249 lines
9.6 KiB
Markdown
Executable File
249 lines
9.6 KiB
Markdown
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）
|
||
1) **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。
|
||
2) **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**。
|
||
3) **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）
|
||
|
||
```json
|
||
{
|
||
"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）
|
||
- `gene`
|
||
- `transcript`（可选）
|
||
- `protein`
|
||
- `gene_family`
|
||
- `gene_subfamily`（或 `phylo_clade`）
|
||
|
||
#### B) 家族定义资产（Family Definition Assets）
|
||
- `family_definition`
|
||
- `hmm_model`
|
||
- `protein_domain`
|
||
- `motif`
|
||
- `domain_architecture`
|
||
|
||
#### C) 进化与基因组（Evolution/Genome）
|
||
- `organism`
|
||
- `cultivar` / `strain`
|
||
- `genome_build`
|
||
- `genomic_region`
|
||
- `syntenic_block`
|
||
- `orthogroup`
|
||
- `duplication_event`
|
||
|
||
#### D) 表达/处理/表型（Expression/Treatment/Phenotype）
|
||
- `tissue`
|
||
- `cell_type`（可选）
|
||
- `developmental_stage`
|
||
- `treatment`
|
||
- `hormone`
|
||
- `environmental_factor`
|
||
- `phenotype`
|
||
- `trait`
|
||
|
||
#### E) 数据与证据（Data/Evidence）
|
||
- `publication`
|
||
- `doc_chunk`
|
||
- `figure`
|
||
- `table`
|
||
- `supplement`
|
||
- `dataset`
|
||
- `database`
|
||
- `assay`
|
||
- `method`
|
||
|
||
### 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 + species`
|
||
- `protein_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_family`
|
||
- `classified_into`：`gene/protein → gene_subfamily/phylo_clade`
|
||
- qualifiers：`tree_method, alignment_method, scheme`
|
||
- `defined_by`：`gene_family → family_definition`
|
||
- `uses_model`：`family_definition → hmm_model`
|
||
- qualifiers：`threshold, db_version`
|
||
- `has_domain`：`protein → protein_domain`
|
||
- qualifiers：`start, end, evalue, db`
|
||
- `has_motif`：`protein → motif`
|
||
- qualifiers：`start, end, score`
|
||
- `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`
|
||
- `upregulated_in`：`gene/transcript → treatment/environmental_factor`
|
||
- qualifiers：`log2fc, p_adj, assay, time_point, tissue, stage`
|
||
- `downregulated_in`：同上
|
||
- `induced_by`：`gene/transcript → treatment/hormone`
|
||
- qualifiers：`assay, time_point, tissue, stage`
|
||
- `repressed_by`：同上
|
||
- `temporally_expressed`：`gene/transcript → developmental_stage`
|
||
- qualifiers：`assay, tissue`
|
||
|
||
### 5.3 调控与互作（Regulation/Interaction）
|
||
- `regulates`：`gene/protein/mirna → gene/transcript/protein/process`
|
||
- qualifiers：`direction(optional:+/-/unknown), assay`
|
||
- `activates`：`protein/transcription_factor → gene/process`
|
||
- `inhibits`：同上
|
||
- `binds_to`：`protein → promoter_element/genomic_region`
|
||
- qualifiers：`assay (ChIP/EMSA), motif`
|
||
- `targets`：`mirna → gene/transcript`
|
||
- qualifiers：`assay (degradome/5RACE)`
|
||
- `interacts_with`：`protein ↔ protein`
|
||
- qualifiers：`assay (Y2H/BiFC/CoIP)`
|
||
|
||
### 5.4 功能与表型（Function/Phenotype）
|
||
- `involved_in`：`gene/protein → biological_process/signaling_pathway`
|
||
- `affects`：`gene/protein → trait`
|
||
- `controls`：`gene/protein → phenotype`
|
||
- `associated_with`：`gene → trait/phenotype`
|
||
- qualifiers：`source (GWAS/QTL), p_value`
|
||
|
||
### 5.5 进化关系（Evolution）
|
||
- `homologous_to`：`gene/protein ↔ gene/protein`
|
||
- qualifiers：`method (BLAST/tree/HMM)`
|
||
- `orthologous_to`：`gene ↔ gene`（通常跨物种）
|
||
- qualifiers：`source (orthofinder/tree/synteny)`
|
||
- `paralogous_to`：`gene ↔ gene`（通常同物种）
|
||
- qualifiers：`dup_type`
|
||
- `belongs_to_orthogroup`：`gene/protein → orthogroup`
|
||
- `syntenic_with`：`gene/genomic_region ↔ gene/genomic_region`
|
||
- qualifiers：`block_id, score`
|
||
- `duplicated_from`：`gene → duplication_event`
|
||
- qualifiers：`dup_type`
|
||
- `duplicated_to`：`gene → gene`
|
||
- qualifiers：`dup_type, ks(optional)`
|
||
|
||
### 5.6 数据与来源（Data/Provenance glue）
|
||
- `annotated_in`：`gene/protein → database`
|
||
- qualifiers：`accession`
|
||
- `stored_in`：`dataset → database`
|
||
- `reported_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）
|
||
```json
|
||
"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 + snippet`
|
||
- `confidence = 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）
|
||
|
||
1) **把 `evidence: "phylogenetic analysis"` 升级为 `provenance[]`**（含 chunk/page/snippet）
|
||
2) **统一表达关系命名**：删掉/禁止 `upregulates`，统一 `upregulated_in / induced_by` 等
|
||
3) **给每个 relation 加 qualifiers**：把组织/阶段/处理/时间点/方法从 description 迁移出来
|
||
4) **加 domain/range 约束表**：作为配置或 schema 扩展（越早做越省事）
|
||
5) **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）：
|
||
1) `relation_constraints.yaml`：每个关系的 domain/range/默认方向/必填 qualifiers/是否强制 provenance
|
||
2) `enhanced_entity_relation_schema_v2.json`：JSON Schema 校验文件（支持自动 validator） |