9.6 KiB
Executable File
9.6 KiB
Executable File
回答:
下面我把“基因家族通用版”的规范整理成一份可以直接落地/写进项目文档的 v2.0 版本（保留你现有 entities / relations 两段式，向后兼容；同时补齐“可追溯、可约束、可带上下文”的硬要求）。
基因家族通用增强版实体-关系提取规范 v2.0（整理版）
1. 目标与原则
1.1 适用范围
适用于任意植物/动物/真菌等物种的基因家族研究：SPL、MYB、NLR、AP2/ERF、CYP、GRAS、bHLH、ABC、HSP、TPS…
覆盖常见论文模块：家族鉴定、分组/系统树、结构域/基序、复制与共线性、表达谱、调控/互作、表型/性状关联、数据集与数据库证据。
1.2 三条硬约束（必须执行）
- 可追溯：任何中高置信断言必须带
provenance[]，能定位到文献 chunk / 图表 / 补充表 / 数据表行。 - 可约束：关系必须满足 domain/range（源实体类型→目标实体类型）与默认方向。
- 可检索上下文：条件信息（tissue/stage/treatment/time/assay/log2fc/p_adj 等）统一放
qualifiers，不要只写在 description 里。
2. 输出 JSON 顶层结构（保持兼容）
{
"entities": [ ... ],
"relations": [ ... ]
}
3. entities 规范（通用字段 + 类型模板）
3.1 entity 通用字段（所有实体都支持）
id：唯一标识（必填）name：人类可读名称（必填）type：实体类型枚举（必填）species：所属物种（对 gene/protein/transcript/tissue 等强建议）attributes：结构化属性对象（建议）description：补充描述（可选）provenance：证据指针数组（可选；当 entity 是从文献/数据库抽取的关键事实时建议提供）
注意：不要把关键字段都塞进 description，优先进入
attributes。
3.2 实体类型枚举（基因家族通用“必备集合”）
按功能分组给你一份“推荐最小全集”（你可以先实现这批）：
A) 核心生物实体（Core Bioentities）
genetranscript（可选）proteingene_familygene_subfamily（或phylo_clade）
B) 家族定义资产（Family Definition Assets）
family_definitionhmm_modelprotein_domainmotifdomain_architecture
C) 进化与基因组（Evolution/Genome）
organismcultivar/straingenome_buildgenomic_regionsyntenic_blockorthogroupduplication_event
D) 表达/处理/表型（Expression/Treatment/Phenotype）
tissuecell_type（可选）developmental_stagetreatmenthormoneenvironmental_factorphenotypetrait
E) 数据与证据（Data/Evidence）
publicationdoc_chunkfiguretablesupplementdatasetdatabaseassaymethod
3.3 不同实体类型的最小必填模板（建议你做 validator）
gene / protein / transcript：至少id + name + type + speciesprotein_domain：pfam_id或interpro_id至少一个（放attributes）publication：DOI 或 PMID（放id或attributes.external_id）genomic_region：chromosome/start/end/strand（放attributes）
4. relations 规范（通用字段 + 约束）
4.1 relation 通用字段
id：唯一标识（建议）source：源实体 ID（必填）target：目标实体 ID（必填）type：关系类型枚举（必填）confidence：high | medium | low（必填，默认 low）description：自然语言描述（可选）qualifiers：结构化上下文（强建议）provenance：证据指针数组（当 confidence ≥ medium 时强制）
5. 关系类型枚举（按家族场景“最常用/最稳”的集合）
下面是 v2.0 建议优先支持的关系集合（能覆盖 80% 基因家族论文问答）。
每个关系都有：默认方向 + domain/range 约束 + 推荐 qualifiers。
5.1 家族归属与分组（Gene family essentials）
member_of：gene/protein → gene_familyclassified_into：gene/protein → gene_subfamily/phylo_clade- qualifiers：
tree_method, alignment_method, scheme
- qualifiers：
defined_by：gene_family → family_definitionuses_model：family_definition → hmm_model- qualifiers：
threshold, db_version
- qualifiers：
has_domain：protein → protein_domain- qualifiers：
start, end, evalue, db
- qualifiers：
has_motif：protein → motif- qualifiers：
start, end, score
- qualifiers：
has_architecture：protein → domain_architecture
5.2 表达关系（Expression）
统一命名与方向：一律使用
upregulated_in等形式，避免upregulates混乱。
expressed_in：gene/transcript/protein → tissue/cell_type- qualifiers：
assay, time_point, stage
- qualifiers：
upregulated_in：gene/transcript → treatment/environmental_factor- qualifiers：
log2fc, p_adj, assay, time_point, tissue, stage
- qualifiers：
downregulated_in：同上induced_by：gene/transcript → treatment/hormone- qualifiers：
assay, time_point, tissue, stage
- qualifiers：
repressed_by：同上temporally_expressed：gene/transcript → developmental_stage- qualifiers：
assay, tissue
- qualifiers：
5.3 调控与互作（Regulation/Interaction）
regulates：gene/protein/mirna → gene/transcript/protein/process- qualifiers：
direction(optional:+/-/unknown), assay
- qualifiers：
activates：protein/transcription_factor → gene/processinhibits：同上binds_to：protein → promoter_element/genomic_region- qualifiers：
assay (ChIP/EMSA), motif
- qualifiers：
targets：mirna → gene/transcript- qualifiers：
assay (degradome/5RACE)
- qualifiers：
interacts_with：protein ↔ protein- qualifiers：
assay (Y2H/BiFC/CoIP)
- qualifiers：
5.4 功能与表型（Function/Phenotype）
involved_in：gene/protein → biological_process/signaling_pathwayaffects：gene/protein → traitcontrols：gene/protein → phenotypeassociated_with：gene → trait/phenotype- qualifiers：
source (GWAS/QTL), p_value
- qualifiers：
5.5 进化关系（Evolution）
homologous_to：gene/protein ↔ gene/protein- qualifiers：
method (BLAST/tree/HMM)
- qualifiers：
orthologous_to：gene ↔ gene（通常跨物种）- qualifiers：
source (orthofinder/tree/synteny)
- qualifiers：
paralogous_to：gene ↔ gene（通常同物种）- qualifiers：
dup_type
- qualifiers：
belongs_to_orthogroup：gene/protein → orthogroupsyntenic_with：gene/genomic_region ↔ gene/genomic_region- qualifiers：
block_id, score
- qualifiers：
duplicated_from：gene → duplication_event- qualifiers：
dup_type
- qualifiers：
duplicated_to：gene → gene- qualifiers：
dup_type, ks(optional)
- qualifiers：
5.6 数据与来源（Data/Provenance glue）
annotated_in：gene/protein → database- qualifiers：
accession
- qualifiers：
stored_in：dataset → databasereported_in：entity/relation → publication（可选；通常 provenance 已足够）
6. provenance（证据指针）统一标准：实现“可追溯答案”的关键
6.1 provenance 最小字段（推荐你做成强校验）
"provenance": [{
"source_type": "publication|dataset|database",
"source_id": "doi:...|pmid:...|GSE...|UniProt:...",
"doc_chunk_id": "chunk_xxx",
"locator": { "page_start": 3, "page_end": 3, "figure": "Fig.1", "table": "Table S2", "supplement": "Additional file 4" },
"snippet": "可复核的原文/图注/表格行（可截断）",
"evidence_level": "experiment|omics|prediction|curation",
"method": "qRT-PCR|RNA-seq|HMMER|MEGA|MCScanX|..."
}]
6.2 强规则（建议）
confidence = high/medium⇒ 必须有provenance[]，且每条至少含source_id + doc_chunk_id + locator.page + snippetconfidence = low⇒ 可无 provenance（但下游回答要降级措辞）
7. qualifiers（上下文限定）统一格式
统一放在 relation 的 qualifiers，建议支持这些常用键：
- 表达类：
tissue, stage, treatment, time_point, assay, log2fc, p_adj - 结构域类：
start, end, evalue, db - 系统树/分组：
tree_method, alignment_method, bootstrap, scheme - 共线性/复制：
dup_type, ks, ka_ks, block_id, score
8. 校验规则（Validator 建议做的事）
8.1 实体校验
- id 唯一
- type 在枚举中
- gene/protein/transcript 必须有 species
- protein_domain 必须有 pfam_id 或 interpro_id
8.2 关系校验
- source/target 必须存在
- type 在枚举中
- 满足 domain/range 约束（例如 expressed_in 不允许 gene → treatment）
- confidence≥medium ⇒ provenance 强制存在且字段完整
9. 从你现有文档迁移到 v2.0 的最小改动清单（你马上能做）
- 把
evidence: "phylogenetic analysis"升级为provenance[]（含 chunk/page/snippet） - 统一表达关系命名：删掉/禁止
upregulates，统一upregulated_in / induced_by等 - 给每个 relation 加 qualifiers：把组织/阶段/处理/时间点/方法从 description 迁移出来
- 加 domain/range 约束表：作为配置或 schema 扩展（越早做越省事）
- 补齐家族专用实体：
family_definition/hmm_model/domain_architecture/orthogroup/duplication_event/phylo_clade
如果你希望我再“整理得更工程化一点”，我可以继续把上面 v2.0 输出成两份可直接复制进仓库的资产（你不需要再手工改）：
relation_constraints.yaml：每个关系的 domain/range/默认方向/必填 qualifiers/是否强制 provenanceenhanced_entity_relation_schema_v2.json：JSON Schema 校验文件（支持自动 validator）