SciMiner 网络药理学分析

问题：证据混在一起，假说无法溯源

传统网络药理学流程常见的毛病是把实测数据、数据库条目、预测分数和文献结论塞进同一个黑箱评分里。结果图表看起来丰富，实际无法区分哪些靶点是实验验证过的，哪些只是算法猜的。更麻烦的是，TP53、AKT1、TNF、IL6 这类通用 hub 节点在任何网络里都会冒出来，如果不结合疾病语境和化合物证据来审视，很容易把"常见"误判为"关键"。

技能如何工作

这个技能把证据分层作为第一原则，每一步都在 evidence_tier 上做标注。

准备阶段：运行前必须读取 ~/.config/sciminer/credentials.json 中的 api_key，且只在实际调用时读取，不打印、不持久化。每次调用 SciMiner 工具前，先从 https://sciminer.tech/tool_api_files/ 拉取对应的 *_api_doc.md，以该文档为参数和行为的权威依据。

分析流程：

• 实体归一化：化合物以结构（SMILES/InChIKey）为准而非显示名，保留原始别名；基因和蛋白质统一到一个命名空间，映射失败的条目单独报告。
• 成分证据表：按 measured > curated/literature > database-listed > in-silico candidate 四级标注每条证据，被剔除的化合物连同原因写入 component_exclusions.csv。
• 靶点证据采集：靶点预测仅用于生成假说，不作为功效证据；安全性或多靶点问题走独立的 off-target 分析通道。每条化合物–靶点–证据记录写入 target_evidence.csv，不做合并打分。
• 证据网络构建：边带类型（herb→compound、compound→target、target→disease 等）和 evidence_tier，节点和边分别写入 nodes.csv 和 edges.csv，再通过 render_network_report.py 生成交互式 HTML 报告和机读的 network.json。
• 富集与计算验证：富集分析必须声明前景集和背景集，报告多重检验校正方法。分子对接仅用于有靶点证据且结构可信的预定义化合物–靶点对，标签始终为"辅助计算证据"。

输出：project_manifest.json、两份 CSV 证据表、节点/边表、网络文件、交互报告和一段叙事总结，分别列出可靠观察、未验证假说、矛盾证据、阴性结果，以及每个假说所需的最小判别实验。

适用边界

• 靶点预测分数、网络中心度、富集结果或对接打分，不能用来证明结合、疗效、协同、因果或临床获益。
• 不要用猜测的参数调用工具，缺失必需输入时直接询问。
• 通用 hub 节点在确认疾病相关性、组织/细胞语境和化合物证据之前，一律按普通候选对待。
• 富集分析的背景集必须是生物学上站得住的集合，不能用全基因组做默认背景。
• 所有成功任务的 share_url 都要保留，结论旁边附上数据库文档和访问日期。