零代码用Codex自制富集分析工具，快速搞定GO与KEGG

做生信分析尤其是富集分析在很多科研新手眼里一直带着一层滤镜要会 Linux要会 R语言要背一堆 Bioconductor 包名还要能看懂密密麻麻的 GO 条目和 KEGG 通路。光是配置 conda 环境和安装 R 包就能劝退一批人。但最近我在研究 AI 编程助手 Codex 时发现这条路其实可以换一种走法你自己不必会写代码只需要把生物学问题描述清楚让 Codex 帮你完成环境配置、脚本编写、报错修复和结果整理最后产出一个“一键出结果”的富集分析小工具。这篇文章就以“零软件基础做生信Codex 自制富集分析工具”为主线完整拆解整个流程。内容会覆盖 Codex 是什么、富集分析是什么、Codex 的安装与基本用法、如何用 Codex 从需求生成一个可运行的 GO 富集分析脚本以及常见报错的排查思路。适合完全没有编程基础、想快速跑通生信分析的科研人员也适合刚入门生信、想把重复分析工具化的开发者。1. 背景与核心概念1.1 Codex 是什么Codex 是 OpenAI 推出的一款 AI 编程助手和常见的对话式 AI 不同它不只停留在“给你一段代码”的层面而是可以作为一个终端里的编程代理来使用你给它一个任务它可以读取项目文件、生成或修改代码、执行命令、根据报错信息自我修正直到完成任务。简单说你不需要自己敲每一行代码而是像带一个实习程序员一样把需求讲清楚让它去干活。Codex 有命令行工具形态也有桌面客户端形态使用方式上比较接近“AI 结对编程”。与 Claude Code 等同类工具类似Codex 的核心价值在于把“写代码”从手动逐行输入变成了“需求描述 AI 执行”这对没有软件基础的科研人员来说非常友好。1.2 富集分析是什么富集分析是生物信息学里非常高频的一种分析方法它的核心逻辑其实不复杂。我们在做转录组、蛋白组或者其他组学实验后通常会拿到一个差异基因列表。比如疾病组和对照组相比有 500 个基因显著上调。这时候你面对的不再是具体某个基因而是一个“基因名单”。你真正想知道的是这 500 个基因共同参与哪些生物学过程集中在哪些信号通路里富集分析做的就是这件事把基因列表映射到已知的基因集上比如 GOGene Ontology基因本体论里的生物学过程 BP、分子功能 MF、细胞组分 CC或者 KEGG 通路数据库。然后通过统计检验判断你输入的基因列表是不是在某个基因集中显著富集。如果把富集分析比作查户口你手里有一份“重点关注人员名单”数据库里记录了每个基因“住在哪个小区”。富集分析就是统计这些重点人员是不是扎堆住在某些小区然后给出一个 P 值告诉你这种扎堆是真实信号还是随机巧合。1.3 为什么要用 Codex 自制富集分析工具市面上并不缺富集分析工具DAVID、Metascape、R 包 clusterProfiler、Python 库 gseapy 都可以做。那你为什么还要自己用 Codex 做一个一个很现实的场景是很多生信分析需求是重复性的。你每个月可能都要分析一批新的差异基因列表每次都要打开网页上传文件、等结果、再手动整理图表。如果本地有一个自己的小工具输入一个基因列表文件一键输出富集结果表和可视化图就能省下大量重复劳动。另一个场景是数据隐私。有些课题组的数据不方便上传到公共网站本地运行的工具就更可控一些。用 Codex 生成一个满足自己特定需求的本地脚本比学习完整编程语言要快得多这也正是标题里“零软件基础”能成立的原因。2. 环境准备与版本说明虽然最终目标是让 Codex 帮我们干活但环境本身还是要准备的。好消息是这部分依赖并不多主要是 Codex 本体的安装和 Python 运行环境。2.1 安装 Codex CLICodex 的安装方式以官方文档为准目前常见的方式是通过 npm 全局安装。npm 是 Node.js 自带的包管理工具所以你需要先确认机器上有 Node.js 环境。安装命令核心思路如下npm install -g openai/codex安装完成后在终端里验证一下是否安装成功codex --version如果能够输出版本号说明 Codex 本体已经就绪。版本不需要刻意追求最新稳定可用即可。如果你对命令行不熟悉也可以选择桌面端版本操作界面更接近普通软件但底层逻辑和 CLI 是一样的。2.2 登录与模型配置Codex 正常使用前需要完成账号登录或 API Key 配置。这一步不同版本差异较大建议直接参考 Codex 官方文档按引导一次性完成。配置完成后Codex 才能识别你的身份并调用模型能力。有几点需要特别注意登录方式和模型支持范围是绑定的。有些模型在使用 ChatGPT 账号登录时并不受支持社区里就有类似the gpt-5.6-sol model is not supported when using codex with a chatgpt account的报错反馈。遇到这类问题优先确认你当前登录的账号类型和选择的模型是否匹配而不是盲目更换配置。2.3 Python 环境与依赖富集分析工具本身我们用 Python 来实现。Python 的安装这里不再赘述你可以去 Python 官网下载安装包也可以使用 Anaconda 这种集成了大量科学计算包的发行版。后者的好处在于 pandas、numpy 这些常用库已经自带了能省不少事。本文示例代码中需要的 Python 库包括pandas用于读取和处理表格数据scipy提供超几何分布等统计函数statsmodels用于多重检验校正matplotlib用于绘制结果图numpy用于数值计算安装命令如下pip install pandas scipy statsmodels matplotlib numpy如果你使用的是 Anacondapandas、matplotlib、numpy 往往已经存在只需要补装 scipy 和 statsmodels。2.4 示例项目结构为了让后面的流程更清晰我们先规划一下项目目录。你可以理解为这是“需求阶段就要想清楚的事情”Codex 也是按照这个结构去生成代码的。gsea_tool/ ├── data/ │ ├── gene_list.txt # 输入的差异基因列表 │ └── go_terms.csv # 基因集注释文件 ├── scripts/ │ └── enrichment.py # 富集分析主脚本 ├── output/ # 输出结果目录 └── requirements.txt # 依赖清单这个结构很简单data 放输入数据scripts 放分析代码output 放结果。保持目录清晰的好处是哪怕你完全不写代码后期按路径找结果也不会迷路。3. Codex 的基本使用把需求变成代码3.1 对话式生成代码Codex 最基础的使用方式就是对话。你在终端里启动 Codex然后用自然语言描述需求。你觉得“我要做一个富集分析工具”这句话信息量不够Codex 也像人一样需要更细的输入。一份合格的需求描述应该包含以下几部分输入是什么基因列表是什么格式注释文件是什么格式分析逻辑是什么用什么统计检验要不要多重检验校正输出是什么结果表保存成什么格式要不要出图举个例子你可以这样告诉 Codex我需要一个 Python 脚本读取一个基因列表文件每行一个基因名再读取一个 CSV 注释文件包含 gene_set 和 gene 两列。对每个基因集做超几何分布的富集检验计算 P 值然后用 BH 方法做多重检验校正。结果输出成 CSV另外把最显著的 10 个基因集画成条形图。这段描述里没有出现任何代码但信息和逻辑已经完整了。Codex 会根据这段描述生成脚本你只需要运行即可。3.2 用 Plan 模式先规划再实现Codex 通常支持两种工作模式一种是直接执行适合你明确知道要做什么另一种是 Plan 模式让 Codex 先给出分析和计划再等你确认后动手实现。对零基础用户来说我更推荐先使用 Plan 模式。原因是让 Codex 先“说清楚”再“做”你会发现它有没有理解错你的需求。比如你其实只需要 KEGG 富集而它打算做 GO 富集在 Plan 阶段你就发现了不至于等它生成代码后才发现方向不对。这个习惯即使在熟练之后也非常值得保留。AI 编程工具的能力再强理解错需求的风险依然存在而且越复杂的项目理解错方向的代价越大。3.3 使用 Codex 的几个技巧结合社区使用反馈这里总结几个降低使用门槛的技巧第一把大任务拆成小任务。不要一上来就让 Codex 做一个完整网站或一套复杂的分析平台。先让它做一个“读取基因列表并统计基因数量”的小脚本再逐步叠加富集检验、多重检验校正和画图功能。每加一步你都能单独验证结果对不对。第二提供示例数据。如果 Codex 无法确定你输入文件的格式它会自己假设一种格式。你最好给它一份真实的示例文件片段明确告诉它“第一列是基因名没有表头”这样生成的代码才贴合你的实际数据。第三让 Codex 解释代码。生成的代码你不要直接不管了你可以让 Codex 把关键部分逐行解释给你听。哪怕你完全不懂 Python多问几次之后至少能看懂每一段是在做什么后续排错也不会完全摸不着头脑。4. 完整实战用 Codex 自制富集分析工具这一节我们完整走一遍实战流程。为了保证文章中的代码可以在本地直接运行我使用了一组简化但结构完整的示例数据。真实项目中你只需要把注释文件换成正式数据库导出文件即可。4.1 需求描述我们要做的工具可以描述为输入一基因列表文件gene_list.txt每一行一个基因名输入二基因集注释文件go_terms.csv包含gene_set和gene两列统计方法超几何分布检验校正方法BHFDR输出一富集结果表enrichment_results.csv输出二Top10 显著基因集的条形图enrichment_barplot.png这个需求描述就是你给 Codex 的 Prompt。好的 Prompt 不是长篇大论而是把输入、处理、输出三件事说清楚。4.2 准备示例数据我们先准备两个输入文件。第一个是基因列表文件。TP53 EGFR BRCA1 BRCA2 MYC CDK4 RB1 PTEN AKT1 MAPK1 STAT3 VEGFA这里模拟的是一个上调差异基因列表。真实项目中这个文件一般来自 DESeq2 或 edgeR 的差异分析结果。第二个文件是基因集注释文件这里只列出部分行。gene_set,gene GO:0008283,TP53 GO:0008283,CDK4 GO:0008283,RB1 GO:0008283,EGFR GO:0007049,TP53 GO:0007049,RB1 GO:0007049,CDK4 GO:0007049,PTEN GO:0007165,EGFR GO:0007165,AKT1 GO:0007165,MAPK1 GO:0007165,STAT3 GO:0006915,TP53 GO:0006915,BAX GO:0006915,BCL2 GO:0006915,CASP3 GO:0006915,CASP9 GO:0012501,BAX GO:0012501,BCL2 GO:0012501,CASP3 GO:0012501,TP53 GO:0001525,VEGFA GO:0001525,FLT1 GO:0001525,KDR GO:0001525,PGF真实场景下这个注释文件通常体积很大包含数万个基因和成千上万个 GO 条目需要从正规注释数据库导出。示例数据的作用是验证逻辑让你先跑通流程。4.3 编写核心脚本下面这个脚本是 Codex 根据需求生成后的精炼版本我加了详细注释。你不需要理解每一行代码但可以配合注释看懂每个函数在做什么。文件路径为scripts/enrichment.py。 简易 GO/通路富集分析工具 基于超几何分布计算富集 P 值使用 BH 方法进行多重检验校正。 输入基因列表文件 基因集注释文件 输出富集结果 CSV 可视化条形图 import sys from pathlib import Path import numpy as np import pandas as pd from scipy.stats import hypergeom from statsmodels.stats.multitest import multipletests import matplotlib.pyplot as plt def load_gene_list(filepath): 读取基因列表文件每一行一个基因名。 genes set() with open(filepath, r, encodingutf-8) as fh: for line in fh: line line.strip() if not line or line.startswith(#): continue gene line.split()[0] if gene: genes.add(gene.upper()) return genes def load_gene_sets(filepath): 读取基因集注释文件要求至少包含 gene_set 和 gene 两列。 df pd.read_csv(filepath) gene_sets {} for row in df.itertuples(indexFalse): gs getattr(row, gene_set) gene getattr(row, gene) gene_sets.setdefault(gs, set()).add(gene.upper()) return gene_sets def run_enrichment(genes, gene_sets, background_genes): 对每个基因集做超几何分布富集检验。 results [] n_background len(background_genes) n_selected len(genes background_genes) for gs, gs_genes in gene_sets.items(): # 背景中该基因集包含的基因数 a len(gs_genes background_genes) # 输入基因中命中该基因集的基因数 c len(genes gs_genes) if a 0 or c 0: continue # 超几何分布富集 P 值从背景中抽取 n_selected 个基因 # 命中该基因集数量 c 的概率 p_value hypergeom.sf(c - 1, n_background, a, n_selected) # 富集倍数 输入基因命中比例 / 背景基因命中比例 fold (c / n_selected) / (a / n_background) results.append({ gene_set: gs, overlap_genes: ;.join(sorted(genes gs_genes)), overlap_count: c, gene_set_size: a, fold_enrichment: round(fold, 3), p_value: p_value, }) if not results: return pd.DataFrame() df pd.DataFrame(results) # BH 多重检验校正得到 FDR df[adj_p_value] multipletests(df[p_value], methodfdr_bh)[1] df df.sort_values(p_value).reset_index(dropTrue) return df def main(): gene_file sys.argv[1] gs_file sys.argv[2] output_dir sys.argv[3] if len(sys.argv) 3 else output Path(output_dir).mkdir(parentsTrue, exist_okTrue) genes load_gene_list(gene_file) gene_sets load_gene_sets(gs_file) background_genes set().union(*gene_sets.values()) print(f输入基因数: {len(genes)}) print(f基因集数量: {len(gene_sets)}) print(f背景基因数: {len(background_genes)}) df run_enrichment(genes, gene_sets, background_genes) if df.empty: print(未找到富集结果请检查基因名在注释文件中是否存在。) return out_csv Path(output_dir) / enrichment_results.csv df.to_csv(out_csv, indexFalse, encodingutf-8-sig) print(f结果已保存到 {out_csv}) # 可视化取 P 值最小的 10 个基因集 plot_df df.head(10).iloc[::-1] fig, ax plt.subplots(figsize(8, 6)) ax.barh(plot_df[gene_set], -np.log10(plot_df[p_value])) ax.set_xlabel(-log10(p_value)) ax.set_title(Top enriched gene sets) fig.tight_layout() out_png Path(output_dir) / enrichment_barplot.png fig.savefig(out_png, dpi150) print(f图片已保存到 {out_png}) if __name__ __main__: main()这段代码包含四个主要函数这里解释一下各自的作用load_gene_list负责读取基因列表它会自动去重、转大写并跳过空行和以#开头的注释行。容错处理对真实数据很重要因为手工整理的基因列表经常会有空行或大小写不一致的情况。load_gene_sets负责读取注释文件把 CSV 转换成“基因集名称到基因集合”的映射字典。这里用setdefault来追加基因避免同一个基因集中出现重复元素。run_enrichment是核心统计逻辑。这里使用了超几何分布的生存函数hypergeom.sf比手工构造列联表再做 Fisher 精确检验更简洁也不容易出现矩阵元素为负数的问题。富集倍数 fold enrichment 的含义是输入基因中命中比例是背景命中比例的多少倍大于 1 说明确实存在富集倾向。main是主流程负责串联读取、分析、保存结果和画图。4.4 运行与验证依赖安装完成后在项目根目录执行cd gsea_tool python scripts/enrichment.py data/gene_list.txt data/go_terms.csv output预期你会看到类似下面的输出输入基因数: 12 基因集数量: 6 背景基因数: 19 结果已保存到 output/enrichment_results.csv 图片已保存到 output/enrichment_barplot.png打开output/enrichment_results.csv你会看到每个基因集的富集结果包括重叠基因、富集倍数、P 值和校正后的 FDR。以 GO:0008283 为例示例输入基因里 TP53、CDK4、RB1、EGFR 都命中该基因集重叠比例很高P 值会很显著排在表格前列。4.5 结果说明与可视化条形图的横轴是-log10(p_value)数值越大代表 P 值越小、富集越显著。纵轴是按 P 值排序后的 Top10 基因集。这里有一个新手容易误读的地方P 值最小不等于生物学意义最大。P 值只是说明统计上不太可能是随机发生但具体的生物学解释需要你结合研究背景判断。比如富集到“细胞增殖”相关 GO 条目在肿瘤差异基因背景下是合理的但如果富集结果里全是风马牛不相及的条目你先要怀疑基因 ID 类型是否匹配而不是急着下结论。所以可视化图是给你快速浏览的严谨的结论还是要回到结果表结合重叠基因列表人工判断。5. 进阶接入第三方 API 的配置与注意事项5.1 为什么有人要接入第三方 APICodex 本身调用的是 OpenAI 的模型服务。但在实际使用中一部分开发者会基于成本、模型偏好或可用性考虑把 Codex 配置到兼容 OpenAI 接口的第三方模型服务上比如 DeepSeek 等。这类做法在社区中并不少见相关讨论也很活跃。从技术角度讲这通常需要一个本地代理或 API 配置工具把 Codex 的请求转发到第三方服务再把第三方服务的响应转回来。配置完成后Codex 表面上不变但底层模型已经换成了第三方模型。5.2 配置思路与风险提示配置第三方 API 的大致思路是这样的通过某个本地配置工具设置第三方服务的 Base URL 和 API Key然后指定一个第三方服务支持的模型名。Codex 发出的请求会被转发到第三方接口上。但我必须提醒几点风险第一接口兼容性没有保证。Codex 发送的请求格式是 OpenAI 风格的但第三方服务虽然号称兼容细节上可能有差异。比如某些服务对reasoning_content这类字段的处理方式与 OpenAI 不同就会引发报错。第二模型能力差异明显。第三方模型在普通代码生成上可能表现不错但 Codex 本身依赖的某些工具调用能力、上下文管理逻辑第三方模型未必完全支持。所以不要默认“换了模型体验一样”。第三数据安全要重视。你的代码、文件内容、分析数据都会发送到 API 服务端。如果处理的是临床数据或未公开的课题数据接入第三方服务前一定要经过合规评估。上传前对基因列表做脱敏处理是一个基本习惯。5.3 一个典型的兼容性报错社区中有一个比较有代表性的报错cc switch local proxy failed while handling codex endpoint /responses. provider: deepseek; model: deepseek-v4-flash; upstream_status: http 400; cause: the reasoning_content in the thinking mode must be passed back to the api.这个报错说明本地代理已经把请求转发到了第三方服务但第三方服务返回了 HTTP 400。原因是在 thinking mode 下reasoning_content字段必须原样回传给 API而代理层没有正确处理这个字段。这类问题的根源基本都在代理层而不是 Codex 本身。排查思路是确认代理版本是否更新、确认第三方服务要求的请求格式、确认模型名是否被正确传递。如果你使用的是开源代理工具可以到它的官方仓库看看 issue 或更新日志通常这类兼容问题会随版本迭代被修复。6. 常见问题与排查思路6.1 安装与启动类问题问题现象常见原因解决思路安装 Codex 时报错Node.js 版本过低或 npm 源问题升级 Node.js 到官方要求的 LTS 版本切换 npm 镜像源后重试桌面版打不开或启动白屏安装包损坏或系统缺少运行库重新下载安装包关闭安全软件后安装中文显示乱码终端编码不是 UTF-8将终端编码切换为 UTF-8或在 Codex 配置中设置中文编码6.2 连接与网络类问题连接类报错在 AI 编程工具中非常高频很多用户反馈过类似codex connection failed: error sending request或codex 一直重新连接的情况。这类问题要从三个层面排查第一本地网络是否能正常访问 API 服务。如果网络本身不通重试多少次都无济于事。第二代理工具是否正常。如果你配置了本地代理或 API 转发工具代理进程挂掉、端口被占用、配置文件格式错误都会表现为 Codex 连接失败。这时可以先关闭代理工具让 Codex 直连官方服务测试如果直连正常问题就出在代理层。第三API Key 或 token 是否有效。登录状态过期、API Key 被撤销也会导致连接失败。建议重新登录或检查 Key 状态。排查顺序建议是先切换网络测试再关闭代理测试最后重新登录。按照这个顺序基本能定位 80% 以上的连接问题。6.3 模型与账号类问题问题现象常见原因解决思路提示模型不受支持当前登录的账号类型不支持所选模型更换模型或更换支持该模型的账号类型接入第三方 API 后报 400本地代理与第三方接口不兼容更新代理工具检查字段格式使用 Web 登录方式时模型列表为空账号权限受限改用 API Key 方式或联系官方确认权限6.4 富集分析脚本自身的问题问题现象常见原因解决思路富集结果为空基因 ID 类型与注释文件不一致检查注释文件中的基因 ID 是 Symbol 还是 Entrez ID统一后再跑P 值全是 1输入基因几乎没有命中基因集检查基因名是否大小写一致考虑模糊匹配画图中文乱码matplotlib 默认字体不支持中文图内文本改用英文或配置中文字体输出 CSV 在 Excel 乱码编码问题保存时使用utf-8-sig编码这里要重点提醒基因 ID 的一致性。很多新手第一次跑富集分析失败根本不是代码问题而是注释文件和基因列表用的 ID 类型不一样。一个用的是基因 Symbol如 TP53另一个用的是 Entrez ID如 7157结果自然对不上。所以跑之前先随机抽几个基因确认它们在注释文件里能查得到。7. 最佳实践与工程建议7.1 生信脚本的工程化建议用 Codex 生成脚本后不要直接把第一个版本当作最终版。建议逐步养成下面几个习惯输入文件统一格式。所有分析工具的输入都约定成统一的格式比如基因列表统一用大写 Symbol、每行一个基因。这样不仅方便 Codex 生成代码也方便你后续把所有工具串联起来。代码与数据分离。脚本放在 scripts 目录数据放在 data 目录结果输出到 output 目录不要混在一起。这在项目变大之后会明显减少混乱。给代码写注释。Codex 生成的代码通常没有完善的注释你可以让 Codex 补上关键函数的功能说明。这也是让零基础用户理解脚本逻辑的最快方式。7.2 结果可重复性生信分析非常看重可重复性。一个分析结果如果换台电脑就变了那它在科研上是站不住脚的。提升可重复性有几个关键点记录分析环境。把 requirements.txt 保留好甚至可以记录 Python 版本和关键库版本。用 Codex 跑通之后把这套环境固定下来后续重跑结果才不会变化。固定随机种子。如果你的分析里包含随机抽样、机器学习模型训练等步骤一定要设置随机种子否则每次运行结果都可能不同。本文的富集分析不涉及随机过程但扩展功能时要注意。保存中间结果。不要只保留最终图表中间生成的中间文件也要保留。这样万一结论有争议你还能回溯到底哪一步产生了分歧。7.3 数据隐私与合规这一点必须单独强调。生信数据往往涉及患者的基因组信息属于高度敏感数据。使用 Codex 这类云端 AI 工具时你的代码和文件内容理论上都会被发送到服务端处理。如果数据涉及受保护的临床信息一定要先确认使用条款和数据合规要求。最稳妥的方式是使用脱敏后的基因 Symbol 而不是原始序列或带有患者标识的数据。涉及生产环境或正式课题研究时建议先进行数据合规评估在获得授权的前提下使用。8. 总结与下一步学习路线这篇文章从零开始走完了“用 Codex 自制富集分析工具”的完整流程先理解 Codex 和富集分析的基本概念然后准备环境和数据再用 Codex 生成一个基于超几何分布的富集分析脚本最后讨论了常见报错和工程化建议。整个过程中最核心的能力其实不是写代码而是准确描述需求。你不需要知道hypergeom.sf这个函数底层是怎么实现的但你需要告诉 Codex输入是什么格式、用什么统计方法、输出你想要什么。这个能力是可以迁移的以后你想做差异分析工具、画火山图工具思路完全一样。下一步你可以按这个方向继续深入第一把注释文件换成真实的 GO 或 KEGG 注释数据让工具真正用于自己的课题数据。第二扩展可视化能力增加气泡图、火山图等常见生信图。第三尝试让 Codex 帮你用 R 语言写一版 clusterProfiler 的封装脚本这在你以后跟团队协作时会很实用。如果你在使用 Codex 的过程中也遇到了连接失败、模型不支持或第三方 API 兼容性之类的报错建议先把报错原文复制保存下来再按本文第 6 节的排查顺序定位问题。AI 编程工具现在确实把生信分析的门槛拉低了不少但严谨的数据理解和规范的工程习惯仍然是真正做出可靠结果的前提。