tooluniverse-data-integration-analysis

计算，不要描述

当分析需要计算（统计、数据处理、评分、信息增强）时，通过 Bash 编写并运行 Python 代码。不要描述你会怎么做——直接执行并报告实际结果。使用 ToolUniverse 工具检索数据，然后用 Python（pandas、scipy、statsmodels、matplotlib）进行分析。

数据整合分析

弥合统计结果与生物学理解之间的差距。任何计算分析得出显著发现后，本技能都会教你如何使用 ToolUniverse 的生物学知识工具来解读这些发现——这是它相较于仅进行数据分析的平台的关键优势。

重要：工具调用中始终使用英文术语（基因名称、通路名称、物种名称），即使用户使用其他语言。使用用户的语言作答。

---

何时使用本技能

适用于以下情况：

• 统计分析得出了显著基因、变异、代谢物或暴露因素列表
• 用户希望超越 p 值，了解某项结果显著的原因
• 将计算结果与已发表的证据相结合
• 从生物学角度解读差异表达、GWAS 命中或关联研究结果
• 用户在运行分析后询问“这个结果意味着什么？”

不适用于（请改用其他技能）：

• 执行统计分析本身 --> 使用 tooluniverse-statistical-modeling 或 tooluniverse-rnaseq-deseq2
• 在没有先前分析的情况下进行纯基因富集 --> 使用 tooluniverse-gene-enrichment
• 纯文献综述 --> 使用 tooluniverse-literature-deep-research
• 单个变异解读 --> 使用 tooluniverse-variant-interpretation

---

第 1 步：从统计结果提出生物学问题

将每种显著发现映射到相应的生物学问题：

发现类型	生物学问题	工具发现查询
显著基因列表	哪些通路富集？哪些功能汇聚在一起？	find_tools("gene enrichment pathway analysis")
显著变异（rsID）	有什么功能影响？影响了哪个基因？	find_tools("variant annotation functional impact")
显著暴露因素／化学物质	生物学机制是什么？涉及哪些通路？	find_tools("chemical gene pathway toxicology")
显著药物关联	分子靶点是什么？作用机制（MOA）是什么？	find_tools("drug target mechanism action")
显著代谢物	哪条代谢通路受到扰动？	find_tools("metabolite pathway identification")

关键原则：不要止步于“基因 X 显著”。应进一步追问：它在什么背景下显著？通过什么机制？会带来什么下游后果？

---

步骤 2：多数据库证据整合

对于每项重要发现，查询多个来源并进行综合分析。模式如下：

1. 文献证据：搜索 PubMed/EuropePMC，查找将你的发现与表型联系起来的已发表研究。优先查找荟萃分析和系统综述。
2. 遗传关联证据：查询 GWAS Catalog 或 OpenTargets，确认遗传证据是否独立支持该关联。
3. 通路背景：查询 KEGG、Reactome 或 WikiPathways，将该发现置于生物通路背景中。识别上游调节因子和下游效应因子。
4. 相互作用网络：查询 STRING 或 BioGRID，了解蛋白质之间的相互作用。观察重要基因是否聚集在同一网络邻域中。
5. 临床相关性：查看 ClinVar 了解变异的临床意义，查看 DGIdb 或 ChEMBL 了解药物可成药性，或查看 ClinicalTrials.gov 了解正在进行的干预措施。

证据分级（对每项证据进行分级）：

等级	来源类型	示例
T1（强）	随机对照试验、孟德尔随机化	“RCT 表明药物 X 可降低结局 Y”
T2（中等）	大型队列研究、有重复验证的 GWAS	“对 50 万名受试者进行的 GWAS 荟萃分析”
T3（提示性）	病例对照研究、动物模型	“小鼠敲除模型显示出该表型”
T4（假设性）	计算机预测、通路推断	“网络分析提示存在相关性”

---

步骤 3：因果推理

统计关联不等于因果关系。运用以下推理框架：

构建 DAG：在解读之前，绘制因果有向无环图（DAG）。

• 识别潜在的混杂因素（暴露和结局的共同原因）——必须对其进行调整。
• 识别潜在的中介变量（位于因果路径上）——若要估计总效应，请勿对其进行调整。
• 识别碰撞变量（共同结果）——以碰撞变量为条件会引入偏倚。

三角验证：不同方法以不同偏倚支持同一发现，会增强因果推断。

• 观察性关联 + 孟德尔随机化 + 动物实验 = 有力的三角验证证据
• 如果 MR 结果与观察性数据相矛盾，应怀疑观察性研究存在混杂

孟德尔随机化逻辑：遗传变异（工具变量）在受孕时即已确定，因此不会受到生活方式或反向因果关系的混杂。如果某个会增加暴露 X 的遗传变异也会增加疾病 Y 的风险，这支持 X 会导致 Y。检查工具变量强度（F 统计量 > 10）、排除限制（变异仅通过 X 影响 Y）和多效性（MR-Egger 截距）。

中介分析：如果基因 G 与暴露和结局都有关联，应进一步探究：暴露对结局的影响是否通过 G 产生？利用该发现的通路背景（步骤 2）提出中介变量，然后检查对中介变量进行调整后，效应是否减弱。

---

步骤 4：交叉验证

在报告某项发现具有稳健性之前，尝试证伪：

1. 重复验证：搜索文献和数据集（DataCite、GEO、ArrayExpress），寻找可用于检验同一发现的独立数据集。在独立队列中得到重复验证的发现更有力。
2. 生物学合理性：该机制在生物学上是否合理？检查动物或细胞模型是否支持该发现（在 PubMed 中搜索“[gene] knockout [phenotype]”或“[chemical] exposure [cell type]”）。
3. 遗传支持：检查 GWAS 证据是否支持效应方向。如果你的分析表明基因 X 具有保护作用，但 GWAS 显示风险等位基因会增加 X 的表达，就存在需要解决的矛盾。
4. 剂量-反应关系：如果有相关数据，检查效应是否随剂量增加。剂量-反应关系会增强因果推断。
5. 阴性对照：如果可行，在预期不存在关联的发现上进行同样的分析。如果阴性对照也显示关联，应怀疑存在方法学伪象。

---

第 5 步：可执行报告

按以下结构组织综合报告：

证据汇总表

针对每项重要发现，生成一行：

发现	统计证据	生物学机制	文献支持	遗传学支持	证据等级
基因 X 上调	FDR=0.001，log2FC=2.3	PI3K/AKT 通路	12 篇论文，2 项 RCT	GWAS：rs123（p=5e-8）	强
变异 rs456	OR=1.4，p=2e-6	剪接受损	3 篇病例报告	GTEx 中的 eQTL	中等

证据强度评估

• 强：具有统计学显著性 + 生物学机制 + 独立重复验证 + 遗传学支持
• 中等：具有统计学显著性 + 生物学机制 + 部分重复验证
• 弱：具有统计学显著性 + 合理的机制，但没有独立支持
• 提示性：仅有统计学趋势 + 计算预测

知识差距与后续步骤

• 哪些发现尚未得到重复验证？提出用于检验的具体数据集。
• 哪些机制是推断得出的，但尚未通过实验验证？提出实验方案。
• 哪些发现存在相互矛盾的证据？明确说明矛盾之处。
• 生成可检验的假设：“如果发现 X 具有因果关系，那么[实验预测]。”

临床或公共卫生影响

• 说明该发现目前是否可用于实际行动，还是需要进一步验证。
• 如果可作为药物靶点，指出现有疗法及其研发阶段。
• 如果是生物标志物，评估其临床应用所需的灵敏度和特异度。