tooluniverse-disease-research

ToolUniverse 疾病研究

生成一份全面的疾病研究报告，并附上完整的来源引用。报告以 Markdown 文件形式创建，并在研究过程中逐步更新。

重要：在工具调用中始终使用英文疾病名称和搜索词。用用户所用的语言回复。

---

查询，不要猜测

有人询问某种疾病时，先查询 Orphanet/OMIM/DisGeNET。不要凭记忆判断患病率、遗传学或治疗方案——这些信息会随时间变化。对某项事实不确定时，应首先使用工具搜索，而不是更努力地凭记忆推理。

---

适用场景

• 用户询问任何疾病、综合征或病症
• 需要全面的疾病信息或详细的研究报告
• 询问“我们对 [疾病] 了解多少？”

---

核心工作流：报告优先

不要向用户展示搜索过程。应当：

1. 先创建报告文件 - 初始化 {disease_name}_research_report.md
2. 研究各个维度 - 使用所有相关工具
3. 逐步更新报告 - 每完成一个维度后写入研究发现
4. 添加引用 - 每项事实都必须标明其来源工具

---

疾病机制推理

综合分析疾病病因时，追溯完整的致病过程：

1. 遗传基础 - 哪些变异（罕见或常见）会带来风险？涉及哪些基因？
2. 分子机制 - 这些变异如何改变蛋白质功能、表达或调控？
3. 细胞效应 - 哪些下游细胞过程受到干扰（信号传导、代谢、应激反应）？
4. 组织/器官表现 - 细胞功能障碍如何表现为器官层面的病理变化？

这一链条将用于组织“遗传与分子基础”（第 3 节）和“生物学通路”（第 5 节）。

---

10 个研究维度

维度	章节	关键工具
1	身份与分类	OSL_get_efo_id_by_disease_name, ols_search_efo_terms, ols_get_efo_term, umls_search_concepts, icd_search_codes, snomed_search_concepts
2	临床表现	OpenTargets 表型、HPO 查询、MedlinePlus
3	遗传与分子基础	OpenTargets 靶点、ClinVar 变异、GWAS 关联、gnomAD
4	治疗现状	OpenTargets 药物、临床试验、GtoPdb
5	生物学通路	Reactome 通路、humanbase_ppi_analysis、GTEx 表达、HPA
6	流行病学与文献	PubMed、OpenAlex、Europe PMC、Semantic Scholar
7	相似疾病	OpenTargets 相似实体
8	癌症专属（如适用）	CIViC 基因/变异/疗法
9	药理学	GtoPdb 靶点/相互作用/配体
10	药物安全性	OpenTargets 警示、临床试验不良事件、FAERS

各章节的完整工具调用详见：tool_usage_details.md。

将自由文本规范化为本体 ID（维度 1）

当输入是杂乱的自由文本（例如样本属性、同义词、组织/生物标签），而不是规范的疾病名称时，使用 ZOOMA_annotate_text 将其映射到标准化的本体术语（EFO/MONDO/UBERON 等），然后再进行查询。该工具会将每个匹配项作为带有置信度评级（HIGH/GOOD/MEDIUM/LOW）的本体 IRI 返回，因此可以仅保留高置信度匹配项，并将解析后的 ID 输入 OLS / OpenTargets。

tu.run_tool("ZOOMA_annotate_text", {
    "property_value": "asthma",        # free text to resolve
    "property_type": "disease",         # optional context hint
    "min_confidence": "HIGH",           # drop fuzzy matches
    "max_results": 3,
})
# -> [{"semantic_tags": ["http://purl.obolibrary.org/obo/MONDO_0004979"],
#      "curies": ["MONDO:0004979"], "confidence": "HIGH", "source": "zooma", ...}]

# Restrict to one ontology source (e.g. EFO) when you need a specific namespace:
tu.run_tool("ZOOMA_annotate_text", {"property_value": "diabetes", "ontologies": "efo"})

# Inspect which curated datasources back ZOOMA annotations (for provenance):
tu.run_tool("ZOOMA_list_datasources", {})
# -> [{"name": "eva-clinvar", "type": "DATABASE", "uri": "https://www.ebi.ac.uk/eva"}, ...]

每个匹配项还包含可直接使用的 curies 字段（例如 MONDO:0004979），因此无需解析 IRI，即可将解析后的 ID 直接输入 OLS / OpenTargets。ZOOMA 是已停用的 OxO 交叉引用服务的实时替代方案；将它与 ols_get_efo_term 配合使用，可根据解析后的 IRI 扩展标签、同义词和层级关系。

---

报告模板

开始时创建以下文件结构：

# Disease Research Report: {Disease Name}

**Report Generated**: {date}
**Disease Identifiers**: (to be filled)

---

## Executive Summary
(Brief 3-5 sentence overview - fill after all research complete)

---

## 1. Disease Identity & Classification
### Ontology Identifiers
| System | ID | Source |

### Synonyms & Alternative Names
### Disease Hierarchy

---

## 2. Clinical Presentation
### Phenotypes (HPO)
| HPO ID | Phenotype | Description | Source |

### Symptoms & Signs
### Diagnostic Criteria

---

## 3. Genetic & Molecular Basis
### Associated Genes
| Gene | Score | Ensembl ID | Evidence | Source |

### GWAS Associations
| SNP | P-value | Odds Ratio | Study | Source |

### Pathogenic Variants (ClinVar)

---

## 4. Treatment Landscape
### Approved Drugs
| Drug | ChEMBL ID | Mechanism | Phase | Target | Source |

### Clinical Trials
| NCT ID | Title | Phase | Status | Source |

---

## 5. Biological Pathways & Mechanisms

## 6. Epidemiology & Risk Factors

## 7. Literature & Research Activity

## 8. Similar Diseases & Comorbidities

## 9. Cancer-Specific Information (if applicable)

## 10. Drug Safety & Adverse Events

---

## References
### Tools Used
| # | Tool | Parameters | Section | Items Retrieved |

---

引用格式

每条数据都必须包含来源：

在表格中：添加一个 Source 列，并填写工具名称
在列表中：- 发现 [Source: tool_name]
在正文中：(Source: tool_name, query: "...")
参考资料部分：完整记录工具使用情况及参数

---

渐进式更新模式

# After each dimension's research:
# 1. Read current report
# 2. Replace placeholder with formatted content
# 3. Write back immediately
# 4. Continue to next dimension

---

证据分级与解读

报告中的每项发现都应进行分级：

等级	标准	示例
T1（强）	可重复的遗传学证据（GWAS、罕见变异）、FDA 批准的疗法	BRCA1 → 乳腺癌；针对 HER2+ 的曲妥珠单抗
T2（中等）	单项遗传学研究、II 期及以上试验数据、强生物学证据	FOXO3 → 长寿（百岁老人研究）
T3（关联）	观察性数据、基因表达变化、通路成员关系	阿尔茨海默病脑脊液中的 IL-6 升高
T4（计算）	网络邻近性、文本挖掘、预测性关联	DisGeNET 通过文本挖掘得到的基因-疾病关联

综合分析问题（在执行摘要中回答）

收集完所有 10 个维度的数据后，报告必须回答：

1. 这种疾病由什么引起？ 总结遗传架构（单基因还是多基因、关键位点、外显率）
2. 有哪些治疗方案？ 按证据等级和批准状态排序
3. 有哪些生物标志物？ 用于诊断、预后和治疗选择的生物标志物
4. 尚未满足的需求是什么？ 哪些方面缺乏有效治疗或尚未得到充分理解？
5. 当前活跃的研究前沿有哪些？ 基于临床试验和近期发表的文献

解读跨数据库一致性

当多个数据库针对同一种疾病提供不同数据时：

• OpenTargets + DisGeNET + OMIM 对某个基因结论一致：T1 证据——置信度高
• 只有 OpenTargets 报告关联：检查数据源评分——genetic_association > literature > animal_model
• DisGeNET 评分 > 0.5，但 OpenTargets 中没有该结果：可能是通过文本挖掘得出的；请用 PubMed 核实
• 基因出现在 GWAS 中，但不在 OMIM 中：可能是复杂疾病易感位点，而非孟德尔遗传位点

处理相互矛盾的数据

冲突	解决方法
不同来源给出的患病率估计不同	报告范围；注明最新或规模最大的研究
药物在一个国家获批，但在另一个国家未获批	注明各地区的监管状态
某数据库中存在基因-疾病关联，但另一个数据库中没有	按证据类型分级；仅靠文本挖掘的证据属于 T4
临床试验结果与药品标签中的适应症相矛盾	临床试验结果属于较新的证据；两者都应注明

---

最终报告质量检查清单

• 所有 10 个部分都有内容（或标注“无可用数据”）
• 每项数据都有来源引用
• 执行摘要反映关键发现
• 参考资料部分列出所有使用的工具
• 表格格式正确
• 没有遗留占位文本

---

预期输出规模

对于研究充分的疾病（例如阿尔茨海默病），最终报告应包含：

• 5 个以上本体 ID、10 个以上同义词、疾病层级结构
• 20 个以上带有 HPO ID 的表型
• 50 个以上基因、30 个以上 GWAS 关联、100 个以上 ClinVar 变异
• 20 种以上药物、50 项以上临床试验
• 10 条以上通路、PPI 网络、表达数据
• 100 篇以上出版物
• 15 种以上相似疾病
• 药物警告和不良事件

总计：500 条以上单独数据，每条都附有来源引用。

---

跨技能参考

对于罕见病鉴别诊断，运行：python3 skills/tooluniverse-rare-disease-diagnosis/scripts/clinical_patterns.py --type differential --symptoms 'symptom1,symptom2'

---

参考文件

• REPORT_TEMPLATE.md - 完整的报告 Markdown 模板和引用格式指南
• RESEARCH_PROTOCOL.md - 分步代码流程、渐进式更新模式和质量检查清单
• tool_usage_details.md - 各研究维度对应的完整工具调用
• TOOLS_REFERENCE.md - 完整的工具文档
• EXAMPLES.md - 疾病研究报告示例