Communitygithub.com

latex-posters

LaTeX(beamerposter, tikzposter, baposter)を使ってプロフェッショナルな研究ポスターを作成します。学会発表、アカデミックポスター、科学コミュニケーションに対応。レイアウトデザイン、配色、マルチカラムフォーマット、図の統合、視覚的コミュニケーションのためのポスター固有のベストプラクティスを含みます。

latex-posters とは?

このスキルは、研究ポスターをLaTeXで作成するための包括的なガイドです。beamerposter(Beamer構文、機関テーマ)、tikzposter(モダンでカラフル、柔軟性)、baposter(構造化マルチカラム)の3つの主要パッケージをサポートし、学会やシンポジウム、学位審査などの場面で活用できます。スキルは、AIを活用した視覚要素の生成を標準ワークフローとして推奨し、ポスター全体の60〜70%をAI生成の画像で構成することを目標としています。各AIグラフィックは最大3〜4要素、10語以内、50%以上の余白、120pt以上の大きなフォントサイズといった厳格な制限を設け、視認性を確保します。また、完全なポスター作成ワークフロー(企画、AI画像生成、デザイン、コンテンツ統合、リファインメント、コンパイルと納品)を段階的に提供し、具体的なコマンド例やよくある失敗の回避方法も含まれています。他のスキル(Scientific Schematics、Generate Imageなど)との連携や、詳細なリファレンス文書へのリンクも充実しており、エンジニアや開発者が高品質な学術ポスターを効率的に作成するための実践的な知識を提供します。

対応~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/K-Dense-AI/scientific-agent-skills/tree/main/skills/latex-posters

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

ドキュメント

LaTeX 研究ポスター

概要

研究ポスターは、学会、シンポジウム、学術イベントにおける科学コミュニケーションの重要な媒体です。このスキルは、LaTeXパッケージを使用してプロフェッショナルで視覚的に魅力的な研究ポスターを作成するための包括的なガイダンスを提供します。適切なレイアウト、タイポグラフィ、配色、視覚的階層を持つ出版品質のポスターを生成できます。

スキルを使用するタイミング

このスキルは、以下の場合に使用します。

  • 学会、シンポジウム、ポスターセッション用の研究ポスター作成
  • 大学のイベントや学位審査用のアカデミックポスターのデザイン
  • パブリックエンゲージメントのための研究の視覚的サマリーの準備
  • 科学論文のポスター形式への変換
  • 研究グループや学科向けのテンプレートポスターの作成
  • A0、A1、36×48"など、特定の学会サイズ要件に準拠したポスターの設計
  • 複雑なマルチカラムレイアウトのポスターの構築
  • ポスター形式での図、表、数式、引用の統合

AIを活用した視覚要素の生成

標準ワークフロー: LaTeXポスターを作成する前に、主要な視覚要素をすべてAIで生成します。

これは、視覚的に魅力的なポスターを作成するための推奨アプローチです。

  1. 必要なすべての視覚要素を計画する(タイトル、イントロ、方法、結果、結論)
  2. scientific-schematics または Nano Banana Pro を使用して各要素を生成する
  3. 生成された画像をLaTeXテンプレートに組み込む
  4. 視覚要素の周りにテキストコンテンツを追加する

目標: ポスター面積の60〜70%をAI生成のビジュアル、30〜40%をテキストにします。


厳格な制限(超過禁止)

これらはガイドラインではなく、制限です。これに違反することは、ポスター失敗の最も一般的な原因です。完全な根拠、グラフィックタイプ別の表、および実例は、references/ai_graphics_for_posters.md にあります。

制約制限
AI生成グラフィックあたりの要素数最大3〜4(3が理想)
グラフィックあたりの単語数最大10
グラフィックあたりの余白最低50%(60%がより良い)
キーナンバー/メトリクス120pt以上
ラベル80pt以上
ポスターの本文テキスト24pt以上
コンテンツセクション数(A0)最大5〜6
ポスターの総単語数300〜800
図の幅0.85\linewidth、決して 1.0 にしない

すべてのグラフィックプロンプトには、以下を含める必要があります: POSTER FORMAT for A0、明示的な要素または単語数(ONLY 3 icons、3 words total)、フォントサイズ(GIANT (120pt+))、60% white space、および視距離(readable from 10-12 feet)。

2つの必須レビューゲート。 どちらかをスキップすると、読みにくいポスターができあがります。

  • 生成前 — 計画された各グラフィックについて、3〜4項目、1メッセージ、10ワード未満であり、5段階以上のワークフローでないことを確認します。そうでない場合は、複数のグラフィックに分割します。
  • 生成後、統合前 — 各図を25%ズームで開きます。すべてのテキストが読め、要素が4つ以下、余白が50%以上、2秒で理解できることを確認します。いずれかが失敗した場合は、再生成するか分割します。これらの図からポスターを組み立てないでください。

常に失敗するパターン: 7段階ワークフロー、年間マイルストーンを含むタイムライン、1つのグラフィックに3つのケーススタディ、5つ以上の方法の比較、すべてのレイヤーを含むアーキテクチャ。これらはそれぞれ3つの高レベル項目にまとめるか、複数の個別グラフィックにします。

オーバーフローは警告ではなくエラーです。 コンパイル後、grep -i overfull poster.log を実行し、100%ズームで4辺すべてを検査します。詳細は references/compilation_and_quality_control.md を参照してください。

Scientific Schematics との統合

図の作成に関する詳細なガイダンスは、scientific-schematics スキルのドキュメントを参照してください。

主な機能:

  • Nano Banana Pro が図を自動生成、レビュー、洗練します
  • 適切なフォーマットで出版品質の画像を作成します
  • アクセシビリティを確保(色覚多様性対応、高コントラスト)
  • 複雑な図の反復的な改良をサポート

コア機能

3つのポスターパッケージがサポートされています — beamerposter(Beamer構文、機関テーマ)、tikzposter(モダン、カラフル、柔軟)、baposter(構造化マルチカラム)。パッケージ比較、レイアウトとグリッドシステム、デザイン原則、標準サイズ、パッケージ別テンプレート、図と画像の統合、配色、タイポグラフィ、QRコードはすべて references/latex_poster_reference.md に文書化されています。

再利用可能なセクション別コンテンツパターン、アクセシビリティ要件、発表当日のガイダンスは references/poster_patterns_and_presentation.md にあります。

ポスター作成ワークフロー

ステージ1: 計画とコンテンツ開発

  1. ポスター要件を決定する:

    • 学会のサイズ仕様(A0、36×48"など)
    • 向き(縦 vs. 横)
    • 提出期限と形式要件
  2. コンテンツの概要を作成する:

    • 1〜3のコアメッセージを特定する
    • 主要な図を選択する(通常3〜6のメインビジュアル)
    • 各セクションの簡潔なテキストをドラフトする(箇条書きが推奨)
    • 総単語数300〜800を目指す
  3. LaTeXパッケージを選択する:

    • beamerposter: Beamerに精通しており、機関テーマが必要な場合
    • tikzposter: モダンでカラフルなデザインに柔軟性が必要な場合
    • baposter: 構造化されたプロフェッショナルなマルチカラムレイアウトに

ステージ2: 視覚要素の生成(AI活用)

重要: 最小限のコンテンツでシンプルな図を生成します。各グラフィック = 1メッセージ。

コンテンツ制限:

  • グラフィックあたり最大4〜5要素
  • グラフィックあたり最大15単語
  • 最小50%の余白
  • 巨大フォント(ラベルは80pt以上、キーナンバーは120pt以上)
  1. figuresディレクトリを作成する:

    mkdir -p figures
    
  2. シンプルな視覚要素を生成する:

    # イントロダクション - ONLY 3 アイコン/要素
    python scripts/generate_schematic.py "POSTER FORMAT for A0. SIMPLE visual with ONLY 3 elements: [icon1] [icon2] [icon3]. ONE word labels (80pt+). 50% white space. Readable from 8 feet." -o figures/intro.png
    
    # 方法 - 最大4ステップのみ
    python scripts/generate_schematic.py "POSTER FORMAT for A0. SIMPLE flowchart with ONLY 4 boxes: STEP1 → STEP2 → STEP3 → STEP4. GIANT labels (100pt+). 50% white space. NO sub-steps." -o figures/methods.png
    
    # 結果 - ONLY 3 バー/比較
    python scripts/generate_schematic.py "POSTER FORMAT for A0. SIMPLE chart with ONLY 3 bars. GIANT percentages ON bars (120pt+). NO axis, NO legend. 50% white space." -o figures/results.png
    
    # 結論 - 巨大な数字を持つ正確に3項目
    python scripts/generate_schematic.py "POSTER FORMAT for A0. EXACTLY 3 key findings: '[NUMBER]' (150pt) '[LABEL]' (60pt) for each. 50% white space. NO other text." -o figures/conclusions.png
    
  3. 生成された図をレビューする - オーバーフローをチェック:

    • 25%ズームで表示: すべてのテキストが読めるか?
    • 要素を数える: 5つ以上?→ よりシンプルに再生成
    • 余白をチェック: 40%未満?→ プロンプトに "60% white space" を追加
    • フォントが小さすぎる?: "EVEN LARGER" を追加するか、ptサイズを大きくする
    • まだオーバーフローしている?: 4〜5要素ではなく3要素に減らす

ステージ3: デザインとレイアウト

  1. テンプレートを選択または作成する:

    • assets/ にある提供テンプレートから開始
    • ブランディングに合わせて配色をカスタマイズ
    • ページサイズと向きを設定
  2. レイアウト構造をデザインする:

    • カラム構造を計画(2、3、または4カラム)
    • コンテンツフローをマッピング(通常は左から右、上から下)
    • タイトル(10〜15%)、コンテンツ(70〜80%)、フッター(5〜10%)のスペースを割り当て
  3. タイポグラフィを設定する:

    • 異なる階層レベルに合わせてフォントサイズを設定
    • 本文テキストは最低24ptを確保
    • 4〜6フィートの距離からの読みやすさをテスト

ステージ4: コンテンツ統合

  1. ポスターヘッダーを作成する:

    • タイトル(簡潔で説明的、10〜15単語)
    • 著者と所属
    • 機関ロゴ(高解像度)
    • 必要な場合は学会ロゴ
  2. AI生成図を統合する:

    • ステージ2のすべての図を適切なセクションに追加
    • 適切なサイズで \includegraphics を使用
    • 各セクションで図が支配的になるようにする(ビジュアルを優先、テキストは後)
    • 視覚的インパクトのためにブロック内で図を中央揃え
  3. 最小限の補足テキストを追加する:

    • テキストは最小限でスキャン可能に保つ(合計300〜800単語)
    • 段落ではなく箇条書きを使用
    • 能動態で記述
    • テキストは図を補完するものとし、重複させない
  4. 補足要素を追加する:

    • 補足資料へのQRコード
    • 参考文献(主要な論文のみ引用、通常5〜10)
    • 連絡先情報と謝辞

ステージ5: 洗練とテスト

  1. レビューと反復:

    • タイプミスやエラーをチェック
    • すべての図が高解像度であることを確認
    • 一貫したフォーマットを確認
    • 配色がうまく機能していることを確認
  2. 読みやすさをテストする:

    • 25%スケールで印刷し、2〜3フィートから読む(ポスターを8〜12フィートから見るのをシミュレート)
    • 異なるモニターで色を確認
    • QRコードが正しく機能することを確認
    • 同僚にレビューを依頼
  3. 印刷に最適化する:

    • PDFにすべてのフォントを埋め込む
    • 画像解像度を確認
    • PDFサイズ要件をチェック
    • 必要に応じて塗り足し領域を含める

ステージ6: コンパイルと納品

  1. 最終PDFをコンパイルする:

    pdflatex poster.tex
    # または、より良いフォントサポートのために:
    lualatex poster.tex
    
  2. 出力品質を確認する:

    • すべての要素が表示され、正しく配置されていることを確認
    • 100%にズームして図の品質を検査
    • 色が期待通りであることを確認
    • PDFが異なるビューアで正しく開くことを確認
  3. 印刷の準備をする:

    • 必要に応じてPDF/X-1aとしてエクスポート
    • バックアップコピーを保存
    • 最初に普通紙でテスト印刷を行う
    • 締め切りの2〜3日前にプロの印刷を注文
  4. 補足資料を作成する:

    • ソーシャルメディア用にPNG/JPGバージョンを保存
    • ハンドアウト版(8.5×11"のサマリー)を作成
    • メール共有用のデジタル版を準備

他のスキルとの統合

このスキルは、以下と効果的に連携します:

  • Scientific Schematics: 重要 - すべてのポスター図やフローチャートの生成に使用
  • Generate Image / Nano Banana Pro: スタイライズされたグラフィック、コンセプトイラスト、サマリービジュアルに
  • Scientific Writing: 論文からポスターコンテンツを作成するため
  • Literature Review: 研究を文脈に位置づけるため
  • Data Analysis: 結果の図やチャートを作成するため

推奨ワークフロー: LaTeXポスターを作成する前に、常にscientific-schematicsスキルとgenerate-imageスキルを使用してすべての視覚要素を生成します。

避けるべき一般的な落とし穴

AI生成グラフィックの間違い(最も一般的):

  • ❌ 1つのグラフィックに要素が多すぎる(10個以上)→ 最大3〜5に抑える
  • ❌ AIグラフィックのテキストが小さすぎる → "GIANT (100pt+)" または "HUGE (150pt+)" を指定
  • ❌ プロンプトの詳細が多すぎる → "SIMPLE" と "ONLY X elements" を使用
  • ❌ 余白の指定がない → すべてのプロンプトに "50% white space" を追加
  • ❌ 8ステップ以上の複雑なフローチャート → 最大4〜5ステップに制限
  • ❌ 6項目以上の比較チャート → 最大3項目に制限
  • ❌ 5つ以上のメトリクスがある重要な発見 → トップ3のみ表示

AIグラフィックのオーバーフロー修正: AI生成グラフィックがオーバーフローしている、またはテキストが小さい場合:

  1. プロンプトに "SIMPLER" または "ONLY 3 elements" を追加
  2. フォントサイズを大きくする: "80pt+" の代わりに "150pt+"
  3. "50%" の代わりに "60% white space" を追加
  4. サブ詳細を削除: "NO sub-steps"、"NO axis labels"、"NO legend"
  5. 要素を減らして再生成

デザインの間違い:

  • ❌ テキストが多すぎる(1000語以上)
  • ❌ フォントサイズが小さすぎる(本文テキストが24pt未満)
  • ❌ 低コントラストな色の組み合わせ
  • ❌ 余白のない散らかったレイアウト
  • ❌ セクション間でスタイルが一貫していない
  • ❌ 品質の低い、またはピクセル化された画像

コンテンツの間違い:

  • ❌ 明確なナラティブやメッセージがない
  • ❌ 多すぎる研究課題や目的
  • ❌ 定義なしの専門用語の多用
  • ❌ 文脈や解釈のない結果
  • ❌ 著者の連絡先情報がない

技術的な間違い:

  • ❌ 学会要件に合わないポスターディメンション
  • ❌ RGBカラーをCMYKプリンターに送信(色ずれ)
  • ❌ PDFにフォントが埋め込まれていない
  • ❌ 提出ポータルに対してファイルサイズが大きすぎる
  • ❌ QRコードが小さすぎる、またはテストされていない

ベストプラクティス:

  • ✅ 3〜5要素のシンプルなAIグラフィックを生成
  • ✅ グラフィック内のキーナンバーには巨大フォント(100pt+)を使用
  • ✅ すべてのAIプロンプトで "50% white space" を指定
  • ✅ 学会のサイズ仕様に正確に従う
  • ✅ 最終印刷前に縮小スケールでテスト印刷
  • ✅ 高コントラストでアクセシブルな配色を使用
  • ✅ テキストは最小限でスキャン可能に保つ
  • ✅ 明確な連絡先情報とQRコードを含める
  • ✅ 注意深く校正する(ポスターではエラーが拡大されます!)

パッケージのインストール

必要なLaTeXパッケージがインストールされていることを確認します:

# TeX Live(Linux/Mac)の場合
tlmgr install beamerposter tikzposter baposter

# MiKTeX(Windows)の場合
# パッケージは通常、初回使用時に自動インストールされます

# 追加推奨パッケージ
tlmgr install qrcode graphics xcolor tcolorbox subcaption

スクリプトと自動化

scripts/ ディレクトリにあるヘルパースクリプト:

  • review_poster.sh: ポスターのレビューとバリデーション
  • generate_schematic.py: 科学図や模式図の生成

参考文献

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

adaptyv

How to use the Adaptyv Bio Foundry API and Python SDK for protein experiment design, submission, and results retrieval. Use this skill whenever the user mentions Adaptyv, Foundry API, protein binding assays, protein screening experiments, BLI/SPR assays, thermostability assays, or wants to submit protein sequences for experimental characterization. Also trigger when code imports `adaptyv`, `adaptyv_sdk`, or `FoundryClient`, or references `foundry-api-public.adaptyvbio.com`.

aeon

This skill should be used for time series machine learning tasks including classification, regression, clustering, forecasting, anomaly detection, segmentation, and similarity search. Use when working with temporal data, sequential patterns, or time-indexed observations requiring specialized algorithms beyond standard ML approaches. Particularly suited for univariate and multivariate time series analysis with scikit-learn compatible APIs.

alphagenome

Look up precomputed AlphaGenome Atlas effects for any GRCh38 single-nucleotide variant (AVI score with Phred and 18 SHAP feature attributions, plus raw and quantile scores for RNA-seq, DNase, ATAC, ChIP-TF, ChIP-histone, CAGE, PRO-cap, splicing, polyadenylation and contact-map tracks), score variants or scan windows on demand with the AlphaGenome model for human and mouse (variant scoring, in silico mutagenesis, REF-versus-ALT track prediction), and build Atlas website deep links. Use when the user mentions AlphaGenome, AlphaGenome Atlas, AVI or AlphaGenome Variant Impact, DeepMind variant effect prediction, or wants to prioritise or mechanistically interpret non-coding, regulatory, splicing, enhancer, promoter, or chromatin-accessibility effects of SNVs from a VCF, credible set, or region. Research use only; not a clinical tool.

analytical-method-validation

Plan, execute, and document validation, verification, and transfer of analytical procedures under the governing framework - ICH Q2(R2) and Q14, USP <1220>/<1225>/<1226>, ICH M10 bioanalytical, CLSI EP, or ISO/IEC 17025. Use for HPLC, LC-MS/MS, GC, CE, ICP-MS, dissolution, qNMR, qPCR, NIR, and ligand binding or cell-based assays whenever the question is whether a procedure is fit for its intended purpose. Triggers include

anndata

Data structure for annotated matrices in single-cell analysis. Use when working with .h5ad files or integrating with the scverse ecosystem. This is the data format skill—for analysis workflows use scanpy; for probabilistic models use scvi-tools; for population-scale queries use cellxgene-census.

arbor

Autonomously improve a real artifact (code, training recipe, agent harness, data pipeline, prompt) against an objective and an evaluator, using Hypothesis Tree Refinement (HTR) from the Arbor paper. Use this whenever someone wants to iteratively optimize something over many experiments without overfitting — e.g.

arboreto

Infer gene regulatory networks (GRNs) from gene expression data using scalable algorithms (GRNBoost2, GENIE3). Use when analyzing transcriptomics data (bulk RNA-seq, single-cell RNA-seq) to identify transcription factor-target gene relationships and regulatory interactions. Supports distributed computation for large-scale datasets.

astropy

Core Python library for astronomy and astrophysics workflows that need Astropy APIs, including units/quantities, coordinates, FITS I/O, tables, time systems, WCS, and cosmology. Use when implementing or debugging astronomical data analysis code with Astropy.

autoskill

Observe the user

benchling-integration

Benchling Python SDK and REST API integration for registry entities, inventory, ELN entries, workflows, Benchling Apps, and Data Warehouse queries. Use when automating lab data with benchling-sdk or the v2 API.

bgpt-paper-search

Search scientific papers and retrieve structured experimental data extracted from full-text studies via the BGPT MCP server. Returns 25+ fields per paper including methods, results, sample sizes, quality scores, and conclusions. Use for literature reviews, evidence synthesis, and finding experimental details not available in abstracts alone.

bids

>

biopython

Comprehensive molecular biology toolkit. Use for sequence manipulation, file parsing (FASTA/GenBank/PDB), phylogenetics, and programmatic NCBI/PubMed access (Bio.Entrez). Best for batch processing, custom bioinformatics pipelines, BLAST automation. For quick lookups use gget; for multi-service integration use bioservices.

bioservices

Unified Python interface to 40+ bioinformatics services. Use when querying multiple databases (UniProt, KEGG, ChEMBL, Reactome) in a single workflow with consistent API. Best for cross-database analysis, ID mapping across services. For quick single-database lookups use gget; for sequence/file manipulation use biopython.

bulk-rnaseq

End-to-end bulk RNA-seq orchestrator — takes raw FASTQ reads through QC and trimming (FastQC, fastp/Trim Galore), alignment and quantification (STAR, Salmon, featureCounts), assembles a gene-level counts matrix, then hands off to differential expression (pydeseq2), pathway/GSEA enrichment (pathway-enrichment), and publication figures (scientific-visualization). Use whenever the user has bulk RNA-seq reads or quant output and wants a complete, reproducible differential-expression workflow — e.g.

cellxgene-census

Query the CZ CELLxGENE Census programmatically for versioned public single-cell and spatial transcriptomics data. Use when you need population-scale cell metadata, gene expression slices, Census summary counts, source H5AD URIs/downloads, embeddings, spatial Census data, or reference atlas comparisons across organisms, tissues, diseases, assays, and cell types. For analyzing your own local single-cell data use scanpy, anndata, or scvi-tools.

cirq

Google quantum computing framework. Use when targeting Google Quantum AI hardware, designing noise-aware circuits, or running quantum characterization experiments. Best for Google hardware, noise modeling, and low-level circuit design. For IBM hardware use qiskit; for quantum ML with autodiff use pennylane; for physics simulations use qutip.

citation-management

Comprehensive citation management for academic research. Search OpenAlex, PubMed, and Google Scholar for papers, extract accurate metadata, validate citations, and generate properly formatted BibTeX entries. This skill should be used when you need to find papers, verify citation information, convert DOIs to BibTeX, or ensure reference accuracy in scientific writing.

clinical-decision-support

Prepare and validate research-only clinical decision-support evaluation, evidence-profile, cohort, survival, biomarker/model, privacy, and governance artifacts. Use for aggregate or synthetic research documentation and traceability—not patient care or live clinical operation.

clinical-reports

Create safety-bounded draft structures and run local deterministic checks for clinical case, diagnostic, trial, safety, and aggregate research reports. Use only with synthetic, de-identified, or aggregate inputs and verified source-fact manifests; every output requires qualified review.

関連スキル