Feat: Add machine learning module in TCMDATA for key targets screening

[Hinna0818]

此PR为TCMDATA添加了基于机器学习的关键靶点筛选模块，定位于网络药理学分析的下游步骤，即从 PPI / WGCNA 候选基因集中，结合RNA-seq表达谱数据筛选关键基因。结合文献的实际情况，本次选取了应用最广泛的几个模型：弹性网络、随机森林-boruta、SVM-RFE和XGBoost。一般的做法是，独立运行这几个模型，然后进行特征选择，根据交集情况保留共同识别的特征基因作为下游验证。

新增内容

核心函数（R/ml_models.r、R/ml_utils.R）

• prepare_ml_data() — 数据预处理，支持三种验证模式：
  • Mode A：全数据交叉验证（无留出集，常用于特征选择，指标评估通过如随机森林的袋外OOB预测或者CV的折外预测，不存在数据泄露的问题）
  • Mode B：内部训练/测试随机划分
  • Mode C：外部独立验证集（比如用户想用一个其他独立的数据集来做测试，评估筛选的特征的性能，则可以用这个模式）
• 六种模型：ml_lasso()、ml_enet()、ml_ridge()、ml_rf()、ml_svm_rfe()、ml_xgboost()
• run_ml_screening() — 批量执行多种方法
• get_ml_consensus() — 提取被 ≥ k 个模型共同选出的基因
• select_features() — 对 Ridge、XGBoost 等保留全部特征的模型进行事后裁剪选取（主观选取）

可视化（R/ml_plots.R）

• 各模型的 CV 曲线、系数路径图、重要性条形图
• plot_ml_roc() — 多方法 ROC 曲线叠加（三种模式均支持）
• plot_ml_venn() — 各方法筛选基因集的韦恩图

数据与文档

• covid19 数据集（GSE157103，100 样本 × 5000 基因），用于示例与测试
• bookdown 章节 08-Machine-Learning-analysis.Rmd，覆盖三种模式的完整使用示例

设计说明

• 所有模型的构建函数都返回统一的 S3 对象（tcm_ml），具有一致的访问接口（$selected_features、$importance、$cv_performance、$test_performance）。
• 超参数调优全部在训练集内部通过交叉验证完成，测试集不参与任何模型选择过程。

具体可见8-ML文档部分：8-ML

[Hinna0818]

补充：get_gene_auc()使用pROC包计算该基因针对表达谱数据的AUC；plot_gene_roc()绘制对应的单/多基因诊断roc曲线；plot_gene_boxplot()绘制基因在表达谱数据的不同分组间的表达情况；https://hinna0818.github.io/TCMDATA/ml-analysis.html#ml-gene-diag