生殖毒理学 · 网络毒理学 Skill（v3.3.0）

0. 30 秒判断"能不能用"

cd ~/.workbuddy/skills/reproductive-network-toxicology
python scripts/rnt.py doctor    # 环境体检：区分"硬性问题"与"仅影响某一步"（约 1 s）
python scripts/rnt.py test      # 39 条回归测试：算法与 I/O 是否正常（约 3 s）
python scripts/rnt.py eval      # 五维质量评测：可信/可靠/适用/规范/有效（约 5 s）

test 只看"工具本身对不对"，eval 看"整套体系好不好用"，两者都不涉及生物学结论。

第一次做真实项目，从这一步开始（不用先读文档）：

python scripts/rnt.py init DEHP          # 生成项目骨架：配置 + 占位靶点 + TODO.md
cd DEHP && python <skill>/scripts/rnt.py all --config config.json --offline   # 先看链路通不通
# 替换 inputs/ 里的靶点后，去掉 --offline 跑真实 STRING 与富集
python <skill>/scripts/rnt.py methods --run runs/DEHP   # 自动生成 Methods 草稿（数字不手抄）

1. 定位与边界

本 Skill 专注生殖系统毒性（HPG 轴）这一特定靶器官场景的网络毒理学全链条，是通用 network-toxicology 的专科深化版。通用框架（AOP、风险评估、法规）仍引用通用 Skill；本 Skill 提供生殖毒理专属的靶点库、关键词矩阵、参数阈值、判定规则、文献实证基线与可执行工具箱。

• 通用网络毒理学流程/法规合规 → 加载 network-toxicology
• 中医药复方多成分减毒 → 叠加 network-pharmacology / tcm-*
• 本 Skill 独有：生殖毒性终点体系、生殖靶点关键词矩阵、hub 四法共识判定、18 篇文献量化基线（references/10）、工具使用频次实测（references/11）、局限性话术库（references/12）、验证实验配方（references/13）、运行手册（references/14）、质量评测方法（references/15）、零依赖工具箱（scripts/）

核心认知（贯穿全流程的红线）：网络毒理学提供机制假说，对接提供结构可行性，MD 提供力场下的稳定性，QSAR/ML 提供结构-活性趋势，MR 提供人群遗传因果线索。任一单独存在都不构成生物学证据，必须分级表述（references/09）。

2. 标准流程（S0–S9）

S0 问题界定与终点选择
 → S1 毒物结构/成分分析与靶点预测
 → S2 生殖疾病/损伤靶点库构建
 → S2.5 转化产物/代谢物清单（母体→代谢物矩阵）
 → S2.6 暴露浓度与现实性论证（环境/人体生物监测水平）
 → S3 交集与 Venn（候选毒效靶点）
 → S4 PPI 网络构建与拓扑分析
 → S5 hub 靶点共识判定
 → S6 GO/KEGG 富集与通路收敛
 → S7 分子对接（+ 重对接校验）
 → S8 MD / MM-PBSA(GBSA)（按需）
 → S9 交叉验证与成果输出（组学 / MR / QSAR-ML / 免疫浸润 / 体外体内）

3. 任务路由

4. 生殖毒理专属知识锚点

HPG 轴核心靶点（默认必查）：AR、ESR1、ESR2、LHCGR、FSHR、CYP19A1、CYP17A1、CYP11A1、HSD3B1/2、SRD5A1/2、STAR、INSL3、GNRHR、KISS1R、PRLR、AMH/AMHR2、SOX9、NR5A1、IGF1/IGF1R。

血睾屏障（BTB）：CLDN11、OCLN、TJP1、CDH2、CTNNB1、VIM。

精子发生/减数分裂：DAZL、BOLL、SYCP3、TEX11、TNP1/2、PRM1/2、CATSPER1、AKAP4、SPATA16。

卵泡/卵巢：AMH、FOXL2、BMP15、GDF9、PTGS2、HAS2、LHCGR、FSHR。

应激-凋亡-自噬轴（文献高频 hub）：AKT1、PIK3CA/PIK3R1、MAPK1/3/14、TP53、SRC、STAT3、EGFR、HSP90AA1、CASP3、BCL2/BAX、MMP2/9、PTGS2、IL6、TNF、IL1B、CXCL8、NFE2L2/HMOX1、JAK2、GSK3B、CCND1、MDM2、MYC。

生殖毒性 KEGG 高频通路：雌激素信号 hsa04915、催乳素信号 hsa04917、卵母细胞减数分裂 hsa04114、孕酮介导卵母细胞成熟 hsa04914、类固醇激素生物合成 hsa00140、PI3K-Akt hsa04151、MAPK hsa04010、凋亡 hsa04210、p53 hsa04115、mTOR hsa04150、FoxO hsa04068、紧密连接 hsa04530、自噬 hsa04140、铁死亡 hsa04216、细胞衰老 hsa04218、GnRH 分泌 hsa04929。

AOP 骨架（写讨论必用）：
MIE（AR 拮抗 / ER 激动 / AhR 激活 / PPARγ / 类固醇合成酶抑制 / 氧化应激）
→ KE（Leydig-Sertoli 功能受损、类固醇合成下降、BTB 破坏、生殖细胞凋亡、减数分裂阻滞、颗粒细胞凋亡与卵泡闭锁）
→ AO（精子数/活力/形态异常、生育力下降、卵泡闭锁、PCOS 样表型、生殖系统肿瘤风险）

5. 文献实证基线（18 篇实测，非估计）

工具使用频次（严格正则匹配，详见 references/11）

参数默认值（含实测区间）

完整逐篇对照见 references/10。

6. 输出规范

• Results 首段给漏斗数字：化合物靶点 n → 疾病靶点 n → 交集 n → PPI nodes/edges → hub n。
• 每个阈值写明来源（"GeneCards 中位数相关度"而非"高分基因"）。
• 图件最小集（按 18 篇出现率）：Venn、PPI（degree 映射）、hub 排序、GO 三联 + KEGG 气泡、对接 3D+2D（11/18，最高频）、MD 四联（5/18）；有实验则加 H\&E/WB/精子参数。
• 结语句式：按证据分级表述，见 references/08 第 4 节。

7. 脚本工具箱（v3：零依赖 + 回归测试 + 自评测）

7.1 三条命令

python scripts/rnt.py demo      # 离线自检：合成数据跑 targets→ppi→overlap→qc（<1 s，6/6 PASS）
python scripts/rnt.py test      # 回归测试：39 条用例，覆盖已知缺陷（<3 s）
python scripts/rnt.py eval      # 五维评测：输出 EVAL_report.md 与 eval_summary.json
python scripts/rnt.py pkg       # 提交前自检：类型安全集 / 路径规范 / 版本 / 文档（7 项，1 s）

> 上架硬约束（实测两次被拒后收敛）：提交包只放 .md .py .json .txt 四类。
> .R/.sh 被拒（不允许的文件类型: scripts/enrich_clusterProfiler.R）；
> 改用安全扩展名后，.tsv 又被拒（… examples/sample_output/ppi_summary.tsv）——
> 而且校验器一次只报一个文件，所以"按报错改"必然要来回几轮。
> 本包的处理：脚本模板存为 *.R.txt / *.sh.txt（一行 cp 还原），
> 表格/图件类样例转成 .md（Markdown 表 + 文本条形），真正的 .tsv/.csv/.svg 在运行时生成。
> rnt.py pkg 的 P1/P7 会把这类问题在你终端里提前拦下（用例 C06–C09）。

demo 验证"链路通"，test 验证"改对了没有"，eval 回答"这套工具到底好不好用"。

靶点列表能认的写成什么样（都不用手工清洗）：一行一个；带表头/带数值列的 CSV/TSV（AKT1,0.85 取首列）；横向一行写的列表（AKT1, ESR1, MMP9，Excel 复制一行或 Word 折行另存 txt 的常见形态，整行展开）；单元格内多基因（AKT1;ESR1、AKT1、ESR1，中文顿号/全角逗号也认）；hsa-miR-21、Akt1、PKB、3β-HSD、ERβ 等写法自动归一。解析布局与改写对照记录在 _symbol_audit.csv（layout / multi_gene_cells / normalization_examples）。

7.2 依赖矩阵：什么情况下能跑到哪一步

结论：无 pandas / numpy / scipy / networkx / R / Vina 的机器上，S2–S6 全链路（含真实 STRING 网络与真实富集）仍可完整跑通。

7.3 脚本清单

7.4 输出目录与可复现性

runs/<label>/
  <label>_compound_targets.txt / _disease_targets.txt / _intersection.txt
  <label>_venn_counts.tsv / _targets_annotated.csv / _targets_summary.json
  <label>_symbol_audit.csv           # 符号怎么改的、为什么改
  ppi/string_interactions.tsv        string_map.tsv        string_fetch.json
  ppi/ppi_nodes.csv  ppi_hub_A..D.txt  ppi_hub_consensus.txt  ppi_summary.tsv  ppi_degree.svg
  enrich/<lib>.csv  enrich_all.csv  enrich_repro.csv  *_bubble.svg  enrich_summary.json
  overlap/hub_*                      # 配置了 overlap 阶段才有
  Methods_draft.md                   # rnt.py methods 生成，可反复重生成
  dock/dock_plan.json  vina_cmds.sh  dock_check.md
  QC_report.md  qc_summary.json  run_manifest.json  run_config.json

run_manifest.json 记录 run_id、工具版本、每个输入文件的 sha256、每一步参数与返回码，
是"参数可追溯"的机器凭证；QC_report.md 是可直接作为补充材料提交的人读版本。

路径约定（v3.2 起统一）：配置里的输入与输出都按"配置文件所在目录"解析——
把项目文件夹整体搬到别的机器、或在任意目录用绝对配置路径调用，结果都落在项目里，不会跑到调用者当前目录。
命令行显式给 --out 时按当前目录解析（尊重你当下的位置）。

7.5 退出码（可接 CI / 批处理）

0 成功 · 2 输入/数据异常 · 3 缺少依赖或外部工具 · 4 网络失败。
单步失败不会静默：run_all 记录为 error(n) 并继续可执行步骤；任何未预期异常转为可读报错（--debug 看堆栈）。

7.6 实测记录（本机：Python 3.13，无 pandas/scipy/R/Vina）

v3 修掉的 7 个真实缺陷见 CHANGELOG.md；每个都已在 selftest.py 中固化为回归用例。

模板资源（assets/）：roadmap-template.md（技术路线模板，含基金三段式映射）、deliverables-checklist.md（结果表与图件清单，含阈值记录卡）、teaching-case.md（教学案例，4–6 学时实训）。

8. 质量五维（可度量、可回归）

满分怎么看：这只代表"当前判据集内全部达标"，不等于方法学无懈可击。开发过程中该评测曾把有效性压到 84.6（"小网络四法共识退化为全员 hub"），说明判据确实能失败；修正后才回到 100。判据集应随领域标准升级，分数随之下降是正常现象。

更值得记住的是：v3.0.0 满分之后，再做一轮对抗性输入测试，仍查出"横向基因列表被截断成 1 个"（AKT1, ESR1, MMP9, TP53, CASP3 只读出 AKT1，且不报错）。满分只证明判据集内的项目通过，不证明没有缺陷——所以每轮都要补刁钻输入。该缺陷已固化为 T09 并升版 v3.1.0。

未覆盖（属已知空白，不是"已验证通过"）：真实 Vina/GROMACS 计算（本机未安装）、macOS/Linux 跨平台、>2000 节点超大网络、STRING/Enrichr 限流与库改名、多语言文档。

评分口径与复现方法见 references/15。注意：分数衡量工具体系质量，不衡量生物学结论正确性。

9. 硬性红线

1. 不得把对接分数/网络中心性表述为"结合""调控""导致"；用"提示""可能""预测"。
2. 不得混用不同阈值下筛选的 hub；同一篇内阈值唯一且可复现。
3. 不得省略重对接 RMSD 校验而声称对接可靠。
4. 不得把 GeneCards 全库直接当疾病靶点（未过滤 = 噪音主导）。
5. 物种必须统一（人源库 vs 鸡/鼠/线虫模型分别建网，明确"人源预测-动物验证"链条）。
6. 单细胞/组学源自公共数据时必须写明数据集编号与样本来源，不得暗示自测。
7. 剂量相关性必须论证：体外浓度常为 μM 级而人群生物监测为 nM 级，须在局限性中明确"模型急性应激 ≠ 慢性低剂量暴露"。
8. 混合物不得默认加和：须检验加和/协同/拮抗（TEFmix vs ΣTEF），见 references/02。
9. 结论必须含局限性段落（in silico 无直接实验证据、数据库覆盖偏倚、力场与采样限制、单剂量设计）。
10. 符号不得静默改写：凡归一化改动过的符号，必须能从 symbol_audit.csv 查到原始写法与理由。

10. 版本

当前 v3.1.0（2026-10-23）。变更历史与不兼容改动见 CHANGELOG.md。