迭代式基因富集分析：面向人类与AI辅助生物学洞察的可解释网络
核心概要
该工作提出迭代式基因富集分析（iGEA）软件框架，通过反复选取最显著富集条目并移除其重叠基因，在各基因集集合内生成紧凑的非重叠富集条目，再整合为跨集合的基因-条目网络；在已发表的HIV依赖因子数据上，iGEA识别出分泌运输、核转运、转录延伸、蛋白稳态和先天免疫信号五个紧凑模块，为人工解读与LLM辅助探索提供结构化表示。
深度剖析
iGEA将过度代表分析（ORA）的输出转化为结构化、可解释的网络，支持人工解读与AI辅助探索。 相对于传统ORA常产生冗长且碎片化的富集条目列表，iGEA以网络形式组织结果，使模块与枢纽基因更易通过可视化与网络分析识别。 论文以软件框架形式呈现，并在已发表的HIV依赖因子基因集上演示，属于方法学与案例演示层面的证据。
iGEA通过迭代选取最显著富集条目并移除其重叠基因，在各基因集集合内得到紧凑的非重叠富集条目。 该迭代策略减少了同一集合内的冗余，使每个集合的输出更紧凑，便于形成连贯、可检验的生物学假设。 方法描述明确，并在HIV依赖因子案例中产生五个紧凑模块，属于单案例的方法演示。
整合各集合的独立结果可生成跨集合基因-条目网络，其中基因连接来自不同集合的条目。 该网络暴露了不同基因集集合之间的关系，而传统ORA通常难以跨集合整合结果。 论文描述了整合流程与网络结构，并以HIV依赖因子案例展示其输出，证据来自方法说明与案例应用。
所得网络结构支持标准化提示，为LLM辅助的富集结果总结与探索提供结构化表示。 针对LLM总结富集输出时缺乏可重复性与统计支持表示的问题，iGEA提供结构化网络作为输入基础。 论文将此作为框架能力提出，未在摘要中报告LLM辅助探索的定量评估结果。
启示与展望
该框架面向使用ORA解读高通量基因列表的研究者，适用于需要跨多个基因集集合整合富集结果并生成紧凑模块的场景；其演示基于已发表的HIV依赖因子数据，输出旨在支持假设生成与交互式探索，而非直接给出因果结论。
当前证据来自摘要层面的方法描述与单案例演示，尚不清楚iGEA在不同规模基因列表、不同基因集集合及噪声条件下的表现，也未见到LLM辅助总结的可重复性与统计支持的定量评估；此外，摘要未提供网络构建的具体统计细节与基准比较，读者若需评估稳健性应查阅全文图表与补充材料。