零基础用Codex AI编程助手开发生信富集分析工具

做生信最怕的不是没数据，而是好不容易拿到一批差异基因，却卡在“怎么从基因列表变成通路解释”这一步。手动去数据库一个个查，效率低不说，还容易漏；想写脚本又发现编程基础不够。今年我最大的体会是：只要把需求描述清楚，这些工具完全可以交给 Codex 这类 AI 编程助手去生成。这篇文章会完整记录我如何零基础起步，用 Codex 配合生信数据库，自制一个可复用的富集分析工具，从环境配置、原理讲解到代码实现和踩坑排查都覆盖到。如果你是非科班的生信学习者，或者想做分析工具但被编程卡住，这篇应该能帮你省下不少时间。

1. 生信富集分析到底在做什么

1.1 什么是富集分析

富集分析是组学数据中最常用的解释手段之一。拿到一批差异表达基因后，单个基因很难讲清楚生物学意义，但如果几十个基因同时落在同一条代谢通路或同一个生物学过程里，结论就可靠得多。富集分析做的就是这个事情：把基因列表映射到已知的 GO（Gene Ontology，基因本体）功能条目或 KEGG（Kyoto Encyclopedia of Genes and Genomes，京都基因与基因组百科全书）通路上，再看哪些功能或通路被“富集”了。

富集分析有许多实现方式，常见的有：

• ORA（Over-Representation Analysis，过表达分析）：把基因列表看成样本，用超几何分布检验某个通路中的基因是否在列表中显著富集。
• GSEA（Gene Set Enrichment Analysis，基因集富集分析）：不需要先设定差异基因阈值，直接用全部基因的表达排序分析。
• 模块/网络分析：基于共表达网络或蛋白互作网络寻找功能模块。

本文要做的工具属于第一类 ORA，最典型的应用就是：

1. 输入一个差异基因列表；
2. 自动查询 GO/KEGG 注释；
3. 计算每个通路的富集显著性和富集倍数；
4. 输出排序后的结果表格和可视化图表。

1.2 为什么零基础也能自己写生信工具

过去做富集分析，主流方案是在 R 里用 clusterProfiler。R 语言本身对非科班同学就不太友好，更不用说安装 Bioconductor 依赖、处理 OrgDb 注释包这类操作。很多初学者在“装包”这一步就放弃了。

而 Python 生态下的生信工具链已经相当成熟。pandas处理表格、scipy做统计检验、gseapy封装了 Enrichr 数据库和 GSEA 算法，整个流程可以非常简洁。即使不懂统计公式，也能写出能用的脚本。

更关键的是，Codex 这类 AI 编程工具根本上改变了学习路径。以前写脚本需要先学习语法、函数、数据结构，现在只需要把你的需求、输入输出格式、运行环境描述清楚，Codex 就能生成相当完整的代码。你不需要把所有 API 记住，只需要会“提出需求”和“检查结果”。

1.3 Codex 能让工具开发变得多简单

Codex 是 OpenAI 推出的 AI 编程代理，它不只会生成一段代码，还能理解你在终端、编辑器和浏览器里的完整任务。你可以让它读取文件、执行命令、修改代码、根据报错信息自行修复，更像一个“会写代码的协作者”。

在实际的生信场景里，我用 Codex 做的事包括：

• 读取差异基因 Excel 表，自动清洗和格式转换；
• 调用 Enrichr 接口做 GO/KEGG 富集分析；
• 把结果画成可发表的柱状图和气泡图；
• 写一个命令行工具，以后换一批基因也能直接跑。

这就是“自制富集分析工具”的本质：不是从零研究算法，而是把成熟的统计方法和数据库封装成好用的小工具。

2. 环境准备：安装并配置 Codex

2.1 先分清楚 Codex CLI、桌面版与 VSCode 插件

网上搜“Codex 安装”，会看到很多不同名字，新手很容易混淆。简单区分一下：

• Codex CLI：命令行工具，在终端里使用，适合自动化操作，也是很多教程默认的安装方式。
• Codex 桌面版：带图形界面的应用，适合不想碰命令行的用户，界面更接近聊天工具。
• Codex VSCode 插件：集成在 VSCode 编辑器里，写生信脚本时可以直接在编辑器里让 AI 改代码，体验很顺滑。

我的建议是：如果只为了跑通“富集分析工具”，优先装 CLI；如果以后长期要在编辑器里做数据分析，可以装 VSCode 插件。两者可以共存，不冲突。

2.2 安装 Codex CLI

Codex CLI 本质上是一个 Node.js 应用，所以安装前需要确认本机有 Node.js 环境。不同系统命令稍有差异，但思路一致。

macOS 或 Linux 用户如果安装了 Homebrew，可以直接在终端执行：

brew install codex

如果想用 npm 安装，官方推荐的方式是：

npm install -g @openai/codex

Windows 用户更建议先安装 Node.js LTS 版本，然后同样使用 npm 全局安装：

npm install -g @openai/codex

安装完成后，用下面的命令确认版本：

codex --version

如果提示找不到命令，通常是把 npm 全局目录加入了环境变量。这一步比较常见，不同系统配置方式不同，可以在终端里执行npm root -g找到全局目录后按系统环境变量说明添加。

需要说明的是，Node.js 与 Codex 版本更新都比较快，这里不建议写死某个版本号，以你实际安装时的官方说明为准。

2.3 使用 API 网关接入第三方模型

Codex 默认连接的是 OpenAI 官方端点，但很多人会遇到账号、付费或可用性问题。这时候社区常见的做法是：使用cc switch这类 API 切换与本地路由配置工具，把 Codex 的请求转发到其他兼容端点。

cc switch本身是一个配置工具，核心作用是把 Codex 默认请求路径替换为你自定义的API Base URL和模型名。比如你想用 DeepSeek 的兼容接口，大致思路是：

1. 安装并打开cc switch；
2. 添加一个新的 Provider，填写接口地址、API Key、模型名称；
3. 在 Codex 配置中指向cc switch的本地服务地址；
4. 保存配置后重启 Codex。

这里不展开细讲某个工具的私有配置界面，因为它升级很快，界面变化也大。但有一点是通用的：你换任何第三方端点，都要确认它是否兼容 OpenAI 的请求/响应格式，特别要关注是否支持流式输出、是否支持 reasoning 内容回传。后面第 5 节会专门讲相关报错。

2.4 验证 Codex 是否能正常对话

配置完成后，先做一次最简单测试，在终端里输入：

codex

或者在 Codex 里发送：

请用中文回复，并告诉我你现在可用的模型名称。

如果正常，Codex 会返回可用的模型信息。如果出现connection failed、error sending request、一直重新连接，按第 5 节的排查方法处理。

验证通过后，可以继续准备 Python 环境。

3. 富集分析工具背后的统计学原理

很多教程一上来就让用户跑代码，但我觉得富集分析工具和其他脚本不一样：如果不理解统计原理，结果输出后你根本不知道该怎么解读。这里用尽量通俗的方式拆解。

3.1 从“基因列表”到“通路富集”

假设数据库里有 10000 个人类基因，其中某条 KEGG 通路包含 200 个基因。你手里有 500 个差异基因，其中有 40 个属于这条通路。

表面上看，40/500 的占比是 8%，而全基因组中该通路的占比是 200/10000 = 2%。8% 明显高于 2%，但问题是：这个差异是真实的还是随机造成的？

富集分析的统计检验回答的就是这个问题。

3.2 超几何分布与 Fisher 精确检验

超几何分布适合描述“不放回抽样”的场景。在富集分析里，我们可以这样对照：

Fisher 精确检验基于超几何分布，计算“当前这种重合程度或更极端情况出现的概率”，得到的p-value就是富集显著性。

如果再算一个富集倍数（Fold Enrichment），公式大致是：

富集倍数 = (通路中的差异基因数 / 差异基因总数) / (通路基因数 / 背景基因总数)

富集倍数越大，表示该通路在基因列表中的比例相对背景越突出。

3.3 多重检验校正：为什么看 adjusted p-value

一个基因列表通常会同时检验几百上千条通路。假设显著阈值是 0.05，检验 1000 条通路时，即使全部都是随机，也可能有大约 50 条因为偶然因素“显著”。

所以要引入多重检验校正。最常用的是：

• BH（Benjamini-Hochberg）校正，控制错误发现率（FDR）；
• Bonferroni 校正，更严格，适合通路数少的情况。

绝大多数富集分析工具结果里的Adjusted P-value或FDR，用的就是 BH 校正思路。理解这一点非常重要，因为：

• 筛选时优先看Adjusted P-value，而不是原始p-value；
• 如果Adjusted P-value大于 0.05，不要强行解释为显著；
• 如果通路数特别多，可以适当放宽到 0.25 做为筛选条件，但要在文章里说明。

4. 用 Codex 自制富集分析工具

4.1 写清需求：提示词比代码更重要

让 Codex 写代码前，先把需求描述清楚。我习惯把提示词拆成下面几个部分：

1. 角色设定：告诉 Codex 你是生信工程师，方便它使用专业术语。
2. 任务描述：要做什么分析，输入是什么，输出是什么。
3. 技术约束：用 Python，使用 gseapy，命令行工具，兼容常见操作系统。
4. 功能细节：去重、过滤、排序、画图、输出格式。
5. 异常处理要求：文件不存在、基因名无效、网络超时都要有提示。

下面是一个可以完整发给 Codex 的提示词示例：

你是一名生信工程师。请用 Python 编写一个命令行富集分析工具，要求如下： 1. 从输入文件 gene_list.txt 中读取人类基因 Symbol 列表； 2. 使用 gseapy 库调用 Enrichr 数据库，支持 KEGG 和 GO Biological Process 等基因集； 3. 输出富集结果 CSV 文件，按 adjusted p-value 从低到高排序； 4. 绘制 Top 10 富集通路的条形图和气泡图，保存为 PNG； 5. 命令行参数包括：--input、--gene-sets、--outdir、--top； 6. 对输入基因做去重、空值过滤、大小写标准化； 7. 加上详细的中文注释和必要的异常处理； 8. 依赖库写到 requirements.txt。

你会发现，这个提示词已经相当于一份小需求文档。Codex 生成的代码未必一次完美，但你可以继续追问：“如果输入文件是 Excel 怎么办？”“帮我增加 Log 日志输出”“统计失败的通路并写到 error.log”。AI 编程助手的核心用法就是迭代修改。

4.2 联网版：基于 gseapy 的快速实现

下面是我整理后的“联网版”富集分析脚本，核心逻辑和上面提示词描述一致。脚本会调用 Enrichr 数据库，所以需要联网。

先创建项目目录结构：

enrichment_tool/ ├── gene_list.txt ├── enrichr_enrich.py ├── requirements.txt └── output/

requirements.txt内容：

pandas matplotlib gseapy

enrichr_enrich.py完整代码：

# 文件路径：enrichment_tool/enrichr_enrich.py # 功能：读取基因列表，调用 Enrichr 做 GO/KEGG 富集分析并可视化 import argparse import logging from pathlib import Path import pandas as pd from gseapy import barplot, dotplot, enrichr # 配置日志，方便定位问题 logging.basicConfig( level=logging.INFO, format="%(asctime)s [%(levelname)s] %(message)s", ) logger = logging.getLogger(__name__) def load_gene_list(input_file: str) -> list: """读取基因列表文件，去重、去空、标准化大小写。""" genes = [] with open(input_file, "r", encoding="utf-8") as fh: for line in fh: gene = line.strip() if not gene: continue # 统一转为大写，避免 TP53 和 tp53 被当成两个基因 genes.append(gene.upper()) # 去重并保持顺序 seen = set() unique_genes = [] for gene in genes: if gene not in seen: seen.add(gene) unique_genes.append(gene) logger.info("共读取 %d 个唯一基因", len(unique_genes)) return unique_genes def run_enrichment( gene_list: list, gene_sets: str, outdir: str, top: int, ) -> pd.DataFrame: """调用 Enrichr 执行富集分析，返回结果 DataFrame。""" out_path = Path(outdir) out_path.mkdir(parents=True, exist_ok=True) logger.info("正在使用基因集: %s", gene_sets) enr = enrichr( gene_list=gene_list, gene_sets=gene_sets, organism="human", outdir=str(out_path), ) results = enr.res2d.copy() # 统一列名，方便后续处理 results.columns = [str(col).strip() for col in results.columns] return results def save_results(results: pd.DataFrame, gene_sets: str, outdir: str) -> str: """保存 CSV 结果，并返回文件路径。""" out_path = Path(outdir) out_path.mkdir(parents=True, exist_ok=True) # Enrichr 结果一般包含 Adjusted P-value 列 pvalue_col = [ col for col in results.columns if "adjusted p-value" in col.lower() or "adj p-value" in col.lower() ] if pvalue_col: results = results.sort_values(by=pvalue_col[0]) csv_path = out_path / f"{gene_sets}_enrichment_results.csv" results.to_csv(csv_path, index=False) logger.info("结果已保存到: %s", csv_path) return str(csv_path) def plot_top_results(results: pd.DataFrame, gene_sets: str, outdir: str, top: int) -> None: """绘制 Top N 富集通路图。""" out_path = Path(outdir) out_path.mkdir(parents=True, exist_ok=True) # 按 adjusted p-value 排序后取 Top N pvalue_col = [ col for col in results.columns if "adjusted p-value" in col.lower() or "adj p-value" in col.lower() ] if pvalue_col: plot_df = results.sort_values(by=pvalue_col[0]).head(top) else: plot_df = results.head(top) # gseapy 自带的条形图和气泡图 barplot( plot_df, top=top, ofname=str(out_path / f"{gene_sets}_barplot.png"), ) dotplot( plot_df, top=top, ofname=str(out_path / f"{gene_sets}_dotplot.png"), ) logger.info("图表已保存到: %s", out_path) def parse_args(): parser = argparse.ArgumentParser(description="基于 Enrichr 的富集分析工具") parser.add_argument("--input", required=True, help="基因列表文件路径") parser.add_argument( "--gene-sets", default="KEGG_2021_Human", help="基因集名称，如 KEGG_2021_Human、GO_Biological_Process_2021", ) parser.add_argument("--outdir", default="output", help="输出目录") parser.add_argument("--top", type=int, default=10, help="画图时保留 Top N") return parser.parse_args() def main(): args = parse_args() gene_list = load_gene_list(args.input) if len(gene_list) == 0: logger.error("基因列表为空，请检查输入文件") return results = run_enrichment( gene_list=gene_list, gene_sets=args.gene_sets, outdir=args.outdir, top=args.top, ) if results is None or results.empty: logger.error("富集分析未返回结果") return csv_path = save_results(results, args.gene_sets, args.outdir) plot_top_results(results, args.gene_sets, args.outdir, args.top) logger.info("全部完成，CSV 结果: %s", csv_path) if __name__ == "__main__": main()

gene_list.txt示例内容（一行一个基因）：

TP53 BRCA1 EGFR MYC PTEN AKT1 MTOR PIK3CA KRAS MAPK1

这里说明一下：gseapy的enrichr函数会通过 Enrichr 公共数据库查询，所以必须联网。基因集名称也不是固定不变的，比如KEGG_2021_Human、GO_Biological_Process_2021都可能随数据库更新而变化，运行时如果提示基因集不存在，可以去 Enrichr 官网查看新的基因集名称，或者报错后让 Codex 帮你换成正确名称。

4.3 本地版：自写 Fisher 精确检验

如果不想依赖外部数据库，或者分析环境在内网，可以做一个“本地版”。它需要一个通路注释文件，格式是每行一条通路：

通路ID 通路名称 基因1,基因2,基因3

比如custom_pathways.txt：

hsa04110 Cell cycle TP53,RB1,CDK2,CCND1,CDC25A hsa04151 PI3K-Akt signaling pathway PIK3CA,AKT1,MTOR,EGFR,BRCA1 hsa05200 Pathways in cancer TP53,EGFR,MYC,KRAS,PTEN,AKT1

本地版脚本核心代码如下，完整的项目方式与联网版相同：

# 文件路径：enrichment_tool/fisher_enrich.py # 功能：基于 Fisher 精确检验的本地富集分析工具 import argparse from pathlib import Path import numpy as np import pandas as pd from scipy.stats import fisher_exact def load_annotation(anno_file: str) -> pd.DataFrame: """读取三列注释文件：通路ID、通路名、基因列表。""" rows = [] with open(anno_file, "r", encoding="utf-8") as fh: for line in fh: parts = line.strip().split("\t") if len(parts) < 3: continue pathway_id, pathway_name, gene_str = parts[0], parts[1], parts[2] genes = {g.strip().upper() for g in gene_str.split(",") if g.strip()} rows.append( { "pathway_id": pathway_id.strip(), "pathway_name": pathway_name.strip(), "genes": genes, } ) return pd.DataFrame(rows) def enrich_local( gene_list: list, annotation: pd.DataFrame, background_total: int, ) -> pd.DataFrame: """对每条通路做 Fisher 精确检验。""" gene_set = set(gene_list) n_queried = len(gene_set) results = [] for _, row in annotation.iterrows(): pathway_genes = row["genes"] # 四个格子的数字 a = len(gene_set & pathway_genes) # 在基因列表且属于通路 b = len(pathway_genes - gene_set) # 不在基因列表但属于通路 c = n_queried - a # 在基因列表但不属于通路 # d = background_total - a - b - c # 不在基因列表也不属于通路 odds_ratio, p_value = fisher_exact( [[a, b], [c, background_total - a - b - c]] ) # 富集倍数 fold = (a / n_queried) / (len(pathway_genes) / background_total) if n_queried and len(pathway_genes) else np.nan results.append( { "pathway_id": row["pathway_id"], "pathway_name": row["pathway_name"], "overlap_genes": a, "overlap_gene_names": ",".join(sorted(gene_set & pathway_genes)), "p_value": p_value, "odds_ratio": odds_ratio, "fold_enrichment": fold, } ) df = pd.DataFrame(results) df["p_adjusted"] = df["p_value"] * len(df) # Bonferroni 校正，通路数少时可用 df = df.sort_values(by="p_adjusted") return df def main(): parser = argparse.ArgumentParser(description="本地 Fisher 富集分析工具") parser.add_argument("--input", required=True, help="基因列表文件") parser.add_argument("--annotation", required=True, help="通路注释文件") parser.add_argument("--background", type=int, default=20000, help="背景基因总数") parser.add_argument("--out", default="fisher_results.csv", help="输出 CSV") args = parser.parse_args() with open(args.input, "r", encoding="utf-8") as fh: genes = [line.strip().upper() for line in fh if line.strip()] annotation = load_annotation(args.annotation) df = enrich_local(genes, annotation, background_total=args.background) df.to_csv(args.out, index=False) print(f"分析完成，结果: {args.out}") if __name__ == "__main__": main()

本地版的好处是容易理解每一步统计计算，不依赖外部服务；缺点是需要自己准备通路注释文件，背景基因总数也需要按实际物种和检测范围调整。背景总数设得不对，富集倍数和 p 值都会偏差。线上项目里建议把它当成教学练习，生产分析还是优先用gseapy这类维护良好的库。

4.4 运行与验证

安装依赖：

cd enrichment_tool pip install -r requirements.txt

运行联网版：

python enrichr_enrich.py --input gene_list.txt --gene-sets KEGG_2021_Human --outdir output --top 10

运行本地版：

python fisher_enrich.py --input gene_list.txt --annotation custom_pathways.txt --background 20000 --out fisher_results.csv

4.5 结果说明

联网版运行成功后，会输出两个关键文件：

• output/KEGG_2021_Human_enrichment_results.csv：所有通路富集结果；
• output/KEGG_2021_Human_barplot.png：Top 10 条形图；
• output/KEGG_2021_Human_dotplot.png：Top 10 气泡图。

打开 CSV 后，重点看以下几列：

• Term：通路的名称；
• Overlap：例如5/87，表示你输入的基因里有 5 个落在该通路，通路总基因数 87；
• P-value：原始 p 值；
• Adjusted P-value：多重检验校正后的值，排序和筛选的主要依据；
• Genes：具体命中该通路的基因名，结果解读时经常要看。

画出的条形图，条形越长代表富集显著性越高（通常按-log10(p)展示）；气泡图中，点越大说明命中基因越多，颜色越深显著性越高。

这里有一个很重要的建议：拿到显著通路后，不要只看排名第一的条目，要把 Top 10 甚至 Top 20 合在一起看方向。比如多条通路都指向细胞周期、DNA 修复，那么结论就比单条通路可靠得多。

5. Codex 使用中的常见问题排查

使用 Codex 辅助写生信工具时，环境层面最容易出问题。下面列出几个我实际遇到或社区里高频出现的报错。

5.1 codex connection failed / 一直重新连接

错误现象：

codex connection failed: error sending request

或者 Codex 界面上一直显示“正在重新连接”。

常见原因：

• 当前网络环境无法访问 Codex 配置的 API 端点；
• API Base URL 填错，比如多了空格、少了协议头；
• API Key 无效或过期；
• 本地代理服务没有启动。

排查步骤：

1. 检查 API Key 是否配置正确，可以重填一次；
2. 确认 API Base URL 是否与你使用的服务商一致；
3. 如果你使用了cc switch这类本地路由工具，先确认软件本身是否处于启动状态；
4. 换一个简单的网络环境或服务节点测试；
5. 查看 Codex 日志，通常日志里会写明具体是 DNS 错误、超时还是鉴权失败。

5.2 cc switch local proxy failed 类报错

错误现象：

cc switch local proxy failed while handling codex endpoint /responses

常见原因：

cc switch启动的本地路由不能正常把 Codex 的请求转发到目标模型服务。原因通常是 Provider 配置不完整，或者目标服务端点返回了非预期状态码。

解决思路：

• 在cc switch里重新检查 Provider 的模型名称、接口地址、API Key；
• 换一个模型名后再试，有些服务商对模型名大小写敏感；
• 把 Codex 和cc switch都重启一次，让其重新读取配置；
• 查看上游请求日志，确认是请求格式问题还是鉴权问题。

5.3 reasoning_content 与 thinking mode 报错

错误现象：

upstream_status: http 400 cause: the `reasoning_content` in the thinking mode must be passed back to the api

常见原因：

这个报错主要在接入 DeepSeek 等带“思考模式”的模型时出现。简单来说，这类模型在流式输出时会把一部分思考过程放在reasoning_content字段里，Codex 或本地路由工具没有把该字段正确透传回去，导致上游拒绝请求。

解决思路：

• 在 Codex 中关闭或降低思考模式、推理模式；
• 升级cc switch或 Codex 到较新版本，旧版本可能不支持新字段透传；
• 更换为不支持思考模式的模型，例如改用普通对话模型；
• 如果错误仍然存在，把报错信息完整复制给 Codex 或路由工具维护者，通常更新配置就能解决。

这类报错不是代码写错了，而是工具链版本和模型能力之间不匹配，遇到时不用慌，优先从“模型、工具版本、模式开关”三方面排查。

5.4 模型不支持或账号限制

错误现象：

the 'gpt-5.6-sol' model is not supported when using codex with a chatgpt account

常见原因：

如果你使用 ChatGPT 账号登录 Codex，可用的模型集合由账号套餐决定，而不是任意模型都能用。手动把模型改成未开放的名称，就会报“模型不支持”。

解决思路：

• 换回 Codex 配置文件中默认支持的模型；
• 如果确实需要使用其他模型，考虑使用 API Key 方式而不是 ChatGPT 账号登录；
• 不要在生产流程里硬编码某个测试模型名，把模型名放到配置文件里，方便切换。

6. 生信工具开发的工程建议

6.1 让 Codex 生成更稳定、可维护的代码

使用 AI 编程助手时，很多人只描述“实现 XXX”，生成的代码能用但很脆弱。我的建议是：

1. 把输入输出说得非常具体。例如“输入是一行一个基因的 txt”，而不是“输入基因列表”。
2. 要求参数化。所有文件路径、阈值、数据库名称都做成命令行参数或配置文件，避免硬编码。
3. 要求异常处理。明确告诉 Codex：“文件不存在时打印友好提示并退出，不要抛一堆 traceback”。
4. 要求日志输出。分析耗时可能很长，有日志才能判断卡在哪一步。
5. 分步生成，而不是一次生成大项目。先让 Codex 写读取文件的部分，验证通过后再让它加统计和画图，最后组装成命令行工具。

6.2 数据安全、结果校验与可复现性

生信数据往往涉及课题未发表结果或临床信息，使用云端 AI 工具时需要注意：

• 敏感样本信息不要直接出现在代码和提示词里。最好把数据路径写进配置，而不是把数据内容粘贴给模型。
• 不要在一个不可信的公共环境里提交带患者编号、样本编号的数据。
• 对 AI 生成的代码，要保留生成时使用的提示词、模型版本和参数。记录这些信息可以保证后续复现或回溯。
• 每次运行后，把输入文件的哈希值、输出文件的日期版本一起记录下来，方便论文投稿时的数据可追溯性。

# 生成输入文件的校验值，便于后续核对 sha256sum gene_list.txt

6.3 从“单次脚本”到“自动化富集分析流程”

做成脚本只是第一步，实际项目里更推荐把它升级成流程：

1. 差异基因表自动筛选（例如log2FC > 1且padj < 0.05）；
2. 自动导出基因列表；
3. 自动跑多个基因集（KEGG、GO BP、GO CC、Reactome）；
4. 把多个结果合并成 Excel 报告；
5. 用 Codex 根据富集结果起草“我的差异基因显著富集在细胞周期和 DNA 修复通路”这类结论草稿，再由人工确认。

这样一个流程跑下来，从原始差异表到一份带图表和结论草稿的分析报告，基本可以在一小时内完成。

7. 总结与下一步实践

这篇文章解决了三件事：第一，把富集分析的概念和统计学原理用容易理解的方式讲清楚，让你知道结果里的p-value、adjusted p-value、富集倍数到底是什么意思；第二，用可运行的 Python 代码配合 gseapy，搭建了一个输入基因列表就能出结果的富集分析工具，同时也提供了本地版 Fisher 精确检验脚本，让你能深入理解计算逻辑；第三，整理了 Codex 在安装、配置第三方模型、接入推理模型时常见的高频报错和排查思路。

对我来说，Codex 最有价值的地方不是替我把代码写出来，而是把我从“背语法”中解放出来，让我能把更多精力放在实验设计和结果解释上。建议你拿到这篇文章的脚本后，先用自己手头的差异基因列表跑一遍，再尝试修改提示词，让 Codex 加入新的数据库、新的图表样式或新的统计方法。踩过几次坑、改过几版代码之后，你就拥有了一个完全属于自己的自动化富集分析小工具。