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、知見をテーマ別に統合し、すべての引用文献の正確性を検証し、Markdown および PDF 形式で専門的な成果物文書を作成します。

このスキルは、データベースアクセスのために複数の科学スキル（gget、bioservices、datacommons-client）と連携し、引用検証、結果の集約、文書生成のための専用ツールを提供します。

このスキルを使用するタイミング

次のような場合にこのスキルを使用します:

• 研究または出版を目的として体系的な文献レビューを実施する場合
• 複数の情報源にまたがる特定のトピックに関する現在の知見を統合する場合
• メタアナリシスまたはスコーピングレビューを実施する場合
• 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場合
• 研究分野の最先端の状況を調査する場合
• 研究のギャップand今後の方向性を特定する場合
• 検証済みの引用文献と専門的な書式が必要な場合

Scientific Schematics による視覚的強化

⚠️ 必須: すべての文献レビューには、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。視覚的要素のない文献レビューは不完全です。文書を完成させる前に:

1. 少なくとも 1 点の概略図またはダイアグラムを生成します（例: 体系的レビュー向けの 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、テーマ別統合のダイアグラム、概念的枠組み）

図の生成方法:

• scientific-schematics スキルを使用して、AI による出版品質のダイアグラムを生成します
• 目的のダイアグラムを自然言語で記述するだけです
• Nano Banana Pro が自動的に概略図を生成、レビュー、洗練します

概略図の生成方法:

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

AI は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
• 複数回の反復を通じてレビューと洗練を実施
• アクセシビリティを確保（色覚多様性への配慮、高コントラスト）
• 出力を figures/ ディレクトリに保存

概略図を追加するタイミング:

• 体系的レビュー向けの PRISMA フロー図
• 文献検索戦略のフローチャート
• テーマ別統合のダイアグラム
• 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
• 可視化によって理解が深まる複雑な概念すべて

概略図の作成に関する詳細なガイダンスについては、scientific-schematics スキルのドキュメントを参照してください。

---

core ワークフロー

文献レビューは、構造化された複数フェーズのワークフローに従います。

フェーズ 1: 計画とスコープ設定

1. 研究課題の定義: 臨床または生物医学分野のレビューでは PICO フレームワーク（Population、Intervention、Comparison、Outcome）を使用します

   • 例: 「鎌状赤血球症の治療において、CRISPR-Cas9（I）の有効性は標準治療（C）と比べてどうか（P）？」

2. スコープと目的の設定:

   • 明確で具体的な研究課題を定義します
   • レビューの種類（ナラティブ、体系的、スコーピング、メタアナリシス）を決定します
   • 境界（期間、地理的範囲、研究の種類）を設定します

3. 検索戦略の策定:

   • 研究課題から 2〜4 個の主要な概念を特定します
   • 各概念について、同義語、略語、関連語を列挙します
   • 用語を組み合わせるためのブール演算子（AND、OR、NOT）を計画します
   • 相補的なデータベースを最低 3 つ選択します

4. 適格基準・除外基準の設定:

   • 期間（例: 過去 10 年: 2015〜2024）
   • 言語（通常は英語、または多言語を指定）
   • 出版の種類（査読付き、プレプリント、レビュー論文）
   • 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文書化します

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

• 本文中: 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

• 本文中: 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.

最終化する前に、必ず verify_citations.py で引用を検証してください。

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）: 網羅的な範囲をカバーするため
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るため
3. すべてを記録する: 再現性のために、検索文字列、日付、結果件数を記録する
4. 試行して改良する: 予備検索を実行し、結果を確認し、検索語を調整する

スクリーニングと選定

1. 明確な基準を用いる: スクリーニングの前に、採択基準と除外基準を文書化する
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する
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を行う

統合

1. テーマ別に整理する: 個々の研究ごとではなく、テーマごとにグループ化する
2. 研究間で統合する: 比較、対照を行い、パターンを特定する
3. 批判的に評価する: エビデンスの質と一貫性を評価する
4. ギャップを特定する: 不足している点や研究が不十分な点を記す

質と再現性

1. 研究の質を評価する: 適切な質評価ツールを使用する
2. すべての引用を検証する: verify_citations.py スクリプトを実行する
3. 方法論を文書化する: 他者が再現できるよう十分な詳細を提供する
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 を使用する

執筆

1. 客観的であること: エビデンスを公平に提示し、限界を認める
2. 体系的であること: 構造化されたテンプレートに従う
3. 具体的であること: 利用可能な場合は、数値、統計量、効果量を含める
4. 明確であること: 明確な見出し、論理的な流れ、テーマ別の構成を用いる

避けるべきよくある落とし穴

1. 単一データベースでの検索: 関連する論文を見落とす。必ず複数のデータベースを検索する
2. 検索の記録がない: レビューが再現不能になる。すべての検索を文書化する
3. 研究ごとの要約: 統合が欠けている。代わりにテーマ別に整理する
4. 検証されていない引用: 誤りの原因になる。必ず verify_citations.py を実行する
5. 検索が広すぎる: 無関係な結果が数千件に及ぶ。具体的な検索語で絞り込む
6. 検索が狭すぎる: 関連する論文を見落とす。同義語や関連語を含める
7. プレプリントの無視: 最新の知見を見逃す。bioRxiv、medRxiv、arXiv を含める
8. 質の評価がない: すべてのエビデンスを同等に扱ってしまう。質を評価し、報告する
9. 出版バイアス: 肯定的な結果のみが出版される。潜在的なバイアスを明記する
10. 古い検索: 分野は急速に進化する。検索日を明確に記載する

ワークフローの例

生物医学文献レビューの完全なワークフロー:

# 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

解析スキル

• pydeseq2: RNA-seq 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する
• 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する
• internal-comms: 異なる読者向けにレビューを調整する

リソース

バンドルされたリソース

スクリプト:

• scripts/verify_citations.py: DOI を検証し、整形された引用文献を生成します
• scripts/generate_pdf.py: Markdown をプロフェッショナルな PDF に変換します
• scripts/search_databases.py: 検索結果を処理、重複排除し、整形します

リファレンス:

• 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完全な文献レビューテンプレート

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（レビューの品質）: 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

必要な Python パッケージ

pip install requests  # For citation verification

必要なシステムツール

# 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

依存関係を確認するには:

python scripts/generate_pdf.py --check-deps

まとめ

この文献レビュー用スキルは次の機能を提供します:

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. マルチデータベース連携: 既存の科学系スキル経由
3. 引用文献の検証: 正確性と信頼性を確保
4. プロフェッショナルな出力: Markdown と PDF 形式
5. 包括的なガイダンス: レビュー プロセス全体をカバー
6. 品質保証: 検証・妥当性確認ツールを搭載
7. 再現性: 詳細なドキュメント要件を通じて担保

学術基準を満たし、あらゆる分野における現在の知識を包括的にまとめた、徹底的で厳密な文献レビューを実施してください。