文献レビュー

概要

厳密な学術的方法論に従い、体系的で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、テーマ別に知見を統合し、すべての引用文献の正確性を検証し、マークダウンおよびPDF形式の専門的な出力文書を作成します。

このスキルは複数の科学スキル（gget、bioservices、datacommons-client）とデータベースアクセスを統合し、引用文献検証、結果集約、および文書生成のための専門的なツールを提供します。

このスキルを使用する場合

以下の場合にこのスキルを使用してください：

• 研究または出版のための体系的な文献レビューを実施する
• 複数の情報源から特定のトピックに関する現在の知識を統合する
• 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
• 研究論文または論文の文献レビューセクションを執筆する
• 研究分野の技術的状況を調査する
• 研究ギャップと今後の方向性を特定する
• 検証済みの引用文献と専門的な形式が必要な場合

科学的図表による視覚的強化

⚠️ 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された AI 生成図を少なくとも 1～2 個含める必要があります。

これはオプションではありません。視覚的要素のない文献レビューは不完全です。ドキュメントを最終化する前に：

1. 最低でも 1 つの図式またはダイアグラムを生成します（例：体系的レビュー用の PRISMA フロー図）
2. 包括的なレビューの場合は 2～3 の図を推奨します（検索戦略フローチャート、テーマ別統合ダイアグラム、概念的フレームワーク）

図を生成する方法:

• scientific-schematics スキルを使用して、AI を搭載した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説明するだけです
• Nano Banana Pro が自動的にスケマティクスを生成、レビュー、改善します

スケマティクスを生成する方法:

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

AI は自動的に以下を実行します：

• 適切な形式の出版品質の画像を作成
• 複数の反復を通じてレビューおよび改善
• アクセシビリティを確保（色覚異常対応、高コントラスト）
• figures/ ディレクトリに出力を保存

スケマティクスを追加する場合:

• 体系的レビュー用の PRISMA フロー図
• 文献検索戦略フローチャート
• テーマ別統合ダイアグラム
• 研究ギャップの可視化マップ
• 引用ネットワークダイアグラム
• 概念的フレームワーク図解
• 可視化から利益を得る複雑な概念

スケマティクス作成の詳細なガイダンスについては、scientific-schematics スキルドキュメントを参照してください。

---

コアワークフロー

文献レビューは構造化された多段階ワークフローに従います：

フェーズ 1: 計画とスコーピング

1. 研究質問を定義: 臨床・生物医学的レビューには PICO フレームワーク（Population、Intervention、Comparison、Outcome）を使用

   • 例：「CRISPR-Cas9（I）は標準治療（C）と比較して、鎌状赤血球病（P）の治療効果（O）はどの程度か？」

2. スコープと目的を確立:

   • 明確で具体的な研究質問を定義
   • レビュータイプ（記述的、体系的、スコーピング、メタアナリシス）を決定
   • 境界線を設定（時間範囲、地理的範囲、研究タイプ）

3. 検索戦略を策定:

   • 研究質問から 2～4 の主要な概念を特定
   • 各概念のシノニム、略語、関連用語をリストアップ
   • ブール演算子（AND、OR、NOT）を計画して用語を組み合わせ
   • 最低 3 つの補完的なデータベースを選択

4. 含有・除外基準を設定:

   • 日付範囲（例：過去 10 年：2015～2024）
   • 言語（通常は英語、または多言語を指定）
   • 出版タイプ（査読済み、プレプリント、レビュー）
   • 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

フェーズ 2: 体系的な文献検索

1. マルチデータベース検索:

   分野に適したデータベースを選択します：

   生物医学・生命科学:

   • gget スキルを使用：gget search pubmed "search terms" (PubMed/PMC 用)
   • gget スキルを使用：gget search biorxiv "search terms" (プレプリント用)
   • ChEMBL、KEGG、UniProt などには bioservices スキルを使用

   一般的な科学文献:

   • arXiv を直接 API 経由で検索（物理学、数学、CS、q-bio のプレプリント）
   • Semantic Scholar を API 経由で検索（200M+ の論文、横分野対応）
   • Google Scholar で包括的カバレッジを検索（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
   • がん遺伝学には gget cosmic を使用
   • 人口統計・統計データには datacommons-client を使用
   • 分野に応じて専門データベースを使用

2. 検索パラメータを文書化:

   ## 検索戦略
   
   ### データベース: PubMed
   - **検索日**: 2024-10-25
   - **日付範囲**: 2015-01-01～2024-10-25
   - **検索文字列**:
   

   ("CRISPR"[Title] OR "Cas9"[Title]) AND ("sickle cell"[MeSH] OR "SCD"[Title/Abstract]) AND 2015:2024[Publication Date]

   - **結果**: 247 件の記事
   

   検索した各データベースについて繰り返します。

3. 結果をエクスポートして集約:

   • 各データベースから JSON 形式で結果をエクスポート
   • すべての結果を単一ファイルに統合
   • 後処理には scripts/search_databases.py を使用：

     python search_databases.py combined_results.json \
       --deduplicate \
       --format markdown \
       --output aggregated_results.md
     

フェーズ 3: スクリーニングと選択

1. 重複排除:

   python search_databases.py results.json --deduplicate --output unique_results.json
   

   • DOI（主）またはタイトル（フォールバック）による重複を削除
   • この段階で削除された重複の数を文書化

2. タイトルスクリーニング:

   • すべてのタイトルを含有・除外基準に照らして確認
   • 明らかに無関係な研究を除外
   • この段階で除外された研究の数を文書化

3. 要約スクリーニング:

   • 残存する研究の要約を読む
   • 含有・除外基準を厳密に適用
   • 除外理由を文書化

4. 全文スクリーニング:

   • 残存する研究の全文を入手
   • すべての基準に照らして詳細にレビュー
   • 除外の具体的な理由を文書化
   • 含有された研究の最終数を記録

5. PRISMA フロー図を作成:

   初期検索: n = X
   ├─ 重複排除後: n = Y
   ├─ タイトルスクリーニング後: n = Z
   ├─ 要約スクリーニング後: n = A
   └─ レビューに含有: n = B
   

フェーズ 4: データ抽出と質評価

1. 各含有研究から重要なデータを抽出:

   • 研究メタデータ（著者、年、ジャーナル、DOI）
   • 研究デザインおよび方法論
   • サンプルサイズおよび集団特性
   • 主要な知見と結果
   • 著者が記述した制限事項
   • 資金提供源および利益相反

2. 研究の質を評価:

   • RCT 用: Cochrane Risk of Bias ツールを使用
   • 観察研究用: Newcastle-Ottawa Scale を使用
   • 体系的レビュー用: AMSTAR 2 を使用
   • 各研究を評価：高、中程度、低、またはきわめて低い質
   • 非常に低い質の研究の除外を検討

3. テーマ別に整理:

   • 研究全体で 3～5 の主要なテーマを特定
   • 研究をテーマ別にグループ化（研究は複数のテーマに表示される場合がある）
   • パターン、合意、および論争を記録

フェーズ 5: 統合と分析

1. テンプレートから レビュー文書を作成:

   cp assets/review_template.md my_literature_review.md
   

2. テーマ別統合を執筆（研究ごとの要約ではなく）:

   • 結果セクションをテーマまたは研究質問別に整理
   • 各テーマ内で複数の研究から知見を統合
   • 異なるアプローチと結果を比較対照
   • 合意領域と論争点を特定
   • 最も強力なエビデンスを強調

   例構成:

   #### 3.3.1 テーマ: CRISPR デリバリー方法
   
   治療的な遺伝子編集のための複数のデリバリーアプローチが研究されています。
   ウイルスベクトル（AAV）は 15 の研究^1-15^で使用され、高いトランスダクション
   効率（65～85%）を示しましたが、免疫原性への懸念を生じさせました^3,7,12^。
   対照的に、脂質ナノ粒子はより低い効率（40～60%）を示しましたが、改善された
   安全性プロファイルを実現しました^16-23^。
   

3. 批判的分析:

   • 研究全体で方法論的な強みと制限を評価
   • エビデンス品質と一貫性を評価
   • 知識ギャップと方法論的ギャップを特定
   • 将来の研究が必要な領域に注記

4. ディスカッション を執筆:

   • より広い文脈で知見を解釈
   • 臨床的、実践的、または研究的含意を議論
   • レビュー自体の制限を認識
   • 適用可能な場合は以前のレビューと比較
   • 具体的な将来の研究方向を提案

フェーズ 6: 引用文献検証

重大: 最終提出前に、すべての引用文献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:

   python scripts/verify_citations.py my_literature_review.md
   

   このスクリプト：

   • ドキュメントからすべての DOI を抽出
   • 各 DOI が正しく解決されることを検証
   • CrossRef からメタデータを取得
   • 検証レポートを生成
   • 適切に形式化された引用文献を出力

2. 検証レポートをレビュー:

   • 失敗した DOI がないかチェック
   • 著者名、タイトル、出版詳細が一致することを確認
   • 元のドキュメント内のエラーを修正
   • すべての引用文献が合格するまで再度検証を実行

3. 引用文献を一貫して形式化:

   • 1 つの引用スタイルを選択して全体で使用（references/citation_styles.md を参照）
   • 一般的なスタイル：APA、Nature、Vancouver、Chicago、IEEE
   • 引用文献の形式化に検証スクリプト出力を使用
   • 本文内の引用文献が参考文献リストの形式と一致することを確認

フェーズ 7: 文書生成

1. PDF を生成:

   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: 目次を無効化
   • --no-numbers: セクション番号を無効化
   • --check-deps: pandoc/xelatex がインストールされているかチェック

2. 最終出力をレビュー:

   • PDF の形式とレイアウトをチェック
   • すべてのセクションが存在することを確認
   • 引用文献が正しくレンダリングされることを確認
   • 図表が適切に表示されることを確認
   • 目次の正確性を確認

3. 品質チェックリスト:

   • すべての DOI が verify_citations.py で検証済み
   • 引用文献の形式が一貫している
   • PRISMA フロー図が含有されている（体系的レビュー用）
   • 検索方法論が完全に文書化されている
   • 含有・除外基準が明確に記載されている
   • 結果がテーマ別に整理されている（研究ごとではなく）
   • 質評価が完了している
   • 制限が認識されている
   • 参考文献が完全で正確である
   • PDF がエラーなく生成される

データベース固有の検索ガイダンス

PubMed / PubMed Central

gget スキル経由でアクセス：

# PubMed を検索
gget search pubmed "CRISPR gene editing" -l 100

# フィルタ付きで検索
# PubMed Advanced Search Builder を使用して複雑なクエリを構築
# その後 gget または Entrez API で実行

検索のコツ:

• MeSH 用語を使用："sickle cell disease"[MeSH]
• フィールドタグ：[Title]、[Title/Abstract]、[Author]
• 日付フィルタ：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 スキル経由でアクセス：

gget search biorxiv "CRISPR sickle cell" -l 50

重要な考慮事項:

• プレプリントは査読されていない
• 注意してして知見を検証
• プレプリントが出版済みであるかチェック（CrossRef）
• プレプリント版と日付を記録

arXiv

直接 API または WebFetch 経由でアクセス：

# 例検索カテゴリ：
# q-bio.QM（定量的方法）
# q-bio.GN（ゲノミクス）
# q-bio.MN（分子ネットワーク）
# cs.LG（機械学習）
# stat.ML（機械学習統計）

# 検索形式：カテゴリ AND 用語
search_query = "cat:q-bio.QM AND ti:\"single cell sequencing\""

Semantic Scholar

直接 API 経由でアクセス（API キーが必要、またはフリーティアを使用）:

• 全分野で 200M+ 論文
• 横分野の検索に最適
• 引用グラフとペーパー推奨を提供
• 高く引用された論文を見つけるために使用

専門的な生物医学データベース

適切なスキルを使用：

• ChEMBL: 化学バイオアクティビティ用 bioservices スキル
• UniProt: タンパク質情報用 gget または bioservices スキル
• KEGG: パスウェイと遺伝子用 bioservices スキル
• COSMIC: がん突然変異用 gget スキル
• AlphaFold: タンパク質構造用 gget alphafold
• PDB: 実験構造用 gget または直接 API

引用チェーニング

引用ネットワーク経由で検索を拡張：

1. 順方向引用文献（主要論文を引用している論文）:

   • Google Scholar「引用元」を使用
   • Semantic Scholar または OpenAlex API を使用
   • 重要な研究の上に構築されている新しい研究を特定

2. 逆方向引用文献（主要論文の参考文献）:

   • 含有された論文から参考文献を抽出
   • 高く引用された基礎的研究を特定
   • 複数の含有研究で引用されている論文を見つける

引用スタイルガイド

詳細な形式ガイダンスは references/citation_styles.md にあります。簡単なリファレンス：

APA（第 7 版）

• 本文内：(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

• 本文内：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

• 本文内：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.

必ず引用文献を検証してください。最終化する前に verify_citations.py を使用します。

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（最低 3 つ）: 包括的なカバレッジを確保
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取得
3. すべてを文書化: 再現性のための検索文字列、日付、結果数
4. テストと改良: パイロット検索を実行、結果をレビュー、検索用語を調整

スクリーニングと選択

1. 明確な基準を使用: スクリーニング前に含有・除外基準を文書化
2. 体系的にスクリーニング: タイトル → 要約 → 全文
3. 除外を文書化: 研究を除外する理由を記録
4. デュアルスクリーニングを検討: 体系的レビューの場合、2 人のレビュアーが独立してスクリーニング

統合

1. テーマ別に整理: 個別の研究ではなくテーマ別にグループ化
2. 研究間で統合: 比較、対照、パターンを特定
3. 批判的である: エビデンス品質と一貫性を評価
4. ギャップを特定: 欠落しているものや十分に研究されていない領域に注記

品質と再現性

1. 研究の質を評価: 適切な質評価ツールを使用
2. すべての引用文献を検証: verify_citations.py スクリプトを実行
3. 方法論を文書化: 他の人が再現できるだけの詳細を提供
4. ガイドラインに従う: 体系的レビュー用 PRISMA を使用

執筆

1. 客観的である: エビデンスを公平に提示、制限を認識
2. 体系的である: 構造化テンプレートに従う
3. 具体的である: 該当する場合は数値、統計、効果サイズを含める
4. 明確である: 明確な見出し、論理的フロー、テーマ別組織を使用

避けるべき一般的な落とし穴

1. 単一データベース検索: 関連論文を見落とす；常に複数のデータベースを検索
2. 検索文書化なし: レビューが再現不可能になる；すべての検索を文書化
3. 研究ごとの要約: 統合を欠く；代わりにテーマ別に整理
4. 未検証の引用文献: エラーをもたらす；常に verify_citations.py を実行
5. 検索が広すぎる: 無関連の結果が数千件；特定の用語で絞り込む
6. 検索が狭すぎる: 関連論文を見落とす；シノニムと関連用語を含める
7. プレプリント無視: 最新の知見を見落とす；bioRxiv、medRxiv、arXiv を含める
8. 質評価なし: すべてのエビデンスを平等に扱う；質を評価して報告
9. 出版バイアス: ポジティブ結果のみ出版；潜在的バイアスに注記
10. 検索が古い: 分野は急速に進化；検索日を明確に記載

ワークフロー例

生物医学文献レビューの完全なワークフロー：

# 1. テンプレートからレビュー文書を作成
cp assets/review_template.md crispr_sickle_cell_review.md

# 2. 適切なスキルを使用して複数のデータベースを検索
# - gget スキル (PubMed、bioRxiv) を使用
# - arXiv、Semantic Scholar に直接 API アクセスを使用
# - JSON 形式で結果をエクスポート

# 3. 結果を集約して処理
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. 結果をスクリーニングしてデータを抽出
# - タイトル、要約、全文を手動でスクリーニング
# - 重要なデータをレビュー文書に抽出
# - テーマ別に整理

# 5. テンプレート構造に従ってレビューを執筆
# - 明確な目的の導入
# - 詳細な方法論セクション
# - テーマ別に整理された結果
# - 批判的なディスカッション
# - 明確な結論

# 6. すべての引用文献を検証
python scripts/verify_citations.py crispr_sickle_cell_review.md

# 引用文献レポートをレビュー
cat crispr_sickle_cell_review_citation_report.json

# 失敗した引用文献を修正して再度検証
python scripts/verify_citations.py crispr_sickle_cell_review.md

# 7. 専門的な PDF を生成
python scripts/generate_pdf.py crispr_sickle_cell_review.md \
  --citation-style nature \
  --output crispr_sickle_cell_review.pdf

# 8. 最終 PDF とマークダウン出力をレビュー

他のスキルとの統合

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

分析スキル

• pydeseq2: RNA-seq 発現解析（方法論セクション用）
• scanpy: シングルセル解析（方法論セクション用）
• anndata: シングルセルデータ（方法論セクション用）
• biopython: シーケンス解析（背景セクション用）

可視化スキル

• matplotlib: レビュー用の図表を生成
• seaborn: 統計的な可視化

執筆スキル

• brand-guidelines: PDF にインスティテューショナルブランドを適用
• internal-comms: 異なるオーディエンス用にレビューを適応

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 を検証して形式化された引用文献を生成
• scripts/generate_pdf.py: マークダウンを専門的 PDF に変換
• scripts/search_databases.py: 検索結果を処理、重複排除、形式化

リファレンス:

• references/citation_styles.md: 詳細な引用文献形式ガイド（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付き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（体系的レビュー）：http://www.prisma-statement.org/
• Cochrane ハンドブック：https://training.cochrane.org/handbook
• AMSTAR 2（レビュー品質）：https://amstar.ca/

ツール:

• MeSH ブラウザ：https://meshb.nlm.nih.gov/search
• PubMed Advanced Search：https://pubmed.ncbi.nlm.nih.gov/advanced/
• ブール検索ガイド：https://www.ncbi.nlm.nih.gov/books/NBK3827/

引用スタイル:

• APA スタイル：https://apastyle.apa.org/
• Nature ポートフォリオ：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

必須 Python パッケージ

pip install requests  # 引用文献検証用

必須システムツール

# PDF 生成用
brew install pandoc  # macOS
apt-get install pandoc  # Linux

# LaTeX（PDF 生成用）
brew install --cask mactex  # macOS
apt-get install texlive-xetex  # Linux

依存関係をチェック：

python scripts/generate_pdf.py --check-deps

概要

このliterature-review スキルは以下を提供します：

1. 体系的な方法論: 学術的ベストプラクティスに従う
2. マルチデータベース統合: 既存の科学スキル経由
3. 引用文献検証: 正確性と信頼性を保証
4. 専門的な出力: マークダウンと PDF 形式
5. 包括的なガイダンス: レビュー全体を対象
6. 品質保証: 検証と検証ツール
7. 再現性: 詳細な文書化要件

学術基準を満たし、任意の分野における現在の知識の包括的な統合を提供する、徹底的で厳密な文献レビューを実施します。