tooluniverse-spatial-omics-analysis

空间多组学分析流程

对空间组学数据进行全面的生物学解读。将空间可变基因（SVG）、区域注释和组织背景转化为可操作的生物学见解。

核心原则：

1. 报告优先——先创建报告文件，再逐步填充内容
2. 按区域逐一分析——在比较之前，先独立表征每个空间区域
3. 以基因列表为中心——使用 ToolUniverse 数据库分析用户提供的 SVG 和标记基因
4. 生物学解读——超越统计结果，解释空间模式的生物学意义
5. 聚焦疾病——提供疾病背景时，重点说明疾病机制和治疗机会
6. 证据分级——将所有证据分为 T1（人类／临床）至 T4（计算）
7. 多模态思维——在信息可用时整合 RNA、蛋白质和代谢物信息
8. 验证指导——为关键发现提出实验验证方法
9. 来源引用——每项陈述都必须引用工具／数据库来源
10. 优先使用英文查询——工具调用中始终使用英文术语

---

查证，不要猜测

对任何不确定的科学事实，先查询数据库（PubMed、UniProt、ChEMBL、ClinVar 等），不要凭记忆推断。经数据库验证的答案总比猜测可靠。

---

计算，不要描述

分析需要计算（统计、数据处理、评分、富集分析）时，通过 Bash 编写并运行 Python 代码。不要只描述你会怎么做——实际执行并报告结果。使用 ToolUniverse 工具检索数据，再用 Python（pandas、scipy、statsmodels、matplotlib）进行分析。

何时使用此技能

适用于用户：

• 提供空间转录组实验中的空间可变基因
• 询问空间区域／簇的生物学解读
• 需要对空间基因表达数据进行通路富集分析
• 想了解空间数据中的细胞间相互作用
• 询问空间组学中的肿瘤微环境异质性
• 需要特定空间区域中的可成药靶点
• 询问组织分区模式（肝脏、大脑、肾脏）
• 想整合空间转录组学与蛋白质组学数据

不适用于：单基因解读（使用 target-research）、变异解读、药物安全性、整体 RNA-seq、GWAS 分析。

---

输入参数

参数	必填	说明	示例
svgs	是	空间可变基因	['EGFR', 'CDH1', 'VIM', 'MYC', 'CD3E']
tissue_type	是	组织／器官类型	brain、liver、lung、breast
technology	否	空间组学平台	10x Visium、MERFISH、DBiTplus
disease_context	否	适用时填写疾病	breast cancer、Alzheimer disease
spatial_domains	否	区域 -> 标记基因字典	{'Tumor core': ['MYC','EGFR']}
cell_types	否	去卷积得到的细胞类型	['Epithelial', 'T cell']
proteins	否	检测到的蛋白质（多模态）	['CD3', 'PD-L1', 'Ki67']
metabolites	否	代谢物（SpatialMETA）	['glutamine', 'lactate']

---

空间组学整合评分（0-100）

数据完整性（0-30）：SVG（5）、疾病背景（5）、空间域（5）、细胞类型（5）、多模态（5）、文献（5）

生物学洞见（0-40）：通路富集 FDR<0.05（10）、细胞间相互作用（10）、疾病机制（10）、可成药靶点（10）

证据质量（0-30）：跨数据库验证，3 个以上数据库（10）、临床验证（10）、文献支持（10）

分数	等级	说明
80-100	优秀	特征分析全面，洞见深入，包含可成药靶点
60-79	良好	通路/相互作用分析良好，包含部分治疗背景
40-59	中等	基础富集分析，域间比较有限
0-39	有限	数据极少，仅有基因层面的注释

证据分级

等级	标准	示例
[T1]	直接的人体/临床证据	FDA 批准的药物、经验证的生物标志物
[T2]	实验证据	经验证的空间模式、已知的 L-R 配对
[T3]	计算/数据库证据	PPI 预测、通路富集
[T4]	仅注释/预测	GO 注释、文本挖掘得出的关联

---

分析阶段概览

阶段 0：输入处理与消歧（始终首先执行）

解析组织/疾病标识符，确立分析背景。查询疾病时获取 MONDO/EFO ID。

• 工具：OpenTargets_get_disease_id_description_by_name、OpenTargets_get_disease_description_by_efoId、HPA_search_genes_by_query

阶段 1：基因特征分析

解析基因 ID，注释功能、组织特异性和亚细胞定位。

• 工具：MyGene_query_genes、UniProt_get_function_by_accession、HPA_get_subcellular_location、HPA_get_rna_expression_by_source、HPA_get_comprehensive_gene_details_by_ensembl_id、HPA_get_cancer_prognostics_by_gene、UniProtIDMap_gene_to_uniprot

阶段 2：通路与功能富集

识别全局及各域的富集通路。筛选 FDR < 0.05。

• 工具：STRING_functional_enrichment（主要）、ReactomeAnalysis_pathway_enrichment、GO_get_annotations_for_gene、kegg_search_pathway、WikiPathways_search

阶段 3：空间域特征分析

从生物学角度描述各个域，根据标记基因指定细胞类型，并比较各域。

• 工具：阶段 2 工具 + HPA_get_biological_processes_by_gene、HPA_get_protein_interactions_by_gene

阶段 4：细胞间相互作用推断

根据空间模式预测细胞间通信。检查各域中的配体-受体配对。

• 工具：STRING_get_interaction_partners、STRING_get_protein_interactions、intact_search_interactions、Reactome_get_interactor、DGIdb_get_drug_gene_interactions

阶段 5：疾病与治疗背景

关联疾病机制，识别可成药靶点，并查找临床试验。

• 工具：OpenTargets_get_associated_targets_by_disease_efoId、OpenTargets_get_target_tractability_by_ensemblID、OpenTargets_get_associated_drugs_by_target_ensemblID、search_clinical_trials、DGIdb_get_gene_druggability、civic_search_genes

阶段 6：多模态整合

整合蛋白质/RNA/代谢物数据。比较空间 RNA 与蛋白质检测结果。

• 工具：HPA_get_subcellular_location、HPA_get_rna_expression_in_specific_tissues、Reactome_map_uniprot_to_pathways、kegg_get_pathway_info

阶段 7：免疫微环境（仅限癌症/炎症）

对免疫细胞分类，检查免疫检查点表达，并评估热型、冷型或排斥型模式。

• 工具：STRING_functional_enrichment、OpenTargets_get_target_tractability_by_ensemblID、iedb_search_epitopes

阶段 8：文献与验证背景

搜索已发表的证据，并提出验证实验建议（smFISH、IHC、PLA）。

• 工具：PubMed_search_articles、openalex_literature_search

数据发现：HuBMAP 空间图谱工具

使用 HuBMAP 工具查找已发布的空间生物学参考数据集，用于比较、验证或跨研究分析。

工具	用途	关键参数
HuBMAP_search_datasets	按器官/检测方法/关键词搜索已发布的空间数据集	organ（代码：“LK”=肾脏，“BR”=脑，“LU”=肺等）、dataset_type（“RNAseq”、“CODEX”、“MALDI”）、query、limit
HuBMAP_list_organs	列出所有可用器官及其代码和 UBERON ID	（无必需参数）
HuBMAP_get_dataset	获取特定 HuBMAP 数据集的详细元数据	hubmap_id（例如“HBM626.FHJD.938”）

适用场景：阶段 0（为组织查找参考数据集）、阶段 8（将发现与已发布的 HuBMAP 图谱数据交叉参考）。

有关各阶段的详细工作流、决策逻辑和工具参数规范，请参阅 phase-procedures.md。

---

报告结构

创建文件：{tissue}_{disease}_spatial_omics_report.md

# Spatial Multi-Omics Analysis Report: {Tissue Type}
**Report Generated**: {date} | **Technology**: {platform}
**Tissue**: {tissue_type} | **Disease**: {disease or "Normal tissue"}
**Total SVGs**: {count} | **Spatial Domains**: {count}
**Spatial Omics Integration Score**: (calculated after analysis)

## Executive Summary
## 1. Tissue & Disease Context
## 2. Spatially Variable Gene Characterization
  - 2.1 Gene ID Resolution
  - 2.2 Tissue Expression Patterns
  - 2.3 Subcellular Localization
  - 2.4 Disease Associations
## 3. Pathway Enrichment Analysis
  - 3.1 STRING, 3.2 Reactome, 3.3-3.5 GO (BP, MF, CC)
## 4. Spatial Domain Characterization (per-domain + comparison)
## 5. Cell-Cell Interaction Inference
  - 5.1 PPI, 5.2 Ligand-Receptor, 5.3 Signaling Pathways
## 6. Disease & Therapeutic Context
  - 6.1 Disease Gene Overlap, 6.2 Druggable Targets, 6.3 Drug Mechanisms, 6.4 Trials
## 7. Multi-Modal Integration (if data available)
## 8. Immune Microenvironment (if relevant)
## 9. Literature & Validation Context
## Spatial Omics Integration Score (breakdown table)
## Completeness Checklist
## References (tools used, database versions)

完整模板及表格结构请参阅 report-template.md。

---

完整性检查清单

• 基因 ID 解析已完成
• 已分析组织表达模式（HPA）
• 已检查亚细胞定位（HPA）
• 通路富集已完成（STRING + Reactome）
• GO 富集已完成（BP + MF + CC）
• 已分别表征各空间域
• 已进行空间域比较
• 已分析 PPI（STRING）
• 已识别配体-受体对
• 已检查疾病关联（OpenTargets）
• 已识别可成药靶点
• 已进行多模态整合（如果有可用数据）
• 已表征免疫微环境（如相关）
• 文献检索已完成
• 已提供验证建议
• 已计算整合评分
• 已撰写执行摘要
• 所有章节均附有来源引用

---

常见用例

1. 癌症空间异质性：使用 Visium 分析肿瘤/基质/免疫空间域 -> 通路、免疫浸润、可成药靶点、检查点
2. 脑组织分区：使用 MERFISH 分析神经元亚型 -> 突触信号、受体、海马分区
3. 肝脏代谢分区：门周区与中央静脉周围区比较 -> CYP450、Wnt 梯度、药物代谢酶
4. 肿瘤-免疫界面：DBiTplus RNA+蛋白 -> 检查点配体-受体对、免疫排斥、多模态一致性
5. 发育模式：形态发生素梯度（Wnt、BMP、FGF、SHH）、TF 模式、细胞命运基因
6. 疾病进展：疾病梯度 -> 炎症反应、神经元丢失、治疗窗口

---

参考文件

• phase-procedures.md - 各阶段的详细工作流、决策逻辑和工具用法
• tool-reference.md - 工具参数名称、响应格式、回退策略和限制
• reference-data.md - 细胞类型标记、配体-受体对、免疫检查点参考信息
• report-template.md - 包含所有表格结构的完整报告模板
• test_spatial_omics.py - 测试套件

---

总结

空间多组学分析提供：

1. 基因表征（ID 解析、功能、定位、组织表达）
2. 通路与功能富集（STRING、Reactome、GO、KEGG）
3. 空间域表征（单域及跨域）
4. 细胞间相互作用推断（PPI、配体-受体、信号传导）
5. 疾病与治疗背景（疾病基因、可成药靶点、临床试验）
6. 多模态整合（RNA-蛋白一致性、代谢通路）
7. 免疫微环境（细胞类型、检查点、免疫疗法）
8. 文献背景与验证建议

输出：包含空间组学整合评分（0-100）的 Markdown 报告 使用：跨越 9 个分析阶段的 70 多种 ToolUniverse 工具 耗时：约 10-20 分钟，具体取决于基因列表大小