GO/KEGG 富集分析

用于基因本体（Gene Ontology）和 KEGG 通路富集分析的自动化流程，包含结果解读和可视化。

功能特性

GO 富集分析：生物过程（BP）、分子功能（MF）、细胞组分（CC）
KEGG 通路：结合物种特异性映射的通路富集分析
多种 ID 支持：基因 symbol、Entrez ID、Ensembl ID、RefSeq
统计方法：超几何检验、Fisher 精确检验、GSEA 支持
可视化：条形图、点图、富集图（enrichment map）、cnet 图
结果解读：自动生成生物学意义摘要

支持的物种

| 常用名 | 学名 | KEGG 代码 | OrgDB 包 | |-------------|-----------------|-----------|---------------| | Human | Homo sapiens | hsa | org.Hs.eg.db | | Mouse | Mus musculus | mmu | org.Mm.eg.db | | Rat | Rattus norvegicus | rno | org.Rn.eg.db | | Zebrafish | Danio rerio | dre | org.Dr.eg.db | | Fly | Drosophila melanogaster | dme | org.Dm.eg.db | | Yeast | Saccharomyces cerevisiae | sce | org.Sc.sgd.db |

使用方法

基本用法

# Run enrichment analysis with gene list
python scripts/main.py --genes gene_list.txt --organism human --output results/

参数

| 参数 | 说明 | 默认值 | 是否必需 | |-----------|-------------|---------|----------| | --genes | 基因列表文件路径（每行一个基因） | - | 是 | | --organism | 物种代码（human/mouse/rat/zebrafish/fly/yeast） | human | 否 | | --id-type | 基因 ID 类型（symbol/entrez/ensembl/refseq） | symbol | 否 | | --background | 背景基因列表文件 | all genes | 否 | | --pvalue-cutoff | 显著性 P 值阈值 | 0.05 | 否 | | --qvalue-cutoff | 校正后 P 值（q 值）阈值 | 0.2 | 否 | | --analysis | 分析类型（go/kegg/all） | all | 否 | | --output | 输出目录 | ./enrichment_results | 否 | | --format | 输出格式（csv/tsv/excel/all） | all | 否 |

进阶用法

# GO enrichment only with specific ontology
python scripts/main.py \
    --genes deg_upregulated.txt \
    --organism mouse \
    --analysis go \
    --go-ontologies BP,MF \
    --pvalue-cutoff 0.01 \
    --output go_results/

# KEGG enrichment with custom background
python scripts/main.py \
    --genes treatment_genes.txt \
    --background all_expressed_genes.txt \
    --organism human \
    --analysis kegg \
    --qvalue-cutoff 0.05 \
    --output kegg_results/

输入格式

基因列表文件

TP53
BRCA1
EGFR
MYC
KRAS
PTEN

带表达值（用于 GSEA）

gene,log2FoldChange
TP53,2.5
BRCA1,-1.8
EGFR,3.2

输出文件

output/
├── go_enrichment/
│   ├── GO_BP_results.csv       # Biological Process results
│   ├── GO_MF_results.csv       # Molecular Function results
│   ├── GO_CC_results.csv       # Cellular Component results
│   ├── GO_BP_barplot.pdf       # Visualization
│   ├── GO_MF_dotplot.pdf
│   └── GO_summary.txt          # Interpretation summary
├── kegg_enrichment/
│   ├── KEGG_results.csv        # Pathway results
│   ├── KEGG_barplot.pdf
│   ├── KEGG_dotplot.pdf
│   └── KEGG_pathview/          # Pathway diagrams
└── combined_report.html        # Interactive report

结果解读

该工具会自动生成生物学解读内容，包括：

顶部富集条目：按富集比率排序的显著 GO 条目/通路
功能主题：从富集条目中聚类得到的生物学主题
关键基因：驱动显著条目富集的核心基因
网络关系：基因-条目关系可视化
临床相关性：疾病关联（针对人类基因）

技术难度：HIGH（高）

⚠️ AI自主验收状态: 需人工检查

该技能需要：

安装 clusterProfiler 的 R/Bioconductor 环境
多个注释数据库（org.*.eg.db）
KEGG REST API 访问
复杂的可视化依赖项

依赖项

所需 R 包

install.packages(c("BiocManager", "ggplot2", "dplyr", "readr"))
BiocManager::install(c(
    "clusterProfiler", 
    "org.Hs.eg.db", "org.Mm.eg.db", "org.Rn.eg.db",
    "enrichplot", "pathview", "DOSE"
))

Python 依赖项

pip install pandas numpy matplotlib seaborn rpy2

示例工作流程

准备输入：从 DEG 分析中生成基因列表
运行分析：使用适当参数执行 main.py
查看结果：检查生成的 CSV 文件和可视化图表
解读：阅读自动生成的摘要以获取生物学洞见

参考资料

参见 references/：

clusterProfiler 文档
KEGG API 指南
统计方法说明
可视化示例

局限性

需要联网以查询 KEGG 数据库
较大的基因列表（>5000）可能需要更多内存
部分通路可能并非所有物种都可用
KEGG API 有速率限制（最多 3 次请求/秒）

风险评估

| 风险指标 | 评估 | 级别 | |----------------|------------|-------| | 代码执行 | 本地执行 Python/R 脚本 | Medium | | 网络访问 | 无外部 API 调用 | Low | | 文件系统访问 | 读取输入文件、写入输出文件 | Medium | | 指令篡改 | 标准提示词规范 | Low | | 数据暴露 | 输出文件保存至工作空间 | Low |

安全检查清单

[ ] 无硬编码凭证或 API 密钥
[ ] 无未经授权的文件系统访问（../）
[ ] 输出不暴露敏感信息
[ ] 已落实提示词注入防护
[ ] 已校验输入文件路径（无 ../ 路径穿越）
[ ] 输出目录限制在工作空间内
[ ] 脚本在沙箱环境中执行
[ ] 错误信息已做脱敏处理（不暴露堆栈跟踪）
[ ] 已审计依赖项

前置条件

# Python dependencies
pip install -r requirements.txt

评估标准

成功指标

[ ] 成功执行主要功能
[ ] 输出符合质量标准
[ ] 能优雅处理边界情况
[ ] 性能可接受

测试用例

基本功能：标准输入 → 预期输出
边界情况：无效输入 → 优雅的错误处理
性能：大数据集 → 可接受的处理时间

生命周期状态

当前阶段：Draft
下次评审日期：2026-03-06
已知问题：无
计划改进：
- 性能优化
- 增加功能支持