literature-review

文献レビュー

概要

厳密な学術的方法論に従い、体系的かつ包括的な文献レビューを実施します。複数の文献データベースを検索し、テーマごとに知見を統合して、すべての引用の正確性を確認し、Markdown および PDF 形式の専門的な成果物を作成します。

このスキルは、データベースへのアクセス（gget、bioservices、datacommons-client）に複数の科学系スキルと連携し、引用の検証、結果の集約、ドキュメントの生成に特化したツールを提供します。

このスキルを使用する場合

次のような場合に、このスキルを使用します。

• 研究または出版に向けて体系的な文献レビューを実施する
• 複数の情報源から特定のトピックに関する最新の知識を統合する
• メタ分析またはスコーピングレビューを実施する
• 研究論文または学位論文の文献レビューのセクションを執筆する
• 研究分野の最先端の状況を調査する
• 研究のギャップと今後の方向性を特定する
• 検証済みの引用と専門的な書式設定が必要である

科学的な模式図による視覚的な強化

⚠️ 必須：すべての文献レビューに、scientific-schematics スキルを使用して生成した AI 図を少なくとも 1～2 点含める必要があります。

これは任意ではありません。視覚的な要素を含まない文献レビューは不完全です。ドキュメントを最終確定する前に、次の手順を行ってください。

1. 少なくとも 1 点の模式図または図表を生成します（例：システマティックレビューの PRISMA フロー図）
2. 包括的なレビューでは、2～3 点の図を推奨します（検索戦略のフローチャート、テーマ別統合図、概念的枠組みなど）

図の生成方法：

• scientific-schematics スキルを使用して、AI を活用した出版品質の図を生成します
• 希望する図の内容を自然言語で説明するだけです
• Nano Banana Pro が模式図を自動的に生成、レビュー、改良します

模式図の生成方法：

python scripts/generate_schematic.py "your diagram description" -o figures/output.png

AI が自動的に次の処理を行います。

• 適切な書式で出版品質の画像を作成する
• 複数回の反復を通じてレビューし、改良する
• アクセシビリティを確保する（色覚多様性に配慮した配色、高コントラスト）
• 出力を figures/ ディレクトリに保存する

模式図を追加する場面：

• システマティックレビューの PRISMA フロー図
• 文献検索戦略のフローチャート
• テーマ別統合図
• 研究ギャップの可視化マップ
• 引用ネットワーク図
• 概念的枠組みの図解
• 視覚化によって理解しやすくなる複雑な概念

模式図の作成方法について詳しくは、scientific-schematics スキルのドキュメントを参照してください。

---

基本的なワークフロー

文献レビューは、複数のフェーズからなる体系的なワークフローに沿って進めます。

フェーズ 1：計画と範囲の設定

1. 研究課題を定義する：臨床・生物医学のレビューでは PICO フレームワーク（対象集団、介入、比較、アウトカム）を使用します

   • 例：「鎌状赤血球症（P）の治療において、CRISPR-Cas9（I）は標準治療（C）と比べてどの程度有効か？」

2. 範囲と目的を設定する：

   • 明確で具体的な研究課題を定義する
   • レビューの種類（ナラティブ、システマティック、スコーピング、メタ分析）を決定する
   • 境界条件（期間、地理的範囲、研究の種類）を設定する

3. 検索戦略を策定する：

   • 研究課題から主要な概念を 2～4 個特定する
   • 各概念について、同義語、略語、関連用語を列挙する
   • 用語を組み合わせるブール演算子（AND、OR、NOT）を計画する
   • 相互補完的なデータベースを最低 3 つ選択する

4. 選択基準と除外基準を設定する：

   • 期間（例：過去 10 年間：2015-2024）
   • 言語（通常は英語、または複数言語を指定）
   • 出版物の種類（査読済み論文、プレプリント、レビュー）
   • 研究デザイン（RCT、観察研究、in vitro など）
   • すべての基準を明確に記録する

Phase 2: 体系的文献検索

1. 複数データベース検索:

   分野に適したデータベースを選択します:

   生物医学・ライフサイエンス:

   • PubMed/PMC には gget スキルを使用します: gget search pubmed "search terms"
   • プレプリントには gget スキルを使用します: gget search biorxiv "search terms"
   • ChEMBL、KEGG、UniProt などには bioservices スキルを使用します

   一般的な科学文献:

   • 直接 API で arXiv を検索します(物理学、数学、CS、q-bio のプレプリント)
   • API で Semantic Scholar を検索します(2 億件以上の論文、学際的)
   • 包括的なカバレッジのために Google Scholar を使用します(手動または慎重なスクレイピング)

   専門データベース:

   • タンパク質構造には gget alphafold を使用します
   • がんゲノミクスには gget cosmic を使用します
   • 人口統計・統計データには datacommons-client を使用します
   • 分野に応じて適切な専門データベースを使用します

2. 検索パラメータの記録:

   ## Search Strategy
   
   ### Database: PubMed
   - **Date searched**: 2024-10-25
   - **Date range**: 2015-01-01 to 2024-10-25
   - **Search string**:
   

   ("CRISPR"[Title] OR "Cas9"[Title]) AND ("sickle cell"[MeSH] OR "SCD"[Title/Abstract]) AND 2015:2024[Publication Date]

   - **Results**: 247 articles
   

   検索したデータベースごとに繰り返します。

3. 結果のエクスポートと集約:

   • 各データベースから結果を JSON 形式でエクスポートします
   • すべての結果を 1 つのファイルにまとめます
   • 後処理には scripts/search_databases.py を使用します:

     python search_databases.py combined_results.json \
       --deduplicate \
       --format markdown \
       --output aggregated_results.md
     

Phase 3: スクリーニングと選定

1. 重複の除去:

   python search_databases.py results.json --deduplicate --output unique_results.json
   

   • DOI(第一候補)またはタイトル(代替)で重複を除去します
   • 除去した重複の件数を記録します

2. タイトルスクリーニング:

   • すべてのタイトルを、採択基準・除外基準に照らして確認します
   • 明らかに無関係な研究を除外します
   • この段階で除外した件数を記録します

3. 抄録スクリーニング:

   • 残った研究の抄録を読みます
   • 採択基準・除外基準を厳密に適用します
   • 除外の理由を記録します

4. 全文スクリーニング:

   • 残った研究の全文を入手します
   • すべての基準に照らして詳細に確認します
   • 除外の具体的な理由を記録します
   • 最終的に採択された研究の件数を記録します

5. PRISMA フローダイアグラムの作成:

   Initial search: n = X
   ├─ After deduplication: n = Y
   ├─ After title screening: n = Z
   ├─ After abstract screening: n = A
   └─ Included in review: n = B
   

Phase 4: データ抽出と品質評価

1. 採択された各研究から主要データを抽出します:

   • 研究のメタデータ(著者、発行年、雑誌、DOI)
   • 研究デザインと方法
   • サンプルサイズと対象集団の特性
   • 主要な知見と結果
   • 著者が指摘した限界
   • 資金提供元と利益相反

2. 研究の品質を評価します:

   • RCT の場合: Cochrane Risk of Bias ツールを使用します
   • 観察研究の場合: Newcastle-Ottawa Scale を使用します
   • システマティックレビューの場合: AMSTAR 2 を使用します
   • 各研究を High、Moderate、Low、Very Low のいずれかで評価します
   • 品質が非常に低い研究の除外を検討します

3. テーマごとに整理します:

   • 研究全体にわたる 3〜5 個の主要テーマを特定します
   • 研究をテーマごとにグループ化します(研究は複数のテーマに現れることがあります)
   • 傾向、合意、論争点を記録します

Phase 5: 統合と分析

1. テンプレートからレビュー文書を作成します:

   cp assets/review_template.md my_literature_review.md
   

2. テーマ別の統合を記述します(研究ごとの要約ではありません):

   • 結果のセクションを、テーマまたは研究課題ごとに整理します
   • 各テーマ内で、複数の研究にわたる知見を統合します
   • 異なるアプローチと結果を比較対照します
   • 合意が得られている領域と論争のある点を特定します
   • 最も強いエビデンスを強調します

   構成の例:

   #### 3.3.1 Theme: CRISPR Delivery Methods
   
   Multiple delivery approaches have been investigated for therapeutic
   gene editing. Viral vectors (AAV) were used in 15 studies^1-15^ and
   showed high transduction efficiency (65-85%) but raised immunogenicity
   concerns^3,7,12^. In contrast, lipid nanoparticles demonstrated lower
   efficiency (40-60%) but improved safety profiles^16-23^.
   

3. 批判的分析:

   • 研究全体にわたる方法論上の長所と限界を評価します
   • エビデンスの質と一貫性を評価します
   • 知識のギャップと方法論上のギャップを特定します
   • 今後の研究が必要な領域を記録します

4. 考察を記述します:

   • 知見をより広い文脈で解釈します
   • 臨床的、実務的、または研究上の示唆について議論します
   • レビュー自体の限界を明記します
   • 該当する場合は、過去のレビューと比較します
   • 具体的な今後の研究の方向性を提案します

Phase 6: 引用の検証

重要: 最終提出の前に、すべての引用の正確性を検証する必要があります。

1. すべての DOI を検証する:

   python scripts/verify_citations.py my_literature_review.md
   

   このスクリプトは以下を行います:

   • 文書からすべての DOI を抽出する
   • 各 DOI が正しく解決されることを検証する
   • CrossRef からメタデータを取得する
   • 検証レポートを生成する
   • 適切に整形された引用を出力する

2. 検証レポートを確認する:

   • 失敗した DOI がないか確認する
   • 著者名、タイトル、出版の詳細が一致することを確認する
   • 元の文書の誤りを修正する
   • すべての引用が合格するまで検証を再実行する

3. 引用の形式を統一する:

   • 引用スタイルを 1 つ選び、全体で使用する(詳細は references/citation_styles.md を参照)
   • 一般的なスタイル: APA、Nature、Vancouver、Chicago、IEEE
   • 検証スクリプトの出力を使用して、引用を正しく整形する
   • 本文中の引用が参考文献リストの形式と一致することを確認する

Phase 7: 文書の生成

1. PDF を生成する:

   python scripts/generate_pdf.py my_literature_review.md \
     --citation-style apa \
     --output my_review.pdf
   

   オプション:

   • --citation-style: apa, nature, chicago, vancouver, ieee
   • --no-toc: 目次を無効にする
   • --no-numbers: セクション番号を無効にする
   • --check-deps: pandoc/xelatex がインストールされているか確認する

2. 最終出力を確認する:

   • PDF の書式とレイアウトを確認する
   • すべてのセクションが存在することを確認する
   • 引用が正しく表示されることを確認する
   • 図表が適切に表示されていることを確認する
   • 目次が正確であることを確認する

3. 品質チェックリスト:

   • すべての DOI を verify_citations.py で検証済み
   • 引用の形式が統一されている
   • PRISMA フローダイアグラムを含めている(システマティックレビューの場合)
   • 検索方法が完全に文書化されている
   • 包含・除外基準が明確に記載されている
   • 結果が研究ごとではなくテーマ別に整理されている
   • 質の評価が完了している
   • 限界が示されている
   • 参考文献が完全かつ正確である
   • PDF がエラーなく生成される

データベース別の検索ガイダンス

PubMed / PubMed Central

gget スキルを通じてアクセスします:

# Search PubMed
gget search pubmed "CRISPR gene editing" -l 100

# Search with filters
# Use PubMed Advanced Search Builder to construct complex queries
# Then execute via gget or direct Entrez API

検索のヒント:

• MeSH 用語を使用する: "sickle cell disease"[MeSH]
• フィールドタグ: [Title], [Title/Abstract], [Author]
• 日付フィルター: 2020:2024[Publication Date]
• ブール演算子: AND, OR, NOT
• MeSH ブラウザを参照: https://meshb.nlm.nih.gov/search

bioRxiv / medRxiv

gget スキルを通じてアクセスします:

gget search biorxiv "CRISPR sickle cell" -l 50

重要な注意点:

• プレプリントは査読を受けていません
• 知見は慎重に検証してください
• プレプリントが出版されたかどうかを確認する(CrossRef)
• プレプリントのバージョンと日付を記録する

arXiv

直接 API または WebFetch を通じてアクセスします:

# Example search categories:
# q-bio.QM (Quantitative Methods)
# q-bio.GN (Genomics)
# q-bio.MN (Molecular Networks)
# cs.LG (Machine Learning)
# stat.ML (Machine Learning Statistics)

# Search format: category AND terms
search_query = "cat:q-bio.QM AND ti:\"single cell sequencing\""

Semantic Scholar

直接 API を通じてアクセスします(API キーが必要です。無料枠を利用することもできます):

• すべての分野にわたる 2 億件以上の論文
• 分野横断的な検索に優れている
• 引用グラフと論文の推薦を提供する
• 影響力の大きい論文を見つけるために使用する

専門の生物医学データベース

適切なスキルを使用します:

• ChEMBL: 化学物質の生物活性には bioservices スキル
• UniProt: タンパク質情報には gget または bioservices スキル
• KEGG: 経路と遺伝子には bioservices スキル
• COSMIC: がんの変異には gget スキル
• AlphaFold: タンパク質構造には gget alphafold
• PDB: 実験的構造には gget または直接 API

引用の連鎖

引用ネットワークを介して検索を広げます:

1. 前方引用(重要な論文を引用している論文):

   • Google Scholar の「Cited by」を使用する
   • Semantic Scholar または OpenAlex API を使用する
   • 基礎的研究を発展させた新しい研究を特定する

2. 後方引用(重要な論文の参考文献):

   • 採用された論文から参考文献を抽出する
   • 広く引用されている基礎的研究を特定する
   • 複数の採用研究に引用されている論文を見つける

引用スタイルのガイド

詳細な書式ガイドラインは references/citation_styles.md にあります。概要は以下のとおりです:

APA(第 7 版)

• 本文中: (Smith et al., 2023)
• 参考文献: Smith, J. D., Johnson, M. L., & Williams, K. R. (2023). Title. Journal, 22(4), 301-318. https://doi.org/10.xxx/yyy

Nature

• 本文内: 上付き数字^1,2^
• 参考文献: Smith, J. D., Johnson, M. L. & Williams, K. R. Title. Nat. Rev. Drug Discov. 22, 301-318 (2023).

Vancouver

• 本文内: 上付き数字^1,2^
• 参考文献: Smith JD, Johnson ML, Williams KR. Title. Nat Rev Drug Discov. 2023;22(4):301-18.

必ず引用を検証してください — 最終化する前に verify_citations.py で確認します。

インパクトの高い論文の優先 (CRITICAL)

常に、信頼できる著者やトップ会議・トップジャーナルからの、影響力が高く被引用数の多い論文を優先してください。 文献レビューでは、量よりも質が重要です。

被引用数のしきい値

被引用数を使用して、最もインパクトのある論文を特定します:

論文の経過年数	被引用数のしきい値	分類
0～3 年	20 件以上	注目に値する
0～3 年	100 件以上	非常に影響力がある
3～7 年	100 件以上	重要
3～7 年	500 件以上	画期的な論文
7 年以上	500 件以上	先駆的研究
7 年以上	1000 件以上	基礎をなす研究

ジャーナルと会議・ジャーナルの階層

より上位の媒体の論文を優先してください:

• ティア 1 (常に優先): Nature、Science、Cell、NEJM、Lancet、JAMA、PNAS、Nature Medicine、Nature Biotechnology
• ティア 2 (強い優先): インパクトの高い専門ジャーナル (IF>10)、トップカンファレンス (ML/AI では NeurIPS、ICML)
• ティア 3 (関連する場合に含める): 評価の高い専門ジャーナル (IF 5～10)
• ティア 4 (控えめに使用): インパクトの低い査読付き媒体

著者の評判の評価

次のような論文を優先してください:

• シニア研究者で h-index が高い (>40、確立された分野の場合)
• 著名な機関 (Harvard、Stanford、MIT、Oxford など) の主要な研究グループ
• 関連分野で複数のティア 1 の論文を持つ著者
• 専門性が認められている研究者 (受賞歴、編集委員、学会フェロー)

先駆的論文の特定

どのようなトピックについても、次の方法で基礎となる研究を特定してください:

1. 高い被引用数 (通常、5 年以上前の論文では 500 件以上)
2. 他の収録研究から頻繁に引用されている (多くの参考文献リストに登場する)
3. ティア 1 の媒体に掲載されている (Nature、Science、Cell ファミリー)
4. その分野のパイオニアによって書かれている (概念を確立したものとしてしばしば引用される)

ベストプラクティス

検索戦略

1. 複数のデータベースを使用する (最低 3 つ): 包括的な網羅性を確保します
2. プレプリントサーバーを含める: 最新の未発表の知見を捉えます
3. すべてを記録する: 再現性のために検索文字列、日付、結果件数を記録します
4. テストして改良する: パイロット検索を実行し、結果を確認し、検索語を調整します
5. 被引用数で並べ替える: 可能な場合は、検索結果を被引用数で並べ替え、影響力のある研究を先に表示します

スクリーニングと選択

1. 明確な基準を使用する: スクリーニングの前に包含・除外基準を記録します
2. 体系的にスクリーニングする: タイトル → 抄録 → 全文
3. 除外を記録する: 研究を除外した理由を記録します
4. 二重スクリーニングを検討する: システマティックレビューでは、2 名のレビュアーが独立してスクリーニングします

統合

1. テーマ別に整理する: 個々の研究ごとではなく、テーマ別にグループ化します
2. 研究を横断して統合する: 比較し、対比し、パターンを特定します
3. 批判的に行う: エビデンスの質と一貫性を評価します
4. ギャップを特定する: 欠けている点や研究が不十分な点を記録します

品質と再現性

1. 研究の質を評価する: 適切な品質評価ツールを使用します
2. すべての引用を検証する: verify_citations.py スクリプトを実行します
3. 方法論を記録する: 他の人が再現できる十分な詳細を提供します
4. ガイドラインに従う: システマティックレビューには PRISMA を使用します

執筆

1. 客観的に行う: エビデンスを公平に提示し、限界を認識します
2. 体系的に行う: 構造化されたテンプレートに従います
3. 具体的に書く: 可能な場合は数値、統計、効果量を含めます
4. 明確に書く: 明確な見出し、論理的な流れ、テーマ別の構成を使用します

よくある落とし穴と回避方法

1. 単一データベースでの検索：関連論文を見逃します。必ず複数のデータベースを検索してください
2. 検索内容の記録がない：レビューの再現性が失われます。すべての検索を記録してください
3. 研究ごとの要約：統合的な分析になりません。テーマ別に整理してください
4. 引用の未検証：誤りにつながります。必ず verify_citations.py を実行してください
5. 検索範囲が広すぎる：無関係な結果が数千件表示されます。具体的な用語で絞り込んでください
6. 検索範囲が狭すぎる：関連論文を見逃します。同義語や関連用語も含めてください
7. プレプリントの無視：最新の知見を見逃します。bioRxiv、medRxiv、arXiv も含めてください
8. 品質評価がない：すべてのエビデンスを同等に扱うことになります。品質を評価して報告してください
9. 出版バイアス：肯定的な結果だけが公表されます。潜在的なバイアスについて記載してください
10. 古い検索結果：分野は急速に進化します。検索日を明記してください

ワークフローの例

生物医学文献レビューの一連のワークフロー：

# 1. Create review document from template
cp assets/review_template.md crispr_sickle_cell_review.md

# 2. Search multiple databases using appropriate skills
# - Use gget skill for PubMed, bioRxiv
# - Use direct API access for arXiv, Semantic Scholar
# - Export results in JSON format

# 3. Aggregate and process results
python scripts/search_databases.py combined_results.json \
  --deduplicate \
  --rank citations \
  --year-start 2015 \
  --year-end 2024 \
  --format markdown \
  --output search_results.md \
  --summary

# 4. Screen results and extract data
# - Manually screen titles, abstracts, full texts
# - Extract key data into the review document
# - Organize by themes

# 5. Write the review following template structure
# - Introduction with clear objectives
# - Detailed methodology section
# - Results organized thematically
# - Critical discussion
# - Clear conclusions

# 6. Verify all citations
python scripts/verify_citations.py crispr_sickle_cell_review.md

# Review the citation report
cat crispr_sickle_cell_review_citation_report.json

# Fix any failed citations and re-verify
python scripts/verify_citations.py crispr_sickle_cell_review.md

# 7. Generate professional PDF
python scripts/generate_pdf.py crispr_sickle_cell_review.md \
  --citation-style nature \
  --output crispr_sickle_cell_review.pdf

# 8. Review final PDF and markdown outputs

他のスキルとの連携

このスキルは、他の科学系スキルとシームレスに連携します。

データベースアクセススキル

• gget：PubMed、bioRxiv、COSMIC、AlphaFold、Ensembl、UniProt
• bioservices：ChEMBL、KEGG、Reactome、UniProt、PubChem
• datacommons-client：人口統計、経済、健康統計

分析スキル

• pydeseq2：RNA-seq の差次的発現解析（方法のセクション向け）
• scanpy：単一細胞解析（方法のセクション向け）
• anndata：単一細胞データ（方法のセクション向け）
• biopython：配列解析（背景のセクション向け）

可視化スキル

• matplotlib：レビュー用の図やプロットを生成
• seaborn：統計的な可視化

執筆スキル

• brand-guidelines：PDF に組織のブランディングを適用
• internal-comms：さまざまな読者に合わせてレビューを調整

リソース

同梱リソース

スクリプト：

• scripts/verify_citations.py：DOI を検証し、書式設定済みの引用を生成
• scripts/generate_pdf.py：マークダウンをプロ仕様の PDF に変換
• scripts/search_databases.py：検索結果を処理、重複排除、書式設定

参考資料：

• references/citation_styles.md：詳細な引用書式ガイド（APA、Nature、Vancouver、Chicago、IEEE）
• references/database_strategies.md：包括的なデータベース検索戦略

アセット：

• assets/review_template.md：すべてのセクションを含む文献レビューの完全なテンプレート

外部リソース

ガイドライン：

• PRISMA（システマティックレビュー）：http://www.prisma-statement.org/
• Cochrane Handbook：https://training.cochrane.org/handbook
• AMSTAR 2（レビュー品質）：https://amstar.ca/

ツール：

• MeSH Browser：https://meshb.nlm.nih.gov/search
• PubMed Advanced Search：https://pubmed.ncbi.nlm.nih.gov/advanced/
• Boolean Search Guide：https://www.ncbi.nlm.nih.gov/books/NBK3827/

引用スタイル：

• APA Style：https://apastyle.apa.org/
• Nature Portfolio：https://www.nature.com/nature-portfolio/editorial-policies/reporting-standards
• NLM/Vancouver：https://www.nlm.nih.gov/bsd/uniform_requirements.html

依存関係

必須 Python パッケージ

pip install requests  # For citation verification

必須システムツール

# For PDF generation
brew install pandoc  # macOS
apt-get install pandoc  # Linux

# For LaTeX (PDF generation)
brew install --cask mactex  # macOS
apt-get install texlive-xetex  # Linux

依存関係を確認：

python scripts/generate_pdf.py --check-deps

まとめ

この文献レビューのスキルでは、以下を提供します。

1. 体系的な方法論：学術的なベストプラクティスに準拠
2. 複数データベースとの連携：既存の科学系スキルを活用
3. 引用の検証：正確性と信頼性を確保
4. プロ仕様の出力：マークダウン形式および PDF 形式
5. 包括的なガイダンス：レビューの全プロセスを網羅
6. 品質保証：検証および妥当性確認ツールを提供
7. 再現性：詳細な記録要件によって確保

学術基準を満たし、あらゆる分野の最新知見を包括的に統合した、徹底的で厳密な文献レビューを実施できます。