obsidian-plugin/lllin000_PaperForge
1
0
Fork 0
mirror of https://github.com/lllin000/PaperForge.git synced 2026-07-22 06:50:53 +00:00
Code Issues Projects Releases Packages Wiki Activity Actions

chore(phase-12): remove old pipeline/ and skills/ directories

Browse source 
- Delete pipeline/worker/scripts/literature_pipeline.py (4041 lines)
- Delete pipeline/ directory hierarchy
- Delete skills/literature-qa/ directory hierarchy
- Confirmed no imports reference old locations
This commit is contained in:
Research Assistant 2026-04-24 22:39:09 +08:00
parent f54fe8a3e0
commit 87251db0ca
26 changed files with 0 additions and 7350 deletions
Show stats Download patch file Download diff file Expand all files Collapse all files

154
.planning/REQUIREMENTS-v1.2.md
View file

@ -1,154 +0,0 @@
# Requirements: v1.2 Systematization & Cohesion
> Requirements for Milestone v1.2. Derived from PROJECT.md and architecture research.
---
## Context
Milestone v1.1 hardened the sandbox onboarding flow. v1.2 transforms the project from a functional-but-scattered prototype into a cohesive, user-centric system.
Current state:
- Agent commands: `/LD-deep`, `/LD-paper`, `/lp-ocr`, `/lp-index-refresh`, `/lp-selection-sync`, `/lp-status`
- CLI commands: `paperforge selection-sync`, `index-refresh`, `ocr run`, `ocr doctor`, `deep-reading`, `repair`, `status`
- Two naming conventions confuse users
- `selection-sync` + `index-refresh` are almost always run together but are separate commands
---
## Requirements
### SYS-01: Unified Agent Command Namespace
**Description:** All agent commands must use the `/pf-*` prefix consistently.
**Acceptance Criteria:**
- [ ] `/pf-deep` replaces `/LD-deep` (deep reading)
- [ ] `/pf-paper` replaces `/LD-paper` (quick summary)
- [ ] `/pf-ocr` replaces `/lp-ocr` (OCR worker)
- [ ] `/pf-sync` replaces `/lp-selection-sync` + `/lp-index-refresh` (combined sync)
- [ ] `/pf-status` replaces `/lp-status` (status check)
- [ ] `/pf-doctor` is available (diagnostics)
- [ ] Old commands (`/LD-*`, `/lp-*`) still work but show deprecation warning
- [ ] All command docs updated to use new namespace
**Priority:** P0
---
### SYS-02: CLI Simplification
**Description:** Combine frequently-co-occurring CLI commands into user-centric workflows.
**Acceptance Criteria:**
- [ ] `paperforge sync` combines `selection-sync` + `index-refresh` with sensible defaults
- [ ] `paperforge sync --full` runs both with verbose output
- [ ] `paperforge sync --dry-run` previews what would happen
- [ ] Old commands (`selection-sync`, `index-refresh`) still work but show "consider using sync" hint
- [ ] `paperforge ocr` is simplified (evaluate whether `ocr run` + `ocr doctor` should merge)
- [ ] CLI help text is user-centric, not worker-centric
**Priority:** P0
---
### SYS-03: Command Consistency Matrix
**Description:** Ensure 1:1 mapping between agent commands and CLI commands where appropriate.
**Acceptance Criteria:**
- [ ] Matrix documenting agent command ↔ CLI command mapping exists
- [ ] Where functionality overlaps, names align (`/pf-sync` ↔ `paperforge sync`)
- [ ] Agent-only commands (`/pf-deep`) have clear CLI equivalents or documented rationale for absence
- [ ] CLI-only commands (`paperforge repair`) have documented agent equivalents or rationale
**Priority:** P1
---
### SYS-04: Architecture Documentation
**Description:** Document the intended architecture for contributors and advanced users.
**Acceptance Criteria:**
- [ ] `docs/ARCHITECTURE.md` exists explaining the two-layer design (Worker + Agent)
- [ ] `docs/COMMANDS.md` exists with unified command reference
- [ ] Command dispatch pattern documented (how `/pf-*` maps to implementation)
- [ ] Directory structure rationale documented
**Priority:** P1
---
### SYS-05: Migration Guide
**Description:** Help existing users transition from old commands to new commands.
**Acceptance Criteria:**
- [ ] `docs/MIGRATION-v1.2.md` exists
- [ ] Old → new command mapping table provided
- [ ] Deprecation timeline documented (when will `/LD-*` and `/lp-*` be removed?)
- [ ] No breaking changes to data formats or storage
**Priority:** P1
---
### SYS-06: Command Doc Restructuring
**Description:** Restructure command docs to match unified namespace and improve discoverability.
**Acceptance Criteria:**
- [ ] All command docs in `command/` use `/pf-*` naming
- [ ] Each command doc includes: purpose, prerequisites, examples, related commands
- [ ] Cross-references between agent and CLI versions of same command
- [ ] AGENTS.md updated with unified command reference
**Priority:** P1
---
### SYS-07: Test Coverage for Unified Commands
**Description:** Ensure tests cover both old and new command names during deprecation period.
**Acceptance Criteria:**
- [ ] Smoke tests verify `/pf-*` commands work
- [ ] Backward compatibility tests verify `/LD-*` and `/lp-*` still work
- [ ] Deprecation warnings are tested
- [ ] No regression in existing 17 smoke tests
**Priority:** P1
---
## Out of Scope
- No new functional features (no new AI capabilities, no new OCR features)
- No breaking changes to data formats, storage, or `.planning/` structure
- No changes to Zotero/Better BibTeX integration
- No changes to OCR provider (still PaddleOCR)
- No scheduled/automated worker triggers
---
## Dependencies
- v1.1 must be complete (Phase 8 done, all tests passing)
- All existing command docs must be readable
- `get-shit-done-main` architecture research completed
---
## Success Criteria
1. A new user can look at the command list and understand what each command does without knowing implementation details
2. Existing users can continue using old commands during deprecation period
3. All tests pass (existing 17 + new unified command tests)
4. Documentation is consistent across agent and CLI interfaces
5. The system "feels" cohesive — one namespace, one mental model
---
*Created: 2026-04-24*
*Milestone: v1.2 Systematization & Cohesion*

0
pipeline/__init__.py
View file

0
pipeline/worker/__init__.py
View file

0
pipeline/worker/scripts/__init__.py
View file

4041
pipeline/worker/scripts/literature_pipeline.py
View file

File diff suppressed because it is too large Load diff

78
skills/literature-qa/chart-reading/GSEA富集图.md
View file

@ -1,78 +0,0 @@
# GSEA 富集图
## 适用场景
展示基因集富集分析（Gene Set Enrichment Analysis）结果，说明某一基因集合（如通路、功能类别）在排序后的基因列表中是否富集于顶端或底端。常用于转录组、蛋白质组差异表达下游分析。
## 读图维度
### 1. 排序指标与排序逻辑
- **基因排序依据**：
- Signal2Noise ratio？logFC？t-statistic？Correlation？
- 排序方向：高表达→低表达？病例→对照？
- **排序方向含义**：
- 左侧（顶端）= 在 Case 中高表达 / 正相关
- 右侧（底端）= 在 Control 中高表达 / 负相关
### 2. 富集曲线 (Enrichment Plot)
- **曲线形态**：
- 高峰靠左 = 基因集富集于排序列表顶端（Case-associated）
- 高峰靠右 = 富集于底端（Control-associated）
- 平坦 = 无显著富集
- **峰值位置**：
- 峰值在哪个分位数？（ES 最大点）
- 峰值是否陡峭？（富集程度强 vs 弱）
### 3. 核心统计量
- **ES (Enrichment Score)**：
- 标准化 ES (NES) 范围通常在 -3 到 +3
- |NES| > 1 通常被认为有意义（软件默认阈值）
- 但作者使用的实际阈值是什么？
- **p-value / FDR (q-value)**：
- q < 0.05 还是 q < 0.25？（GSEA 默认用较宽松的 0.25）
- 是否经过多重检验校正？
- **Leading Edge**：
- 哪些基因贡献了主要富集信号？
- Leading edge 基因数 / 基因集总基因数 = ?
### 4. 基因位置分布
- **中间条的竖线**：
- 每个竖线代表该基因集中的基因在排序列表中的位置
- 竖线是否集中在左侧/右侧？还是均匀分布？
- **基因集大小**：
- 总基因数是否在合理范围（15-500）？
- 过小（<15）或过大（>500）的基因集结果不可靠
### 5. 热图条带
- **热图含义**：
- 通常表示所有基因的表达谱（红=高表达，蓝=低表达）
- 或表示基因与表型的相关性
- **观察要点**：
- 热图颜色在 Leading Edge 区域是否一致？
- 是否呈现清晰的分层？
## 常见陷阱
| 陷阱 | 识别方法 | 风险 |
|------|---------|------|
| **宽松FDR阈值** | q<0.25 作为显著性 | 大量假阳性通路，需要 q<0.05 |
| **基因集大小不当** | 看基因集总基因数 | 过小缺乏统计力，过大失去特异性 |
| **排序指标选择偏差** | 检查 ranking metric | 不同指标可能产生不同结果 |
| **Permutation次数不足** | nPerm < 1000 | p值不稳定，结果不可重复 |
| **多重数据库扫描** | 同时测试数百个基因集 | 即使 q-value 校正，仍可能过拟合 |
## 关键问题模板
1. "GSEA 使用 q<0.25 作为阈值，如果收紧到 q<0.05，该通路是否仍然显著？"
2. "富集曲线峰值靠左，但 Leading Edge 基因只占基因集的 20%，富集信号是否主要由少数基因驱动？"
3. "排序使用的是 Signal2Noise，如果改用 logFC 或 t-statistic，该通路是否仍然富集？"
4. "该基因集包含 400+ 基因，是否过大导致失去生物学特异性？"
## 一句话总结
> GSEA 图的核心是**"看排序、看曲线、看Leading Edge、防宽松阈值"**——富集曲线的峰值位置和陡峭度比单纯的 p 值更能说明问题。

66
skills/literature-qa/chart-reading/ROC与PR曲线.md
View file

@ -1,66 +0,0 @@
# ROC 与 PR 曲线阅读指南
## 适用场景
- 评估分类/诊断模型的性能
- 比较不同模型/特征的区分能力
- 选择最优分类阈值
---
## 核心阅读维度
### 1. AUC / AUROC
- **数值解读**：
- 0.5 = 随机猜测（对角线）
- 0.7-0.8 = 可接受
- 0.8-0.9 = 优秀
- >0.9 = 杰出（但也可能是过拟合信号）
- **置信区间**：是否报告了95% CI？CI窄 = 估计精确；CI宽 = 样本小或不稳定
- **与基线比较**：是否优于现有方法？差异是否有统计学意义？（DeLong检验）
### 2. PR-AUC（Precision-Recall）
- **什么时候更重要**：当正负样本极度不平衡时（如罕见病诊断），PR曲线比ROC更有信息量
- **基线**：PR曲线的基线 = 正样本比例（如正样本5%，则基线AP=0.05）
- **解读**：AP（Average Precision）> 基线多少？AP高但ROC AUC低 = 模型对正样本识别好，但假阳性多
### 3. 最优截断点
- **Youden指数**：Sensitivity + Specificity - 1 的最大值点
- **临床场景决定**：
- 筛查（如癌症早筛）：优先高Sensitivity（不漏诊），容忍低Specificity
- 确诊（如手术决策）：优先高Specificity（不误诊），容忍低Sensitivity
- **作者的选择**：是否根据临床需求选择了截断点？还是只用默认0.5？
### 4. 曲线形态
- **ROC左上角凸起**：越好（高Sensitivity + 高Specificity同时达到）
- **PR右上角凸起**：越好（高Precision + 高Recall同时达到）
- **交叉曲线**：两条曲线交叉 = 一个模型在某些阈值更好，另一个在其他阈值更好
- **平台期**：曲线在某段平台 = 改变阈值对该区间性能影响小
### 5. 验证策略
- **训练集 vs 测试集**：ROC是否在测试集上报告？（训练集ROC无意义，必定 inflate）
- **交叉验证**：是否用k-fold CV？折数多少？（k=5或10标准）
- **外部验证**：是否在独立数据集上验证？（金标准）
- **时间验证**：如果是时序数据，是否用未来数据验证？
---
## 常见陷阱
| 陷阱 | 说明 | 如何识别 |
|------|------|---------|
| 数据泄露 | 测试集信息用于特征选择/模型调参 | 问：特征选择是否在交叉验证循环内？ |
| 阈值报告偏差 | 只报告最优阈值，忽略实际应用阈值 | 看是否说明了阈值选择依据 |
| 不平衡数据用ROC | 正样本<5%时ROC AUC可能虚高 | 问：是否同时报告了PR曲线？ |
| 过拟合 | 训练集AUC=0.99，测试集AUC=0.75 | 比较训练/测试性能差距 |
| 置信区间缺失 | AUC=0.85但无CI，无法判断可靠性 | 看是否报告95% CI或标准误 |
---
## 批判性提问模板
1. "AUC是在训练集还是独立测试集上计算的？"
2. "如果数据不平衡，是否同时报告了PR-AUC？"
3. "最优截断点的选择依据是什么？是否符合临床场景？"
4. "置信区间宽度如何？样本量是否足够？"
5. "与现有方法比较时，是否用了DeLong检验？"
6. "验证策略是什么？k-fold CV？外部验证？时间验证？"

76
skills/literature-qa/chart-reading/Western Blot条带图.md
View file

@ -1,76 +0,0 @@
# Western Blot 条带图
## 适用场景
Western Blot（免疫印迹）条带的半定量分析，包括磷酸化蛋白检测、总蛋白表达、翻译后修饰（PTM）分析。是生物医学研究中蛋白层面最常用的验证方法。
---
## 核心阅读维度
### 1. 内参（Loading Control）选择与验证
| 内参类型 | 常用蛋白举例 | 适用场景 | 风险 |
| ---------------- | ------------------------- | --------------------------------- | --------------------------------- |
| 管家蛋白 | GAPDH、β-Actin、β-Tubulin | 普通全细胞裂解液 | 可能受实验条件调控，不稳定 |
| 总蛋白染色 | Ponceau S、Coomassie | 磷酸化蛋白等 PTM 研究 | 更可靠但定量精度稍低 |
| 上样量控制 | BCA/Braford 定量后等量上样 | 所有WB | 只能控制总蛋白量，不能控制转膜效率 |
**关键检查点**：
- 管家蛋白是否在所有实验条件下表达稳定？（处理组 vs 对照组）
- 是否验证了内参在线性范围内？（做了稀释曲线）
- 磷酸化蛋白是否用了总蛋白或胞浆/胞核分馏的内参，而非全细胞管家蛋白？
### 2. 条带完整性检查
- **裁剪规范**：同一膜上是否清晰标注了裁剪分界线？（磷酸化条带和总蛋白条带来自同一膜的不同抗体剥离/重孵育是常规做法，但必须标注）
- **非相邻泳道拼接**：同一膜上不相邻泳道被拼接到一起时，是否有明确分界线/空格标注
- **曝光均匀性**：整张膜的背景是否均匀？边缘泳道是否与中间泳道曝光一致？
### 3. 定量归一化方式
```
归一化值 = (目标条带强度 - 背景) / (内参条带强度 - 背景)
```
- **必须确认**：归一化是 Target / Loading Control，还是先归一化到对照组再计算 fold change？
- **内参一致性**：内参条带强度在所有泳道中是否相近（CV<15%）？如果差异过大，内参本身不可靠
### 4. 线性范围与饱和检测
- **饱和信号**：条带纯白（像素值=255）= 饱和，数据不可用
- **线性范围**：信号强度应与上样量成比例；过饱和导致定量偏低
- **检测方法**：是否做了浓度梯度（dilution series）验证线性范围？
- **多张膜比较**：如果目标条带和内参来自不同膜，是否有交叉参照（bridging）？
### 5. 背景扣除与 ROI 设置
- **背景region**：使用膜上无蛋白区域的平均强度，而非纯白背景
- **ROI一致性**：所有条带使用相同大小的矩形/自由形状选区
- **局部背景**：每个条带附近扣除各自的局部背景，而非全膜平均背景
---
## 常见陷阱
| 陷阱 | 说明 | 如何识别 |
| ---------------------- | -------------------------------------------- | -------------------------------------- |
| **内参不稳定** | 管家蛋白在不同处理组间表达差异显著 | 检查内参条带灰度是否在所有泳道中相近 |
| **饱和条带定量** | 曝光过曝导致条带变白，灰度值被截断 | 检查条带是否纯白、是否有光晕 |
| **膜面不均导致假差异** | 转膜时泳道边缘效应造成中间vs边缘信号差异 | 检查同一膜不同区域的信号是否一致 |
| **条带裁剪误导** | 同一膜不同区域拼接到一起，假装是不同条件 | 寻找膜上泳道间距/背景的不自然断裂 |
| **过曝掩盖阴性** | 某处理组信号强到过曝，无法与真正阴性区分 | 检查所有条带是否都在线性范围内 |
| **多重比较未校正** | 3个以上处理组的WB，用独立t检验而不用ANOVA | 检查统计方法部分 |
---
## 关键问题模板
1. "内参（管家蛋白）的表达是否真的稳定？有没有独立验证其在实验条件下的稳定性？"
2. "所有条带是否都在相机/底物的线性动态范围内？有没有饱和条带被纳入定量？"
3. "归一化方法是 Target/内参 还是其他？不同膜之间如何校正？"
4. "条带是否来自同一张膜的同一次转印？是否有拼接？是否有非相邻泳道的裁剪？"
## 一句话总结
> WB 条带的核心是**"查内参、防饱和、验线性、看裁剪"**——条带灰度只是数字，背后的内参稳定性、线性范围和膜面均匀性才是定量可信度的根基。

69
skills/literature-qa/chart-reading/免疫荧光定量图.md
View file

@ -1,69 +0,0 @@
# 免疫荧光定量图
## 适用场景
免疫荧光（IF）、共聚焦显微镜、定量荧光显微图像分析。常见于蛋白定位、共定位分析、细胞计数、荧光强度定量。是细胞生物学和分子病理学的核心可视化手段。
---
## 核心阅读维度
### 1. 共定位系数（Colocalization Coefficients）
| 系数名称 | 公式/含义 | 取值范围 | 适用场景 |
| ------------------------- | ------------------------------------------ | -------- | ------------------------------------- |
| **Pearson 相关系数 (rP)** | 协方差标准化，衡量线性相关 | -1 到 +1 | 两通道信号密度相近时最可靠 |
| **Manders M1 / M2** | 通道1/通道2 中共定位像素占总像素的比例 | 0 到 1 | 两通道信号强度差异大时使用 |
| **Manders Overlap (R)** | 实际重叠与最大可能重叠之比 | 0 到 1 | 通用共定位指标 |
| **Li's ICQ** | 基于像素强度相关性的离散度量化 | -0.5 到 +0.5 | 介于 Pearson 和 Manders 之间 |
**关键解释**：
- M1 = 通道1 中与通道2 共定位的信号 / 通道1 总信号
- M2 = 通道2 中与通道1 共定位的信号 / 通道2 总信号
- M1 ≠ M2 时，说明两蛋白的表达量不同但空间重叠
### 2. 图像采集质量控制
- **Sequential scanning**：双通道或多通道必须用顺序扫描（而非同时激发），以消除串扰（cross-talk）
- **光路校准**：两种荧光通道的发射光谱是否有重叠？是否有 spectral bleed-through？
- **ROI 选择**：使用 Lasso 工具选择包含荧光信号的区域，排除无荧光背景
- **阈值设定**：是否使用了自动或手动的强度阈值排除背景噪声？
### 3. 荧光强度定量
- **平均荧光强度**（Mean Intensity）：总荧光强度 / 细胞数或面积
- **阳性率**（% Positive）：荧光强度超过阈值的细胞占总细胞数的比例
- **比值法**：如 p-FOXO3a / Total FOXO3a，需要双通道染色
- **细胞计数**：DAPI 计数总细胞，特定标记阳性细胞 = 阳性率
### 4. 伪彩色与展示规范
- 伪彩色（Fire、LUT）是否正确标注了颜色条？
- 不同通道的对比度/亮度调整是否分别进行？（不能对单通道单独调亮）
- 图像是否经过去噪、反卷积等处理？处理参数是否报告？
---
## 常见陷阱
| 陷阱 | 说明 | 如何识别 |
| -------------------- | ---------------------------------------------- | ---------------------------------- |
| **串扰未消除** | 两通道同时激发导致光谱重叠，虚假共定位 | 检查是否 sequential scan |
| **阈值主观设定** | 不同图像用不同阈值，导致假阳性/阴性 | 阈值是否在所有图像中一致？是否有自动算法？ |
| **内参不稳定** | 用 GAPDH 或 Actin 做荧光定量内参 | 荧光定量通常不用内参，应报告总蛋白或细胞数 |
| **ROI 选区偏倚** | 只选荧光强的区域，排除弱信号 | 检查是否全视野分析还是选择性分析 |
| **过度处理图像** | 去噪/反卷积过度导致信号失真 | 要求原始未处理图像（raw data） |
| **噪声被当信号** | 弱阳性但未设阈值，背景噪声被计入荧光强度 | 检查信噪比和阈值设定 |
---
## 关键问题模板
1. "共定位分析用的是 Pearson 相关系数还是 Manders 系数？两个系数的物理含义分别是什么？"
2. "图像采集是否用了 sequential scanning 以消除通道间串扰？"
3. "荧光强度定量是用了哪种指标（平均强度、峰值强度、阳性率）？如何排除背景噪声？"
4. "是否有光谱重叠（bleed-through）问题导致假性共定位？是否做了单通道对照确认？"
## 一句话总结
> 免疫荧光的核心是**"溯光源、看共定位、防串扰、查阈值"**——荧光图像的美观不等于定量可靠，串扰和阈值是最容易被忽视的两大杀手。

84
skills/literature-qa/chart-reading/折线图与时间序列.md
View file

@ -1,84 +0,0 @@
# 折线图与时间序列
## 适用场景
展示随时间变化的连续数据，如药物释放曲线、浓度-时间曲线、动力学监测、累积响应。常见于药物递送、组织工程、药代动力学实验。
---
## 核心阅读维度
### 1. 释放模型识别
| 模型 | 方程 | 特征 | 适用场景 |
| ------------ | --------------------------------------- | --------------------------------- | ------------------------------- |
| 零级（Zero-order） | Qt = Q0 + K0t | 直线；释放速率与浓度无关 | 渗透泵、控释制剂 |
| 一级（First-order） | Ln(Q0 - Qt) = LnQ0 - K1t | 指数衰减；速率与剩余量成正比 | 水溶性药物从多孔基质 |
| Higuchi | Qt = KH × t^0.5 | 平方根时间关系；扩散控制 | 从矩阵扩散的药物 |
| Korsmeyer-Peppas | Mt/M∞ = K × t^n | 幂律模型；n 决定释放机制 | 聚合物水凝胶、纤维、薄膜 |
| Weibull | Mt/M∞ = 1 - exp[-(t-Ti)/λ]^m | S 型曲线；Ti=延迟时间，λ=尺度参数 | 复杂释放机制 |
### 2. Korsmeyer-Peppas 释放指数 n 的解释（圆柱形体系）
| n 值 | 释放机制 |
| ----------------- | ------------------------------- |
| n < 0.45 | Fick 扩散（纯扩散） |
| 0.45 < n < 0.89 | 异常传输（扩散+溶胀协同） |
| n = 0.45 | 菲克扩散（Case I） |
| 0.45 < n < 0.89 | 非菲克扩散（异常传输） |
| n > 0.89 | Case-II 传输（溶胀控制） |
> 注意：上述 n 值仅对圆柱形几何（如片剂、纤维）有效。不同几何形状的临界值不同。
### 3. 突释效应（Burst Release）
- **定义**：初始阶段药物快速释放，通常在 t=0 附近出现
- **评估**：突释比例 = (M1 / M∞) × 100%，其中 M1 是第一个时间点的释放量
- **问题**：突释过大（>30%）可能导致初期血药浓度过高，或导致药物浪费
- **追问**：是否有突释？突释比例是多少？作者是否解释原因（表面药物、孔道效应）？
### 4. 平台期与平衡
- **平台期识别**：曲线趋于平坦时，释放达到平衡或耗竭
- **关键问题**：
- 平台期的释放百分比是多少？（60%？80%？）
- 是否达到 100%？（未达到 = 残留药物可能被困在基质中）
- 平台期持续多久？（长期缓释 vs 短效）
### 5. 模型拟合质量
- **R² 拟合优度**：高 R²（>0.95）不代表模型正确，只能说明拟合紧密
- **AIC/BIC 模型比较**：不同模型比较时用 AIC 或 BIC，不只用 R²
- **残差分析**：残差是否随机分布？（系统性残差 = 模型错误）
- **外推风险**：不要用模型外推至实验未覆盖的时间范围
### 6. 数据呈现完整性
- **原始数据点**：是否每个时间点都标注了独立样本（n=?）？
- **误差棒类型**：SD（离散度）vs SEM（均值精度）vs CI
- **时间点密度**：初期时间点是否足够密集？（突释阶段通常需要更密集的采样）
---
## 常见陷阱
| 陷阱 | 说明 | 如何识别 |
| ------------------ | ------------------------------------------ | ---------------------------------- |
| **模型选择偏倚** | 用 R²最高的模型，但该模型物理意义不符 | 检查作者是否报告了多个模型及 AIC/BIC |
| **突释未量化** | 忽略初始快速释放阶段，只报告稳态释放 | 看 t=0 或第一个时间点的释放比例 |
| **假零级** | 曲线看似直线但实际是一级+扩散的叠加 | 检查不同浓度起始点的释放曲线是否平行 |
| **时间范围不充分** | 采样时间不足以判断是否达到平台期 | 观察曲线末端是否明显趋于平坦 |
| **误差棒类型混淆** | SEM 被标注为 SD，制造"精确"假象 | 方法或图注中是否注明误差棒类型 |
---
## 关键问题模板
1. "释放曲线符合哪种模型？n（Korsmeyer-Peppas 指数）或 K（ Higuchi 常数）的物理意义是什么？"
2. "是否存在突释效应？突释比例是多少？是否会影响临床疗效或安全性？"
3. "释放是否达到平台期？残余药物比例是多少？这对体内药效持续时间有什么暗示？"
4. "模型拟合的 R² 是否只是表面好看——残差是否有系统性偏差？换用其他模型是否更合理？"
## 一句话总结
> 折线图的核心是**"辨模型、看突释、查平台、验残差"**——药物释放不是看曲线"漂亮"，而是看机制是否自洽、平台是否有意义。

87
skills/literature-qa/chart-reading/散点图与气泡图.md
View file

@ -1,87 +0,0 @@
# 散点图与气泡图
## 适用场景
展示两个连续变量之间的关系，或增加第三个维度（气泡大小）展示多变量关联。常见于相关性分析、聚类结果可视化、剂量-反应关系。
## 读图维度
### 1. 坐标轴与变量定义
- **X/Y轴分别代表什么变量？**
- 是否为连续变量？单位是什么？
- 是否存在对数转换（如 log10、log2）？
- 轴范围是否被截断（truncated axis）？
- **变量关系类型**：
- 自变量→因变量（实验设计）
- 双向关联（观察性研究）
- 时间序列（X轴为时间）
### 2. 数据点分布特征
- **整体趋势**：
- 线性 / 非线性 / 无明显趋势
- 正相关 / 负相关 / U型 / 倒U型
- **离散程度**：
- 点的密集区域在哪里？
- 是否存在明显分层（如病例 vs 对照）？
- **异常值**：
- 远离主群体的点是否被标注？
- 异常值是真实数据还是测量误差？
### 3. 分组与着色
- **颜色/形状编码**：
- 不同颜色代表什么分组？（疾病亚型、处理组、时间窗）
- 是否使用渐变色表示连续变量？
- **分组间差异**：
- 各组是否呈现不同的分布模式？
- 是否存在组间重叠？
### 4. 气泡图专属维度
- **气泡大小代表什么？**
- 样本量？统计显著性？效应量？
- 大小比例是否线性？
- **三维信息整合**：
- X/Y/Size 三个维度是否讲述一致的故事？
- 是否存在大样本量但效应小的" dominant "气泡？
### 5. 辅助元素
- **回归线/趋势线**：
- 是否添加了拟合线？什么模型？（线性、LOESS、多项式）
- 置信区间（阴影区域）是否显示？
- **参考线**：
- 是否有阈值线（如 cutoff、基线）？
- 象限划分线（如 mean±SD）？
### 6. 统计标注
- **相关系数**：
- Pearson r / Spearman ρ 值是多少？
- p-value 或 q-value 是否标注？
- **样本量**：
- n = ? 是否每组的 n 都足够？
## 常见陷阱
| 陷阱 | 识别方法 | 风险 |
|------|---------|------|
| **过度绘制** (Overplotting) | 点过多重叠成"实心团" | 掩盖真实分布，看不出密度差异 |
| **假相关** | X和Y实际受第三方变量Z驱动 | 将伴随关系误读为因果关系 |
| **轴截断误导** | Y轴不从0开始 | 放大微弱差异，制造虚假趋势 |
| **气泡大小误导** | 面积 vs 半径编码混淆 | 读者对大小的感知被扭曲 |
| **选择性标注** | 只标注"有趣"的点 | 确认偏误，忽略不支持假设的数据 |
| **伪Replication** | 一个患者多个时间点作为独立点 | 违反独立性假设，虚增样本量 |
## 关键问题模板
1. "散点图显示 X 和 Y 的相关系数为 r=0.XX，但散点分布呈漏斗形/曲线形，线性 Pearson 相关是否合适？"
2. "图中标注的离群点是否被作者排除？排除标准是什么？是否影响结论？"
3. "气泡大小代表样本量，最大的气泡是否主导了视觉印象，而小样本研究的结果可能更不稳定？"
4. "如果按第三个变量分层（如性别、年龄组），相关性是否仍然成立？"
## 一句话总结
> 散点图的核心是**"看趋势、看离散、看分组、防过绘"**——确认变量关系形态，警惕视觉假象和伪相关。

81
skills/literature-qa/chart-reading/显微照片与SEM图.md
View file

@ -1,81 +0,0 @@
# SEM / TEM 图像
## 适用场景
扫描电子显微镜（SEM）和透射电子显微镜（TEM）获取的材料形貌、纳米结构、孔径分布、纤维形态等图像。常见于生物材料、组织工程支架、纳米药物递送、植入物表面改性研究。
---
## 核心阅读维度
### 1. 标尺（Scale Bar）与放大倍数
- **标尺必须存在**：所有publication-quality的显微图像必须包含标尺
- **标尺长度选择**：标尺长度应约为图像宽度的 5-10%，过小难以辨认，过大遮挡视野
- **放大倍数标注**：通常以 "scale bar = X μm" 或 "mag = 50,000×" 形式标注
- **实际尺寸计算**：用标尺测量而非依赖仪器显示的放大倍数（仪器显示的放大倍数可能有5-10%误差）
**SEM 放大倍数误差**：SEM 放大倍数通常有 5-10% 的系统误差，ISO 16700 标准规定了校准方法
**TEM 放大倍数误差**：TEM 放大倍数误差可达 5-10%，需用衍射光栅或晶格标准品校准
### 2. 代表性图像原则
- **多视野原则**：是否展示了同一样本的多个视野（至少 3 个）？
- **统计报告**：图像数量 n=？（如 "n=5 independent images"）
- **正负对照**：是否有代表性图像和阴性/异常图像的并列展示？
### 3. 图像处理与增强
| 处理类型 | 可接受场景 | 不可接受场景 |
| ------------------- | ----------------------------------- | ----------------------------------- |
| 亮度/对比度调整 | 全图统一调整 | 只调整局部区域 |
| 伪彩色 | 假色SEM（用于高亮特定结构） | 掩盖真实对比度差异 |
| 图像拼接 | 明确标注拼接线 | 隐藏拼接痕迹 |
| 锐化/降噪 | 降噪不损失真实结构细节 | 锐化过度产生人工边缘 |
### 4. SEM 特有检查项
- **荷电效应（Charging）**：图像中白色条纹/区域 = 荷电，信号失真
- **焦深（DOF）**：高倍SEM焦深浅，图像是否清晰取决于是否在焦平面
- **倾斜角度**：如果样本经过倾斜处理，实际形貌可能被扭曲
- **加速电压**：5-20 kV 影响穿透深度和信号类型（SE vs BSE）
### 5. TEM 特有检查项
- **电子衍射标定**：晶格条纹是否与标准数据库匹配？
- **样品厚度**：过厚样品导致对比度下降、晶格模糊
- **辐照损伤**：生物样品在高电子剂量下可能受损（尤其 cryo-TEM）
- **光阑选择**：明场 vs 暗场，是否正确使用
### 6. 定量分析规范
- **测量工具**：ImageJ / Fiji 是标准工具，必须报告软件版本
- **样本量**：至少测量 200 个颗粒/结构（ISO 13322-1:2004）
- **统计报告**：报告均值 ± SD / 中位数（IQR），并说明测量的结构数量 n
- **校准验证**：测量前是否用标准品（如 NIST SRM 8820）对仪器进行了校准验证
---
## 常见陷阱
| 陷阱 | 说明 | 如何识别 |
| ------------------ | ------------------------------------------ | ---------------------------------- |
| **标尺不准确** | 仪器显示放大倍数与实际不符 | 用标尺实际测量并与标注尺寸对比 |
| **单视野代表全貌** | 只展示一个最"好看"的图像 | 是否有 n≥3 的多视野重复 |
| **荷电当成结构** | 白色条纹区域是荷电假象，不是真实样品结构 | 检查图像背景是否均匀 |
| **图像过度处理** | 对比度/锐化过度，引入人工结构 | 要求原始未处理图像（TIFF） |
| **TEM 样品过厚** | 过厚样品导致晶格模糊、对比度差 | 图像整体发暗、晶格条纹不清晰 |
| **尺寸测量不报告n**| 只说"粒径约 50nm"但不报告测量了多少颗粒 | 方法中是否说明了统计的 n |
---
## 关键问题模板
1. "标尺的实际长度是多少？是否与标注一致？仪器校准是否使用了 NIST 可追溯标准（如 SRM 8820）？"
2. "每张图像来自几个独立视野（n=？）？是否有多个样本/制备条件的重复？"
3. "图像是否经过处理（如对比度调整、伪彩色）？处理是否全图统一，还是只处理了局部？"
4. "SEM 图像中是否存在荷电效应（白色条纹/区域）？TEM 图像中样品厚度是否足以获得清晰晶格？"
## 一句话总结
> 显微图像的核心是**"验标尺、查多野、审处理、核校准"**——漂亮的图像不等于可靠的数据，标尺准确性、样本代表性和仪器校准是三个生命线。

81
skills/literature-qa/chart-reading/条形图与误差棒.md
View file

@ -1,81 +0,0 @@
# 条形图与误差棒
## 适用场景
比较不同组别在某个指标上的均值/频数差异，带误差棒表示不确定性。常见于组间比较、时间趋势、分类变量分布。
## 读图维度
### 1. 条形含义与基准
- **条形高度代表什么？**
- 均值？中位数？频数？百分比？
- 如果是均值，原始数据分布是否对称？
- **Y轴起点**：
- 是否从0开始？（条形图必须从0开始！）
- 如果截断，差异被放大了多少倍？
### 2. 误差棒解读
- **误差棒类型**：
- **SD**（标准差）：数据离散程度
- **SEM**（标准误）：均值估计精度 = SD/√n
- **95% CI**（置信区间）：统计推断范围
- **IQR**（四分位距）：非参数离散度
- **误差棒重叠 ≠ 无显著差异**
- SEM 重叠不代表 p > 0.05
- 必须看正式的统计检验结果
- **误差棒长度暗示样本量**
- 相同 SD 下，n 越大 SEM 越小
- 极小的误差棒可能暗示 n 很大或 SD 被低估
### 3. 分组结构
- **X轴分组逻辑**：
- 单因素分组？双因素交叉？
- 组间是否存在自然顺序（如时间、剂量）？
- **对照组设置**：
- 是否有合适的对照/基线？
- 对照组是否为"健康人"还是"安慰剂"？
### 4. 统计显著性标注
- **星号/字母系统**：
- * p<0.05, ** p<0.01, *** p<0.001
- 不同字母代表组间差异显著（如 a vs b）
- **多重比较校正**：
- 是否进行了 Bonferroni / FDR 校正？
- 未校正的多重 t 检验 inflate Type I error
### 5. 条形图变体识别
- **堆叠条形图 (Stacked)**：
- 各部分之和是否有意义（如 100%）？
- 比较不同组的同一子类别是否困难？
- **分组条形图 (Grouped)**：
- 每组内各条的顺序是否一致？
- 视觉负担是否过大（>5组×5条件）？
- **水平条形图**：
- 标签过长时的解决方案
- 阅读方向改变不影响解读逻辑
## 常见陷阱
| 陷阱 | 识别方法 | 风险 |
|------|---------|------|
| **Y轴不从0开始** | 检查Y轴最小值 | 微小差异被放大数倍，误导读者 |
| **SEM冒充SD** | 看误差棒图例标注 | SEM 总是更小，制造"精确"假象 |
| **双向条形图误导** | 正负方向同时延伸 | 读者对绝对值的比较被干扰 |
| **3D条形图** | 立体效果 | 深度扭曲高度感知，毫无意义 |
| **未校正的多重比较** | 大量星号但没有校正说明 | 假阳性率飙升 |
## 关键问题模板
1. "误差棒标注为 mean±SEM，但样本量 n=5，用 SEM 是否故意缩小误差视觉效果？"
2. "条形图显示 A 组比 B 组高 30%，但 Y 轴从 50 开始而非 0，实际差异是否被夸大？"
3. "进行了 10 组两两比较，但 p 值未校正，标注的显著性是否可信？"
4. "堆叠条形图中，上层类别的变化是否被下层基线变化所掩盖？"
## 一句话总结
> 条形图的核心是**"看基准、看误差、看校正、防截断"**——误差棒类型决定解读方式，Y轴起点决定差异真实度。

88
skills/literature-qa/chart-reading/桑基图与弦图.md
View file

@ -1,88 +0,0 @@
# 桑基图与弦图
## 适用场景
**桑基图 (Sankey Diagram)**：展示流量/数量的流向和分配，常见于患者诊疗路径、多组学数据整合、能量/物质流动、临床试验病例流转。
**弦图 (Chord Diagram)**：展示双向关系或配对关联的密度，常见于细胞互作、基因共表达模块间的共享基因、不同亚群间的迁移/转换关系。
## 读图维度
### 桑基图
#### 1. 节点与层级
- **节点代表什么？**
- 分类状态（如疾病分期、治疗阶段、分子亚型）
- 时间节点（如基线→3月→6月→12月）
- 数据类型（如基因组→转录组→蛋白组）
- **层级逻辑**：
- 从左到右是否有自然的时序或因果顺序？
- 是否可以逆流？（如治疗后复发回到前期状态）
#### 2. 流量与宽度
- **线条宽度**：
- 与流量/数量成正比
- 视觉上线条宽度是否可准确比较？
- **流量守恒**：
- 进入节点的总流量是否等于流出总流量？
- 如有损失（如失访、死亡），是否标注了"流失"路径？
#### 3. 路径追踪
- **主要路径**：
- 最粗的线代表什么主流向？
- 是否存在多条并行的重要路径？
- **罕见路径**：
- 极细的线条是否代表真实的小比例事件？
- 还是被视觉压缩到几乎看不见？
### 弦图
#### 1. 环形节点
- **圆周上的节点**：
- 代表什么实体？（细胞类型、基因模块、样本组）
- 节点弧长是否代表大小？（如细胞数量、模块基因数）
- **颜色编码**：
- 节点颜色是否代表分组/类别？
- 弦的颜色是源节点色、目标节点色、还是混合色？
#### 2. 弦的解读
- **弦的粗细**：
- 代表两节点间关系强度（如配体-受体对数、共享基因数）
- 弦越粗 = 相互作用越强
- **弦的方向**：
- 是否有方向性？（如从细胞A到细胞B的分泌关系）
- 还是纯无向关联？
#### 3. 矩阵关系
- **邻接矩阵 vs 弦图**：
- 弦图是邻接矩阵的可视化
- 如果弦图过于复杂，看原始矩阵是否更清晰？
- **自环 (Self-loop)**：
- 节点连接到自身的弦代表什么？（自分泌、模块内调控）
## 常见陷阱
| 陷阱 | 识别方法 | 风险 |
|------|---------|------|
| **桑基图层级过多** | >4 层 | 线条交叉严重，无法追踪路径 |
| **弦图节点过多** | >20 个节点 | 视觉混乱，弦完全重叠 |
| **桑基流量未标注比例** | 只有绝对数 | 无法判断占比，需要同时看百分比 |
| **弦图过度解读方向** | 无方向数据强行加箭头 | 误导为因果关系 |
| **桑基隐藏关键流失** | 未显示失访/死亡分支 | 幸存者偏误，夸大疗效 |
## 关键问题模板
1. "桑基图显示从诊断到治疗有 30% 的病例"流失"，这些病例的临床特征是否与继续治疗的病例不同？是否存在选择偏倚？"
2. "弦图显示细胞类型 A 和 B 之间有大量互作，但这是基于单一数据集的预测，是否有独立的细胞实验验证？"
3. "桑基图的最粗路径是否代表了作者希望强调的"理想路径"，而较细的路径实际上也很重要但被视觉弱化了？"
4. "弦图中模块 1 和模块 2 的共享基因有 50 个，但两个模块各自的基因数分别是 200 和 300，Jaccard 重叠度其实只有 10%，弦的粗细是否放大了关联感？"
## 一句话总结
> 桑基图的核心是**"追路径、看守恒、防流失"**，弦图的核心是**"看强度、防混乱、验证方向性"**——流量可视化的真实度取决于未显示部分的透明度。

81
skills/literature-qa/chart-reading/森林图与Meta分析.md
View file

@ -1,81 +0,0 @@
# 森林图与 Meta 分析
## 适用场景
展示多个独立研究（或亚组分析）的效应量估计及其置信区间，底部汇总合并效应量。是 Meta 分析的标准可视化，也用于亚组分析、敏感性分析、多变量回归结果展示。
## 读图维度
### 1. 研究/亚组排列
- **左侧列标签**：
- 每个方块代表什么？（单个研究、亚组、或总体合并）
- 研究排列顺序：按发表时间？按效应量大小？按权重？
- **研究特征**：
- 每个研究的样本量（n）？
- 研究设计类型（RCT vs 观察性）？
- 随访时间、干预剂量等关键特征？
### 2. 效应量与置信区间
- **效应量指标**：
- HR（风险比）、OR（比值比）、RR（相对风险）、MD（均值差）、SMD（标准化均值差）
- 效应量 = 1（或 0）线代表什么？（无效应线）
- **置信区间 (CI)**：
- 95% CI 是否跨越无效线？→ 该研究/亚组不显著
- CI 宽度反映精度：宽 = 样本小/异质性大；窄 = 样本大/精度高
- **菱形（汇总估计）**：
- 中心点 = 合并效应量
- 宽度 = 95% CI
- 菱形是否跨越无效线？→ 总体是否显著
### 3. 权重分配
- **方块大小**：
- 通常与权重（Weight %）成正比
- 大样本研究 = 大方块 = 对合并结果影响大
- **权重合理性**：
- 固定效应模型 vs 随机效应模型权重不同
- 是否有个别研究权重过高（>50%）？
### 4. 异质性评估
- **I² 统计量**：
- 0-25%：低异质性；25-50%：中等；50-75%：高；>75%：很高
- I² 高 → 研究间差异大，合并需谨慎
- **Q 检验 (Cochran's Q)**：
- p < 0.05 表示存在显著异质性
- **Tau²**：
- 随机效应模型中的异质性方差
- **异质性可视化**：
- CI 是否广泛重叠？（重叠多 = 异质性低）
- 是否存在方向相反的研究？
### 5. 发表偏倚线索
- **图形不对称性**：
- 小样本阴性结果是否缺失？
- 大样本研究是否聚集在真实效应附近？
- **Egger 检验 / 漏斗图**：
- 森林图本身不能检测发表偏倚，需配合漏斗图
## 常见陷阱
| 陷阱 | 识别方法 | 风险 |
|------|---------|------|
| **忽略异质性** | I² > 50% 仍做合并 | 合并结果无意义，亚组差异被掩盖 |
| **固定效应误用** | 高异质性用固定效应 | 低估标准误，假阳性 |
| **亚组分析过多** | 大量亚组，每组仅2-3个研究 | 假阳性，交互作用虚假 |
| **生态学谬误** | 用研究层面特征解释个体层面 | 因果推断层次混乱 |
| **合并不可比研究** | 不同设计、不同人群、不同干预 | Garbage in, garbage out |
## 关键问题模板
1. "森林图显示 I² = 78%，作者仍报告合并 HR=0.85 (95%CI 0.75-0.96)，高异质性下这个合并值是否还有临床意义？"
2. "最大权重的研究贡献了 60% 的权重，如果排除该研究，合并结果是否逆转？"
3. "亚组分析显示男性获益 (HR 0.7) 而女性不获益 (HR 1.0)，交互检验 p=0.03 还是 p=0.2？差异是否真实？"
4. "所有小样本研究的 CI 都跨 1，只有最大样本的研究显示显著，是否存在小样本偏倚或发表偏倚？"
## 一句话总结
> 森林图的核心是**"看方块、看CI、看异质、看权重"**——单个研究的精确度和总体异质性比合并点估计更重要。

62
skills/literature-qa/chart-reading/火山图与曼哈顿图.md
View file

@ -1,62 +0,0 @@
# 火山图与曼哈顿图阅读指南
## 适用场景
- 展示大规模差异分析结果（如RNA-seq、GWAS、蛋白质组学）
- 同时展示统计显著性和效应量
- 识别top hits（关键基因/SNP/蛋白质）
---
## 核心阅读维度
### 1. 阈值线
- **显著性阈值**：通常是水平线（如 p=0.05, p=0.01 或 FDR q=0.05）
- 注意：如果用了-log10(p)，阈值线是水平的；如果用原始p值，是垂直的
- **多重检验校正**：如果是组学数据（测了上万个基因），必须用FDR（Benjamini-Hochberg）或Bonferroni校正，不能用raw p-value
- **效应量阈值**：通常是垂直线（如 |log2FC| > 1 或 > 0.5）
- 小效应量（|log2FC| < 0.5）即使统计显著，生物学意义可能有限
### 2. 象限分布
- **左上/右上象限**：高显著性 + 大效应量 = 最有生物学意义的hits
- **中间区域**：不显著或效应量小 = 可忽略
- **对称性**：上调和下调的数量是否对称？不对称可能提示技术偏倚（如文库制备偏差）
### 3. Top Hits
- **标注的基因/位点**：作者特别标注的点是否有生物学合理性？
- **已知标记**：是否与先验知识一致？（如已知癌症基因在肿瘤vs正常中差异表达）
- **新颖性**：新发现的hits是否有功能注释支持？
### 4. 整体模式
- **漏斗形/三角形**：理想情况，大效应量对应高显著性
- **离散分布**：无明确模式 = 可能缺乏系统性差异
- **批次效应信号**：如果看到按批次聚类的显著点（如所有batch1样本的某基因都高表达）= 技术artifact
### 5. 曼哈顿图特有（GWAS）
- **基因组位置**：x轴是染色体位置，y轴是-log10(p)
- **峰（Peak）**：连续多个显著SNP = 关联区域（LD block）
- **基因注释**：峰附近是否有已知基因？功能是什么？
- **Bonferroni阈值**：通常为 5×10^-8（全基因组显著性）
- ** suggestive 阈值**：通常为 1×10^-5（提示性关联，需验证）
---
## 常见陷阱
| 陷阱 | 说明 | 如何识别 |
|------|------|---------|
| 未校正p值 | 用raw p-value而非FDR，假阳性率高 | 看方法部分：是否提到FDR/BH校正？ |
| 效应量过小 | |log2FC|<0.2却标注为"显著差异" | 看垂直阈值线位置 |
| 批次效应 | 技术批次驱动差异而非生物学 | 看是否有按批次聚类的显著点 |
| 样本量不足 | 小样本导致效应量估计不稳定 | 看误差线（如果有）或 replicate 数量 |
| 选择性标注 | 只标注支持结论的点，忽略矛盾点 | 看是否标注了所有已知关键基因？ |
---
## 批判性提问模板
1. "多重检验校正方法是什么？如果是组学数据，是否用了FDR？"
2. "效应量阈值是多少？|log2FC|>1还是>0.5？生物学意义如何？"
3. "显著性阈值是raw p-value还是校正后的q-value？"
4. "Top hits是否有先验知识支持？新发现的hits是否有功能注释？"
5. "上调和下调基因数量是否对称？如果不对称，原因是什么？"
6. "如果是曼哈顿图，峰宽是多少？是否跨越多个基因？"

65
skills/literature-qa/chart-reading/热图与聚类图.md
View file

@ -1,65 +0,0 @@
# 热图与聚类图阅读指南
## 适用场景
- 展示矩阵数据（基因表达、蛋白质丰度、相关性等）
- 识别样本或特征的相似性模式
- 展示通路/基因集的活性
---
## 核心阅读维度
### 1. 聚类结构（如果存在）
- **行/列聚类**：样本或基因是否形成明显分组？
- **聚类算法**：通常用层次聚类（hierarchical），距离度量（Euclidean/Pearson/correlation）和链接方法（complete/average/Ward）会影响结果
- **稳定性**：如果改变距离度量，聚类模式是否仍然稳定？（不稳定的聚类不可靠）
### 2. 颜色与标准化
- **颜色梯度**：
- 红-蓝：通常表示上调-下调（表达量）
- 黄-黑-蓝：通常表示激活-中性-抑制（通路活性）
- **必须确认**：caption是否明确说明颜色含义？
- **标准化方法**：
- **Z-score**：(x - mean) / SD，突出相对变化，适合跨样本比较
- **Log转换**：用于偏态分布（如RNA-seq count数据）
- **Percentile**：将数据映射到0-100%，丢失绝对量信息
- **Min-Max**：映射到[0,1]，对异常值敏感
- **关键问题**：标准化方法是否适合数据类型？（如RNA-seq应该用log2 TPM/FPKM，而不是原始count）
### 3. 注释条（Annotation Bars）
- **顶部/侧边色条**：是否标注了临床特征（如亚型、分期、治疗响应）？
- **一致性**：热图聚类模式与注释特征是否一致？（如：热图分3组，注释条也正好分3组 = 好）
- **遗漏信息**：是否有重要协变量未标注？（如批次效应、性别、年龄）
### 4. 关键区域
- **高亮块**：作者是否在文中特别指出了某些区域？
- **边界清晰度**：分组之间的边界是清晰还是模糊？（模糊 = 亚型定义不稳健）
- **一致性**：同一组内的样本是否表现一致？（组内方差大 = 亚型异质性高）
### 5. 行列选择
- **样本选择**：是否排除了某些样本？原因是什么？（如QC失败）
- **特征选择**：
- 是全部基因还是筛选后的子集？
- 筛选标准是什么？（方差top N？差异表达？已知标记？）
- **风险**：先筛选再聚类会造成"循环论证"（看起来有结构，其实是因为你选了有结构的基因）
---
## 常见陷阱
| 陷阱 | 说明 | 如何识别 |
|------|------|---------|
| 循环论证 | 用差异基因做聚类，然后说"我们发现两个亚型" | 看方法部分：聚类用的基因是否预先筛选过？ |
| 批次效应伪装 | 聚类按批次而非生物学分组 | 问：如果有批次注释条，是否与聚类一致？ |
| 颜色误导 | 非对称颜色映射或断裂色阶 | 看color bar是否连续、是否以0为中心 |
| 过度解读 | 把噪声当成模式 | 问：如果随机打乱数据，聚类是否还明显？ |
---
## 批判性提问模板
1. "聚类用的基因是如何筛选的？是否预先基于差异表达筛选？"
2. "颜色标准化方法是什么？Z-score、log、还是percentile？"
3. "如果有批次效应，热图是否能区分批次和真实生物学差异？"
4. "聚类结果的稳定性如何？换用不同距离度量或聚类算法，模式是否一致？"
5. "作者声称的亚型数量（如k=3）是否有统计支持？（如gap statistic, silhouette score）"

75
skills/literature-qa/chart-reading/生存曲线.md
View file

@ -1,75 +0,0 @@
# 生存曲线阅读指南
## 适用场景
- 时间-事件数据（time-to-event）
- 比较不同组别的生存/复发/进展时间
- 评估预后因素的独立效应
---
## 核心阅读维度
### 1. 曲线形态
- **中位生存时间（MST）**：曲线下降到50%时对应的时间。
- 如果曲线始终>50% = 中位未达到，应报告"中位生存期未达到"
- 注意：MST是样本统计量，不是个体预测
- **早期/晚期分离**：
- 早期分离（曲线在前6个月就分开）= 治疗/因素有快速效应
- 晚期分离 = 效应随时间累积
- 始终不分离 = 组间无差异
- **平台期**：曲线在某段时间水平 = 事件风险暂时消失（如治愈）
### 2. 删失数据（Censoring）
- **删失标记**：曲线上通常有小竖线表示删失
- **删失比例**：如果>50%样本删失，估计不可靠（随访时间太短或失访太多）
- **信息删失 vs 随机删失**：
- 信息删失（因副作用退出）= 偏差风险
- 随机删失 = 可接受
- ** competing risks **：如果有竞争风险（如癌症死亡 vs 其他原因死亡），标准Kaplan-Meier会高估累积发生率
### 3. 统计显著性
- **Log-rank检验**：比较两条/多条曲线的整体差异。
- p<0.05 = 组间生存分布有差异
- 注意：log-rank检验对晚期差异敏感，对早期差异不敏感
- **Hazard Ratio（HR）**：
- HR>1 = 暴露组风险高（如死亡更快）
- HR<1 = 暴露组风险低（如死亡更慢）
- HR=1 = 无差异
- **必须看95% CI**：如果CI包含1，即使HR≠1也不显著
- **Breslow检验 / Tarone-Ware**：如果对早期差异更感兴趣，log-rank可能不够敏感
### 4. 样本量与统计效力
- **每组事件数（number of events）**：
- 总事件数 < 10×变量数 = Cox回归过拟合风险
- 例如：10个协变量，需要至少100个事件
- **最小随访时间**：是否足够长？（如5年生存率，但中位随访仅2年 = 不可信）
### 5. Cox回归假设
- **比例风险假设（PH assumption）**：HR在不同时间点是否恒定？
- 检验方法：Schoenfeld残差、log-log图
- 如果违反：需要分层Cox、时变系数或加速失效模型（AFT）
- **线性假设**：连续协变量的对数风险是否线性？
- 可用martingale残差检验
---
## 常见陷阱
| 陷阱 | 说明 | 如何识别 |
|------|------|---------|
| immortal time bias | 从治疗后开始算生存，但治疗前有"免疫"时间 | 看时间0的定义是否合理 |
| lead-time bias | 筛查提前发现疾病，造成"生存期延长"假象 | 问：是否报告了 lead-time 校正？ |
| overfitting in Cox | 变量数 > 事件数/10 | 看事件数和变量数的比例 |
| 忽略竞争风险 | 竞争事件存在时，KM曲线高估累积发生率 | 问：是否用了Fine-Gray竞争风险模型？ |
| 中位生存未标注 | 曲线始终>50%，但作者说"中位生存X月" | 这是不可能的，应质疑 |
---
## 批判性提问模板
1. "中位随访时间是多少？是否足够观察主要终点？"
2. "删失比例是多少？删失原因是否随机？"
3. "HR的95% CI是否包含1？如果包含，差异不显著"
4. "是否检验了比例风险假设？如果违反，用了什么替代方法？"
5. "如果存在竞争风险，是否用了适当的统计方法？"
6. "Cox回归的变量数/事件数比例是否合理？"

58
skills/literature-qa/chart-reading/箱式图与小提琴图.md
View file

@ -1,58 +0,0 @@
# 箱式图与小提琴图阅读指南
## 适用场景
- 展示连续变量在不同分组间的分布
- 比较多组间的中位数/均值差异
- 识别异常值和数据质量
---
## 核心阅读维度
### 1. 集中趋势
- **中位数线位置**：组间中位数差异是否明显？
- **均值标记**：如果标注了均值（通常用菱形或叉号），与中位数是否接近？（接近=对称分布，远离=偏态）
### 2. 离散程度
- **IQR（四分位距）**：箱体高度代表50%数据的范围。IQR大 = 组内异质性高
- ** whisker 长度**：通常延伸至 1.5×IQR 或最值。Whisker长 = 分布尾部重
- **小提琴图宽度**：某值处越宽 = 该值附近数据密度越高
### 3. 异常值
- **Outlier 标记**：通常是箱外的点。
- 判断：是生物学真实差异还是技术错误？
- 样本量小（n<10）时，每个点都很重要，不要轻易忽略
- **样本量影响**：n<5时箱式图不可靠，应该看原始散点
### 4. 统计显著性
- **p值标注**：* p<0.05, ** p<0.01, *** p<0.001
- **检验方法**：
- 两组：t-test（正态）或 Mann-Whitney U（非正态）
- 多组：ANOVA（正态）或 Kruskal-Wallis（非正态）
- 如果数据明显偏态，用参数检验（t/ANOVA）是**错误**的
- **多重比较校正**：如果做多次两两比较，是否用了 Bonferroni / FDR 校正？
### 5. 分组与对照
- **对照组设置**：是否有适当的对照？（如正常组织 vs 病变组织）
- **组间样本量平衡**：如果一组 n=50 另一组 n=5，差异可能不可靠
- **配对设计**：如果是配对样本（如治疗前后），应该用配对检验，而非独立检验
---
## 常见陷阱
| 陷阱 | 说明 | 如何识别 |
|------|------|---------|
| Y轴截断 | 截断Y轴放大微小差异 | 检查Y轴是否从0开始（比值类）或是否有断裂标记 |
| 不标n值 | 无法判断统计效力 | 看caption或方法部分是否有样本量说明 |
| 用均值±SEM代替箱式图 | SEM小，掩盖真实离散度 | SEM = SD/√n，永远比SD小，是"美化"手段 |
| 忽略正态性假设 | t-test用于极端偏态数据 | 看是否报告了Shapiro-Wilk检验或使用非参数检验 |
---
## 批判性提问模板
1. "组间差异的效应量（effect size）是多少？ Cohen's d > 0.5 才算中等效应"
2. "异常值是否影响了中位数？ 去掉异常值后结论是否改变？"
3. "如果改用非参数检验，p值是否仍然显著？"
4. "样本量是否足够检测到这个效应量？"（可用G*Power反推）

80
skills/literature-qa/chart-reading/组织学半定量图.md
View file

@ -1,80 +0,0 @@
# 组织学半定量图
## 适用场景
关节软骨、骨、肌肉、皮肤等组织的染色评估（H&E、Safranin O、Masson trichrome、番红O-固绿等），以及基于评分系统的半定量组织学分析。常见于骨科、再生医学、创伤修复研究。
---
## 核心阅读维度
### 1. 评分系统识别与适用范围
| 评分系统 | 分项数 | 满分 | 适用场景 | 特点 |
| -------------- | ------ | ------ | ----------------------------- | --------------------------------- |
| **O'Driscoll** | 8 | 24 | 动物软骨修复 | 评估结构、细胞、基质、矿化等 |
| **Modified O'Driscoll** | 8 | 24+ | 软骨修复 | 加入hyaline cartilage比例 |
| **ICRS II** | 14 | 每项100mm VAS | 人/动物软骨 | 14个独立评分项，可视化模拟评分尺 |
| **Mankin** | 4-5 | 14 | 骨关节炎分级 | 结构、细胞、Safranin O、潮线 |
| **OARSI** | 多维度 | 层级制 | 人膝关节骨关节炎组织学 | 更适合退行性病变 |
| **Pineda** | 4 | 12 | 软骨修复 | 简单快速 |
### 2. 评分者间一致性（Inter-rater Reliability）
- **评估方法**：组内相关系数（ICC）或 Kappa 统计量
- **ICC 阈值**：ICC > 0.75 = 良好，0.60-0.75 = 中等，< 0.60 = 差
- **盲法要求**：评分者必须不知道样本分组（治疗组 vs 对照组）
- **一致性人数**：至少 2-3 名经过培训的评分者
**关键问题**：
- 论文是否报告了评分者间一致性？
- 评分者是否盲于实验分组？
- 如果评分差异过大（如 >2 分），如何处理？（共识评分？平均？排除离群值？）
### 3. ROI（Region of Interest）选择
- **评分位置**：是在修复区中心？还是包含修复区+周围正常软骨？
- **切片位置**：是否使用最佳切片（无折叠、无撕裂）？
- **染色一致性**：同批次染色各组切片条件是否相同？
### 4. 软骨特异性染色评估要点
| 染色类型 | 评估内容 | 关键指标 |
| ------------------ | ------------------------------- | --------------------------------- |
| **Safranin O / Fast Green** | 蛋白聚糖（PG）含量 | 染色强度（0-3 或 0-4 分制）；与正常软骨对比 |
| **H&E** | 细胞形态、结构完整性 | 细胞数、细胞簇、核形态 |
| **Masson Trichrome** | 胶原沉积与纤维化程度 | 蓝绿色胶原 vs 红色肌肉/细胞质 |
| **番红O（Safranin O）** | PG 分布 | 深层/浅层分布是否与正常软骨相似 |
| **IHC（COL2A1等）** | 目标蛋白表达定位与强度 | 阳性染色区域百分比 |
### 5. 评分细节审查
- **分项分数**还是**总分**？分项分数是否都有报告？
- **正常软骨对照**：是否同时评分了正常对照组（Sham）作为基准？
- **时间点设计**：多个时间点（4w / 12w / 24w）的评分是否用同一标准？
---
## 常见陷阱
| 陷阱 | 说明 | 如何识别 |
| ------------------ | ------------------------------------------ | ---------------------------------- |
| **评分者非盲** | 评分者知道分组信息，导致评分偏倚 | 方法中是否注明"blinded evaluation" |
| **评分者间一致性差**| ICC < 0.6，但作者仍报告组间差异显著 | 检查是否报告了 ICC 或 κ 值 |
| **ROI 选取不统一** | 不同样本选取的评分区域大小不一致 | 方法中是否明确了 ROI 标准 |
| **总分掩盖分项差异**| 两组总分相近但分项模式完全不同 | 检查分项分数而非只看总分 |
| **缺乏正常对照** | 没有正常软骨/假手术组作为基准 | 是否设置了 baseline 对照 |
| **组织伪影当作数据**| 切片折叠、气泡、染色假象被纳入评分 | 图像质量是否足以区分真实信号和伪影 |
---
## 关键问题模板
1. "用的是哪个评分系统（O'Driscoll / ICRS II / Mankin）？该系统的分项评分是否都有报告，还是只报告了总分？"
2. "评分是否采用了盲法？评分者间一致性（ICC/κ）是多少？是否在报告前就确认了一致性？"
3. "ROI 的选择标准是什么？是固定位置还是基于修复区中心？不同样本的评分区域是否可比较？"
4. "是否存在评分过高/过低的离群样本？作者如何处理离群值？"
## 一句话总结
> 组织学评分的核心是**"查评分系统、验盲法执行、核ROI一致、看完总分看分项"**——半定量评分的主观性决定了盲法和一致性报告是可信度的基础。

78
skills/literature-qa/chart-reading/网络图与通路图.md
View file

@ -1,78 +0,0 @@
# 网络图与通路图
## 适用场景
展示分子相互作用网络（PPI）、信号通路级联、基因调控关系、或共表达网络。常见于系统生物学、多组学整合分析、药物靶点预测。
## 读图维度
### 1. 网络拓扑结构
- **节点 (Node)**：
- 代表什么？（基因、蛋白、代谢物、疾病、药物）
- 节点大小/颜色编码什么？（表达量、重要性、分类、差异显著性）
- 关键节点（Hub）是否被标注？
- **边 (Edge)**：
- 代表什么关系？（物理相互作用、调控、共表达、预测关联）
- 边的粗细/颜色编码什么？（置信度、强度、关系类型）
- 是否有方向性？（箭头表示调控方向）
### 2. 网络布局算法
- **布局方式**：
- Force-directed（力导向）：相关节点聚集，无关节点分离
- Circular（环形）：强调层次结构
- Hierarchical（层次）：展示级联信号
- **布局选择影响**：
- 不同算法可能强调不同的网络特征
- 聚集的模块是否代表真实功能单元？
### 3. 模块与聚类
- **模块检测**：
- 是否有明显的社区/模块结构？
- 模块用什么算法识别？（MCL、Louvain、WGCNA）
- 模块内节点是否有共享功能？
- **通路注释**：
- 节点是否标注了通路归属？（如 KEGG、GO、Reactome）
- 同一通路的节点是否在网络中聚集？
### 4. 中心性指标
- **Hub 基因/蛋白**：
- Degree（连接数）最高的节点是谁？
- Betweenness（中介中心性）高的节点 = 信息流通的关键瓶颈
- Closeness（接近中心性）高的节点 = 网络核心
- **Hub 的生物学意义**：
- 是否是已知的"明星分子"？
- 是否是潜在的药物靶点？
### 5. 多组学整合层
- **多层网络**：
- 不同颜色/形状的节点是否代表不同组学层面？（基因、蛋白、代谢物）
- 层间连接（如基因→蛋白）是否可靠？
- **整合可信度**：
- 跨层关联是否有实验验证？
- 还是纯计算预测？
## 常见陷阱
| 陷阱 | 识别方法 | 风险 |
|------|---------|------|
| ** hairball 效应** | 节点>100，边极度密集 | 无法解读，视觉噪声 |
| **预测边混入** | 未区分实验验证 vs 预测 | 假阳性关联污染网络 |
| **Hub 偏倚** | 只关注已知明星分子 | 忽视真正有功能的新节点 |
| **布局artifact** | 节点聚集仅因布局算法 | 被误读为生物学模块 |
| **过度解读方向性** | 蛋白相互作用标为"激活" | PPI 本身不携带方向信息 |
## 关键问题模板
1. "网络图中包含 200+ 节点和 1000+ 边，是否进行了阈值过滤？未显示的边是否可能改变模块结构？"
2. "标注的 Hub 节点 Degree 最高，但 Betweenness 低，它是否是真正的功能核心还是仅仅连接了很多边缘节点？"
3. "网络中的边有 30% 来自 STRING 预测（非实验验证），如果仅保留实验验证的边，网络结构是否崩溃？"
4. "通路图显示 A 激活 B 激活 C，但这是基于文献挖掘的通路模板，本研究的数据是否支持这种级联关系？"
## 一句话总结
> 网络图的核心是**"看节点、看模块、看Hub、防 hairball"**——网络的可读性和边的可信度比节点的数量更重要。

79
skills/literature-qa/chart-reading/蛋白质结构图.md
View file

@ -1,79 +0,0 @@
# 蛋白质结构图
## 适用场景
展示蛋白质三维结构、结构域组织、配体结合位点、突变位置、或蛋白-蛋白/蛋白-配体相互作用界面。常见于结构生物学、药物设计、突变功能预测。
## 读图维度
### 1. 表示方式与分辨率
- **结构表示法**：
- **Cartoon/Ribbon**：展示二级结构（α-螺旋、β-折叠、无规卷曲）
- **Surface**：展示表面电势、疏水性、可及性
- **Stick/Ball-and-stick**：展示小分子配体、关键残基侧链
- **Sphere**：展示金属离子、水分子
- **分辨率 (Resolution)**：
- X-ray: < 2.5Å 为高质量，2.5-3.5Å 中等，>3.5Å 较低
- Cryo-EM: < 3.0Å 原子级，3-5Å 可看清二级结构
- 低分辨率结构的侧链位置不可靠
### 2. 结构域与功能域
- **结构域划分**：
- 是否标注了已知的功能域？（如激酶域、DNA结合域）
- 不同颜色是否代表不同结构域？
- **无序区域 (IDR)**：
- N端或C端是否有未解析区域（虚线表示）？
- 无序区域是否有功能重要性？
### 3. 突变与修饰位点
- **突变标注**：
- 突变位点在结构上的位置？（表面 vs 核心）
- 是否参与相互作用界面？
- 是保守位点还是可变位点？（看序列比对）
- **翻译后修饰**：
- 磷酸化、泛素化、乙酰化位点是否标注？
- 修饰位点是否暴露在表面？
### 4. 相互作用界面
- **蛋白-蛋白相互作用 (PPI)**：
- 界面面积多大？（>1500Ų 为典型强相互作用）
- 界面是否涉及疏水核心 + 极性边缘？
- 关键残基是否通过 Stick 显示？
- **蛋白-配体相互作用**：
- 配体结合口袋位置？（正构 vs 别构）
- 氢键、疏水作用、π-π堆积是否标注？
- 结合亲和力 (Kd/Ki) 是否与结构互补性一致？
### 5. 动态性与构象变化
- **静态结构局限**：
- 单张结构图是否能代表动态构象系综？
- 是否有 NMR 系综或 MD 模拟补充？
- **构象变化**：
- 是否叠加了多种构象（如开放/关闭状态）？
- 变化发生在哪个结构域？
## 常见陷阱
| 陷阱 | 识别方法 | 风险 |
|------|---------|------|
| **低分辨率过度解读** | Resolution > 4Å | 侧链位置不准确，界面分析不可靠 |
| **同源建模未标注** | 未说明是实验结构还是预测 | 将预测结构等同于实验验证 |
| **静态冻结动态** | 仅展示单一构象 | 忽视蛋白质天然动态性 |
| **修饰位点埋藏** | 标注的修饰位点在结构核心 | 修饰酶无法接触，标注可能错误 |
| **人工构建域** | 截短体或融合蛋白结构 | 不代表全长蛋白的真实状态 |
## 关键问题模板
1. "该蛋白质结构分辨率为 3.8Å，作者声称突变破坏了氢键网络，但在这个分辨率下侧链取向是否足够精确以支持这一结论？"
2. "结构图显示配体结合在口袋 A，但生物化学实验显示主要活性来自口袋 B，晶体结构是否捕获了非生理相关的结合模式？"
3. "图中标注的磷酸化位点 Ser123 在结构上位于β-折叠核心内部，激酶如何接触这个位点？是否只在未折叠状态下修饰？"
4. "这是同源建模结构（基于 30% 序列同源的模板），而非实验解析结构，模型质量评分（如 QMEAN、MolProbity）是否在可接受范围？"
## 一句话总结
> 蛋白质结构图的核心是**"看分辨率、看界面、看动态、防过度解读"**——结构是功能的快照，不是功能的全部。

65
skills/literature-qa/chart-reading/降维图(PCA-tSNE-UMAP).md
View file

@ -1,65 +0,0 @@
# 降维图（PCA / t-SNE / UMAP）阅读指南
## 适用场景
- 高维数据的可视化（RNA-seq、质谱、影像特征等）
- 样本相似性/异质性的初步探索
- 批次效应检测
---
## 核心阅读维度
### 1. 方差解释率（PCA特有）
- **PC1/PC2百分比**：前两维解释了多少总方差？
- >50%：降维充分，可信
- 20-50%：中等，可能丢失信息
- <20%：降维不充分，两维不足以代表数据结构
- **碎石图（Scree Plot）**：如果有，看拐点在哪里。拐点后的PC贡献小，可忽略
### 2. 分组分离度
- **视觉分离**：不同颜色/形状的组是否明显分开？
- **重叠程度**：重叠多 = 组间差异小，或降维丢失了区分信息
- **边界清晰度**：边界是清晰还是模糊？（模糊 = 组间有过渡状态）
### 3. 批次效应检测
- **批次标记**：如果有按批次着色，看同一批次样本是否聚集？
- 是 = 存在批次效应，需要校正（如ComBat）
- 否 = 批次效应小，可喜
- **与生物学分组的关系**：批次聚集和生物学分组哪个更强？
- 如果批次 > 生物学 = 严重问题，结论不可信
### 4. 离群样本
- **远离主群的点**：是否总是同一个样本？
- **原因**：技术错误（如测序深度低）还是真实生物学异常？
- **处理**：作者是否排除了离群点？排除标准是什么？
### 5. 降维方法差异
| 方法 | 优点 | 缺点 | 适用场景 |
|------|------|------|---------|
| PCA | 线性、可解释、有载荷 | 只能捕捉线性关系 | 初步探索、批次检测 |
| t-SNE | 非线性、局部结构好 | 随机、全局结构差、perplexity敏感 | 亚型识别、局部聚类 |
| UMAP | 非线性、速度快、全局+局部 | 超参数敏感（n_neighbors, min_dist） | 大规模数据、单细胞 |
**关键问题**：作者选择该方法的理由是否充分？（如：单细胞数据用UMAP合理，但普通RNA-seq用t-SNE可能过度）
---
## 常见陷阱
| 陷阱 | 说明 | 如何识别 |
|------|------|---------|
| Perplexity选择不当 | t-SNE的perplexity影响聚类外观 | 方法部分是否说明perplexity值？通常5-50 |
| UMAP过聚合 | min_dist太小导致所有点粘在一起 | 看是否有独立的小簇，还是一个大 blob |
| 忽略方差解释率 | 只展示PC1/PC2但解释率<10% | 看caption或正文是否报告了% |
| 循环论证 | 用聚类结果定义组，然后在降维图上展示 | 问：颜色标注的组是如何定义的？是否独立于降维？ |
---
## 批判性提问模板
1. "PC1/PC2 解释了多少方差？如果<30%，二维投影是否充分？"
2. "分组颜色是基于独立标签（如临床诊断）还是聚类结果？"
3. "是否存在批次效应？批次效应是否大于生物学效应？"
4. "离群样本是否被排除？排除标准是什么？"
5. "如果用PCA而不是t-SNE/UMAP，分离度是否仍然明显？"（检验非线性方法的必要性）

84
skills/literature-qa/chart-reading/雷达图与漏斗图.md
View file

@ -1,84 +0,0 @@
# 雷达图与漏斗图
## 适用场景
**雷达图**：多维度比较（如不同样本的多指标特征画像），常见于多参数免疫分型、药物多靶点评估、患者多维特征比较。
**漏斗图**：Meta分析中检测发表偏倚，或展示临床流程中各阶段的病例流失（如从筛查到入组到完成随访）。
## 读图维度
### 雷达图
#### 1. 维度定义与尺度
- **每个轴代表什么指标？**
- 指标是否独立？（避免高度相关的指标重复）
- 指标是否经过标准化？（否则量纲大的指标会主导图形）
- 轴的方向：是否所有轴都是"越大越好"？（注意反向指标）
#### 2. 多边形形态解读
- **整体面积**：
- 面积越大 = 综合得分越高（在标准化前提下）
- 但面积受维度数量影响（维度越多面积越容易大）
- **形状特征**：
- 某一轴特别突出 = 该维度是主要特征
- 接近正多边形 = 各维度均衡
- 明显不对称 = 存在优势/劣势维度
#### 3. 组间比较
- **多边形重叠**：
- 完全重叠 = 两组特征几乎相同
- 某一方向明显分离 = 该维度是主要区分特征
- **交叉情况**：
- A组在维度1上高于B组，但在维度2上低于B组 = 权衡关系
### 漏斗图 (Funnel Plot)
#### 1. 坐标轴含义
- **X轴**：效应量（如 logHR、logOR、SMD）
- **Y轴**：精度指标（通常是标准误 SE 的倒数，即 1/SE）
- 上方 = 大样本、高精度研究
- 下方 = 小样本、低精度研究
#### 2. 对称性判断
- **理想情况**：
- 呈倒漏斗形，大样本研究聚集在顶部中间
- 小样本研究在底部对称分布
- **发表偏倚信号**：
- 底部左侧或右侧缺失 = 小样本阴性结果未发表
- 图形明显不对称 = 可能存在发表偏倚
#### 3. 统计检验
- **Egger 检验**：
- p < 0.05 提示存在发表偏倚
- 但检验力低（研究数 < 10 时不稳定）
- **Trim and Fill**：
- 估算需要多少"缺失"研究才能使漏斗对称
- 调整后的合并效应量是否仍显著？
## 常见陷阱
| 陷阱 | 识别方法 | 风险 |
|------|---------|------|
| **雷达图维度过多** | >8 个轴 | 可读性极差，图形混乱 |
| **雷达图未标准化** | 不同轴量纲差异巨大 | 大数值轴完全压制小数值轴 |
| **漏斗图研究过少** | n < 10 | 无法判断对称性，检验无功效 |
| **混淆两种漏斗图** | Meta漏斗 vs 临床流程漏斗 | 解读方式完全不同 |
| **假对称性** | 异质性高导致分散 | 异质性大时漏斗图本就不应集中 |
## 关键问题模板
1. "雷达图有 12 个维度，是否有维度压缩或主成分分析支持这些维度的独立性？"
2. "漏斗图底部右侧明显缺失小样本阴性研究，如果进行 Trim and Fill 校正，合并效应量是否仍具有临床意义？"
3. "雷达图中样本 A 的面积大于样本 B，但 A 在关键疗效指标上反而低于 B，面积大小是否被非关键指标主导？"
4. "漏斗图显示不对称，但 I² = 85%（高异质性），这种分散是发表偏倚还是真实异质性导致？"
## 一句话总结
> 雷达图看**"多维度均衡与失衡"**，漏斗图看**"小样本是否对称缺失"**——两者都警惕过度简化和维度误导。

298
skills/literature-qa/prompt_deep_subagent.md
View file

@ -1,298 +0,0 @@
# Subagent Prompt for /pf-deep
## 任务
对指定论文完成 journal-club 风格的精读（基于 Keshav 三阶段阅读法），写入正式文献笔记的 `## 🔍 精读` 区域。
## 输入变量（由主 agent 填入）
- `{{ZOTERO_KEY}}` — Zotero key，如 `Y5KQ4JQ7`
- `{{VAULT}}` — Vault 根路径
- `{{SCRIPT}}` — `<Vault>/<skill_dir>/literature-qa/scripts/ld_deep.py`
## 正确流程（必须按顺序执行）
### 第一步：一键前置准备（运行 prepare 命令）
**这是唯一需要运行的机械化命令**。它会自动完成：检查状态、生成 figure-map、扫描图表类型、插入骨架。
```
python {{SCRIPT}} prepare {{ZOTERO_KEY}} --vault "{{VAULT}}" --format text
```
**期望输出示例**：
```
[OK] Prepared Y5KQ4JQ7
Formal note: Y5KQ4JQ7 - Title.md
Figures: 6 | Tables: 2
Chart guides: 5 recommended
```
**如果输出以 `[ERROR]` 开头**：
- 立即停止，将错误信息报告给主 agent
- 常见错误：analyze != true（需用户在 Base 中勾选 analyze）、OCR 未完成、formal note 不存在
**如果输出 `[WARN] deep_reading_status already 'done'`**：
- 这说明该论文已经精读过。如果用户要求重新精读，通知主 agent 确认是否覆盖。
**prepare 成功后会自动生成以下文件**：
- `<system_dir>/PaperForge/ocr/{{ZOTERO_KEY}}/figure-map.json` — 图表清单
- `<system_dir>/PaperForge/ocr/{{ZOTERO_KEY}}/chart-type-map.json` — 图表类型与推荐指南
**Agent 需要读取 chart-type-map.json**，为每张 figure 建立 `chart_types` 备忘列表。在 Pass 2 解析该 figure 时，根据其 chart_types 读取 `{{CHART_READING_DIR}}` 下对应的 chart-reading 指南，将关键审查问题整合进"图表质量审查"段落。
> **注意**：prepare 命令已自动在 formal note 中插入了 `## 🔍 精读` 骨架（包含所有 figure/table 的 callout 块）。Agent **不需要**再手动运行 ensure-scaffold。
---
### 第二步：Pass 1 概览（单独执行，完成后保存）
**执行策略**：Pass 1 只填写 `### Pass 1: 概览` 区域，不要碰 Pass 2/3 的内容。
用 Read 工具加载 formal note（路径在 prepare 输出中），找到 `## 🔍 精读` 区域，定位到 `### Pass 1: 概览`，将占位符替换为实际内容。
快速扫描，建立全局认知，决定是否值得深入。
```markdown
### Pass 1: 概览
**一句话总览**
（论文类型 + 核心贡献一句话，如：这是一项关于XX的前瞻性队列研究，核心发现是YY。）
**5 Cs 快速评估**
- **Category**（类型）：这是什么类型的论文？测量/分析/原型/方法学/综述/临床试验/队列研究/病例系列？
- **Context**（上下文）：基于哪些理论或前人工作？与哪些论文直接相关？理论基础是什么？
- **Correctness**（合理性初判）：作者的假设看起来合理吗？样本量/研究设计是否匹配研究问题？（第一遍只做直觉判断，后续 Pass 3 深入质疑）
- **Contributions**（贡献）：明确列出 1-3 个主要贡献。
- **Clarity**（清晰度）：论文结构是否合理？写作是否清晰？图表是否自明？
**Figure 导读（快速扫图，仅列编号 + 一页纸猜测）**
- 关键主图：Figure 1（猜测：XXX）、Figure 2（猜测：YYY）...
- 证据转折点：预计 Figure X 是核心结论的支撑
- 需要重点展开的 supplementary：（如有）
- 关键表格：Table X（猜测：ZZZ）
```
**完成后**：用 Edit 工具将填写好的 Pass 1 内容写回 formal note，保存。然后继续下一步。
---
### 第三步：Pass 2 精读还原（分块执行，每块完成后保存）
**执行策略**：Pass 2 只填写 `### Pass 2: 精读还原` 区域。内容量大，必须分块执行，不要试图一次写完全部 figure。
#### 分块规则
将 figure/table 分为 2-3 个一组的块：
- 第 1 块：Figure 1-2（或 1-3）
- 第 2 块：Figure 3-4（或 4-5）
- 第 3 块：剩余 Figure + Table + 关键方法补课 + 主要发现与新意
每完成一个块，**立即用 Edit 保存**，然后 Read 确认已写入，再继续下一个块。
#### Figure-by-Figure 解析（逐块填写）
每张主图按以下结构：
```markdown
##### Figure N：{caption 一句话概括}
![[image_link]]
**图像定位与核心问题**
- 页码：
- 这张图要回答什么：
**方法与结果**
- 方法：（实验设计/数据来源/技术路线）
- 结果：（图中展示的核心数据点/趋势/对比）
**图表类型识别与 chart-reading 引用（强制）**
1. **识别子图类型**：基于 caption 和图像内容，列出该 figure 包含的所有图表子类型（如：柱状图、折线图、免疫荧光图、热图等）
2. **读取 chart-reading 参考**：根据 prepare 生成的 chart-type-map.json 中该 figure 的 `recommended_guides`，读取对应指南文件
3. **执行审查清单**：将 chart-reading 指南中的核心审查问题逐条应用到该 figure 上，至少回答以下问题：
- 如果是**柱状图/条形图**：Y轴是否从0开始？误差棒类型是SD/SEM/CI？是否进行了多重比较校正？
- 如果是**折线图/时间序列**：曲线是否符合某种动力学模型？是否达到平台期？突释效应如何？
- 如果是**免疫荧光图**：是否使用 sequential scanning？荧光强度定量方法是什么？背景阈值如何设定？
- 如果是**热图/聚类图**：标准化方法是什么（Z-score/log/percentile）？聚类算法和距离度量是什么？是否存在循环论证？
- 如果是**火山图**：显著性阈值是raw p-value还是FDR？效应量阈值是多少？上调/下调是否对称？
- 如果是**MSEA/GSEA富集图**：q值阈值是多少（0.25还是0.05）？基因集大小是否合理？Leading Edge占比多少？
- 如果是**弦图/网络图**：弦的粗细代表什么？是否过度解读了方向性？
- 如果是**组织学图**：评分系统是什么？是否盲法评分？评分者间一致性（ICC/κ）是否报告？
- 如果是**箱式图/小提琴图**：中位数、IQR、异常值如何？组间分布是否对称？
- 如果是**散点图/气泡图**：相关性系数是多少？是否进行了回归分析？R²值如何？
- 如果是**ROC曲线**：AUC是多少？置信区间是否报告？截断点如何选择？
- 如果是**生存曲线**：中位生存期是多少？HR和置信区间是否报告？删失数据如何处理？
4. **整合审查结果**：将上述审查的发现写入下方的 "**图表质量审查**" 段落。如果某条审查不适用，明确标注"N/A"；如果审查发现问题，用 `> [!warning]` 标出。
**图表质量审查**
- 轴标签是否完整？单位是否标注？
- 是否有 error bars / 置信区间 / 统计显著性标记？
- 根据 chart-reading 指南执行后的额外发现：
- 如果缺少这些，对结论可信度有什么影响？
**作者解释**
- 作者在文中对该图的描述：
**我的理解**
- 自己的分析（区分"作者解释"和"我的理解"）：
**在全文中的作用**
- 该图在整体故事线中的位置：
**疑点 / 局限**
- （可酌情用 `> [!warning]` 突出）
```
#### Table-by-Table 解析
每张重要表格按以下结构：
```markdown
##### Table N：{caption 一句话概括}
![[image_link]]
- 这张表在回答什么问题：
- 关键字段 / 分组：
- 主要结果：
- 我的理解：
- 在全文中的作用：
- 疑点 / 局限：
```
#### 关键方法补课
- 方法 1：（如有不熟悉的实验技术，简要补课）
- 方法 2：
#### 主要发现与新意
**主要发现**
- 发现 1：（证据来源：Figure X / Table Y）
- 发现 2：
**完成后**：确保 Pass 2 所有内容都已保存到 formal note，然后继续下一步。
---
### 第四步：Pass 3 深度理解（基于已写内容，完成后保存）
**执行策略**：Pass 3 填写 `### Pass 3: 深度理解` 区域。这是基于前两个 pass 已写入内容的总结与升华，可以引用 Pass 1/2 中的具体发现。
对医学文献，Pass 3 的核心不是"复现"，而是**批判性评估 + 临床/研究迁移**。可以 spawn 多个 subagent 并行分析不同维度，最后整合。
**并行分析维度（可选，根据论文类型选择 2-3 个）：**
1. **临床证据质量评估**：循证医学视角（PICO、偏倚风险、证据等级）
2. **方法学审查**：统计方法、实验设计、样本量、对照设置
3. **领域上下文对比**：与当前领域最新进展的关系，是否被后续研究验证或推翻
4. **研究迁移思考**：如果把这个方法/结论用到我的课题上，需要什么条件？最大障碍是什么？
```markdown
### Pass 3: 深度理解
#### 假设挑战与隐藏缺陷
- **隐含假设**：（作者未明说但依赖的假设，如"样本代表性""测量无偏""模型线性"）
- **如果放宽某个假设，结论还成立吗？**
- **缺少哪些关键引用？**（相关工作是否充分对比？）
- **实验/分析技术的潜在问题**：（样本量、对照组、盲法、统计方法选择、混杂因素控制）
#### 哪些结论扎实，哪些仍存疑
**较扎实**
- ...
**仍存疑**
- ...
#### Discussion 与 Conclusion 怎么读
- 作者真正完成了什么：
- 哪些地方有拔高：
- 哪些地方是推测：
#### 对我的启发
- 研究设计上：
- figure 组织上：
- 方法组合上：
- **未来工作想法**：
#### 遗留问题
**遗留问题**
- ...
```
**关键提示**：Pass 3 的写作可以引用 Pass 1 的"5 Cs 评估"和 Pass 2 的"主要发现"作为基础，形成连贯的批判性分析。不要孤立地写 Pass 3。
**完成后**：用 Edit 保存，然后进入验证步骤。
---
### 第五步：Callout 使用规则
填写时选择性使用 callout 突出重要信息：
- **主要发现**的每条 → `> [!important]`
- **仍存疑**的每条 → `> [!warning]`
- **遗留问题** → `> [!question]`
- **证据边界说明** → `> [!warning]`
- **疑点/局限** → `> [!warning]`
- 常规结构节（研究问题、路线、方法、启发等）保持普通 Markdown 列表，不用 callout
**Callout 间距强制要求**：
- 多个 `> [!important]`、`> [!warning]` 或 `> [!question]` 之间**必须有空行**，否则 Obsidian 会合并成一个 callout。
- Figure/Table 的 `> [!note]-` callout 之间也**必须有空行**。
**错误示范（太乱 + 会合并）**：
```
> [!important] 主要发现
> 发现 1：...
> 发现 2：...
> [!warning] 仍存疑
> - ...
```
**正确示范（简洁 + 有空行）**：
```
**主要发现**
> [!important] 发现 1：（文字内容）
> [!important] 发现 2：（文字内容）
**仍存疑**
> [!warning] - 某结论缺乏独立验证
```
---
### 第六步：验证完整性
完成后，运行 validate-note 检查结构完整性：
```
python {{SCRIPT}} validate-note "<formal_note_path>" --fulltext "<fulltext_md_path>"
```
其中 `<formal_note_path>` 和 `<fulltext_md_path>` 从 prepare 的输出中获取。
如果输出不是 `OK`，说明有缺失的 section headings 或 figure embeds，需要修复后再报完成。
### 错误处理
- 如果 `prepare` 返回 `[ERROR]`：立即停止，将完整错误信息报告给主 agent
- 如果 `validate-note` 失败：列出缺失项目并修复。**注意**：`validate-note` 会检查 callout 间距问题——如果多个 `> [!warning]` / `> [!question]` / `> [!note]-` 之间缺少空行，会报告 spacing 错误。修复方法：在相邻 callout 之间插入空行。
## 交付要求
1. prepare 成功后，报告：formal note 路径、figure 数量、table 数量
2. 所有内容填写完毕后，运行 validate-note 并报告结果
3. 如有任何异常，必须报告完整错误信息，不要静默跳过
4. 只写回 formal note，不要写其他文件
## 参考：ld_deep.py 命令速查
```bash
# 一键前置准备（唯一需要 Agent 运行的机械化命令）
python {{SCRIPT}} prepare {{ZOTERO_KEY}} --vault "{{VAULT}}" --format text
# 验证骨架完整性（完成所有 Pass 后运行）
python {{SCRIPT}} validate-note "<note_path>" --fulltext "<fulltext_path>"
# 列出待精读队列（信息用）
python {{SCRIPT}} queue --vault "{{VAULT}}" --format table
```

1420
skills/literature-qa/scripts/ld_deep.py
View file

File diff suppressed because it is too large Load diff