するメールアドレスを教えてください。」（オープンアクセス論文を探すために必要です）

フェーズ 2：研究セッションを初期化する

フォルダー名を提案する：

research-sessions/YYYY-MM-DD-brief-description/

例：research-sessions/2025-10-11-btk-inhibitor-selectivity/

提案をユーザーに提示する：

📁 Creating research folder: research-sessions/2025-10-11-btk-inhibitor-selectivity/
   Proceed? (y/n)

フォルダー構造を作成する：

mkdir -p "research-sessions/YYYY-MM-DD-description"/{papers,citations}

ファイルを初期化する：

コアファイル（常に作成）：

papers-reviewed.json：

{}

citations/citation-graph.json：

{}

SUMMARY.md：

# Research Query: [User's question]

**Started:** YYYY-MM-DD HH:MM
**Keywords:** keyword1, keyword2, keyword3
**Data types sought:** IC50 values, selectivity data, synthesis methods

---

## Highly Relevant Papers (Score ≥ 8)

Papers scored using `evaluating-paper-relevance` skill:
- Score 0-10 based on: Keywords (0-3) + Data type (0-4) + Specificity (0-3)
- Score ≥ 8: Highly relevant with significant data
- Score 7: Relevant with useful data
- Score 5-6: Possibly relevant
- Score < 5: Not relevant

(Papers will be added here as found)

Example format:
### [Paper Title](https://doi.org/10.1234/example)
**DOI:** [10.1234/example](https://doi.org/10.1234/example) | **PMID:** [12345678](https://pubmed.ncbi.nlm.nih.gov/12345678/)

---

## Relevant Papers (Score 7)

(Papers will be added here as found)

---

## Possibly Relevant Papers (Score 5-6)

(Noted for potential follow-up)

---

## Search Progress

- Initial PubMed search: X results
- Papers reviewed: Y
- Papers with relevant data: Z
- Citations followed: N

---

## Key Findings

(Synthesized findings will be added as research progresses)

重要：DOI と PMID には、必ずクリック可能な Markdown リンクを使用してください

補助ファイル（検索件数が100件を超える場合）：

作成するタイミングについては、evaluating-paper-relevance スキルを参照してください。

• README.md - プロジェクトの概要、方法、ファイル一覧
• TOP_PRIORITY_PAPERS.md - 優先度別に整理した厳選リスト
• evaluated-papers.json - プログラムからアクセスするための、詳細な構造化データ

小規模な検索（論文50件未満）では、コアファイルだけを使用します。大規模な検索（論文100件超）では、補助ファイルによって整理の価値が大きく高まります。

フェーズ 3：文献を検索する

searching-literature スキルを使用します：

1. キーワードから PubMed クエリを作成する
2. 検索を実行する（最初は100件の結果から開始）
3. 結果を initial-search-results.json に保存する
4. 「クエリに一致する論文が N 件見つかりました」と報告する

フェーズ 4：論文を評価する

evaluating-paper-relevance スキルを使用します：

各論文について：

1. papers-reviewed.json を確認する（処理済みの場合はスキップ）
2. 第1段階：抄録を採点する（0～10点）
3. スコアが7以上の場合：第2段階の詳細調査を行う
4. 知見を SUMMARY.md に抽出する
5. PDF と補足資料が入手可能な場合はダウンロードする
6. papers-reviewed.json を更新する（スコアの低い論文も含む、すべての論文が対象）
7. スコアが7以上の場合：この論文についてフェーズ5に進む

重要：スコアにかかわらず、すべての論文を papers-reviewed.json に追加してください。これにより、再評価を防ぎ、検索履歴全体を記録できます。

すべての論文について進捗を報告する：

📄 [15/100] Screening: "Paper Title"
   Abstract score: 8 → Fetching full text...
   ✓ Found IC50 data for 8 compounds
   → Added to SUMMARY.md

📄 [16/100] Screening: "Another Paper"
   Abstract score: 3 → Skipping (not relevant)

📄 [17/100] Screening: "Third Paper"
   Abstract score: 7 → Relevant, adding to queue...

論文を10件処理するごとに、概要を報告します

フェーズ 5：引用を探索する

traversing-citations スキルを使用します：

スコアが7以上の論文について：

1. 参考文献を取得する（後方）
2. 被引用文献を取得する（前方）
3. 関連性を基準に絞り込む（スコアが5以上）
4. 処理キューに追加する
5. キューに入った論文を評価する（フェーズ4に戻る）

進捗を報告する：

🔗 Following citations from highly relevant paper
   → Found 12 relevant references
   → Found 8 relevant citing papers
   → Adding 20 papers to queue

フェーズ 6：チェックポイント

以下のタイミングで確認します：

• 50件の論文を評価するごと
• 処理を5分行うごと
• キューが空になったとき

ユーザーに確認します：

⏸️  Checkpoint: Reviewed 50 papers, found 12 relevant
    Papers with data: 7
    Continue searching? (y/n/summary)

選択肢：

• y - 処理を続行する
• n - 停止して最終結果をまとめる
• summary - 現在の知見を表示してから決定する

フェーズ 7：調査結果を統合する

停止する場合（ユーザーが「いいえ」と答えた場合、またはキューが空の場合）：

オプション A：手動で統合する（小規模な調査セッション）

1. SUMMARY.md を確認する - 関連性とトピックごとに整理します
2. 主な調査結果を抽出する - データの種類ごとにまとめます
3. 統合セクションを追加する：

## Key Findings Summary

### IC50 Values for BTK Inhibitors
- Compound A: 12 nM (Smith et al., 2023)
- Compound B: 45 nM (Doe et al., 2024)
- [More compounds...]

### Selectivity Data
- Compound A shows >80-fold selectivity vs other kinases
- Tested against panel of 50 kinases (Jones et al., 2023)

### Synthesis Methods
- Lead compounds synthesized via [method]
- Yields: 30-45%
- Full protocols in [papers]

### Gaps Identified
- No data on selectivity vs [specific kinase]
- Limited in vivo data
- Few papers on resistance mechanisms

4. 検索の進捗統計を更新する
5. ダウンロードしたファイルをすべて列挙する

オプション B：スクリプトで統合する（大規模な調査セッション、論文 50 件超）

大規模な調査セッションでは、統合スクリプトの作成を検討してください。

generate_summary.py を作成する：

• ヘルパースクリプトから evaluated-papers.json を読み込む
• 優先度と足場の種類ごとに調査結果を集約する
• 次の内容を含む包括的な SUMMARY.md を生成する：
  • 統計を含む概要
  • 関連性スコア別にまとめた論文
  • 次のステップに関する優先度付きの推奨事項
  • 方法論のドキュメント
• タイムスタンプと再現性に関する情報を含める

メリット：

• セッション間で一貫した書式を保てます
• 論文を追加したときに簡単に再生成できます
• グループ化やフィルタリングのロジックをカスタマイズできます
• 方法論全体を記録できます

最終レポート：

✅ Research complete!

📊 Summary:
   - Papers reviewed: 127
   - Relevant papers: 18
   - Highly relevant: 7
   - Data extracted: IC50 values for 45 compounds, selectivity data, synthesis methods

📁 All findings in: research-sessions/2025-10-11-btk-inhibitor-selectivity/
   - SUMMARY.md (organized findings)
   - papers/ (14 PDFs + supplementary data)
   - papers-reviewed.json (complete tracking)

フェーズ 8：最終的な統合

重要：最後に必ず調査結果を統合してください

1. relevant-papers.json を作成する

papers-reviewed.json をフィルタリングし、関連性のある論文（スコア ≥ 7）のみを抽出します：

# Read papers-reviewed.json
with open('papers-reviewed.json') as f:
    all_papers = json.load(f)

# Filter for relevant papers (score >= 7)
relevant_papers = {
    doi: data for doi, data in all_papers.items()
    if data.get('score', 0) >= 7
}

# Save to relevant-papers.json
with open('relevant-papers.json', 'w') as f:
    json.dump(relevant_papers, f, indent=2)

形式：

{
  "10.1234/example1.2023": {
    "pmid": "12345678",
    "title": "Paper title",
    "status": "highly_relevant",
    "score": 9,
    "source": "pubmed_search",
    "timestamp": "2025-10-11T16:00:00Z",
    "found_data": ["IC50 values", "synthesis methods"],
    "chembl_id": "CHEMBL1234567"
  },
  "10.1234/example2.2023": {
    "pmid": "23456789",
    "title": "Another paper",
    "status": "relevant",
    "score": 7,
    "source": "forward_citation",
    "timestamp": "2025-10-11T16:15:00Z",
    "found_data": ["MIC data"]
  }
}

2. 方法論セクションで SUMMARY.md を強化する

既存の SUMMARY.md の先頭（論文一覧の前）に、次のセクションを追加します：

# Research Query: [User's question]

**Date:** 2025-10-11
**Duration:** 2h 15m
**Status:** Complete

---

## Search Strategy

**Keywords:** BTK, Bruton tyrosine kinase, inhibitor, selectivity, off-target, kinase panel, IC50
**Data types sought:** IC50 values, selectivity data, kinase panel screening
**Constraints:** None (open date range)

**PubMed Query:**

("BTK" OR "Bruton tyrosine kinase") AND (inhibitor OR "kinase inhibitor") AND (selectivity OR "off-target")

---

## Screening Methodology

**Rubric:** Abstract scoring (0-10)
- Key terms: +3 pts each (or Keywords 0-3, Data type 0-4, Specificity 0-3 if using old rubric)
- Relevant terms: +1 pt each
- Threshold: ≥7 = relevant

**Sources:**
- Initial PubMed search
- Forward/backward citations via Semantic Scholar

---

## Results Statistics

**Papers Screened:**
- Total reviewed: 127 papers
- Highly relevant (≥8): 12 papers
- Relevant (7): 18 papers
- Possibly relevant (5-6): 23 papers
- Not relevant (<5): 74 papers

**Data Extracted:**
- IC50 values: 45 compounds across 12 papers
- Selectivity data: 8 papers with kinase panel screening
- Full text obtained: 18/30 relevant papers (60%)

**Citation Traversal:**
- Papers with citations followed: 7
- References screened: 45 papers
- Citing papers screened: 38 papers
- Relevant papers found via citations: 8 papers

---

## Key Findings Summary

### IC50 Values for BTK Inhibitors
- Ibrutinib: 0.5 nM (Smith et al., 2023)
- Acalabrutinib: 3 nM (Doe et al., 2024)
- [Additional findings synthesized from papers below]

### Selectivity Patterns
- Most inhibitors show >50-fold selectivity vs other kinases
- Common off-targets: TEC, BMX (other TEC family kinases)

### Gaps Identified
- Limited data on selectivity vs JAK/SYK
- Few papers on resistance mechanisms
- No in vivo selectivity data found

---

## File Inventory

- `SUMMARY.md` - This file (methodology + findings)
- `relevant-papers.json` - 30 relevant papers (score ≥7)
- `papers-reviewed.json` - All 127 papers screened
- `papers/` - 18 PDFs + 5 supplementary files
- `citations/citation-graph.json` - Citation relationships

---

## Reproducibility

**To reproduce:**
1. Use PubMed query above
2. Apply screening rubric (threshold ≥7)
3. Follow citations from highly relevant papers (≥8)
4. Check Unpaywall for paywalled papers

**Software:** Research Superpowers skills v2025-10-11

---

[Existing paper listings follow below...]

## Highly Relevant Papers (Score ≥ 8)

### [Paper Title]...

ユーザーへの報告：

✅ Research session complete!

📄 Consolidation complete:
   1. SUMMARY.md - Enhanced with methodology, statistics, and findings
   2. relevant-papers.json - 30 relevant papers (score ≥7) in JSON format

📁 All files in: research-sessions/2025-10-11-btk-inhibitor-selectivity/
   - SUMMARY.md (complete: methodology + paper-by-paper findings)
   - relevant-papers.json (30 relevant papers for programmatic access)
   - papers-reviewed.json (127 total papers screened)
   - papers/ (18 PDFs)

🔍 Quick access:
   - Open SUMMARY.md for complete findings and methodology
   - Use relevant-papers.json for programmatic access

💡 Optional: Clean up intermediate files?
   → Use cleaning-up-research-sessions skill to safely remove temporary files

ワークフローのチェックリスト

これらのステップの進捗管理には TodoWrite を使用します：

• ユーザーのクエリを解析する（キーワード、データの種類、制約）
• 調査フォルダーを提案して作成する
• 追跡ファイルを初期化する（SUMMARY.md、papers-reviewed.json、citation-graph.json）
• searching-literature スキルを使って PubMed を検索する
• 各論文について、evaluating-paper-relevance スキルを使って評価する
• 関連性のある論文（≥7）について、traversing-citations スキルを使って引用をたどる
• 定期的に進捗を報告する
• 論文 50 件ごと、または 5 分ごとにチェックポイントを作成する
• 完了したら、調査結果を統合し、方法論を追加して SUMMARY.md を強化する
• relevant-papers.json を作成する（プログラムからアクセスするためのフィルタリング済み JSON）
• 統計とファイルの保存場所を含む最終レポートを作成する

統合ポイント

使用するスキル：

1. searching-literature - PubMed の初期検索
2. evaluating-paper-relevance - 論文のスコア付けと情報の抽出
3. traversing-citations - 引用ネットワークをたどる

すべてのスキルは、次の共有ファイルを通じて連携します：

• 共有の papers-reviewed.json（重複排除）
• 共有の SUMMARY.md（調査結果の蓄積）
• 共有の citation-graph.json（関係の追跡）

ファイル構成：

• 小規模な検索（論文 50 件未満）： コアファイルのみ（papers-reviewed.json、SUMMARY.md、citation-graph.json）
• すべての検索： 最後に relevant-papers.json を作成し、方法論を追加して SUMMARY.md を強化する
• 大規模な検索（論文 100 件超）： 整理しやすくするため、補助ファイル（README.md、TOP_PRIORITY_PAPERS.md、evaluated-papers.json）を追加してもかまいません

エラー処理

検索結果が見つからない場合：

• キーワードの範囲を広げます
• 制約を削除します
• スペルを確認します
• 別の同義語を試します

API のレート制限：

• ユーザーに「⏸️ レート制限に達しました。待機しています...」と報告します
• 必要な時間だけ待機します
• 自動的に再開します

全文を取得できない場合：

• SUMMARY.md に記録します
• 抄録のみで評価を続けます
• 関連性が非常に高い場合は、手動での取得が必要であることを示します

検索結果が多すぎる場合（500 件超）：

• クエリを絞り込むよう提案します
• 最初の 100 件を処理し、続行するか確認します
• 新しい論文、または最も多く引用されている論文を優先します

クイックリファレンス

フェーズ	スキル	出力
解析	（組み込み）	キーワード、データ型、制約
初期化	（組み込み）	フォルダー、SUMMARY.md、追跡ファイル
検索	searching-literature	メタデータ付き論文リスト
評価	evaluating-paper-relevance	スコア付き論文、抽出した知見
引用文献の追跡	traversing-citations	引用文献から得られた追加論文
統合	（組み込み）	方法論と知見を追加したSUMMARY.md
集約	（組み込み）	relevant-papers.json（スコア7以上に絞り込み）

よくある間違い

すべての論文を追跡しない： 関連論文だけをpapers-reviewed.jsonに追加する → 再レビューを防ぎ、履歴をすべて追跡できるよう、すべての論文を追加する 小規模な検索で不要な補助ファイルを作成する： 50件未満の場合は、主要ファイル（papers-reviewed.json、SUMMARY.md、citation-graph.json）だけを使う。大規模な検索（100件超）では、README.mdやTOP_PRIORITY_PAPERS.mdなどの補助ファイルが役立つ 作業を黙って進める： ユーザーに進捗が見えない → すべての論文を報告し、10件ごとに最新情報を伝える クリックできない識別子： DOI/PMIDをプレーンテキストで記載する → 必ずMarkdownリンクを使う 十分に検索せず評価に進む： 検索結果が狭すぎる → まず検索を最適化する 論文を追跡しない： 同じ論文を再レビューすることになる → 必ずpapers-reviewed.jsonを使う すべての引用文献をたどる： 対象が指数関数的に増える → 追跡する前に絞り込む チェックポイントがない： ユーザーが状況を把握できなくなる → 50件ごとに報告して確認を求める 統合が不十分： 論文を並べるだけ → データ型ごとにグループ化し、重要な知見を抽出する まとめて報告する： 20件の論文を一度に報告する → 作業を進めながら1件ずつ報告する

ユーザーとのコミュニケーション（重要）

決して黙って作業を進めないでください！ユーザーには継続的なフィードバックが必要です。

報告頻度：

• 論文ごと： スクリーニング中に簡潔な状況を報告する（📄 [N/Total] Title... Score: X）
• 5～10件ごと： 件数を含む進捗サマリー
• 知見を得るたびに： 見つけたデータをすぐに報告する
• 判断が必要な場面ごと： 方針を変える前に確認する

進捗報告は具体的に：

• ✅ 「化合物7のIC50 = 12 nMを発見（表2）」
• ❌ 「データを発見」
• ✅ 「論文25/127をスクリーニング中：関連なし（スコア3）」
• ❌ 論文を黙ってスキップする

必要に応じて確認する：

• ✅ 「in vitroとin vivoのどちらのIC50値をお探しですか？」
• ❌ 確認せずに決めて、時間を無駄にする

作業を妨げる要因はすぐに報告する：

• ✅ 「⚠️ 論文はペイウォールの向こうにあるため、要旨のみで評価しています」
• ❌ 何も伝えずにスキップする

定期的なサマリー（論文10～15件ごと）：

📊 Progress update:
   - Reviewed: 30/127 papers
   - Highly relevant: 3 (scores 8-10)
   - Relevant: 5 (score 7)
   - Currently: Screening paper 31...

理由： ユーザーは早い段階で方針を修正でき、作業が進んでいることを把握でき、必要に応じて中止できます

成功基準

以下を満たした場合、リサーチセッションは成功です：

• 関連する論文をすべて見つけて評価している
• 具体的なデータを抽出し、整理している
• 引用文献を体系的にたどっている
• 重複処理がない
• 実用的な知見を含む明確なSUMMARY.mdがある
• ユーザーの質問に根拠を示して回答している

次のステップ

リサーチ完了後：

• ユーザーがSUMMARY.mdとrelevant-papers.jsonを確認する
• 任意： cleaning-up-research-sessionsスキルを実行して中間ファイルを削除する
• 特定の論文について、より詳しい調査を依頼できる
• キーワードを調整した追加検索を依頼できる
• リサーチセッションのフォルダーをアーカイブまたは共有できる