tooluniverse-gene-enrichment

用途

该技能用于执行基因集富集分析，包括 Gene Ontology（GO 的生物过程 BP、分子功能 MF、细胞组分 CC）、KEGG、Reactome、WikiPathways 和 MSigDB 富集，同时支持过表征分析（Over-Representation Analysis，ORA）和基因集富集分析（Gene Set Enrichment Analysis，GSEA）。它整合 gseapy 的本地计算与 ToolUniverse 通路数据库，用于交叉验证并生成可发表的结果。

主要能力

• 支持 ORA（gseapy.enrichr）与 GSEA（gseapy.prerank）两种分析路径。
• 覆盖 GO BP/MF/CC、KEGG、Reactome、WikiPathways、MSigDB 等数据库。
• 支持人类、小鼠、大鼠、果蝇、线虫、酵母、斑马鱼等模式生物。
• 提供三个确定性 CLI 脚本，处理并列排名、simplify 改变 p.adjust、多条件筛选等边界情况：
  1. scripts/gseapy_enrichment_runner.py：gseapy enrichr / prerank。
  2. scripts/enrichgo_runner.py：clusterProfiler::enrichGO + simplify。
  3. scripts/condition_enrichment_screen.py：按条件（condition/screen/timepoint/group）进行富集筛选。
• 支持自定义背景基因集、基因 ID 类型自动检测（symbol、ensembl、entrez、uniprot）、多重检验校正（BH、bonferroni、fdr）。
• 可结合 PANTHER_enrichment、STRING_functional_enrichment、ReactomeAnalysis_pathway_enrichment、gProfiler_enrichment 等工具进行交叉验证。

使用方式

技能强调“先计算，不描述”：当分析需要计算时，通过 Bash 编写并运行 Python 代码，使用 ToolUniverse 工具获取数据，再用 pandas、scipy、statsmodels、matplotlib 等分析。

规则零：先检查预计算结果。在数据文件夹中扫描 *_executed.ipynb、预计算富集文件（CSV/TSV 命名含 enrich、go、kegg、reactome、ego、simplified.csv）、规范分析脚本（analysis.R、run.py、find_.R、*.Rmd）。若存在，直接读取或执行并引用其输出作为权威答案；仅当以上都不存在时，才按技能中的再分析配方执行。

主要脚本使用示例：

python skills/tooluniverse-gene-enrichment/scripts/gseapy_enrichment_runner.py \
    --gene-list /tmp/sig_symbols.txt \
    --library GO_Biological_Process_2021,Reactome_2022 \
    --organism Human \
    --top 5 \
    --candidate "negative regulation of epithelial cell proliferation" \
    --workdir /tmp/gseapy_run

python skills/tooluniverse-gene-enrichment/scripts/enrichgo_runner.py \
    --gene-list /tmp/sig_ensembl.txt \
    --background /tmp/bg_ensembl.txt \
    --keytype ENSEMBL \
    --ontology BP \
    --simplify-cutoff 0.7 \
    --candidate "regulation of T cell activation" \
    --candidate "potassium ion transmembrane transport" \
    --workdir /tmp/enrichgo_run

python skills/tooluniverse-gene-enrichment/scripts/condition_enrichment_screen.py \
    --condition-genes acute=/tmp/acute_sig.txt \
    --condition-genes round1=/tmp/r1_sig.txt \
    --condition-genes round2=/tmp/r2_sig.txt \
    --condition-genes round3=/tmp/r3_sig.txt \
    --library /path/to/local_pathways.gmt \
    --background /tmp/expressed.txt \
    --keyword immune --keyword cytokine --keyword interferon \
    --workdir /tmp/cond_screen

输入参数包括：gene_list（必需）、organism、analysis_type（ORA 或 GSEA）、enrichment_databases、gene_id_type、p_value_cutoff、correction_method、background_genes、ranked_gene_list（GSEA 用）。

适用场景

• 用户询问基因富集分析（GO、KEGG、Reactome 等）。
• 拥有来自差异表达、聚类或任何实验的基因列表。
• 想知道哪些生物过程、分子功能或细胞组分被富集。
• 需要 KEGG 或 Reactome 通路富集分析。
• 询问带排序基因列表的 GSEA。
• 需要 Fisher 精确检验的 ORA。
• 需要多重检验校正（Benjamini-Hochberg、Bonferroni）。
• 询问 enrichGO、gseapy、clusterProfiler 风格分析。

不适用场景（应使用其他技能）：网络药理学/药物重定位、疾病表征、单基因功能查询、空间组学分析、仅蛋白质-蛋白质相互作用分析。

限制与注意事项

• 富集结果高度依赖上游 DEG 过滤条件、库快照版本和顶部并列排名处理。脚本会显式暴露这三种失败模式。
• 当 # TIES_AT_TOP: n=N 较大（>5）时，可能意味着基因列表过小或错误，需检查过滤条件、基因 ID 空间、dropna 是否丢弃过多基因。
• DEG 过滤默认仅使用问题中明确指定的阈值，不要静默添加 |LFC|、baseMean 或 LFC 收缩等额外过滤。
• 背景选择很重要：默认全基因组背景会高估组织特异性基因列表的富集，应使用合适的背景（如脑 RNA-seq 用脑表达基因）。
• 始终检索 enrichment 结果的 inputGenes 字段，不要假设哪些基因导致某条目显著。
• 工具调用始终使用英文术语（基因名、通路名、生物名），即使用户使用其他语言；仅当英文无结果时才尝试原语言术语。
• 需要 R 包 clusterProfiler、org.Hs.eg.db（或小鼠 org.Mm.eg.db），缺失时可通过 Rscript skills/evals/install_r_packages.R 安装。
• 输出应写入 /tmp/...，不要写入数据文件夹。
• 关于收费、价格、平台等具体信息暂未提供。