add math description

docs/shotter_math_full_zh_typora.md

@@ -0,0 +1,685 @@
+
+# Bttoxin_Shotter 数学与算法全解（Typora 版）
+
+> 目标：把 **BtToxin_Digger** 的命中结果 + **BPPRC Specificity Database** 的活性数据，转换成  
+> 「给定一个菌株，它对哪些昆虫**目 / 物种**最可能有杀虫活性？」的概率型评分。
+
+本文用 Typora 兼容的公式语法（行内 `$...$`，行间 `$$...$$`），把所有用到的数学公式、符号和数据来源都说明清楚，并解释为什么这样设计、有哪些假设和局限。
+
+---
+
+## 1. 整体思路
+
+用一句话概括 Shotter 的核心想法：
+
+> **先问“每条毒素命中长得像谁（相似性）？”再问“这些已知毒素在 BPPRC 里主要杀什么虫（特异性）？”，最后把多条证据组合成菌株层的总体风险（noisy-OR）。**
+
+更正式一点的步骤：
+
+1. 从 BPPRC 的 `toxicity-data.csv` 里，统计出：
+   - 每个 Bt 毒素（名字 / 亚家族 / 家族）  
+   - 对各个昆虫“目”（order）和“物种”（species）的**经验活性分布**  
+   → 数学上记作 $P(\text{order} \mid \text{毒素})$、$P(\text{species} \mid \text{毒素})$。
+
+2. 从 BtToxin_Digger 的 `All_Toxins.txt` 里，取出每条命中的：
+   - Identity（序列一致性）
+   - Coverage（比对覆盖度）
+   - HMM 标记（有没有 HMM 结构域命中）
+   → 折算成一条 0–1 的**相似性权重** $w_i$。
+
+3. 对于菌株里的每条命中 $i$，用它 best hit 的毒素名/家族，到第 1 步的索引里查：
+   - 这条命中，对每个昆虫目/物种的**单条贡献**：
+
+     $$
+     c_i(\text{order}) = w_i \times P(\text{order} \mid \text{该命中的毒素名字/家族})
+     $$
+
+4. 对同一菌株的所有命中，利用 **noisy-OR** 公式，在菌株层合成：
+
+   $$
+   \text{Score}(\text{strain}, \text{order}) = 1 - \prod_{i \in H_{\text{strain}}} \left[1 - c_i(\text{order})\right]
+   $$
+
+   其中 $H_{\text{strain}}$ 是该菌株里的全部命中集合。
+
+5. 得到：
+   - `strain_target_scores.tsv`：菌株 × 目标“目”的分数矩阵；
+   - 如果 BPPRC 有物种信息，还会有 `strain_target_species_scores.tsv`：菌株 × 目标物种矩阵；
+   - `toxin_support.tsv`：逐命中 × “目/物种”的贡献矩阵，可用来画 `per_hit_C15.png` 这种“哪条毒素负责哪个靶标”的可视化。
+
+---
+
+## 2. 记号与数据来源一览
+
+### 2.1 数据文件
+
+1. **Digger 输出（序列相似性）**
+   - `All_Toxins.txt`（必须）：  
+     每行是一条命中（hit），包含：
+     - `Strain`：菌株名
+     - `Protein_ID`：该菌株中蛋白的 ID
+     - `Hit_ID`：best hit 的已知 Bt 毒素名字（如 `Cry21Aa3`）
+     - `Identity`：与该毒素的氨基酸一致性（百分数）
+     - `Align_len` / `Query_len` / `Subject_len`：比对长度与两边长度
+     - `HMM` 标记：是否有 HMM 域命中  
+
+     在脚本中，这些字段被用来计算 $id_i$、$cov_i$、$hmm_i$。
+
+2. **BPPRC Specificity Database（经验活性）**
+   - `toxicity-data.csv`（只用阳性记录）：
+     - `protein` / `toxin`：实验中使用的 Bt 毒素名，如 `Cry21Aa3`；
+     - `target_order`：目标昆虫目，如 `Rhabditida`、`Lepidoptera` 等；
+     - `target_species`（可选）：目标物种学名；
+     - `activity`：是否有活性（只保留“有活性”的记录）；
+     - `lc50` + `lc50_unit`：若有 LC50，单位如 `ppm`、`µg/g` 等；
+     - `percentage_mortality` 或文字描述：若无 LC50，用死亡率描述毒力。
+
+3. **输出文件**
+   - `toxin_support.tsv`：每条命中 $i$ 对每个“目/物种”的贡献 $c_i(\cdot)$；
+   - `strain_target_scores.tsv`：菌株 × 目标“目”的得分 $\text{Score}(\text{strain}, \text{order})$；
+   - `strain_target_species_scores.tsv`：菌株 × 目标物种的得分 $\text{Score}(\text{strain}, \text{species})$；
+   - `strain_scores.json`：上述结果的 JSON 版本。
+
+### 2.2 数学符号
+
+为了后面讲公式方便，统一一下符号：
+
+- $\text{strain}$：一个菌株，例如 `C15`；
+- $H_{\text{strain}}$：这个菌株中所有命中的集合；
+- $i \in H_{\text{strain}}$：第 $i$ 条命中（hit）；
+- $\text{order}$：某个昆虫目，如 `Lepidoptera`、`Diptera` 等；
+- $\text{species}$：某个具体物种（如果 CSV 有）；  
+- $\text{name}$：某个毒素的精确名字，例如 `Cry21Aa3`；
+- $\text{subfamily}$：亚家族记号，例如 `Cry21A`；
+- $\text{family}$：家族记号，例如 `Cry21`。
+
+对应到 Digger / BPPRC 数据：
+
+- 对第 $i$ 条命中：
+  - $\text{name}_i$：Digger 里 `Hit_ID` 的值；
+  - $\text{family}_i$：从 `Hit_ID` 解析出来的家族前缀（例如把 `Cry21Aa3` 截成 `Cry21`）；
+  - $id_i$：Identity / 100，落在 $[0,1]$；
+  - $cov_i$：比对覆盖度，典型定义是  
+
+    $$
+    cov_i = \frac{\text{Align\_len}_i}{\text{参考毒素长度}}
+    $$
+
+  - $hmm_i$：若 HMM 有命中，取 $1$，否则 $0$。
+
+- 对 BPPRC 的第 $r$ 行实验记录：
+  - $\text{toxin}_r$：毒素名；
+  - $\text{order}_r$、$\text{species}_r$：该条记录对应的目标目/物种；
+  - $\text{LC50}_r$、单位 $\text{unit}_r$；
+  - $\text{mortality}_r$：死亡率或文字，如 “80%”、“some”、“stunting”。
+
+---
+
+## 3. 从 BPPRC 构建特异性索引 $P(\text{order} \mid \cdot)$
+
+### 3.1 只用阳性记录
+
+首先，在 `toxicity-data.csv` 中只保留 `activity` 表示“有活性”（Yes / positive 等）的记录。理由：
+
+- 阴性记录经常语义不清晰（剂量太低？实验条件不合适？）；
+- v1 版本采用保守策略：**只用“反复证明打得动”的正证据**，不去尝试建一个完整的剂量-反应模型。
+
+所以从现在开始，所有行 $r$ 都是 **阳性活性记录**。
+
+### 3.2 每条记录的“毒力权重” $\text{potency}_r$
+
+我们希望不同文献、不同剂量单位下的结果，能压缩成一个 0–1 的权重：$\text{potency}_r \in [0,1]$。  
+直觉是：“LC50 越低 / 死亡率越高 → 毒力越强 → 权重越高”。
+
+#### 3.2.1 按单位桶分组
+
+因为 LC50 单位多种多样，不能直接混在一起比较：
+
+- 将记录按 `lc50_unit` 分成若干“单位桶”，例如：
+  - 饮食掺喂实验中 `ppm` ≈ `µg/g` ≈ `ug/g` ≈ `μg/g`，合并到同一桶；
+  - 其它单位（如 `µg/cm^2`, `mg/L` 等）各自成桶。
+
+在同一个桶里，单位一致，才能比较大小。
+
+#### 3.2.2 有 LC50 的记录：反分位归一
+
+对于某个单位桶 $u$，设其中有 $n_u$ 条记录，集合记作 $R_u$。  
+对每条记录 $r \in R_u$：
+
+1. 按 LC50 从小到大排序，给它一个“从 0 到 1 的排名百分位”：
+
+   $$
+   \text{rank\_pct}_r =
+   \begin{cases}
+   0, & n_u = 1 \\
+   \dfrac{\text{rank}_u(r)-1}{n_u - 1}, & n_u > 1
+   \end{cases}
+   $$
+
+   - 这里 $\text{rank}_u(r)$ 是 LC50 排序后的位次（最小的 LC50 rank = 1）。
+   - 因此 LC50 最小的记录 $\text{rank\_pct}=0$，最大的为 $1$。
+
+2. 定义毒力权重：
+
+   $$
+   \text{potency}_r = 1 - \text{rank\_pct}_r
+   $$
+
+   - LC50 最低（毒力最强） ⇒ $\text{potency}=1$；  
+   - LC50 最高（毒力最弱） ⇒ $\text{potency}=0$；  
+   - 中间线性过渡。
+
+**为什么不用直接做 $\text{potency} = 1 / \text{LC50}$？**
+
+- 不同单位之间本来就不能直接比；
+- 同一单位桶内部的相对排序比绝对数值更可靠；
+- 分位数归一对极端值不敏感，适合文献数据这种“噪声大 + 范围广”的情况。
+
+#### 3.2.3 没有 LC50，只有死亡率的记录
+
+如果某条记录没有 LC50，但有死亡率或文字描述，则按照经验规则赋值：
+
+- 死亡率 ≥ 80% 或文字为 “greater than 80%” →  
+
+  $$
+  \text{potency}_r = 0.90
+  $$
+
+- 50–80%（包括 60–80%、60–100% 等区间）→  
+
+  $$
+  \text{potency}_r = 0.65
+  $$
+
+- 0–60% / 0–50% / “25%” / “some” / “stunting”等弱效应 →  
+
+  $$
+  \text{potency}_r = 0.25
+  $$
+
+这些常数（0.90 / 0.65 / 0.25）不是“统计拟合”的结果，而是**人工选择的分级：强 / 中 / 弱**。
+
+#### 3.2.4 既没有 LC50 也没有死亡率文本
+
+如果一条记录只告诉你“有活性”，但没有剂量信息：
+
+$$
+\text{potency}_r = 0.55
+$$
+
+解释：
+
+- 介于“中等毒力”（0.65）和“最低档有毒”（0.25）之间；
+- 既体现“确实有活性”的正证据，又不过分抬高其权重。
+
+### 3.3 从单条记录到毒素级别的总权重
+
+每条记录 $r$ 还包含一个毒素名 $\text{toxin}_r$、目标目 $\text{order}_r$ 和可选的目标物种 $\text{species}_r$。
+
+Shotter 在三个层级上建索引：
+
+1. **精确名字**：  
+   $\text{name}_r = \text{toxin}_r$，例如 `Cry21Aa3`；
+2. **亚家族**：  
+   例如把 `Cry21Aa3` 截断成 `Cry21A`；
+3. **家族**：  
+   再截成 `Cry21`。
+
+对于每一个层级的 key（记为 $K$，可以是 name / subfamily / family），分别计算：
+
+- 在“目标目”维度的总毒力：
+
+  $$
+  S_{\text{order}}[K, o] =
+  \sum_{\substack{r \text{ 属于阳性记录} \\
+                  \text{key}(r) = K \\
+                  \text{order}_r = o}}
+      \text{potency}_r
+  $$
+
+- 如果 CSV 有物种信息，“目标物种”维度的总毒力：
+
+  $$
+  S_{\text{species}}[K, s] =
+  \sum_{\substack{r \text{ 属于阳性记录} \\
+                  \text{key}(r) = K \\
+                  \text{species}_r = s}}
+      \text{potency}_r
+  $$
+
+直觉：
+
+> 每一行实验是一个“该毒素对某个目标有怎样强度的正证据”，  
+> 把同一毒素、同一目标的所有实验权重加起来，就得到**该毒素对该目标的总支持度**。
+
+### 3.4 归一化成概率分布 $P(\text{order} \mid K)$
+
+对每一个 key $K$：
+
+1. 计算该 key 在各个目上的总权重和：
+
+   $$
+   Z^{\text{order}}_K = \sum_o S_{\text{order}}[K, o]
+   $$
+
+2. 如果 $Z^{\text{order}}_K > 0$，则定义：
+
+   $$
+   P(\text{order}=o \mid K) =
+   \frac{S_{\text{order}}[K, o]}{Z^{\text{order}}_K}
+   $$
+
+   对所有 order 求和等于 1。
+
+同理，如果有物种信息：
+
+$$
+P(\text{species}=s \mid K) =
+\frac{S_{\text{species}}[K, s]}
+     {\sum_{s'} S_{\text{species}}[K, s']}
+$$
+
+这一步的含义是：
+
+> “**在所有已报道的靶标中，这个毒素的毒力是如何在不同‘目/物种’之间分布的？**”
+
+例如，对某个毒素名字 $K = \text{Cry21Aa3}$，可能得到类似分布：
+
+- $P(\text{Rhabditida} \mid K) = 0.8$
+- $P(\text{Thysanoptera} \mid K) = 0.2$
+- 其它目为 0。
+
+### 3.5 回退（back-off）与 `other` / `unknown`
+
+现实中很多毒素只有家族层面数据，比如只知道 `Cry21`，没有具体到 `Cry21Aa3`；  
+因此 Shotter 的设计是：
+
+1. 对每条命中，优先在 **name 层级** 查 $P(\cdot \mid \text{name})$；
+2. 如果该名字没有任何证据（$Z^{\text{order}}_{\text{name}} = 0$），则退到 **subfamily 层级**；
+3. 再不行退到 **family 层级**；
+4. 如果在 family 层级也没有证据，又有两种情况：
+   - 可以解析出家族前缀（例如知道它是 `Cry999` 这种新家族），但 BPPRC 里还没有任何活性记录：  
+     → 这类证据被记到特殊的 `other` 列中，不去抬高任何具体的“目”。
+   - 连家族前缀也解析不出来（名字不符合 Bt 命名规则）：  
+     → 记到 `unknown` 列中。
+
+这就是 `strain_target_scores.tsv` 里 `other` / `unknown` 的来源。
+
+---
+
+## 4. 从 Digger 命中计算相似性权重 $w_i$
+
+### 4.1 命中是什么？
+
+在 BtToxin_Digger 中，给定一个菌株基因组，流程大致是：
+
+1. ORF/CDS 预测；
+2. CDS 翻译成蛋白；
+3. 用 BLAST + HMM 去已知 Bt 毒素数据库里做毒素识别。
+
+`All_Toxins.txt` 中的每一行就是一条 **命中（hit）**：
+
+- 这条蛋白 “像” 某个已知 Bt 毒素（$\text{name}_i$）；
+- Digger 给出 Identity、比对长度、HMM 命中等信息；
+- Shotter 需要把“像的程度”压缩成 0–1 权重 $w_i$。
+
+### 4.2 Identity、Coverage 与 HMM 变量
+
+对第 $i$ 条命中：
+
+- $id_i$：Digger 的 `Identity` 字段除以 100，变成 0–1 小数；
+- $cov_i$：比对覆盖度，典型取值为  
+
+  $$
+  cov_i = \frac{\text{Align\_len}_i}{\text{参考毒素长度}_i}
+  $$
+
+- $hmm_i$：如果 HMM 检测到相应家族的结构域，则为 1，否则为 0。
+
+### 4.3 base 分段函数：家族 / 亚家族阈值
+
+Bt 毒素命名规范中，**家族 / 亚家族** 的划分大致用 Identity 0.45 和 0.78 作为分界。  
+Shotter 按此定义一个分段函数：
+
+$$
+\text{base}_i =
+\begin{cases}
+1, & id_i \ge 0.78 \text{ 且 } cov_i \ge 0.80 \\
+\dfrac{id_i - 0.45}{0.78 - 0.45}, & 0.45 \le id_i < 0.78 \\
+0, & \text{否则}
+\end{cases}
+$$
+
+含义：
+
+- 当 $id_i \ge 0.78$ 且 $cov_i \ge 0.80$ 时：
+  - 认为这条命中和参考毒素至少属于**同一个亚家族**，高度可靠，给 $\text{base}_i = 1$；
+- 当 $0.45 \le id_i < 0.78$：
+  - 认为像是同家族但亚家族不确定，于是 base 在 0–1 之间线性上升；
+- 当 $id_i < 0.45$：
+  - 序列过于遥远，直接视为无效命中，$\text{base}_i = 0$。
+
+coverage 条件 $cov_i \ge 0.80$ 是为了过滤掉“只覆盖一小截结构域”的伪阳性。
+
+### 4.4 合并 coverage 与 HMM 加成，得到 $w_i$
+
+最终的相似性权重定义为：
+
+$$
+w_i = \min\left(1,\ \text{base}_i \cdot cov_i + 0.1 \cdot hmm_i\right)
+$$
+
+解释：
+
+- $\text{base}_i \cdot cov_i$：  
+  base 体现 Identity 的可信度，再乘以 coverage，避免只有一小段高 identity 时权重过高。
+- $0.1 \cdot hmm_i$：  
+  如果 HMM 有命中（$hmm_i=1$），则额外 $+0.1$，表示“结构域层面的再确认”；  
+  但上限由 $\min(1,\dots)$ 限制在 1 以内。
+
+**为什么 HMM 只加 0.1？**
+
+- HMM 命中说明有“家族结构域”存在，是一种很好的辅助证据；
+- 但 HMM 也可能比较宽泛，不必高于完整序列比对；
+- 因此把它当作“尾数加分”，而不是主导因子。
+
+### 4.5 配对家族（partner families）的下调
+
+某些 Bt 毒素家族只有在“配对”时才有完整毒力，例如：
+
+- Vip1 / Vip2
+- Vpa / Vpb
+
+Shotter 的处理是：
+
+- 对于在“需要配对”的家族集合中的一条命中 $i$：
+  - 检查同一菌株中是否存在“配对家族”的命中 $j$，且 $w_j \ge 0.3$；
+  - 如果找不到这样的搭档，则**下调当前命中的权重**：
+
+    $$
+    w_i \leftarrow 0.2 \times w_i
+    $$
+
+- 下调而不直接置零，是因为：
+  - 仍然保留“弱证据”，比如可能另一条 partner 被漏检；
+  - 但在没有配对证据的情况下，不应让这种命中主导靶标预测。
+
+---
+
+## 5. 单命中对各目标目/物种的贡献 $c_i(\cdot)$
+
+有了相似性权重 $w_i$ 和特异性分布 $P(\text{order} \mid K)$ / $P(\text{species} \mid K)$，每条命中就可以被看成是对不同靶标的“分布式投票”。
+
+### 5.1 为每条命中选择合适的 key（name / subfamily / family）
+
+对第 $i$ 条命中：
+
+1. 从 Digger 的 `Hit_ID` 得到名字 $\text{name}_i$，解析出对应的：
+   - $\text{subfamily}_i$，如 `Cry21A`；
+   - $\text{family}_i$，如 `Cry21`。
+2. 按以下顺序尝试从特异性索引中取分布：
+   1. 若存在 $P(\text{order} \mid \text{name}_i)$，则取 $K_i = \text{name}_i$；
+   2. 否则若存在 $P(\text{order} \mid \text{subfamily}_i)$，则 $K_i = \text{subfamily}_i$；
+   3. 否则若存在 $P(\text{order} \mid \text{family}_i)$，则 $K_i = \text{family}_i$；
+   4. 若三者都不存在：
+      - 若能解析出 family，则认为“这是一个有家族但 BPPRC 没记录的新毒素”，贡献放入 `other`；
+      - 若连 family 也解析不出，则放入 `unknown`。
+
+### 5.2 贡献公式：$c_i(\text{order}) = w_i \times P(\text{order} \mid K_i)$
+
+对每个命中 $i$ 和每个目标目 $\text{order}$，定义：
+
+$$
+c_i(\text{order}) = w_i \times P(\text{order} \mid K_i)
+$$
+
+解释：
+
+- $P(\text{order} \mid K_i)$：经验上，**这个毒素的毒力主要集中在哪些目**；
+- $w_i$：这条命中到底“有多像”这个毒素；
+- 乘积 $w_i \times P(\text{order} \mid K_i)$ 就是：
+
+> “在考虑序列相似度之后，这条命中对某个目有多强的杀虫活性支持度”。
+
+对 `other` / `unknown` 的处理：
+
+- 如果 $K_i$ 在任何层级都没有 BPPRC 证据，则：
+  - 若能解析家族前缀：
+    - $c_i(\text{other}) = w_i$，其它目为 0；
+  - 若连家族前缀也没有：
+    - $c_i(\text{unknown}) = w_i$，其它目为 0。
+
+### 5.3 物种维度：$c_i(\text{species})$
+
+如果 `toxicity-data.csv` 里有 `target_species` 信息，则同样构建 $P(\text{species} \mid K)$，然后：
+
+$$
+c_i(\text{species}) = w_i \times P(\text{species} \mid K_i)
+$$
+
+这一部分会被写入 `toxin_support.tsv` 的物种列，并最终合成 `strain_target_species_scores.tsv`。
+
+---
+
+## 6. 菌株层合成：noisy-OR 公式
+
+单条命中的贡献 $c_i(\cdot)$ 只能告诉我们：
+
+> “如果只有这一条毒素存在，那么它对某个目有多大概率有活性？”
+
+但实际菌株中往往有多条毒素命中，需要把它们合起来。
+
+### 6.1 数学形式
+
+对某个菌株 `strain`，它的命中集合为 $H_{\text{strain}}$。  
+对任意一个目标目 $\text{order}$，定义：
+
+$$
+\text{Score}(\text{strain}, \text{order}) =
+1 - \prod_{i \in H_{\text{strain}}} \left[1 - c_i(\text{order})\right]
+$$
+
+同理，如果看物种维度：
+
+$$
+\text{Score}(\text{strain}, \text{species}) =
+1 - \prod_{i \in H_{\text{strain}}} \left[1 - c_i(\text{species})\right]
+$$
+
+### 6.2 公式中每个符号的含义
+
+- $c_i(\text{order})$：第 $i$ 条命中对该目有活性的概率 / 支持度，来源于上一节；
+- $1 - c_i(\text{order})$：对应地，是“**第 $i$ 条命中对该目不起作用**”的概率；
+- $\prod_{i \in H_{\text{strain}}} [\dots]$：大写 Π 表示**连乘号**，  
+  $\prod_{i} x_i$ 意思是 $x_1 \times x_2 \times \cdots$；
+- 所以  
+
+  $$
+  \prod_{i \in H_{\text{strain}}} [1 - c_i(\text{order})]
+  $$
+
+  可以理解为：
+
+> “菌株里所有毒素都对这个目不起作用”的概率（假设独立）。
+
+- 最外面的 $1 - (\cdot)$ 就是：
+
+> “至少有一条毒素对这个目起作用”的概率。
+
+这就是经典的 **noisy-OR** 组合方式：  
+逻辑上“OR”（只要至少有一个 cause 生效），但每个 cause 都带有“噪声”（概率 < 1）。
+
+### 6.3 直观小例子
+
+假设某个菌株里，对 `Rhabditida` 有两条命中：
+
+- 命中 1：$c_1 = 0.4$  
+- 命中 2：$c_2 = 0.6$
+
+那么：
+
+$$
+\text{Score} =
+1 - (1 - 0.4) \times (1 - 0.6)
+= 1 - 0.6 \times 0.4
+= 1 - 0.24
+= 0.76
+$$
+
+可以看到：
+
+- $\text{Score}(\text{strain}, \text{Rhabditida}) = 0.76$ 比单条 0.6 / 0.4 都大；
+- 但仍然在 0–1 之间，不会像简单相加那样变成 1.0 以上。
+
+如果有 3 条贡献分别为 0.3、0.3、0.3：
+
+$$
+\text{Score} = 1 - 0.7^3 \approx 1 - 0.343 = 0.657
+$$
+
+说明多个中等证据叠加起来，也能给出一个比较高的综合得分。
+
+### 6.4 为什么认为“独立”是合理近似？
+
+noisy-OR 的核心假设是：不同毒素对同一靶标的“失效”是近似独立的。  
+
+现实中毒素之间可能互相协同或者拮抗，但当前阶段：
+
+- 没有足够数据建完整的“多毒素交互模型”；
+- 又希望有一个简单、可解释、单调的组合方式。
+
+在这样的权衡下，**noisy-OR 是一个非常常见、保守且易于解释的选择**：
+
+- 任意增加新的命中，只会让 Score 不减（增加或持平），符合常识；
+- 多条弱证据可以叠加成中等甚至强证据；
+- 强证据不会被简单叠加到 >1，而是趋近于 1。
+
+---
+
+## 7. 从分数到“最大概率靶标”
+
+有了 `strain_target_scores.tsv` 之后，对任意菌株 `strain`：
+
+- 可以找到：
+
+  $$
+  \text{best\_order}(\text{strain}) =
+  \arg\max_{\text{order}} \text{Score}(\text{strain}, \text{order})
+  $$
+
+  作为**单一“最大概率”目标目**；
+
+- 也可以设置阈值，如：
+  - Score ≥ 0.7：强候选靶标；
+  - 0.4–0.7：中等可信度；
+  - < 0.4：弱证据。
+
+物种层面的 `strain_target_species_scores.tsv` 也可以同样处理，得到：
+
+- 最可能的靶标物种；
+- 以及“该菌株在某个目内部，更偏向于打哪些代表物种”。
+
+---
+
+## 8. 常见质疑与回答
+
+这一节列出一些“审稿人/同行可能会问”的问题和解释，方便在 PPT 或论文中使用。
+
+### Q1：为什么只用阳性记录，不用阴性记录？
+
+- 阴性结果的语义模糊：  
+  “没看到活性”可能是剂量太低、实验条件不合适、靶标抗性等多种原因；
+- 数据中大量阴性条目缺乏剂量信息，很难和阳性条目放在一个统一框架里比较；
+- v1 设计选择保守策略：**只累积“肯定打得动”的正证据**。
+
+### Q2：LC50 / 死亡率是不同单位和实验条件，为什么可以直接比较？
+
+- LC50 只在**同一单位桶内**被排序和归一化，不跨单位；
+- 采用**反分位数**而不是直接用 $1/\text{LC50}$，是为了：
+  - 用“谁比谁强”而不是“绝对值差多少”；
+  - 对极端值不敏感；
+- 不同实验条件确实会带来噪声，但在大量文献叠加时，**稳定的“毒素→靶标”关系**仍然会在分布中凸显出来。
+
+### Q3：0.45 / 0.78 这两个 Identity 阈值怎么来的？
+
+- 它们来自 Bt 毒素命名的经验规则：  
+  通行做法大致是：
+  - ≥0.95：同一毒素；
+  - ~0.78：亚家族边界；
+  - ~0.45：家族边界。
+- Shotter 把 0.45–0.78 区间视为“同家族但亚家族不确定”，用线性插值连接 0 和 1；
+- 这是与 Bt 命名体系兼容的**连续近似**：
+  - Identity 明显高于 0.78 → 强证据；
+  - 明显低于 0.45 → 弱证据，基本忽略；
+  - 中间区域在两个极端之间平滑过渡。
+
+### Q4：为什么用 noisy-OR 而不是简单相加 / 取最大值？
+
+- 简单相加：
+  - 多条中等证据累加可能 >1，不再有概率意义；
+  - 不能很好表达“至少有一条毒素起作用”的逻辑。
+- 取最大值：
+  - 会完全忽略其它毒素的贡献；
+  - 无法体现“多条中等证据也值得重视”。
+- noisy-OR 的优点：
+  - 单调：增加证据只会增加或保持分数；
+  - 有明确概率解释：$1 - \prod(1-c_i)$；
+  - 实现简单，可读性好，方便向非数学背景使用者解释。
+
+### Q5：BPPRC 数据不全面，新家族或少量报道会不会被低估？
+
+- 对于**完全没有 BPPRC 记录的家族**，命中会被计入 `other` 或 `unknown`，不会错误地抬高某个具体目；
+- 这意味着：
+  - 新家族 / 数据稀少家族 在 v1 中只能作为“待挖掘候选”，而不是高置信度靶标；
+  - 可以在未来版本中补充其它来源（专利、未发表数据、实验室结果）来充实特异性索引。
+
+---
+
+## 9. Mermaid 流程图（Typora 友好版）
+
+> 注意：含有点号或 `<br/>` 的节点需要加引号，否则 Mermaid 会解析错误。
+
+```mermaid
+flowchart TB
+    G["Genome .fna"] --> ORF[ORF/CDS prediction]
+    ORF --> TR[Translate CDS to proteins]
+    TR --> ID["Toxin identification<br/>(BLAST/HMM)"]
+
+    subgraph Digger["BtToxin_Digger (Docker)"]
+        ORF
+        TR
+        ID
+    end
+
+    ID --> LIST["*.list / *.gbk"]
+    ID --> ALL["All_Toxins.txt"]
+
+    BPPRC["BPPRC specificity CSV<br/>(toxicity-data.csv)"] --> IDX["Build specificity index<br/>P(order|·), P(species|·)"]
+
+    LIST --> PARSE["Per-hit parsing<br/>(one row per toxin hit)"]
+    ALL  --> PARSE
+
+    PARSE --> WHIT["Compute similarity weight w_i"]
+    IDX   --> WHIT
+
+    WHIT --> PHIT["Per-hit scoring<br/>c_i(order), c_i(species)"]
+    PHIT --> COMB["Per-strain combination<br/>noisy-OR over hits"]
+
+    COMB --> OUT1["toxin_support.tsv<br/>(hit × order/species contributions)"]
+    COMB --> OUT2["strain_target_scores.tsv<br/>(strain × order scores)"]
+    COMB --> OUT3["strain_target_species_scores.tsv<br/>(strain × species scores, optional)"]
+    COMB --> OUT4["strain_scores.json"]
+```
+
+---
+
+## 10. 使用建议
+
+- 做 **方法学 PPT / 论文方法部分** 时：
+  - 可直接引用第 3–6 节的公式，配合 1–2 个数值小例子；
+  - Mermaid 图可以直接贴到 Typora、GitHub 或 Obsidian 中渲染。
+- 给 **非专业听众** 讲解时：
+  - 重点讲 “像谁 + 那个家族历史上主要打什么虫 + 多条证据用 noisy-OR 合成” 这条主线；
+  - 正文公式保留 score 这一条即可。
+
+_本文是对 Bttoxin_Shotter v1 实现逻辑的文字化说明，如需与最新代码完全严格对齐，请以代码仓库中的实现为准。_