tooluniverse-microbial-genome-characterization

微生物ゲノムアセンブリの特性評価と品質管理

キー不要の NCBI Datasets ゲノムツールを使って、あらゆる生物のゲノムアセンブリを検索し、品質を管理し、構造をマッピングします。生物種／分類群を入力すると、アセンブリ一覧、品質管理指標、染色体／プラスミドマップが得られます。

推測せず、調べてください

アクセッション、アセンブリレベル、レプリコン数、N50 が不明な場合は、ツールを呼び出してください。アセンブリ統計を記憶に基づいて報告しないでください。アクセッションと指標は、RefSeq のリリースごとに変わります。常に、ライブの NCBI Datasets の回答のほうが推測より信頼できます。

説明ではなく、計算してください

複数のアセンブリを比較したり、品質で順位付けしたりする場合は、ツールでそれぞれを取得してから、返された JSON を対象に Python（pandas）を書いて実行し、並べ替え、スコア付け、表形式での整理を行ってください。計算方法を説明するだけでなく、実際に実行して数値を報告してください。

このスキルを使う場面

トリガー：

• 「[organism] ではどのゲノムが利用できますか？」／「[taxon] の参照ゲノムを見つけて」
• 「GCF_000005845.2 のアセンブリ統計」／「[accession] の N50／GC 含量は？」
• 「[strain] にはプラスミドがいくつありますか？」／「[accession] のレプリコンを一覧表示して」
• 「[species] のアセンブリを比較して、品質が最も高いものはどれですか？」
• 「[accession] は完全ゲノムですか、それともドラフトですか？」

ユースケース：

1. アセンブリの検索：分類群で利用可能なアセンブリを列挙します。参照グレードのみに限定することもできます。
2. アセンブリの品質管理：アクセッションの長さ、N50、コンティグ数、GC%、レベル、RefSeq カテゴリを取得します。
3. レプリコンのマッピング：染色体とプラスミドを、それぞれの RefSeq／GenBank アクセッションおよび長さとともに一覧表示します。
4. アセンブリの比較：同一種の候補アセンブリを、完全性と連続性で順位付けします。
5. 参照の選定：分類群に指定された参照／代表ゲノムを特定します。

このスキルの対象外（該当先）：

• 遺伝子レベルのオルソロジー、シンテニー、保存性 → tooluniverse-comparative-genomics
• 植物の遺伝子構造／アノテーション → tooluniverse-plant-genomics
• シーケンシングリードからの de novo アセンブリ → 該当する ToolUniverse ツールはありません。その旨を伝えてください。
• ゲノムに関する質問を伴わない純粋な分類名の照会 → 系統の検索には NCBI taxonomy ツールを直接使用してください。

---

ツール（すべてキー不要、ライブで動作確認済み）

ツール	主なパラメーター	戻り値
NCBIDatasets_suggest_taxonomy	query（生物名の文字列）	候補の一致結果：scientific_name、tax_id、rank、group_name
NCBIDatasets_get_taxonomy	tax_id（文字列／整数）	organism_name、rank、lineage、children
NCBIDatasets_list_genomes_by_taxon	taxon（名前または taxid）、limit、reference_only（bool）	アセンブリ一覧（accession、assembly_level、refseq_category、total_sequence_length、contig_n50、gc_percent、number_of_chromosomes、number_of_contigs）；metadata.total_available = 全件数
NCBIDatasets_get_genome_assembly	accession（GCF_/GCA_）	品質管理の全項目：total_sequence_length、number_of_chromosomes、number_of_contigs、contig_n50、scaffold_n50、gc_percent、assembly_level、assembly_status、refseq_category、release_date、submitter、annotation_provider
NCBIDatasets_get_sequence_reports	accession（GCF_/GCA_）	レプリコンごとの一覧：chr_name、role、refseq_accession、genbank_accession、length、gc_percent

パラメーターに関する注意：get_taxonomy で必要なのは tax_id です（taxon ではありません）。list_genomes_by_taxon の taxon フィールドには、名前または taxid のどちらも指定できます。アセンブリ／配列レポートのツールには、必ずアクセッションを渡してください。

---

ワークフロー

フェーズ 0 — 生物を特定する（すでにアクセッションがある場合は省略）

ユーザーが生物名を指定した場合は、まず tax id に解決します。

NCBIDatasets_suggest_taxonomy {"query": "Escherichia coli"}

scientific_name／rank がユーザーの意図（種か特定の株か）に合う候補を選びます。必要に応じて、NCBIDatasets_get_taxonomy {"tax_id": "562"} で系統／子分類群を確認します。

ユーザーがすでに GCF_/GCA_ アクセッションを指定している場合は、フェーズ 2 に進みます。

フェーズ 1 — アセンブリを一覧表示する

分類群に存在するものを一覧表示します。キュレーションされた参照／代表ゲノムを表示するには、reference_only: true から始めます。全件を表示するには、false に設定します。

NCBIDatasets_list_genomes_by_taxon {"taxon": "562", "limit": 5, "reference_only": true}

正確な件数は metadata.total_available で確認します（大きな分類群では数千件が返されます。data 配列に含まれるのは最初の limit 件のみです）。各候補の assembly_level、refseq_category、contig_n50、number_of_contigs を確認します。

フェーズ 2 — アセンブリを選択する

次の順に優先します。

1. refseq_category == "reference genome"（NCBI が単独で指定した参照ゲノム）
2. refseq_category == "representative genome"
3. 最も高い assembly_level（Complete Genome > Chromosome > Scaffold > Contig）
4. 同じレベルの候補の中で、最も高い contig_n50 と最も少ない number_of_contigs
5. 対応する GCA_（GenBank）アクセッションも存在する場合は、GCF_（RefSeq）アクセッションを優先します。RefSeq はキュレーションされたコピーです。

フェーズ 3 — アセンブリの QC 指標を取得する

NCBIDatasets_get_genome_assembly {"accession": "GCF_000005845.2"}

報告する項目：全長、染色体数、コンティグ数、コンティグ N50、スキャフォールド N50、GC%、アセンブリレベル、RefSeq カテゴリ、公開日、アノテーション提供元。

フェーズ 4 — レプリコン（染色体 + プラスミド）を特定する

NCBIDatasets_get_sequence_reports {"accession": "GCF_000005845.2"}

各行は 1 つのレプリコンです。chr_name／role で染色体とプラスミドを区別します。pO157、pOSAK1 のような名前、またはプラスミド形式の名前が付いた行はプラスミドです。chromosome の行は染色体です。「プラスミドはいくつあるか」に答えるには、染色体以外のアセンブル済み分子の行数を数えます。

フェーズ 5 — 候補を比較する（任意）

ユーザーが複数のアセンブリから最適なものを求める場合、各アクセッションを取得し、pandas テーブルを作成して、（アセンブリレベルの順位、次に contig_n50 の降順、次に number_of_contigs の昇順）でソートします。決め手となった指標とともに、最も優れた候補を報告します。

---

解釈表

アセンブリレベル（連続性、良い順）：

レベル	意味
Complete Genome	すべてのレプリコン（各染色体 + 各プラスミド）が、ギャップのない 1 つの配列として完全に解読されています。ゴールドスタンダードです。
Chromosome	染色体はほぼ完全にアセンブルされていますが、ギャップが含まれることがあります。プラスミド／オルガネラは不完全な場合があります。
Scaffold	ギャップをまたぐエビデンスを使って、コンティグをスキャフォールドに並べ、向きを決定しています。ギャップは残っています。ドラフトです。
Contig	連続した領域のみで、スキャフォールディングはありません。最も断片化されたドラフトです。

連続性の指標（一般的な細菌ゲノムは 2–6 Mb です）：

• コンティグ N50：アセンブリの 50% が、この長さ以上のコンティグに含まれるときのコンティグ長です。値が高いほど良好です。Complete Genome のコンティグ N50 は、最大レプリコンの長さと等しくなります（例：E. coli K-12 では 4.64 Mb で、染色体全体が 1 つのコンティグです）。良好な細菌ドラフトでは N50 が数百 kb になることが多く、数 kb の N50 はアセンブリが断片化されていることを示します。
• コンティグ数：少ないほど良好です。Complete Genome ではレプリコンごとに 1 つのコンティグがあります（染色体が 1 つでプラスミドがないゲノムなら 1 つです）。数百〜数千のコンティグは、ドラフトが断片化されていることを示します。
• スキャフォールド N50 ≥ コンティグ N50 は常に成り立ちます。両者の差が大きい場合、多数のコンティグがギャップをまたいでスキャフォールディングされていることを意味します。

RefSeq カテゴリ：

値	意味
reference genome	NCBI が分類群に対して指定した、最もキュレーションされた単一のアセンブリです。引用する際のデフォルトです。
representative genome	正式な参照ゲノムが指定されていない場合に、種を代表するものとして選ばれた高品質なアセンブリです。
(null / none)	特別な指定のない、通常の登録アセンブリです。

GCF_ と GCA_ の違い：GCF_ = RefSeq（NCBI によるキュレーション済みで、一貫したアノテーション）。GCA_ = GenBank（著者が登録した状態のもの）。数値部分は共通です（例：GCF_000005845.2 / GCA_000005845.2）。両方ある場合は GCF_ を優先します。

---

実例 1 — E. coli の参照ゲノム（染色体 1 本、プラスミドなし）

1. NCBIDatasets_suggest_taxonomy {"query":"Escherichia coli"} → 種の tax id は 562 です。
2. NCBIDatasets_list_genomes_by_taxon {"taxon":"562","limit":5,"reference_only":true} → 最上位の候補は GCF_000005845.2（E. coli str. K-12 substr. MG1655）で、assembly_level は Complete Genome、refseq_category は reference genome、全長は 4,641,652 bp、contig_n50 は 4,641,652、GC は 51% です。metadata.total_available = 参照グレードのアセンブリ 2 件です。
3. NCBIDatasets_get_genome_assembly {"accession":"GCF_000005845.2"} → 4.64 Mb、染色体 1 本、コンティグ 1 本、contig N50 = scaffold N50 = 4,641,652（ゲノム全体がギャップのない 1 本のコンティグです）、GC 51%、Complete Genome、公開日は 2013-09-26、NCBI RefSeq による注釈付けです。
4. NCBIDatasets_get_sequence_reports {"accession":"GCF_000005845.2"} → レプリコンは 1 つ：chromosome、RefSeq NC_000913.3（GenBank U00096.3）、4,641,652 bp、GC 51% です。プラスミドは 0 個です。

回答：E. coli K-12 の参照ゲノムは GCF_000005845.2 です。4.64 Mb の Complete Genome で、染色体（NC_000913.3）が 1 本あり、プラスミドはなく、GC は 51% です。

実例 2 — 「E. coli O157:H7 Sakai のプラスミドはいくつありますか？」

1. 同じ分類群の一覧で、Sakai の参照アセンブリは GCF_000008865.2 です（Complete Genome、5.59 Mb、染色体フィールドは 3）。
2. NCBIDatasets_get_sequence_reports {"accession":"GCF_000008865.2"} → レプリコンは 3 つです：
   • chromosome — NC_002695.2 — 5,498,578 bp
   • pOSAK1（プラスミド）— NC_002127.1 — 3,306 bp
   • pO157（プラスミド）— NC_002128.1 — 92,721 bp

回答：染色体 1 本 + プラスミド 2 個（pOSAK1 は約 3.3 kb、pO157 は約 92.7 kb）です。注：アセンブリの number_of_chromosomes フィールドは 3 を報告します（アセンブルされた全分子を数えています）。染色体とプラスミドを名前／役割で判別するには、シーケンスレポートを基準にしてください。

実例 3 — インベントリの規模（大きな分類群）

NCBIDatasets_list_genomes_by_taxon {"taxon":"Mycobacterium tuberculosis","limit":3,"reference_only":false} → metadata.total_available = 16,311 件のアセンブリです。最初の行には GCA_000195955.2 とその RefSeq ペア GCF_000195955.2 が含まれます（どちらも Complete Genome、reference genome、contig N50 は 4,411,532、コンティグ 1 本）。reference_only:true を使えば、16k 件のアセンブリをキュレーション済みの参照ゲノムに絞り込めます。すべてをページ送りして取得しないでください。

---

制限事項

• de novo アセンブリには対応していません：このスキルは、NCBI の既存のアセンブリを解析します。FASTQ／生リードからゲノムをアセンブルすることはできません。そのための ToolUniverse ツールはありません。その旨を伝えて終了してください。
• RefSeq と GenBank：NCBI Datasets に取り込まれたアセンブリのみが表示されます。新規の GenBank のみに登録されたデータは、RefSeq のキュレーションが実行されるまで GCF_ のペアがない場合があります。
• number_of_chromosomes はアセンブルされた分子の数を数えます。厳密な染色体数ではなく、一部の細菌ではプラスミドも含まれます。レプリコン名／役割で染色体とプラスミドを区別するには、必ず get_sequence_reports を使用してください。
• 大きな分類群はページ分割されます：list_genomes_by_taxon が返すのは limit 件のみです。件数には metadata.total_available を参照し、何千件も取得するのではなく reference_only:true で絞り込んでください。
• 完全性／汚染スコアはありません：ここでは NCBI Datasets は BUSCO／CheckM の値を返しません。アセンブリのレベルと N50 は品質の代替指標ですが、このスキルはマーカー遺伝子からゲノムの完全性を算出しません。
• 注釈の詳細度は評価しません：これらのツールが報告するのは、アセンブリに注釈が付いているかどうかと、注釈を行った主体であり、遺伝子ごとの内容ではありません。遺伝子レベルの解析には、遺伝子中心のスキルを利用してください。

---

完全性チェックリスト

回答する前に、以下を確認してください。

• 生物種を分類群 ID に解決したか（またはアクセッションが提示されていたか）。分類群 ID を推測していないこと
• 「ゲノムがいくつあるか」を報告する際に、metadata.total_available を明記したか
• 選択したアクセッションの根拠を示したか（リファレンス ＞ 代表 ＞ レベル ＞ N50／コンティグ数）
• ライブの get_genome_assembly 呼び出しから、アセンブリレベル、長さ、N50、コンティグ数、GC％を報告したか
• 染色体とプラスミドの数を数える際に、number_of_chromosomes ではなく get_sequence_reports を使用したか
• GCF_ アクセッションとその GCA_ ペアの両方がある場合、GCF_ アクセッションを優先したか
• リクエストがオルソロジー、植物の遺伝子構造、de novo アセンブリ、または分類のみの場合は、別の情報源を案内したか