# 数据质量报告

> 生成时间: 2026-04-01
> 数据来源: 8篇PDF论文提取

---

## 📊 知识图谱规模

| 实体类型 | 数量 |
|:---|:---:|
| GeneFamily | 118 |
| Species | 9 |
| Gene | 376 |
| PhylogenyGroup | 15 |
| **总计** | **518** |

| 关系类型 | 数量 |
|:---|:---:|
| BELONGS_TO | 340 |
| GROUPS_INTO | 340 |
| HAS_FAMILY | 24 |
| PART_OF | 15 |
| **总计** | **719** |

---

## ✅ 数据质量优点

1. **无重复基因**: 376个基因ID全部唯一
2. **家族一致性**: 所有基因的家族归属正确
3. **格式规范**: 基因ID符合命名规范 (SPL1, TCP1, ERF001等)
4. **关系完整**: 每个基因都有BELONGS_TO关系

---

## ⚠️ 数据质量问题

### 问题1: 孤立基因 (36个)

| 家族 | 孤立基因数 | 原因 |
|:---|:---:|:---|
| IQD | 36 | **缺少分组提取逻辑** |
| TUB | 0 | 无基因提取 |

**根本原因**: IQD家族的分组提取函数未实现

**解决方案**: ✅ 已修复，添加了IQD分组逻辑

---

### 问题2: 空家族过多 (113个)

118个家族中只有5个有基因，113个家族为空。

**原因**: 只处理了8篇论文，覆盖5个家族

**解决方案**: 需要处理更多论文来覆盖更多家族

---

### 问题3: 分组粒度不均

| 家族 | 分组数 | 基因/分组 |
|:---|:---:|:---:|
| AP2-EREBP | 5 | 29 |
| MADS | 3 | 19 |
| P450 | 2 | 39 |
| SPL | 3 | 4 |
| TCP | 2 | 24 |

**问题**: P450只有2个分组，但基因数多，分组粒度太粗

---

## 🔍 具体数据样本

### 正确示例

```
基因: TCP1
家族: TCP
物种: Panicum virgatum
分组: Class_I
关系: BELONGS_TO → TCP, GROUPS_INTO → Class_I
```

### 问题示例

```
基因: IQD1
家族: IQD
物种: Brassica rapa
分组: **无**
关系: BELONGS_TO → IQD (缺少GROUPS_INTO)
```

---

## 📋 修复计划

| 优先级 | 问题 | 解决方案 | 状态 |
|:---|:---|:---|:---:|
| P0 | IQD无分组 | 添加IQD分组提取逻辑 | ✅ 已修复 |
| P1 | 空家族多 | 处理更多论文 | ⏳ 待执行 |
| P2 | P450分组粗 | 细化P450分组逻辑 | ⏳ 待执行 |
| P3 | 数据验证 | 人工抽检验证 | ⏳ 待执行 |

---

## 🎯 下一步建议

### 选项A: 立即修复IQD (推荐)
- 重新提取IQD论文
- 导入IQD分组
- 验证孤立基因问题解决

### 选项B: 继续扩展规模
- 处理更多论文 (目标20篇)
- 覆盖更多家族
- 增加基因数量到1000+

### 选项C: 人工验证
- 随机抽取50个基因
- 人工核对原文
- 计算准确率

---

## 💡 建议

**推荐选项A**: 先修复IQD分组问题，确保数据完整性，然后再扩展规模。

修复后预期:
- 孤立基因: 36 → 0
- 分组数: 15 → 18
- GROUPS_INTO关系: 340 → 376