3. 公共数据库与知识库概览

药物靶点发现的数据整合工程，第一步不是写代码，而是搞清楚“数据从哪里来、它到底代表什么、什么时候不该用它”。公共数据库和知识库数量庞大，但真正高频使用的核心资源其实相对集中。本节围绕 Ensembl、UniProt、GEO、TCGA、DrugBank、Open Targets、DisGeNET 这七类资源，从定位、覆盖范围和使用边界三个维度建立一张“资源地图”，帮助你在后续整合中做出正确的选型与取舍。

一、先分清三类资源：参考基因组、组学测量、知识关联

这七类资源并非同一层级。Ensembl 与 UniProt 属于参考层，提供基因、转录本、蛋白序列与功能注释的“标准答案”；GEO 与 TCGA 属于测量层，存放真实样本的表达、变异、临床等观测数据；DrugBank、Open Targets、DisGeNET 属于知识关联层，把基因/蛋白与药物、疾病、通路之间的关系结构化。整合工程中常见的错误，是把知识库里的关联强度当成实验测量值，或把测量层的样本结论直接外推到参考层注释。理解层级，是避免这类错误的前提。

二、参考层：Ensembl 与 UniProt 的标识体系

Ensembl 的核心价值在于提供稳定、可追溯的基因与转录本标识。人类基因使用 ENSG 前缀，转录本使用 ENST，外显子使用 ENSE。这些 ID 在版本升级时可能发生合并、拆分或废弃，因此工程上必须记录所用 Ensembl release 号（例如 release 110），否则同一份分析在不同时间运行可能得到不同结果。Ensembl 还提供 BioMart 接口，可按属性批量导出基因坐标、GO 注释、同源基因等，适合构建本地注释表。

UniProt 则聚焦蛋白层面。它区分 Swiss-Prot（人工审编，条目数少但质量高）与 TrEMBL（自动注释，覆盖广但含预测信息）。做靶点可成药性评估时，蛋白序列、结构域边界、跨膜区、信号肽、已知活性位点等信息主要来自 UniProt。关键边界是：UniProt 的“功能注释”很多来自计算预测或同源推断，不能等同于实验验证。整合时建议保留 evidence 字段，区分实验证据与推断证据。

三、测量层：GEO 与 TCGA 的样本语义

GEO 是表达谱与功能基因组学数据的主仓库，条目以 GSE（研究）、GSM（样本）、GPL（平台）组织。使用 GEO 最大的坑不在数据本身，而在元数据：同一 GSE 内可能混合不同平台、不同处理条件、不同时间点，样本分组信息常写在自由文本中。实际整合时，通常需要人工或半自动解析样本特征，构建“样本—分组—平台”对照表，再做批次校正（如 ComBat）或至少把批次作为协变量纳入模型。

TCGA 提供肿瘤多组学数据，覆盖突变、拷贝数、甲基化、mRNA/miRNA 表达及临床随访。它的边界在于：以癌种为中心设计，正常对照多为癌旁组织且数量有限；不同癌种的样本量差异极大；临床字段存在缺失。做靶点发现时，TCGA 更适合回答“该基因在肿瘤中是否异常表达/突变”，而不适合直接推断正常组织中的功能。

四、知识关联层：DrugBank、Open Targets 与 DisGeNET

DrugBank 以药物为中心，记录药物—靶点—作用机制—代谢酶—相互作用。它的强项是药物化学与药理学信息，适合回答“某靶点是否已有上市或临床阶段药物”。使用边界是部分内容受授权限制，且药物状态（approved、investigational）需要按版本核对。

Open Targets 把遗传关联、表达证据、通路、文献等多来源证据聚合为靶点—疾病关联评分。它的价值在于快速获得“该靶点与某疾病是否值得关注”的线索，但评分是整合结果，不是实验测量值。工程上应把它当作假设生成器，而不是证据终点。

DisGeNET 聚焦基因—疾病关联，整合了 curated 数据库、文献挖掘与动物模型等来源，并给出证据等级与评分。它的边界是文献挖掘带来的假阳性，使用时建议按证据来源过滤，优先保留 curated 或高置信度条目。

五、使用边界速查表

把七类资源放在同一张地图上看，选型逻辑就清晰了：需要统一标识和注释，用 Ensembl 与 UniProt；需要真实样本证据，用 GEO 与 TCGA；需要药物与疾病关联假设，用 DrugBank、Open Targets 与 DisGeNET。每一层都有明确的覆盖范围和不可逾越的边界，整合工程的核心能力，正是在这些边界之间建立可追溯、可复现的映射关系。