# Scientific Encode Screen > ENCODE / ChIP-Atlas エピゲノムアトラススキル。ENCODE REST API 実験・ファイル・バイオサンプル検索、SCREEN cis 制御エレメント、 ChIP-Atlas エンリッチメント解析、エピゲノムアノテーション統合。 ToolUniverse 連携: encode, chipatlas。 - Skill: `nahisaho/scientific-encode-screen-2` (Agent Skill) - Install (CLI): `npx skillmds@latest add nahisaho/scientific-encode-screen-2` - Raw SKILL.md: https://api.skillmd.com/api/skills/nahisaho/scientific-encode-screen-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-encode-screen-2 --- # Scientific ENCODE / SCREEN / ChIP-Atlas ENCODE REST API / SCREEN / ChIP-Atlas を活用したエピゲノム アトラス統合解析パイプラインを提供する。 ## When to Use - ENCODE 実験データ (ChIP-seq/ATAC-seq/DNase) を検索するとき - SCREEN cCRE (candidate cis-Regulatory Elements) を照会するとき - ChIP-Atlas で転写因子結合・ヒストン修飾エンリッチメントを解析するとき - バリアントの制御領域アノテーションを強化するとき - エピゲノムデータを下流のクロマチン解析に統合するとき - 組織/細胞型特異的エピゲノムプロファイルを比較するとき --- ## Quick Start ## 1. ENCODE 実験検索・ファイル取得 ```python import requests import pandas as pd import json ENCODE_BASE = "https://www.encodeproject.org" HEADERS = {"Accept": "application/json"} def encode_search_experiments(assay_title=None, biosample=None, target=None, organism="Homo sapiens", limit=50): """ ENCODE — 実験メタデータ検索。 Parameters: assay_title: str — アッセイ種別 (例: "ChIP-seq", "ATAC-seq") biosample: str — バイオサンプル (例: "K562") target: str — ターゲット (例: "CTCF") organism: str — 生物種 limit: int — 最大結果数 """ url = f"{ENCODE_BASE}/search/" params = { "type": "Experiment", "status": "released", "replicates.library.biosample.donor.organism.scientific_name": organism, "limit": limit, "format": "json", } if assay_title: params["assay_title"] = assay_title if biosample: params["biosample_ontology.term_name"] = biosample if target: params["target.label"] = target resp = requests.get(url, params=params, headers=HEADERS, timeout=30) resp.raise_for_status() data = resp.json() results = [] for exp in data.get("@graph", []): results.append({ "accession": exp.get("accession", ""), "assay": exp.get("assay_title", ""), "biosample": exp.get("biosample_summary", ""), "target": exp.get("target", {}).get("label", ""), "status": exp.get("status", ""), "lab": exp.get("lab", {}).get("title", ""), "date_released": exp.get("date_released", ""), "files_count": len(exp.get("files", [])), }) df = pd.DataFrame(results) print(f"ENCODE: {len(df)} experiments found") return df def encode_get_files(experiment_accession, file_type="bigWig", output_type="signal p-value", assembly="GRCh38"): """ ENCODE — 実験ファイル URL 取得。 Parameters: experiment_accession: str — 実験アクセッション file_type: str — ファイルタイプ output_type: str — 出力タイプ assembly: str — アセンブリ """ url = f"{ENCODE_BASE}/search/" params = { "type": "File", "dataset": f"/experiments/{experiment_accession}/", "file_format": file_type, "output_type": output_type, "assembly": assembly, "status": "released", "format": "json", } resp = requests.get(url, params=params, headers=HEADERS, timeout=30) resp.raise_for_status() data = resp.json() files = [] for f in data.get("@graph", []): files.append({ "accession": f.get("accession", ""), "file_format": f.get("file_format", ""), "output_type": f.get("output_type", ""), "assembly": f.get("assembly", ""), "href": ENCODE_BASE + f.get("href", ""), "file_size": f.get("file_size", 0), "biological_replicate": f.get("biological_replicates", []), }) df = pd.DataFrame(files) print(f"ENCODE files ({experiment_accession}): {len(df)} files") return df ``` ## 2. SCREEN cCRE 検索 ```python SCREEN_BASE = "https://api.wenglab.org/screen/v2" def screen_ccre_search(gene=None, region=None, biosample=None, assembly="GRCh38"): """ SCREEN — candidate cis-Regulatory Element 検索。 Parameters: gene: str — 遺伝子名 (例: "TP53") region: str — ゲノム領域 (例: "chr17:7668421-7687490") biosample: str — バイオサンプル名 assembly: str — アセンブリ """ url = f"{SCREEN_BASE}/search" query = {"assembly": assembly} if gene: query["gene"] = gene if region: chrom, pos = region.split(":") start, end = pos.split("-") query["coordinates"] = { "chromosome": chrom, "start": int(start), "end": int(end), } resp = requests.post(url, json=query, timeout=30) resp.raise_for_status() data = resp.json() ccres = [] for cre in data.get("data", []): ccres.append({ "accession": cre.get("accession", ""), "chromosome": cre.get("chrom", ""), "start": cre.get("start", 0), "end": cre.get("end", 0), "ccre_class": cre.get("group", ""), "dnase_zscore": cre.get("dnase_zscore", None), "h3k4me3_zscore": cre.get("h3k4me3_zscore", None), "h3k27ac_zscore": cre.get("h3k27ac_zscore", None), "ctcf_zscore": cre.get("ctcf_zscore", None), }) df = pd.DataFrame(ccres) print(f"SCREEN cCREs: {len(df)} elements") return df ``` ## 3. ChIP-Atlas エンリッチメント解析 ```python CHIPATLAS_BASE = "https://chip-atlas.org/api" def chipatlas_enrichment(gene_list, cell_type=None, antigen_class="TFs and others", genome="hg38", threshold=5): """ ChIP-Atlas — 遺伝子リストのエンリッチメント解析。 Parameters: gene_list: list[str] — 遺伝子リスト cell_type: str — 細胞型 (None = 全細胞型) antigen_class: str — 抗原クラス genome: str — ゲノムアセンブリ threshold: int — 距離閾値 (kb) """ url = f"{CHIPATLAS_BASE}/enrichment" payload = { "genome": genome, "geneList": gene_list, "antigenClass": antigen_class, "distanceThreshold": threshold * 1000, } if cell_type: payload["cellType"] = cell_type resp = requests.post(url, json=payload, timeout=60) resp.raise_for_status() data = resp.json() results = [] for hit in data.get("results", []): results.append({ "antigen": hit.get("antigen", ""), "cell_type": hit.get("cellType", ""), "experiment_id": hit.get("experimentId", ""), "p_value": hit.get("pValue", 1.0), "log_p": hit.get("logPValue", 0), "overlap_genes": hit.get("overlapGenes", 0), "total_peaks": hit.get("totalPeaks", 0), }) df = pd.DataFrame(results) df = df.sort_values("p_value") print(f"ChIP-Atlas enrichment: {len(df)} TF/antigen hits") return df ``` ## 4. ENCODE + SCREEN + ChIP-Atlas 統合パイプライン ```python def encode_epigenome_pipeline(gene_name, biosample="K562", output_dir="results"): """ ENCODE/SCREEN/ChIP-Atlas エピゲノム統合パイプライン。 Parameters: gene_name: str — 遺伝子名 biosample: str — バイオサンプル 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) SCREEN cCRE ccres = screen_ccre_search(gene=gene_name) ccres.to_csv(output_dir / "screen_ccres.csv", index=False) # 2) ENCODE 実験 experiments = encode_search_experiments( assay_title="ChIP-seq", biosample=biosample, target="H3K27ac", ) experiments.to_csv(output_dir / "encode_experiments.csv", index=False) # 3) ChIP-Atlas エンリッチメント enrichment = chipatlas_enrichment( gene_list=[gene_name], cell_type=biosample, ) enrichment.to_csv(output_dir / "chipatlas_enrichment.csv", index=False) print(f"ENCODE epigenome pipeline: {output_dir}") return { "ccres": ccres, "experiments": experiments, "enrichment": enrichment, } ``` --- ## ToolUniverse 連携 | TU Key | ツール名 | 連携内容 | |--------|---------|---------| | `encode` | ENCODE | 実験・バイオサンプル・ファイル検索 | | `chipatlas` | ChIP-Atlas | 転写因子エンリッチメント解析 | ## パイプライン統合 ``` regulatory-genomics → encode-screen → epigenomics-chromatin (RegulomeDB/ReMap) (ENCODE/SCREEN) (ChIP/ATAC bulk) │ │ ↓ variant-interpretation ───┘ scatac-signac (ACMG バリアント) │ (scATAC-seq) ↓ gene-regulatory-network (GRN 推定) ``` ## パイプライン出力 | ファイル | 説明 | 次スキル | |---------|------|---------| | `results/screen_ccres.csv` | cCRE アノテーション | → variant-interpretation | | `results/encode_experiments.csv` | ENCODE 実験メタデータ | → epigenomics-chromatin | | `results/chipatlas_enrichment.csv` | TF エンリッチメント | → gene-regulatory-network |