RNA-seq 富集分析（GO / KEGG / Reactome）
一句话：DEG 表进，GO / KEGG / Reactome 富集表和点图出——GO 与 Reactome 全程离线，KEGG 联网失败自动用本地缓存。
获取本技能 · Get this skill
方式 A —— 一键引导 prompt（推荐）。复制下面这段，粘贴到你的 AI agent IDE：
请帮我安装 Claw2Bio 技能库中的 "RNA-seq-enrichment" 技能：
1. 从 GitHub 仓库 https://github.com/claw2bio/claw2bio 只拉取 bioinformatics/bulk_RNA_seq/RNA-seq-enrichment
这一个文件夹（用 sparse checkout，不要克隆整库）。
2. 阅读其中的 SKILL.md 并注册该技能。
3. 运行 examples/ 里的示例验证环境，把输出的图给我看。方式 B —— 独立 zip 包（约 11 MB，本站下载）：https://claw2bio.site/downloads/RNA-seq-enrichment.zip
方式 C —— 全量示例数据：已包含在方式 B 包内（同一个压缩包）。
它能做什么
前提是先跑完 bulk-RNA-seq 常规流程。指向它的输出目录（或任何含 DEG_*.csv 的文件夹），每个 contrast 拆出上调 / 下调两个基因集，用 clusterProfiler 分别做 GO（BP/MF/CC，永远离线走 OrgDb）、KEGG（在线优先，失败自动回退本地缓存）、Reactome（永远离线）富集，每个方向 × 通路库出一张表和一张点图：
GO Biological Process 富集点图——点大小为基因数，颜色为校正后 P 值。
KEGG 通路富集点图（离线缓存兜底，断网也能出图）。
Reactome 通路富集点图（开放许可，缓存可随技能分发）。
快速上手（30 秒）
bash
cd bioinformatics/bulk_RNA_seq/RNA-seq-enrichment
Rscript scripts/00_check_deps.R --organism mouse # 依赖检查
Rscript scripts/enrich.R examples/input examples/output --organism mouse输入格式
- 一个目录，里面有 bulk-RNA-seq 流程产出的
DEG_*.csv（含gene、log2fc、padj列；DESeq2 的log2FoldChange、edgeR/limma 的logFC列名会自动归一化）。
输出文件
| 文件 | 内容 |
|---|---|
GO_<contrast>_<up|down>_<BP|MF|CC>.csv + _dotplot.png | 每个 contrast × 方向 × 本体论的 GO 表和点图 |
KEGG_<contrast>_<up|down>.csv + _dotplot.png | KEGG 富集表和点图 |
Reactome_<contrast>_<up|down>.csv + _dotplot.png | Reactome 富集表和点图 |
REPORT.md | 逐文件产出说明 |
参数
| 参数 | 默认值 | 说明 |
|---|---|---|
--organism | mouse | mouse / human |
--padj | 0.05 | 校正 P 值阈值 |
--log2fc | 1 | |log2FC| 阈值 |
--offline | 关 | 跳过 KEGG 在线尝试，直接用本地缓存 |
常见问题
- 断网 / KEGG 接口超时 → 自动回退本地缓存；新机器先跑一次
Rscript scripts/build_pathway_cache.R --organism both建缓存（KEGG 缓存因版权只存本地，不上 COS）。 - 没有 OrgDb 包 → 用 bulk-RNA-seq 技能
resources/里的预编译包（COS 镜像），一次安装两个技能共用。 - DEG 表不是本流程出的 → 只要有
gene/log2fc(或logFC/log2FoldChange) /padj列即可读入。