通路扰动分析器

本工具不依赖你自己的实验数据，而是用公开的扰动组学资源，推断"抑制某个靶点后细胞通路会怎么变"，并在指定疾病时进一步回答"这种干预是把疾病状态拉回来、还是推得更远"。核心逻辑：扰动后的差异基因 → 分方向做通路富集 → 上调基因富集到的通路 = 被激活/升高；下调基因富集到的通路 = 被抑制/降低。

1. 扰动签名获取：从 Enrichr 的 LINCS L1000 资源中取出对应条目。LINCS_L1000_CRISPR_KO_Consensus_Sigs 提供"敲除基因 X 后上调 / 下调的基因集"（覆盖 5212 个基因）；LINCS_L1000_Chem_Pert_Consensus_Sigs 提供"化合物处理后的上调 / 下调基因集"（覆盖 5422 个化合物）。均为多细胞系、多剂量、多时间点的共识签名。
2. 抑制剂匹配：靶点 → 抑制剂的映射来自 DGIdb，再按归一化名称（自动剥离盐酸盐、甲磺酸盐等成盐后缀）匹配到 LINCS 化合物条目。
3. 通路富集：上调基因集与下调基因集分别提交到 Enrichr，对 KEGG / Reactome / MSigDB Hallmark / GO 生物学过程做超几何检验（ORA），用 Benjamini–Hochberg 校正 P 值。显著性阈值 校正 P < 0.05（或原始 P < 0.01），按校正 P 排序展示 Top 12。

指定疾病后的额外分析：

1. 疾病共识签名：从 Disease_Perturbations_from_GEO_up / _down 中取出该疾病全部人类 GEO 数据集的差异表达基因，逐基因多数投票（某基因在 ≥20% 的数据集中方向一致才纳入），合并为一个共识的疾病上调 / 下调基因集。条目名中的 sample N 是库内序号，同一 GSE 下的多个对比属于彼此独立的签名，因此全部保留。
2. 逆转 / 加重判定：构建 2×2 列联表——扰动↑×疾病↑、扰动↑×疾病↓、扰动↓×疾病↑、扰动↓×疾病↓，做 Fisher 精确检验。优势比 OR = (同向积)/(反向积)：OR 显著 < 1 说明扰动方向系统性反于疾病方向，即有望逆转疾病（例：敲除 BRAF 对 melanoma，OR=0.30, p=0.036）；OR 显著 > 1 则提示可能加重。
3. 通路方向对照：对疾病自身的上/下调基因集也做同一套通路富集，得到"疾病中升高/降低的通路"，再与扰动后的通路方向逐条比对，标出 ✓ 逆转 与 ✗ 加重。
4. 疾病相关基因：DisGeNET 提供该疾病的已知关联基因，用于标注每条通路命中的基因里有多少属于疾病相关基因；勾选"只看疾病相关基因"后，会把扰动签名先与疾病关联基因取交集再做富集，聚焦到疾病语境下的变化。
5. 靶点-疾病关联证据：Open Targets Platform 给出该靶点与目标疾病的整体关联评分（0–1），作为独立佐证。

需要注意的局限：① LINCS 数据来自少数几种细胞系（如 A375、MCF7、PC3、VCAP、HA1E、HEPG2），不同细胞背景下通路响应会有差异，本结果应视为假设生成而非定论；② 小分子抑制剂有脱靶效应，其签名不完全等于"纯靶点抑制"，故推荐同时参考 CRISPR 敲除签名；③ 富集背景为 Enrichr 默认基因背景，校正 P 的绝对值会略偏乐观，建议重点关注通路之间的相对排序；④ 疾病签名来自 GEO 数据集，样本量、组织来源、分期不一，共识只能反映共性变化，会抹平亚型差异；⑤ 逆转结论是转录组层面的统计关联，不等于疗效，仍需在自己的细胞/动物模型上验证。