用途
该技能是一个功能基因组筛选结果解读流程，用于对 CRISPR-KO、CRISPRi、shRNA 筛选产生的命中基因进行验证和优先级排序。其核心思路是：筛选命中只是假设，需要通过正交证据加以验证；泛必需基因不适合作为药物靶点，而上下文特异性必需基因价值更高；通路层面的富集比单个基因更稳健；成药性决定实际可操作性。
主要能力
流程整合多个数据源：DepMap 必需性、gnomAD 约束分数、Reactome 与 STRING 通路网络、DGIdb 成药性、CIViC 与 COSMIC 临床证据，以及 PubMed 文献。工作流分为七个阶段：
- 阶段 0：输入处理，整理基因列表、筛选类型、细胞系和疾病背景。
- 阶段 1：命中验证，使用 DepMap 依赖性、gnomAD 约束和 UniProt 功能注释。基因可分类为泛必需（>90% 细胞系）、选择性必需（特定谱系）或上下文特异性（仅筛选模型）。Chronos < -0.5 视为可能必需，< -1.0 为强必需。
- 阶段 2：通路与网络，使用 Reactome 富集、STRING 网络和功能聚类。
- 阶段 3：成药性，使用 DGIdb 药物-基因相互作用和成药性分类，并检索临床试验与 PubMed 寻找新抑制剂。
- 阶段 4：临床证据，使用 CIViC 和 COSMIC 突变数据。
- 阶段 5：文献，使用 PubMed 检索关键命中。
- 阶段 6：优先级报告，按六项标准评分（0-18 分）：选择性必需性、通路汇聚、成药性、临床证据、约束、文献。T1（15-18）高置信，T2（10-14）有前景，T3（5-9）推测性，T4（<5）可能为假阳性。
使用方式
该技能通过工具调用和 Python 代码执行完成分析。原则是“查询而非猜测”，不确定的科学事实先搜索数据库；“计算而非描述”，需要统计、数据处理、评分或富集分析时，通过 Bash 编写并运行 Python 代码（pandas、scipy、statsmodels、matplotlib），报告实际结果。工具调用使用英文基因名。
关键工具调用示例：
- DepMap_get_gene_dependencies(gene_symbol=...) 仅返回基因元数据，不返回逐细胞系分数。
- gnomad_get_gene_constraints(gene_symbol=...) 返回 pLI、LOEUF，可能返回“Service overloaded”。
- ReactomeAnalysis_pathway_enrichment(identifiers="TP53 BRCA1 EGFR") 使用空格分隔。
- STRING_get_network(identifiers="GENE1\rGENE2\rGENE3", species=9606) 使用回车分隔。
- DGIdb_get_drug_gene_interactions(genes=["EGFR","BRAF"])。
- civic_search_evidence_items(molecular_profile=gene) 注意参数不是 query。
逐细胞系 Chronos 分数需使用捆绑脚本 tooluniverse-cell-line-profiling/scripts/depmap_gene_dependency.py，该脚本会下载并缓存当前 DepMap Public CRISPRGeneEffect.csv，可按基因或细胞系查询：
python depmap_gene_dependency.py gene KRAS --lineage Lung --top 20 python depmap_gene_dependency.py cell-line A375 --top 25
适用场景
适用于癌症相关功能基因组筛选的命中验证与靶点优先级排序，也可用于非癌症筛选，但此时 DepMap 信息价值较低，应更多依赖约束和通路证据。对于 shRNA 筛选，因脱靶效应，验证门槛应更高。
限制
DepMap 以癌症为中心（约 1000 个癌症细胞系）；该技能不进行原始筛选分析，上游需使用 MAGeCK/BAGEL；STRING 相互作用是关联而非因果关系。边界情况包括：gnomAD 过载时重试一次，仍失败则跳过并记录缺口；基因不在 DepMap 中时回退到 gnomAD 和 UniProt；命中列表超过 500 时，对全列表做通路富集，对前 50 个做逐基因分析。