# Scientific Cellxgene Census > CELLxGENE Census 大規模シングルセルアトラススキル。 CZ CELLxGENE Census API によるヒト/マウス全アトラスの メタデータ検索・遺伝子発現クエリ・セルタイプ分布解析・ データセット横断統合パイプライン。 ToolUniverse 連携: cellxgene_census。 - Skill: `nahisaho/scientific-cellxgene-census-2` (Agent Skill) - Install (CLI): `npx skillmds@latest add nahisaho/scientific-cellxgene-census-2` - Raw SKILL.md: https://api.skillmd.com/api/skills/nahisaho/scientific-cellxgene-census-2/raw - Safety review: pending (external: skill-scanner PASS, skillspector PASS) - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Integrations & APIs - Author: nahisaho (https://skillmd.com/u/nahisaho) - Updated: 2026-09-21 - Page: https://skillmd.com/skills/nahisaho/scientific-cellxgene-census-2 --- # Scientific CELLxGENE Census CZ CELLxGENE Census API を活用した大規模シングルセルアトラスの メタデータ検索・遺伝子発現クエリ・セルタイプ分布解析・ データセット横断統合パイプラインを提供する。 ## When to Use - 数千万細胞規模のシングルセルアトラスから特定組織/疾患のデータを抽出するとき - 組織横断的なセルタイプ分布を比較するとき - 特定遺伝子の全アトラスにわたる発現パターンを検索するとき - Census データセットをメタデータベースでフィルタリングするとき - AnnData/Sparse 行列として大規模データを効率的に取得するとき --- ## Quick Start ## 1. Census メタデータ検索 ```python import cellxgene_census import pandas as pd def census_datasets(organism="Homo sapiens", tissue=None, disease=None): """ CELLxGENE Census — データセットメタデータ検索。 Parameters: organism: str — 生物種 tissue: str — 組織フィルタ disease: str — 疾患フィルタ """ with cellxgene_census.open_soma() as census: datasets = census["census_info"]["datasets"].read( ).concat().to_pandas() if tissue: datasets = datasets[ datasets["dataset_title"].str.contains( tissue, case=False, na=False)] if disease: datasets = datasets[ datasets["dataset_title"].str.contains( disease, case=False, na=False)] print(f"Census datasets: {len(datasets)} matched") return datasets def census_cell_metadata(organism="Homo sapiens", tissue=None, cell_type=None, max_cells=10000): """ CELLxGENE Census — セルメタデータ取得。 Parameters: organism: str — 生物種 tissue: str — 組織フィルタ cell_type: str — セルタイプフィルタ max_cells: int — 最大セル数 """ obs_filters = [] if tissue: obs_filters.append( f"tissue_general == '{tissue}'") if cell_type: obs_filters.append( f"cell_type == '{cell_type}'") value_filter = " and ".join(obs_filters) \ if obs_filters else None with cellxgene_census.open_soma() as census: obs_df = cellxgene_census.get_obs( census, organism, value_filter=value_filter, column_names=[ "cell_type", "tissue_general", "disease", "sex", "development_stage", "dataset_id", "assay"], ) df = obs_df.head(max_cells) print(f"Census cells: {len(df)} retrieved " f"(filter: {value_filter})") return df ``` ## 2. 遺伝子発現クエリ ```python def census_gene_expression(organism="Homo sapiens", gene_symbols=None, tissue=None, max_cells=5000): """ CELLxGENE Census — 遺伝子発現データ取得。 Parameters: organism: str — 生物種 gene_symbols: list[str] — 遺伝子シンボルリスト tissue: str — 組織フィルタ max_cells: int — 最大セル数 """ obs_filter = (f"tissue_general == '{tissue}'" if tissue else None) var_filter = None if gene_symbols: genes_str = "', '".join(gene_symbols) var_filter = f"feature_name in ['{genes_str}']" with cellxgene_census.open_soma() as census: adata = cellxgene_census.get_anndata( census, organism, obs_value_filter=obs_filter, var_value_filter=var_filter, obs_column_names=[ "cell_type", "tissue_general", "disease"], ) if max_cells and len(adata) > max_cells: import numpy as np idx = np.random.choice( len(adata), max_cells, replace=False) adata = adata[idx] print(f"Census expression: {adata.shape[0]} cells × " f"{adata.shape[1]} genes") return adata ``` ## 3. セルタイプ分布解析 ```python def celltype_distribution(organism="Homo sapiens", tissue=None): """ 組織別セルタイプ分布解析。 Parameters: organism: str — 生物種 tissue: str — 組織フィルタ """ obs_filter = (f"tissue_general == '{tissue}'" if tissue else None) with cellxgene_census.open_soma() as census: obs_df = cellxgene_census.get_obs( census, organism, value_filter=obs_filter, column_names=["cell_type", "tissue_general"], ) # セルタイプカウント ct_counts = obs_df["cell_type"].value_counts() ct_df = pd.DataFrame({ "cell_type": ct_counts.index, "count": ct_counts.values, "fraction": ct_counts.values / ct_counts.sum(), }) print(f"Cell types: {len(ct_df)} types, " f"total {ct_counts.sum()} cells") return ct_df ``` ## 4. Census 統合パイプライン ```python def census_pipeline(organism="Homo sapiens", tissue=None, gene_symbols=None, output_dir="results"): """ CELLxGENE Census 統合パイプライン。 Parameters: organism: str — 生物種 tissue: str — 組織 gene_symbols: list[str] — 対象遺伝子 output_dir: str — 出力ディレクトリ """ from pathlib import Path output_dir = Path(output_dir) output_dir.mkdir(parents=True, exist_ok=True) # 1) データセットメタデータ datasets = census_datasets(organism, tissue) datasets.to_csv(output_dir / "census_datasets.csv", index=False) # 2) セルタイプ分布 ct_dist = celltype_distribution(organism, tissue) ct_dist.to_csv( output_dir / "celltype_distribution.csv", index=False) # 3) 遺伝子発現 (指定時) adata = None if gene_symbols: adata = census_gene_expression( organism, gene_symbols, tissue) adata.write_h5ad( output_dir / "census_expression.h5ad") print(f"Census pipeline → {output_dir}") return { "datasets": datasets, "celltype_dist": ct_dist, "adata": adata, } ``` --- ## ToolUniverse 連携 | TU Key | ツール名 | 連携内容 | |--------|---------|---------| | `cellxgene_census` | CELLxGENE Census | 大規模シングルセルアトラス API | ## パイプライン統合 ``` human-cell-atlas → cellxgene-census → single-cell-genomics (HCA Portal) (Census 大規模) (Scanpy 解析) │ │ ↓ spatial-multiomics ────┘ scvi-integration (空間統合) (scVI/scANVI) ``` ## パイプライン出力 | ファイル | 説明 | 次スキル | |---------|------|---------| | `results/census_datasets.csv` | データセット一覧 | → human-cell-atlas | | `results/celltype_distribution.csv` | セルタイプ分布 | → single-cell-genomics | | `results/census_expression.h5ad` | 発現行列 (AnnData) | → scvi-integration |