scientific-skills

Claude Scientific Skills

概要

生物学、化学、医学および関連分野にわたる複雑な複数ステップの科学ワークフローを実行できる AI 研究アシスタントへと Claude を変える、すぐに使える科学スキル 139 種類の包括的なコレクションです。

使用する場面

次のような場合に、このスキルを呼び出してください。

• 科学研究のタスクに取り組む場合
• 専門データベース（PubMed、ChEMBL、UniProt など）を利用する必要がある場合
• バイオインフォマティクスまたはケモインフォマティクスの解析を行う場合
• 文献レビューや科学文書を作成する場合
• シングルセル RNA-seq、プロテオミクス、またはマルチオミクスデータを解析する場合
• 創薬や分子解析のワークフローに取り組む場合
• 科学データの統計解析や機械学習を行う場合

クイックスタート

// Invoke the main skill catalog
Skill({ skill: 'scientific-skills' });

// Or invoke specific sub-skills directly
Skill({ skill: 'scientific-skills/rdkit' }); // Cheminformatics
Skill({ skill: 'scientific-skills/scanpy' }); // Single-cell analysis
Skill({ skill: 'scientific-skills/biopython' }); // Bioinformatics
Skill({ skill: 'scientific-skills/literature-review' }); // Literature review

スキルのカテゴリ

科学データベース（28 以上）

スキル	説明
pubchem	化合物データベース
chembl-database	創薬向け生物活性データベース
uniprot-database	タンパク質の配列と機能のデータベース
pdb	Protein Data Bank の構造
drugbank-database	医薬品と薬物標的の情報
kegg	パスウェイとゲノムのデータベース
clinvar-database	臨床的なバリアントの解釈
cosmic-database	がん変異データベース
ensembl-database	ゲノムブラウザーとアノテーション
geo-database	遺伝子発現データ
gwas-database	ゲノムワイド関連解析
reactome-database	生物学的パスウェイ
string-database	タンパク質間相互作用
alphafold-database	タンパク質構造予測
biorxiv-database	生物学のプレプリントサーバー
clinicaltrials-database	臨床試験レジストリ
ena-database	European Nucleotide Archive
fda-database	FDA の医薬品承認情報とラベル
gene-database	NCBI の遺伝子情報
zinc-database	商用入手可能な化合物
brenda-database	酵素データベース
clinpgx-database	ファーマコゲノミクスのアノテーション
uspto-database	特許データベース

Python 解析ライブラリ（55以上）

スキル	説明
rdkit	ケモインフォマティクスツールキット
scanpy	単一細胞RNA-seq解析
anndata	アノテーション付きデータ行列
biopython	計算生物学ツール
pytorch-lightning	ディープラーニングフレームワーク
scikit-learn	機械学習ライブラリ
transformers	NLPおよびディープラーニングモデル
pandas / polars / vaex	データ操作
matplotlib / seaborn / plotly	可視化
deepchem	化学分野のディープラーニング
esm	進化スケールモデリング
datamol	分子データ処理
pymatgen	材料科学
qiskit	量子コンピューティング
pymoo	多目的最適化
statsmodels	統計モデリング
sympy	記号数学
networkx	ネットワーク解析
geopandas	地理空間解析
shap	モデルの説明可能性

バイオインフォマティクスとゲノミクス

スキル	説明
gget	遺伝子および転写産物の情報
pysam	SAM/BAMファイル操作
deeptools	NGSデータ解析
pydeseq2	差次的発現解析
scvi-tools	単一細胞向けディープラーニング
etetoolkit	系統解析
scikit-bio	バイオインフォマティクスアルゴリズム
bioservices	生物学向けWebサービス
cellxgene-census	細胞アトラスの探索

ケモインフォマティクスと創薬

スキル	説明
rdkit	分子操作
datamol	分子データ処理
molfeat	分子特徴量化
diffdock	分子ドッキング
torchdrug	創薬機械学習
pytdc	治療薬データコモンズ
cobrapy	代謝モデリング

科学コミュニケーション

スキル	説明
literature-review	システマティックレビュー
scientific-writing	学術論文執筆支援
scientific-schematics	AI生成図
scientific-slides	プレゼンテーション生成
hypothesis-generation	仮説の立案
venue-templates	ジャーナル固有の書式設定
citation-management	参考文献管理

臨床・医療

スキル	説明
clinical-decision-support	臨床推論
clinical-reports	医療レポート生成
treatment-plans	治療計画
pyhealth	ヘルスケア機械学習
pydicom	医用画像

実験室と統合

スキル	説明
benchling-integration	ラボ情報学プラットフォーム
dnanexus-integration	ゲノミクスクラウドプラットフォーム
pylabrobot	実験室の自動化
flowio	フローサイトメトリーデータ
omero-integration	バイオイメージングプラットフォーム

コアワークフロー

文献レビューのワークフロー

# 7-phase systematic literature review
# 1. Planning with PICO framework
# 2. Multi-database search execution
# 3. Screening with PRISMA flow
# 4. Data extraction and quality assessment
# 5. Thematic synthesis
# 6. Citation verification
# 7. PDF generation

創薬のワークフロー

# Using RDKit + ChEMBL + datamol
from rdkit import Chem
from rdkit.Chem import Descriptors, AllChem

# 1. Query ChEMBL for bioactivity data
# 2. Calculate molecular properties
# 3. Filter by drug-likeness (Lipinski)
# 4. Similarity screening
# 5. Substructure analysis

シングルセル解析のワークフロー

# Using scanpy + anndata
import scanpy as sc

# 1. Load and QC data
# 2. Normalization and feature selection
# 3. Dimensionality reduction (PCA, UMAP)
# 4. Clustering (Leiden algorithm)
# 5. Marker gene identification
# 6. Cell type annotation

仮説生成のワークフロー

# 8-step systematic process
# 1. Understand phenomenon
# 2. Literature search
# 3. Synthesize evidence
# 4. Generate competing hypotheses
# 5. Evaluate quality
# 6. Design experiments
# 7. Formulate predictions
# 8. Generate report

サブスキルの構成

各サブスキルは一貫した構成に従います。

scientific-skills/
├── SKILL.md                    # This file (catalog/index)
├── skills/                     # Individual skill directories
│   ├── rdkit/
│   │   ├── SKILL.md           # Skill documentation
│   │   ├── references/        # API references, patterns
│   │   └── scripts/           # Example scripts
│   ├── scanpy/
│   ├── biopython/
│   └── ... (139 total)

サブスキルの呼び出し

直接呼び出し

// Invoke specific skill
Skill({ skill: 'scientific-skills/rdkit' });
Skill({ skill: 'scientific-skills/scanpy' });

連結ワークフロー

// Multi-skill workflow
Skill({ skill: 'scientific-skills/literature-review' });
Skill({ skill: 'scientific-skills/hypothesis-generation' });
Skill({ skill: 'scientific-skills/scientific-schematics' });

前提条件

• Python 3.9+（3.12+ を推奨）
• uv パッケージマネージャー（推奨）
• プラットフォーム：macOS、Linux、または WSL2 を備えた Windows

ベストプラクティス

1. 適切なスキルから始める：上記のカテゴリ表を使って、適切なスキルを見つけます
2. 複雑なワークフローではスキルを連結する：文献レビュー → 仮説 → 実験設計
3. データへのアクセスにはデータベーススキルを使う：解析の前にデータベースにクエリを実行します
4. 結果を可視化する：論文品質の図には matplotlib/seaborn/plotly スキルを使います
5. 知見を記録する：正式な文書の作成には scientific-writing スキルを使います

エージェントフレームワークとの統合

推奨されるエージェントの組み合わせ

エージェント	科学分野のスキル
data-engineer	polars, dask, vaex, zarr-python
python-pro	Python ベースのすべてのスキル
database-architect	スキーマ設計のためのデータベーススキル
technical-writer	literature-review, scientific-writing

エージェント起動の例

Task({
  task_id: 'task-1',
  subagent_type: 'python-pro',
  description: 'Analyze molecular dataset with RDKit',
  prompt: `You are the PYTHON-PRO agent with scientific research expertise.

## Task
Analyze the molecular dataset for drug-likeness properties.

## Skills to Invoke
1. Skill({ skill: "scientific-skills/rdkit" })
2. Skill({ skill: "scientific-skills/datamol" })

## Workflow
1. Load molecular data
2. Calculate descriptors
3. Apply Lipinski filters
4. Generate visualization
5. Report findings
`,
});

リソース

同梱ドキュメント

• skills/*/SKILL.md - 個々のスキルのドキュメント
• skills/*/references/ - API リファレンスとパターン
• skills/*/scripts/ - スクリプトとテンプレートの例

外部リソース

• K-Dense AI GitHub
• RDKit Documentation
• Scanpy Documentation
• BioPython Tutorial

厳守事項

1. 必ず解析を実施する前に科学データベース（PubMed、ChEMBL、UniProt）を検索してください。文献やデータベースのコンテキストを考慮しない生データの解析では、先行研究と重複する、根拠に乏しい結論が生まれます。
2. すべての手順（データソース、パラメーター、ライブラリのバージョン、変換）を記録せずに解析を行ってはなりません。記録のない研究は再現できず、査読や発展にも耐えられません。
3. 複雑なワークフローでは、必ず複数のドメイン固有スキルを連結してください。単一ツールでの解析では、生物学、化学、臨床の各分野にまたがる相互依存性を見落とします。
4. 統計的検証なしに知見を報告してはなりません。科学的な主張には、適切な規模のサンプル、検証済みの手法、定量化された不確実性が必要です。
5. 主要な処理手順ごとに、中間結果を必ず可視化してください。可視化により、データの誤りや外れ値を、最終的な結論へと気づかないまま波及する前に明らかにできます。

アンチパターン

アンチパターン	失敗する理由	正しいアプローチ
先にデータベースを検索せずに分析を行う	既存の文献から得られるコンテキストを逃すため、既知の研究を重複して行い、先行研究を見落とします	分析を始める前にPubMed/ChEMBL/UniProtを検索し、既存の科学的知見に基づいて作業します
複雑な複数領域にまたがる分析に単一のツールを使う	単一ツールでの分析では、領域の境界にまたがる相互依存関係を見落とします	複数の領域固有スキル（化学にはrdkit、シングルセルにはscanpy、ゲノミクスにはbiopython）を連携させます
データ処理中に中間段階の可視化を省略する	前処理から最終結果まで、エラーや外れ値が気づかれないまま伝播します	主要な変換ステップの後に、データ分布と品質指標を可視化します
既存の文献を確認せずに仮説を生成する	既知の解決策を再発明し、先行研究の相反する知見を無視します	まず必ずliterature-reviewスキルを呼び出し、既存の証拠を確認してから仮説を生成します
分析の来歴を記録せずに知見を報告する	他の研究者が研究を再現、検証、発展させられません	すべてのデータソース、バージョン番号、パラメーター、変換手順を研究レポートに記録します

メモリープロトコル（必須）

開始前： .claude/context/memory/learnings.mdを読みます

完了後：

• 新しいパターン → .claude/context/memory/learnings.md
• 発見した問題 → .claude/context/memory/issues.md
• 下した決定 → .claude/context/memory/decisions.md

中断を想定してください。メモリーに記録されていないことは、起きていないのと同じです。

バージョン履歴

• v2.17.0 - 139個のスキルを含む現行バージョン
• K-Dense-AI/claude-scientific-skillsリポジトリから統合

ライセンス

MITライセンス - オープンソースで、研究および商用利用に無料で利用できます。