P2 预研：MitoCarta3.0 结构化资产 + liana+ 复用要点

日期：2026-09-17 | 状态：预研完成，待 P2 执行 P2 聚焦两方向：MitoCarta 线粒体通路精细分析 + liana+ 细胞通讯

1. MitoCarta3.0 结构化资产（已提取，`script/18_mitocarta_extract.py`）

ref/Mouse.MitoCarta3.0.xls（Rath et al. 2021, NAR）→ ref/mitocarta3.0/：

文件	内容
`Mouse_MitoCarta3.0_genes.csv`	1140 个小鼠线粒体基因：亚线粒体定位（Matrix 528 / MIM 354 / MOM 110 / IMS 52）、通路归属、证据
`MitoPathways.csv`	149 条 MitoPathway，层级拆为 L1/L2/L3
`MitoPathways_long.csv`	基因 × 通路长表（3894 行，1037 基因）
`MitoPathways.gmt`	全层级 GMT → gseapy prerank 直接可用
`MitoPathways_L1.gmt`	7 个一级大类 GMT → 模块打分

L1 七大类：Metabolism（72 子通路/1659 基因次）、Mitochondrial central dogma（21/787）、OXPHOS（20/672）、Mitochondrial dynamics and surveillance（11/238）、Protein import/sorting/homeostasis（13/275）、Signaling（7/108）、Small molecule transport（5/155）。

P2 中用法（对现有分析的增量）

GSEA prerank 补 Hallmark 盲区：Hallmark 只有 OXPHOS 一条线粒体通路；用 MitoPathways.gmt 对已有 de_*.csv 重跑 prerank，可分辨 Complex I–V 各复合体、mtDNA maintenance、mito-ribosome、Fe-S cluster、线粒体动力学（融合/分裂，OPA1 本体所在）等精细通路的方向。
与手工基因集交叉核对：P0/P1 的 ETC/CI/糖酵解模块是手工整理，用 MitoCarta L2（如 OXPHOS > Complex I）重打分做敏感性核对——若结论一致，正面回应"基因集选择偏倚"质疑。
OPA1 通路定位：OPA1 属 Mitochondrial dynamics and surveillance，检查该大类在 RGC2-like 的整体方向（预期受扰），及线粒体自噬条目与作者 fig. S5 的对照。

⚠️ 注意：ref/ 目录原约定只读，本次按用户明确指示将结构化产物存回 ref/mitocarta3.0/（原始 xls 未动），后续同类资产沿用此例。

2. liana+ 复用要点（来自 `D:\个人文档\PROJECTS\mg_liana+`）

该仓库是用户此前课题（microglia Opa1-cko → neuron，LIANA+ 0.1.9 全流程），以下直接复用：

2.1 关键兼容性补丁（必须照抄，否则 scipy 1.17/numpy 2.x 下直接报错）

import liana.method._liana_pipe as _lp
def _patched_trimean(a, axis=0):
    arr = a.toarray() if hasattr(a, "toarray") else a.A
    return np.mean(np.quantile(arr, q=[0.25, 0.5, 0.5, 0.75], axis=axis), axis=axis)
_lp._trimean = _patched_trimean
import liana.method.sc._cellchat as _cc
_cc.np.product = np.prod   # numpy 2.x 移除了 np.product
# Windows 控制台 UTF-8
sys.stdout.reconfigure(encoding="utf-8"); sys.stderr.reconfigure(encoding="utf-8")

2.2 核心调用

li.mt.rank_aggregate(adata, groupby="cell_type", resource_name="mouseconsensus",
                     expr_prop=0.1, min_cells=5, n_perms=...)
li.pl.dotplot(liana_res=..., source_groups=..., target_groups=...)

资源优先 mouseconsensus（内置小鼠 LR 库）；不足时用 li.rs.get_hcop_orthologs() 映射 human consensus。
差异通讯的务实策略：各条件分别跑 rank_aggregate → 比较 Δmagnitude_rank / Δlr_means（mg_liana+ 的 script/03 即此路线；li.multi.df_to_lr 需 liana≥0.2.0，本环境 0.1.9 不可用，不依赖）。
参考文档已就位：mg_liana+/ref/（api.md、Steady-state LR、Prior Knowledge、CCC best practices）。

2.3 迁移到本项目的设计调整

mg_liana+ 做法	本项目调整	原因
cko vs flox 两条件	WT / S1 / S2 三条件分别跑	沿用方向一致性框架：S1∩S2 方向一致且 S1-S2 不"差异"的 LR 对才可信
min_cells=5	microglia WT 仅 8 核、RGC2-like WT 仅 7 核 → 这两类的 WT 侧 LR 近乎不可用，结论限于方向性，与第三轮裁决一致	小样本硬约束
expr_prop=0.1	⚠️ 深度混杂直接污染 lr_means（WT 非杆核深度 2 倍），Δlr_means 解释须谨慎，优先看 rank 相对变化而非绝对值	P1 已证深度是主 confounder
分组用 cell_type	分组用 `cmp_group`（Müller / RGC1-like / RGC2-like / Microglia / 其余细胞类型）	与 P1 分组口径一致
聚焦 MG→Neuron	聚焦 Müller ↔ Microglia ↔ RGC 三角 + 候选轴：C3–C3aR、Apoe–Trem2、Spp1–CD44/Itg 家族、补体级联；另可加 Müller→RGC 代谢支持轴（Glul/Slc1a3 谷氨酸循环）	AGENTS.md 假设（b）线粒体损伤→炎症→神经元

2.4 复用文件清单

script/02_steady_state_lr.py → 改造为本项目 script/19_liana_steady_state.py（补丁 + 三条件循环）
script/03_differential_ccc.py → 改造为 script/20_liana_diff.py（三向比较 + 一致性过滤）
dotplot/tileplot 可视化模式参考其 05/06/07 脚本（plotnine）

3. P2 建议执行顺序

script/19 MitoCarta GSEA prerank（复用 de_*.csv，纯增量，半天内）
script/20 MitoCarta L2 模块敏感性核对（对照手工 ETC/CI 列表）
script/21 liana 三条件稳态 LR（先 3000 核采样跑通，再全量）
script/22 liana 差异通讯 + 一致性过滤 + 候选轴可视化
汇总进 doc/第一轮分析报告_P2.md

5.3 KiB Raw Blame History Unescape Escape