# CellAUC

**Repository Path**: coding_playground/cellauc

## Basic Information

- **Project Name**: CellAUC
- **Description**: CellAUC 是一个专为评价化合物抑制细胞系活性而设计的Python分析工具包。它基于曲线下面积（AUC）方法，可处理时间依赖性和剂量依赖性细胞实验数据，提供全面的统计分析和高质量可视化功能。
- **Primary Language**: Python
- **License**: GPL-3.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-11-06
- **Last Updated**: 2025-12-25

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# CellAUC: 化合物抑制细胞系活性评价工具

**CellAUC** 是一个专为评价化合物抑制细胞系活性而设计的Python分析工具包。它基于曲线下面积（AUC）方法，可处理剂量依赖性细胞实验数据，提供全面的统计分析和高质量可视化功能，支持多化合物、多浓度和多细胞株的复杂实验设计。

## 功能特点

### 核心分析功能
- **总AUC计算**：计算完整浓度范围内的曲线下面积
- **统计比较**：使用曼-惠特尼U检验进行组间比较，自动标记显著性差异
- **多细胞株分析**：支持按细胞株分组计算AUC，生成细胞株×化合物AUC矩阵
- **无对照组支持**：支持在没有对照组的情况下进行分析，提高灵活性
- **完整工作流**：整合数据预处理、AUC计算、细胞信息合并和可视化功能于一体

### 可视化功能
- **AUC汇总图表**：提供多种图表类型（箱型图、柱状图、散点图、小提琴图、蜂群图）
- **热力图展示**：生成细胞株×化合物AUC热力图，直观展示化合物在不同细胞株上的活性

### 数据处理与输出
- **完整结果导出**：自动生成CSV数据文件和高质量PNG图表
- **统计显著性标记**：自动计算并标记与对照组的显著性差异
- **矩阵数据导出**：导出细胞株×化合物AUC矩阵，方便进一步分析
- **数据格式转换**：支持将简化格式的数据转换为标准输入格式
- **细胞信息整合**：自动合并细胞株信息到AUC矩阵中

## 安装

### 前提条件
- Python 3.8 或更高版本
- 必要的Python库

### 安装步骤

1. 克隆或下载此仓库到本地
2. 安装所需的Python库

```bash
pip install -r requirements.txt
```

## 使用方法

### 命令行接口

CellAUC提供了命令行接口，可直接运行完整工作流：

```bash
python cellauc.py --input test.csv --info cell_info.csv --palette husl --plot-type box
```

#### 命令行参数
- `--input`: 输入CSV文件路径（必需，如test.csv）
- `--info`: 细胞信息CSV文件路径（必需，如cell_info.csv）
- `--palette`: 颜色方案（`husl`, `tab10`, `Set2`, `viridis`, `plasma`等，默认为husl）
- `--plot-type`: 绘图类型（`scatter`, `box`, `bar`，默认为box）

#### 使用示例

基础工作流执行：
```bash
python cellauc.py --input test.csv --info cell_info.csv
```

自定义配色方案：
```bash
python cellauc.py --input test.csv --info cell_info.csv --palette tab10
```

使用散点图可视化：
```bash
python cellauc.py --input test.csv --info cell_info.csv --plot-type scatter
```

## 输入数据格式

### 1. 简化格式（输入格式）

CellAUC支持从简化格式的数据开始处理，这种格式包含细胞系和复合列名（化合物_浓度）：

| cell_line | 43158_0.001 | 43158_0.01 | Gilteritinib_0.001 | Gilteritinib_0.01 |
|-----------|-------------|------------|-------------------|--------------------|
| MV411     | 0.877554    | 0.475342   | 0.844067          | 0.506541           |
| MOLM13    | 0.988488    | 0.695523   | 1.015700          | 0.790896           |
| Kasumi1   | 0.999595    | 1.002235   | 0.958084          | 0.948653           |

### 2. 剂量依赖性实验数据格式（内部处理格式）

系统会自动将简化格式转换为剂量依赖性数据格式，包含以下列：

| cell_line | compound    | concentration_um | well_id               | viability_percentage |
|-----------|-------------|------------------|-----------------------|----------------------|
| MV411     | 43158       | 0.001            | MV411_43158_0.001_Rep1 | 87.755399            |
| MV411     | 43158       | 0.010            | MV411_43158_0.01_Rep1  | 47.534227            |
| MV411     | Gilteritinib| 0.001            | MV411_Gilteritinib_0.001_Rep1 | 84.406712 |
| MOLM13    | 43158       | 0.001            | MOLM13_43158_0.001_Rep1 | 98.848756 |

### 3. 细胞信息文件格式

细胞信息文件包含细胞系的生物学背景信息，用于合并到AUC矩阵中：

| cell_Line | lineage   | disease   |
|-----------|-----------|-----------|
| MV411     | Leukemia  | AML       |
| MOLM13    | Leukemia  | AML       |
| Kasumi1   | Leukemia  | AML       |
| THP1      | Leukemia  | AML       |

## 输出结果说明

当以命令行方式运行时，CellAUC会在`result/[timestamp]`目录下生成以下结果：

### 数据文件
- `complex_output.csv`：转换后的剂量依赖性数据，包含完整的细胞系、化合物、浓度和活力百分比信息
- `cell_line_compound_auc_matrix.csv`：细胞株×化合物AUC值矩阵，展示每个化合物在不同细胞株上的活性
- `merged_auc_matrix_with_info.csv`：合并了细胞信息（lineage、disease）的AUC矩阵，便于进一步分析

### 图表文件
- `auc_visualization_[plot_type].png`：根据指定的plot-type生成的可视化结果，展示化合物AUC值按疾病类型着色的分布
  - `auc_visualization_box.png`：箱线图
  - `auc_visualization_bar.png`：条形图
  - `auc_visualization_scatter.png`：散点图

## 完整工作流

CellAUC整合了完整的工作流，从原始数据到最终可视化结果：

### 工作流步骤

1. **数据格式转换**：将简化格式的数据（test.csv）转换为剂量依赖性数据格式（complex_output.csv）
2. **AUC计算**：基于转换后的数据计算每个细胞系-化合物组合的AUC值，生成细胞株×化合物AUC矩阵
3. **细胞信息合并**：将细胞信息（lineage、disease）合并到AUC矩阵中，增强数据的生物学背景
4. **可视化**：根据合并后的数据生成按疾病类型着色的可视化图表

### 工作流示意图

```
test.csv → complex_output.csv → AUC矩阵 → 合并细胞信息的AUC矩阵 → 可视化结果
```

### 自动化处理

整个工作流自动执行，无需用户干预，所有结果自动保存到`result/[timestamp]`目录下，包括：
- 中间数据文件
- 最终分析结果
- 高质量可视化图表

## 应用场景

### 剂量-响应关系研究
- 比较不同化合物的效力
- 评估化合物的剂量-效应关系
- 分析化合物在不同浓度下的细胞抑制效果

### 多细胞株筛选研究
- 高通量筛选化合物对多种细胞株的活性
- 识别化合物的细胞株特异性效应
- 分析化合物在不同细胞背景下的效力差异
- 生成细胞株×化合物AUC矩阵，支持药物重定位和靶点验证研究

### 生物学背景整合分析
- 结合细胞株的谱系、疾病类型等信息，深入分析化合物活性与细胞生物学特征的关系
- 通过合并细胞信息，支持更复杂的分层分析和生物标志物发现
- 识别与特定疾病类型相关的化合物活性模式

### 药物开发与优化
- 评估先导化合物在多种细胞模型上的活性
- 比较不同化合物类似物的细胞抑制效果
- 支持基于细胞活性的药物候选物选择

## 与TumorAUC的关系

CellAUC是基于TumorAUC项目的扩展，针对细胞系活性评价进行了优化：

1. **更适合细胞数据**：修改了数据结构和分析逻辑，更适合细胞实验数据
2. **增强的可视化**：优化了图表样式和统计标记

## 技术依赖

- **pandas**: 数据处理和分析
- **numpy**: 数值计算
- **scipy**: 科学计算（包括统计检验和曲线拟合）
- **matplotlib**: 基础绘图功能
- **seaborn**: 高级统计可视化

## 许可证

GPL-3.0

## 联系方式

如有问题或建议，请在此项目页面提交issue。