
=== attempt 1 (timeout=False) ===
## 小结

真跑完了,数字都在 `logs/run.log` 和 `results.json` 里能对上。

**做了什么**:20 个中药活性成分(丹参酮/黄芩素/人参皂苷等,CTD 真实人类靶点数据)取靶点并集,与一半卒中基因(CTD 人工审编,131 个)交集做种子,在 STRING physical-interaction 网络(3 档置信度 400/700/900)里按度数排序候选基因,预测另一半卒中基因;对照是把 20 个真实成分换成靶点数量匹配的随机 CTD 化合物,重复 1000 次建零分布。3 个种子 × 3 个阈值全跑满。

**关键数字**(阈值 700,主结果):baseline AUROC 均值 0.629 vs 随机化合物零分布均值 0.606,3 个种子经验 p 值分别是 0.173/0.619/0.183,全部 >0.05;400 和 900 阈值下同样没有一个种子显著。真实成分和随机化合物选出的 top-K 靶点高度重叠(Jaccard 中位数 0.4~1.0)。

**预测结果**:confirmed(没被推翻)——但这个"确认"本身是个负面发现:标准的 degree-hub 网络药理学流程选出的"核心靶点"主要是被 PPI 网络度分布(研究热度偏差)决定的,看不出中药成分的特异性。额外测的零分布背景校正(z-score 重排序)也没帮上忙,3 个种子上 AUROC 反而都略降。`negative_result` 标了 true。

**坑**:20 个成分里黄芪甲苷(要 Astragaloside IV)和芍药苷在 CTD 里没有人类记录,换成了同族最接近的化合物(记在 deviations 里);算力比预算宽裕很多,3 阈值×3种子×1000次零分布只用了 157 秒,45 分钟预算基本没压力。
