用途：指导对差异表达基因（DEG）结果做 KEGG 通路富集分析，识别在基因集中统计上过度代表的生物学通路，并规避常见失败模式。
主要能力：
- 方法选择。ORA（过度代表分析）输入预先过滤的基因列表，用超几何检验/Fisher 精确检验；GSEA 输入全部基因的有序排名列表，无需阈值，可捕捉细微的协同变化。
- 方向性拆分。ORA 必须按上调/下调分别运行，合并会相互抵消、稀释信号；GSEA 通过带符号排名天然处理方向。
- 物种代码。如人 hsa、小鼠 mmu、大鼠 rno、斑马鱼 dre、果蝇 dme、线虫 cel、大肠杆菌 K-12 eco、铜绿假单胞菌 PA14 pau / PAO1 pae、酿酒酵母 sce、拟南芥 ath。真核生物通常需 Entrez ID，细菌用 locus tag，ID 类型不匹配会静默返回空结果。
- API 可靠性。KEGG REST API（rest.kegg.jp）限速、易超时，需预取缓存、离线基因集与重试逻辑。
使用方式：分析前先确认物种代码、标识符映射、检验方法、背景基因集、通路范围与显著性阈值。R 用 clusterProfiler::enrichKEGG() / gseKEGG()，Python 用 gseapy.enrichr() / gp.prerank()。ORA 需显式设置 universe 为全部被测基因，并按方向分别运行后取并集。KEGG API 不可用时改用 gseapy 内置离线基因集（如 KEGG_2021_Human）。先输出通路 ID 与计数，再做名称解析。
适用场景：标准 ORA、无阈值富集、跨条件比较、非模式生物分析。
限制：KEGG API 不稳定；错误物种代码或 ID 类型会静默失败；未指定背景会高估显著性；需用校正后 p 值（如 BH，p.adjust < 0.05）。