> 作者 (author): LKP <kunpeng.liao@abiosciences.com>
> Skill 及脚本参数来源: Chen et al., 2025, Cancer Cell 43, 1656–1676, <https://doi.org/10.1016/j.ccell.2025.06.020>

基因程序/基因集打分方法合集

四套打分方法的实现与选用原则（均在本项目实际使用）。

1. AddModuleScore（Seurat 内置，快）

# 适用：常规基因集打分（PNI 34基因、EMT 187基因、12个恶性模块）
obj <- AddModuleScore(obj, features = list(gene_set), ctrl = 1000, seed = 2023,
                      name = "program_score")
# 多模块：features = gene_list（named list），每模块一个打分列
# 小特征集回退：ctrl = min(1000, valid_features)，再失败 ctrl = min(100, valid_features)

2. AUCell（排名法，阈值稳健）

library(AUCell)
rankings <- AUCell_buildRankings(as.matrix(GetAssayData(obj, layer = "data")),
                                 plotStats = FALSE, nCores = 1)
auc <- AUCell_calcAUC(geneSets = author_sets, rankings = rankings,
                      aucMaxRank = floor(nrow(rankings) * 0.1),  # 前10%基因
                      nCores = 1)
scores <- t(as.data.frame(getAUC(auc)))  # 基因集 × 细胞
# 适用：基因集较大（>=5 基因，交集后保底）且需要跨细胞可比排名

3. PROGENy 通路活性（decoupleR MLM）

library(progeny); library(decoupleR)
# decoupleR 2.12 的 get_progeny 依赖 OmnipathR 常失败，用 progeny 本地模型：
model <- progeny::getModel("Human", top = 500)          # 每通路 top500 权重基因
net <- reshape2::melt(as.matrix(model), varnames = c("target", "source"))
net <- net[net$value != 0, ]; names(net) <- c("target", "source", "weight")
act <- run_mlm(mat = expr_matrix, net = net,
               .source = "source", .target = "target", .mor = "weight", minsize = 5)
# z-score 后按细胞类型求均值热图：t(scale(t(score_mat)))

4. irGSEA（多方法整合，UMAP 投射）

library(irGSEA)
res <- irGSEA.score(object = obj, assay = "RNA", slot = "data",
                    seeds = 123, ncores = 1,
                    min.cells = 3, min.feature = 0,
                    custom = FALSE, geneset = NULL,
                    msigdb = TRUE, species = "Homo sapiens",
                    category = "H", subcategory = NULL,    # Hallmark
                    geneid = "symbol",
                    method = c("AUCell"),                  # 单方法 AUCell
                    aucell.MaxRank = NULL, kcdf = "Gaussian")
irGSEA.density.scatterplot(object = res,
                           show.geneset = "HALLMARK-EPITHELIAL-MESENCHYMAL-TRANSITION",
                           reduction = "umap")
# 失败回退：AddModuleScore 打分后 FeaturePlot

方法选择原则

常见坑

1. AddModuleScore ctrl 池：特征少时 ctrl=1000 可能报错，按 valid_features 自适应
2. AUCell 输入 data 层：不是 counts；nCores=1 防 Windows 崩
3. PROGENy 别用 decoupleR 内置 get_progeny：OmnipathR 网络依赖不稳，progeny::getModel 本地化
4. 基因集与行名先 intersect：不存在的基因静默丢弃，记录实际用上多少
5. 模块打分跨亚群比较：打分前确认同一 assay/层与同一 scale 基准