用途：回答“我的基因中哪些生物学过程被显著富集”，是差异表达、筛选或聚类分析后的标准收尾步骤。核心方法有两种：ORA（过表达分析）对阈值化基因列表用 Fisher 精确检验/超几何检验；GSEA（基因集富集分析）对完整排序列表检验基因集是否集中于顶部或底部，适合效应广泛而微弱的情况。
主要能力：查找 GO、KEGG、Reactome、WikiPathways、MSigDB Hallmark 等基因集中的富集项；对 DESeq2、edgeR、limma、Scanpy 输出运行 GSEA/预排序 GSEA；用 ssGSEA、GSVA 计算每个样本或细胞的基因集评分；去冗余、可视化并生成发表级表格与图；协助在 ORA 与 GSEA 之间选择、挑选基因集库、设置背景及修复基因 ID 问题。
使用方式：安装 uv pip install gseapy==1.3.1 gprofiler-official==1.0.0 mygene==3.2.2 lxml。可用 gp.get_library_name 发现当前库名，用 gp.enrichr 做 ORA、gp.prerank 做预排序 GSEA。辅助脚本 scripts/run_enrichment.py 支持端到端运行，例如 python scripts/run_enrichment.py ora --genes deg_symbols.txt --background tested_symbols.txt --libraries MSigDB_Hallmark_2020 GO_Biological_Process_2026 KEGG_2026 --organism human --outdir results/，以及 python scripts/run_enrichment.py gsea --deseq2 deseq2_results.csv --libraries MSigDB_Hallmark_2020 GO_Biological_Process_2026 --organism human --outdir results/ --seed 123。
适用场景：有离散命中列表时用 ORA；有完整带评分排序表时用预排序 GSEA；有表达矩阵加类别标签时用 GSEA；需要每样本评分时用 ssGSEA/GSVA。
限制：Enrichr、g:Profiler 与 MSigDB 下载需要网络；完全离线 ORA 需本地 GMT 文件配合 gp.enrich()。ORA 背景应为实际可检测基因而非全基因组。GSEA 必须使用完整排序列表，不可先阈值化；排序建议用带符号统计量而非仅 log2FoldChange。不同方法的校正 p 值不可互换，需报告所用方法与置换次数。GO 结果常含大量近重复条目，需折叠并报告代表性条目。库名与版本会随时间变化，需记录库名与日期并设置随机种子以保证可复现。非人类运行需显式指定 --libraries，--organism 仅选择服务实例，不做基因转换或物种库选择。