ARKbase 抗菌耐药知识库 — 一万个基因组的好药敏，只覆盖十四个物种

世界卫生组织 2024 年更新了细菌优先病原清单，把耐药细菌按紧迫程度分成关键、高、中三档。这份清单被反复引用，但引用者常常只用到它的结论，很少有人问：那些细菌的基因组和药敏数据，散在哪些地方，质量如何，能不能拼成一张可用的表。ARKbase 就是对这个问题的一次正面回答——它把清单里的 14 个物种挑出来，从 NCBI 与 BV-BRC 捞回带药敏记录的基因组，逐一做质控、重注释、判读，再挂上耐药基因、毒力因子、药物靶点等十余类注释。

它不是一个基因目录，而是一份菌株档案。目录回答「这个基因是什么」，档案回答「这个菌株带着什么、药敏如何、还剩下哪些可以打的靶点」。这个区别决定了它的用法：想做耐药基因比对的人会失望，因为它不提供完整的基因分类体系；想研究某一个优先病原整体面貌的人会觉得顺手，因为菌株、表型、注释都在同一套主键下面。

代价是覆盖窄而深。14 个物种、逾一万个基因组，听着不少，但和 BV-BRC 里动辄上百万的病原基因组相比只是零头；换来的是每个基因组都过了两套机构的质控线。一屏速览见下表。

维度	内容
正式名称	ARKbase: Antimicrobial Resistance Knowledgebase 1.0
俗称与别名	ARKbase、ARKbase 1.0、AMR Knowledgebase
维护机构	CSIR-Institute of Microbial Technology（CSIR-IMTECH），印度昌迪加尔，生物信息学中心
通讯负责人	Anshu Bhardwaj（概念设计与经费负责人）
首发论文	Nucleic Acids Research 54(D1):D703，2026 年 1 月，doi:10.1093/nar/gkaf1307
版本	1.0；Figshare 归档为第 2 版，2025-10-24 发布
物种覆盖	14 个（WHO 2024 年细菌优先病原清单的子集）
基因组规模	论文正文表述为「逾一万个质控合格基因组」
核心模块	数据库模块、洞察模块、比较分析模块
洞察子模块	14 个（耐药基因、毒力因子、靶点、互作等）
质控标准	基因组按 EUCAST 全基因组测序指南，药敏按 CLSI 折点
分类框架	WHO AWaRe 三分类（Access / Watch / Reserve）
数据格式	关系型数据库（MySQL 8.0）加网页表格；下载为 CSV 与压缩包
取数方式	网页按病原下载、Figshare 压缩包、GitHub 源码自建
许可	Figshare 标注 CC BY 4.0
官方入口	datascience.imtech.res.in/anshu/arkbase

§1 它要解决的具体麻烦

AMR 研究里有一个长期的不对称：基因层面的数据库很成熟，菌株层面的档案很零散。CARD、ResFinder、MEGARes 这些资源把耐药基因整理得井井有条，可它们的组织单位是基因，不是菌株。当你要回答「这个菌株为什么耐药」时，得自己把基因目录和基因组注释拼起来；当你要问「这个物种的耐药谱长什么样」时，还得自己去找药敏数据，再和基因组对齐。ARKbase 的出发点就是省掉这一步拼接。

1.1 一句话结论：它把「物种—菌株—基因—表型—靶点」串成一条链

这条链的价值在串联本身，不在任何单个环节。单独看，每个环节都有更好的资源：基因目录有 CARD，菌株基因组有 BV-BRC，药敏有 NCBI AST Browser，靶点有 DrugBank 与 TTD，蛋白互作有 STRING。ARKbase 没有在这些环节里做得比专业库更深，它做的是把同一条链上的多个环节对齐到同一个菌株 ID 上，并统一注释口径。

统一口径这件事被低估了。同一个基因组，用不同版本的注释流水线跑出来，基因数量与边界可以差出百分之几；同一个药敏结果，用 CLSI 折点与用 EUCAST 折点判读，敏感与耐药的归类可能相反。ARKbase 把注释统一到 PGAP 一套，把判读统一到 CLSI 一套，跨越所有 14 个物种。这意味着跨物种比较时，差异更可能来自生物学，而不是来自流水线版本。

这个设计取向也解释了它为什么不做大而全。要做全，就得放弃统一；一旦放弃统一，跨物种比较这件事就失去了基础。CSIR-IMTECH 团队选择的是窄而深，用 14 个物种换来一套从头到尾一致的加工流程。

1.2 三条常见的错误期待

期待一：以为它是一份耐药基因的权威目录。 有些使用者第一次听到「AMR knowledgebase」，会以为它能替代 CARD 或 ResFinder。实际上 ARKbase 里的耐药基因注释，本身就是用 RGI、ResFinder、AMRFinderPlus、ABRicate 等几种工具加上 MEGARes 数据库跑出来的结果，它站在这几种工具之上，没有重造基因分类体系。它的基因层面数据是注释结果，不是参考集。

期待二：以为它的规模意味着可以当作耐药监测的全景图。 14 个物种是 WHO 清单的子集，清单本身分为关键、高、中三档，而 ARKbase 选取的是其中 14 个。地理来源上，菌株来自 NCBI 与 BV-BRC 的公开数据，这意味着采样强度高的地区贡献更多菌株，采样薄弱的地区几乎没有代表性。把它当作全球耐药态势的全景会得出偏差很大的结论。

期待三：以为它像 KEGG 或 STRING 那样可以直接调用接口。 ARKbase 是 LAMP 架构的关系型数据库，前端是 PHP 页面，查询在页面里完成，结果以表格呈现。论文提到用户可以按病原下载 CSV，全库可以通过 Figshare 压缩包获取，但没有公开的程序化查询端点。做批量分析时，接口这条路走不通，得走下载。

1.3 它能给到的与给不到的

你的需求	它给的	够不够
做靶点发现的早期筛选	多属性筛选的靶点候选表	够，§4.3 的案例给了完整走法
某个优先病原的菌株清单与药敏	按物种组织的菌株表，含药敏类别与 AWaRe 分层	够，但需自行核对源菌株信息
耐药基因注释	多种工具并行注释的结果（含 MEGARes 参照），挂在菌株下	够做筛选，不够做基因分类学
毒力因子位置	毒力因子注释与操纵子归并	够用
药物靶点候选	带多重筛选属性的靶点表	中等，论文只给了大肠杆菌的用例
靶点与已知药物的互作	药物靶点互作记录	中等，覆盖深度官方未量化
蛋白结构信息	耐药基因相关结构注释，与 AlphaFold、Foldseek 一类的结构比对关联	中等，依赖外部结构库
同源基因簇层面的比较	直系同源组与泛基因组归并	中等，需自行聚合
机器学习模型清单	按 AWaRe 分类整理的已发表模型	中等，未公布总数
抗生素暴露转录组	指向 SRA 与 GEO 的数据集清单	引导性质，需回原库取数
跨物种比较	比较分析模块，可对比耐药基因、毒力因子与靶点	够用
完整的变异分类体系	不提供	不够，需另找
临床层面的用药建议	不提供	不够，且不应期待
大批量程序化取数	不提供 REST 接口	不够，只能下载

1.4 你的处境与它能帮到的事

你的处境	它能帮你什么	下一步该做什么
刚接手一个优先病原的耐药课题，想知道现有数据长什么样	给出该物种的菌株规模、药敏构成与注释覆盖	先读 §2.4 的物种表，确认目标物种在不在 14 个里
手上有一批自测基因组，想找参照做耐药基因比对	提供同物种的已注释菌株，可作为比对背景	用 MEGARes 或 CARD 做注释，再把结果与本库对照
在做新药靶点发现，需要一个候选清单	提供带可成药性、非人同源、必需性筛选的靶点表	读 §4.2 的筛选逻辑，再决定要不要重跑
写综述时需要 WHO 优先病原的耐药概览	可引用其物种选取逻辑与质控标准	引用论文而非网页，网页无稳定版本号
想训练基因型到表型的预测模型	有菌株级基因型与表型配对，是本库最实用的部分	先看 §7.3 的偏差清单，确认训练集不与测试集重叠
要做抗菌药管理（stewardship）的政策分析	帮助有限，缺处方与临床结局	转向 AMR-UTI 这类带处方的临床数据集
要查某种药物在优先病原中的折点	已知抗生素表含 AWaRe 类别与折点值	回 CLSI 原文核对具体版本年份
需要全库离线部署	Figshare 有全库压缩包与源码	准备 MySQL 8.0 环境，按 §5.5 的步骤走
只想给一个化合物找参照骨架	结构搜索与已知抗生素库比对	照 §4.3 的案例第三段走一遍

1.5 一句话判断

如果你的问题以「菌株」为单位、且落在 WHO 优先病原之内，ARKbase 能省掉大量对齐工作；如果你的问题以「基因」或「患者」为单位，它不是正确的入口。

1.6 不适合谁：四条边界

不适合把耐药基因目录当主诉求的人。 需要完整基因家族分类、等位基因编号或变异位点体系的研究，应当直接用 CARD 的 ARO 本体或 MEGARes 的分类树。ARKbase 提供的是注释命中，不是分类学。

不适合做临床用药决策的人。 库里的药敏是体外结果，判读依据是 CLSI 折点，与患者的感染部位、剂量、组织穿透、联合用药全部无关。任何把这里的耐药类别直接映射到处方建议的做法都不成立。

不适合需要全病原覆盖的监测分析。 14 个物种之外的病原不在库内。做全院或全国耐药监测时，缺的那部分会直接扭曲比例。

不适合需要程序化接口的工程团队。 没有 REST 端点，没有分页游标，没有 OpenAPI 描述。每日增量同步这类需求，在这个库上无从实现，只能按版本做全量比对。

§2 数据构成与规格

2.1 三个模块与一个后端

ARKbase 的结构可以用一句话概括：三块功能，共用一套后端。数据库模块存菌株与药敏，洞察模块存十四类注释，比较分析模块在前两者的基础上做跨物种对照。三者在网页上是三个入口，在数据库里是同一批表的不同视图拼装。

后端是很朴素的一套：Linux 上跑 Apache 2.4.41，PHP 7.4.3 处理请求，MySQL 8.0.26 存数据，phpMyAdmin 做图形化管理。前端是 HTML、CSS 与 JavaScript。这个技术栈的选择透露了两个信息：一是团队把精力放在数据加工而非平台工程上；二是批量使用者的正确姿势是拿到转储自己查，而不是指望网页。

仓库分成两个顶层目录：一个是数据库源码，含前后端全部代码；另一个是分析目录，按模块分文件夹，每个文件夹下有脚本与说明文件。这个组织方式让每个模块的产出可以独立复现，也意味着想改某类注释，只需要替换对应文件夹里的脚本重跑，不必动整体。

层	组件	作用	对使用者的意味
表现层	HTML/CSS/JavaScript 页面	检索、浏览、图表与下载按钮	浏览器可用，脚本化抓取困难
应用层	PHP 7.4.3	拼接查询、渲染表格	无公开接口，逻辑不透明
数据层	MySQL 8.0.26	存全部表	拿到转储后可用任意 SQL
管理	phpMyAdmin	表结构维护	使用者一般用不到
分析	各模块独立脚本	生成注释	可复现，可替换
归档	Figshare 压缩包	版本快照	引用的稳定锚点

2.2 字段与记录的完整字典

下表按「对象」而不是按「表名」组织，因为网页上的表名与数据库里的表名不一定一致，用对象来记更稳。

对象	一行代表什么	关键字段	粒度	可靠性
物种	一个优先病原	物种名、WHO 分层、是否在库内	14 行	高，与清单一一对应
基因组	一次组装	登录号、物种、contig 数、NG50、宿主	菌株级	高，过质控
药敏记录	菌株与一种药物的组合	药物名、MIC 或纸片直径、判读类别	菌株×药物	高，按 CLSI 判读
AWaRe 映射	一种药物的分类	Access、Watch、Reserve	药物级	高，来自 WHO
耐药基因注释	菌株上的一个基因命中	基因名、工具、命中类型	菌株×基因	中，工具依赖
毒力因子	菌株上的一个毒力相关基因	基因名、功能类别	菌株×基因	中
操纵子	一组共转录的相邻基因	起始与终止坐标、包含基因	基因组×操纵子	中，预测得到
同源基因簇归并	一个直系同源组	组编号、成员基因	跨菌株	中
生物合成基因簇	一段候选合成通路	坐标、产物类型、相似簇	基因组×簇	中，算法预测
抗生素	一种已知药物	名称、AWaRe 类别、折点值	药物级	高
药物靶点	一个候选靶蛋白	蛋白、筛选属性组合	蛋白级	中，筛选得到
药物靶点互作	一对（靶点，化合物）	靶点、化合物、证据	对级	中
蛋白互作	一对蛋白	两个蛋白、合并得分	对级	中，得分门槛筛选
宿主病原互作	一对（人蛋白，病原蛋白）	两侧蛋白、来源库	对级	中，四库合并
机器学习模型	一个已发表模型	病原、算法、性能、代码链接	模型级	低到中，未统一评估
转录组数据集	一个公开数据集	登录号、药物暴露条件	数据集级	中，指向外部

2.3 一条记录的完整解剖

取一条大肠杆菌的菌株记录，把它在库里的样子摊开。下面的结构是示意，字段名按论文与仓库的命名习惯给出，具体列名以 Figshare 转储为准。

species            : Escherichia coli
who_priority_tier  : Critical（关键级）
genome_accession   : GCA_XXXXXXXXX.X
host               : Homo sapiens
contigs            : 87                 #-- 需不超过一百才纳入
ng50               : 62,400 bp          #-- 需大于三万物碱基
ast_records        : 12                 #-- 与该菌株配对的药物条数
  - drug           : ampicillin
    method         : MIC
    value          : 32 mg/L
    interpretation : Resistant          #-- 按 CLSI 折点判读
    aware_class    : Access
  - drug           : meropenem
    method         : MIC
    value          : 0.06 mg/L
    interpretation : Susceptible
    aware_class    : Watch
arg_annotations    : 9                  #-- 多工具合并后的非冗余命中
  - gene           : blaTEM-1
    tools          : RGI, ResFinder, AMRFinderPlus, ABRicate
    hit_type       : perfect
vf_annotations     : 14
bgc_predictions    : 3
drug_target_hits   : 13                 #-- 论文用例中满足全部筛选条件的蛋白数
ppi_partners       : 列表形式，按合并得分不低于七百筛选

这条记录说明了三件事。第一，主键是登录号而不是内部编号，这点很重要——它让你可以从 ARKbase 跳到 NCBI 核对原始组装。第二，药敏是一对多的子表，一条菌株记录背后可能挂着十几条药物记录，统计时不能把它们数成菌株。第三，耐药基因注释里带着工具来源，同一个基因被几套工具同时命中，可信度就高于只被一套命中。

2.4 物种与规模的分布表

论文只公布了一个总量口径：质控合格的基因组逾一万个。分物种的数字放在补充材料里，正文没有列。因此下表的分物种规模列只能写定性判断，不能写数字——任何声称「某物种有几千个基因组」的说法，都需要回到补充材料核对，本文不代劳。

物种（中文）	物种（拉丁名）	WHO 分层	库内规模（定性）	常见用途
鲍曼不动杆菌	Acinetobacter baumannii	关键	较大	碳青霉烯耐药机制
肺炎克雷伯菌	Klebsiella pneumoniae	关键	较大	高毒力高耐药克隆
大肠杆菌	Escherichia coli	关键	最大	靶点筛选、模型训练
金黄色葡萄球菌	Staphylococcus aureus	高	较大	MRSA 耐药谱
肠球菌属	Enterococcus faecium	高	中等	万古霉素耐药
铜绿假单胞菌	Pseudomonas aeruginosa	高	较大	外排泵与膜通透性
沙门氏菌	Salmonella spp.	高	中等	食源性耐药
淋病奈瑟菌	Neisseria gonorrhoeae	高	中等	头孢曲松敏感性下降
志贺氏菌	Shigella spp.	高	较小	多重耐药
结核分枝杆菌	Mycobacterium tuberculosis	中	较小或未纳入	需专门流程
肺炎链球菌	Streptococcus pneumoniae	中	较小	大环内酯耐药
流感嗜血杆菌	Haemophilus influenzae	中	较小	β-内酰胺酶
空肠弯曲菌	Campylobacter jejuni	中	较小	氟喹诺酮耐药
幽门螺杆菌	Helicobacter pylori	中	较小	克拉霉素耐药

上表的物种名按 WHO 清单与论文陈述整理；具体哪 14 个物种入选，以论文补充材料第一张表为准。本文对分物种规模的判断只到定性——「较大」与「较小」指的是相对次序，不是数字。

2.5 与同类资源的字段差异

资源	主粒度	是否有药敏	是否有靶点	是否可用脚本取数	物种范围
ARKbase	菌株	有，CLSI 判读	有，含筛选属性	下载，无接口	14 个优先病原
CARD	基因	无	无	有下载，RGI 可本地跑	全病原，基因级
BV-BRC	基因组	有，较分散	无	有完整接口	全病原，规模极大
NCBI AST Browser	菌株	有，原始记录	无	有接口	由提交决定
MEGARes	基因	无	无	有下载	全病原，主要面向宏基因组
VFDB	基因	无	无	有下载	毒力因子专库
STRING	蛋白	无	无	有接口	全物种，互作

这张表的意义在于划清分工。ARKbase 把药敏和靶点放在同一个菌株锚点上，这在上表前几行里是唯一的；但它在基因分类的深度上不如 CARD，在全病原覆盖上不如 BV-BRC，在互作的广度上不如 STRING。它的位置是交叉点，不是每个坐标轴的顶点。

按同样的方式看字段的语义，还能发现另一组差异。基因目录的字段回答「这个基因属于哪个家族、有哪些等位变异、检测阈值是多少」；仓储型资源的字段回答「这个组装来自哪里、谁提交的、质量如何」；ARKbase 的字段回答的是「这个菌株在这些药物上是什么结果、它带着哪些注释、这些注释由哪些工具给出」。三组字段各自服务于不同的问题，硬拼成一张表会因为缺列而失去意义。

一个常见的做法是把 ARKbase 的菌株表与 CARD 的基因表按基因名连接，做一个「菌株—基因家族」的矩阵。这个做法可行，但要注意基因名不是稳定键：同一个基因在不同工具下的命名可能不同，同一个名称也可能对应不同的等位变异。连接前先统一命名，比连接后清洗要省事得多。

§3 定位与身份：一个机构、一次取舍、一套标准

3.1 机构与学科背景

ARKbase 出自印度昌迪加尔的 CSIR-微生物技术研究所，具体是生物信息学中心。这个背景解释了几件事：一是团队长期处理微生物基因组，对质控流程有工程化的理解；二是经费来源里有国家研究基金会、科学与工业研究理事会、印度医学研究理事会与印度国家工程院，都属于印度国家级科研资助，决定了它是一个公共服务型项目，而不是商业产品；三是团队规模大约十五人，这个体量足以维护一套注释流水线，但不足以支撑一个高并发的对外接口服务。

资助方的多元也意味着它不会因为单一经费到期而立刻停摆，但也意味着没有任何一个资助方承诺长期运维。这一点在评估其可持续性时值得记住，详见 §7.5。

3.2 身份：档案，不是目录

把 ARKbase 与几个常被放在一起比较的资源对照，身份差异会更清楚。

维度	目录型（CARD、MEGARes）	档案型（ARKbase）	仓储型（BV-BRC、NCBI）
组织单位	基因或基因家族	菌株	任意提交
典型问题	这个基因属于哪一类	这个菌株带了什么	有哪些相关数据
质量控制	人工审编	流程化质控	由提交者决定
深度	基因家族内很深	多类注释各中等	单类很深
主要风险	门槛高，新基因滞后	覆盖窄	质量参差

ARKbase 的位置很明确：它是档案型。档案的价值在于完整与一致，不在于单点的深度。理解这一点之后，就不会拿「为什么耐药基因分类不如 CARD 细」来质疑它——那不是它的任务。

3.3 许可与合规身份

图库归档页标注 CC BY 4.0，允许共享与改编，包括商业用途，条件是署名。论文正文写的是数据「freely available」，没有复述许可条款。网站页面本身以页脚版权声明为主，没有单独的数据许可段落。

这是三个层次的信息：归档平台的元数据最正式，论文的表述最宽泛，网站页面最不明确。合规上应当以 Figshare 的元数据为准，因为它是有版本、有 DOI、有明确条款的归档记录；但正式商用前，向作者确认一次的成本很低，值得做。

3.4 版本与引用身份

当前可引用的是 1.0 版，对应 NAR 2026 年数据库专刊。Figshare 上有两个版本记录：第 1 版 2025 年 10 月 10 日，第 2 版 2025 年 10 月 24 日。论文 2026 年 1 月发表。

引用时应当引用论文的 DOI，而不是网页。原因很实际：网页没有版本号，也没有变更日志，今天引用的页面内容半年后可能已经不同，而论文对应的是一次固定的数据快照。

§4 质量与特色：标准、工序与一次真实的靶点筛选

4.1 两道质控线怎么落

基因组侧的标准来自 EUCAST 的全基因组测序指南。三条具体门槛：contig 数不超过一百，NG50 大于三万物碱基，长度超过五百碱基的 contig 不超过一百条。前两条针对碎片化，第三条针对短碎片混杂。通过这三条之后，组装再用 QUAST 统一测量，避免不同工具口径不一致。

药敏侧的标准来自 CLSI。菌株携带的药敏表型按 CLSI 折点判读为敏感、中介、耐药，再按 AWaRe 归入 Access、Watch、Reserve 三档。AWaRe 是 WHO 的药物分类，Access 类耐药风险低、应作为首选，Watch 类用于有限适应症、耐药潜力较高，Reserve 类属最后手段、须严格管控。把药敏结果放进这个框架，是 ARKbase 相对其他基因组库的一个明确差异。

入选环节还有三条过滤，且发生在质控之前：宿主必须是人类，contig 数不超过一百，必须存在药敏记录。第二条与质控的第二条部分重叠，第一条把动物源与环境源菌株排除在外，第三条是最有影响的——它意味着没有药敏的基因组根本不进入候选池。

4.2 靶点筛选的工序

洞察模块里的药物靶点不是「预测出来的靶点」，而是「按多条属性筛出来的蛋白」。论文列出的筛选项包括：对病原生存是否必需、是否在人类蛋白组中有同源物、kmer 特征、是否为泛基因组核心蛋白、是否存在旁系同源、是否为毒力因子、中心度是否在前十、是否在 DrugBank 与 TTD 中已收录（用于判断新颖性）。

这些属性的组合方式决定了结果的倾向：越多的条件同时满足，剩下的蛋白越少，但每一个都更接近可成药。论文的第一个用例正是在大肠杆菌上跑这套筛选，最终得到十三个候选蛋白。这个数字不大，但正因为不大才可用——十三个人工复核得完，一千三百个复核不完。

4.3 案例：大肠杆菌 LpxA 从候选到跨物种验证

论文用三个连续用例演示了平台的用法，全部围绕大肠杆菌展开。这是理解 ARKbase 能做什么的最具体材料，后文多处会回到它。

第一个用例做筛选：在大肠杆菌上施加多重条件，包括必需性、非人同源、泛基因组核心、非旁系同源、毒力因子、中心度前百分之十、以及新颖性核对，最终留下十三个蛋白作为潜在靶点候选。

第二个用例做推广：从十三个里挑出一个，即 UDP-N-乙酰葡糖胺酰基转移酶，简称 LpxA。它在脂质 A 合成通路里起作用，文献已知它是针对多重耐药革兰阴性菌的有吸引力的靶点。用这个蛋白在其他优先病原里做相似性检索，至少在四个病原中找到了高度相似的序列同源物——这为广谱抑制剂的设想提供了序列层面的依据。

第三个用例做新颖性检验：拿两个被认定为 LpxA 潜在抑制剂的化合物，在结构搜索模块里与已知抗生素库比对，没有命中。作者据此认为可能是新的化学骨架。

三件事连起来看，就是 ARKbase 想提供的完整工作流：在一个物种里筛靶点，跨物种验证保守性，再用结构比对排除已知骨架。它没有做实验验证，也没有做分子对接打分，这两步留给使用者。这个边界划得很清楚。

这段流程里最有信息量的是第二个用例。从一个物种筛出的靶点，如果只在该物种有用，商业价值有限；若在多个优先病原里保守，才有广谱抑制剂的想象空间。用序列相似性做这一步验证，成本极低，却能把候选范围大幅收窄。反过来说，如果没有命中，也不能立刻判定靶点不成立——序列相似性不等于结构相似，更不等于功能等价，这一点在使用 §4.3 的案例时最容易被忽略。

第三个用例的方法论也值得拆开。把候选抑制剂的结构放进已收录的抗生素库里做比对，命中就意味着「这个化合物可能只是已知骨架的变体」，未命中则提示可能是新骨架。这个方法的好处是可解释、可复现；局限是把「未命中」当成「新颖」是有条件的，前提是参照库本身足够全。库里的抗生素集合若偏窄，未命中的含金量会下降。

三个用例合起来，实际上演示了一种研究节奏：先在单个物种上把候选压到可人工复核的规模，再做保守性，再做新颖性。顺序不能倒——先做新颖性会因为没有靶点而空转，先做保守性会因为候选太多而无法收尾。这个顺序本身，比任何一个具体结论都更值得借鉴。

4.4 特色与短板并存

特色一：统一注释。 全库基因级注释都由 PGAP 产出，注释口径不随物种变化。这对跨物种比较是关键前提。

特色二：药敏与分类框架打通。 药敏结果不只是敏感或耐药，还带着药物在 AWaRe 中的位置。这让「这个物种的耐药集中在哪一档药物」这类问题可以直接回答。

特色三：靶点空间的多属性筛选。 把可成药性的多个维度做成交互式筛选，是大肠杆菌用例能收敛到十三个的直接原因。

短板一：子模块的记录条数不透明。 论文正文对耐药基因、生物合成基因簇、药物靶点、蛋白互作、宿主病原互作、机器学习模型、转录组数据集的条目数一概未给，全部推给补充材料。这意味着外部无法在不下载全库的情况下判断任一子模块的体量。

短板二：机器学习模型未统一评估。 收录的是已发表模型，按病原与算法整理，但没有在统一测试集上重跑，性能数字来自各自论文，口径不同。

短板三：结构注释依赖外部。 结构相关的分析建立在已有结构库与结构比对之上，不是自建的实验结构。

§5 怎么拿到：三条路与它们的代价

5.1 三条取数路径的对照

路径	入口	拿到什么	适合谁	代价
网页下载	平台首页，按病原进入后点下载	单病原的 CSV 表	只想看一两个物种	逐表点击，无法批量
归档压缩包	Figshare DOI	全库输出与源码压缩包	要做批量分析	体积大，需自建环境
源码自建	GitHub 仓库	分析脚本与数据库源码	要改注释或复现	需装 MySQL 与依赖

没有第四条。想要接口的人需要接受一个事实：这个库在设计上不面向程序化访问。

5.2 网页路径的实际操作

打开平台首页，会看到三个模块入口。进入数据库模块后，按病原展开，能看到该物种的菌株表。表格可以导出为 CSV，粒度是按病原。这条路径适合快速看一眼某个物种的规模与药敏构成，不适合做全库统计。

页面依赖 JavaScript 渲染。用命令行工具抓取时，拿到的往往是空壳，这不是站点故障，而是设计。要抓数据请走下载，不要试图爬页面。核验期间，本地对其首页的直接访问出现过超时，说明它对外服务的稳定性并不始终在线——这一点对任何依赖它做实时查询的流程都是风险，而下载归档包则不受影响。

换个角度看，网页的价值在于浏览与探索，而不在于取数。想弄清楚一个物种里有哪些药物做过药敏、哪些药物属于 Reserve 档，用网页点击几次最快；一旦问题变成「所有物种的 Resistance 比例分布」，就必须走本地库。把这两种使用场景分开，能省掉很多在浏览器里反复筛选却导不出结果的时间。

5.3 归档包的结构

Figshare 上的归档页提供两个压缩包：一个是全库输出，命名带版本号；另一个是生成数据库用的源码。前者的内容对应数据库里的表，后者对应分析脚本。

#-- 在能联网的机器上取回归档（DOI 会重定向到具体版本）
curl -L -o arkbase_v1.zip "https://doi.org/10.6084/m9.figshare.30329842.v2"
#-- 解包后先看目录，不要直接全量导入
unzip -l arkbase_v1.zip | head -40
#-- 克隆源码仓库，用于复现或改写注释
git clone https://github.com/AB-DataScienceLab/ARKbase.git
ls ARKbase/ARKbase\ Analysis/

解包之后的第一件事是看目录，而不是导入。压缩包里既有可能有数据表，也可能有建库脚本，两者的处理方式完全不同。全库输出与源码分析目录是两件事：全库输出是成品数据库的导出，源码分析目录是重新生成注释的脚本集合。想用数据，取前者；想改注释口径，取后者。混用会浪费时间——比如只想看某个物种的药敏，却去跑一遍注释流水线。

还有一点容易踩空：归档包的版本号与论文的版本号不是同一个概念。归档的第 2 版只是修正了第一次归档里的问题，不代表功能上的新版本；论文里写的 1.0 指的是知识库的正式版本。引用时把两者写清楚，可以避免别人按你的描述去下载却找不到对应文件。

5.4 本地库的落法

如果拿到的导出文件是 SQL 转储，导入 MySQL 8.0 是最直接的做法。下面的脚本给出一个可执行的骨架，库名、字符集与列名需要按实际转储调整。

#-- 确认本机已有 mysql 客户端与服务端
mysql --version
#-- 建一个独立库，字符集与源库保持一致
mysql -u root -p -e "CREATE DATABASE arkbase CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci;"
#-- 导入转储（若转储自带建库语句，去掉这一行的建库步骤）
mysql -u root -p arkbase < arkbase_dump.sql
#-- 核对主要表是否都在
mysql -u root -p arkbase -e "SHOW TABLES;"

导入之后应当先做一次行数盘点，确认每个表都有内容。空表往往意味着某一步过滤条件写错，或者转储分片没有全部导入。

5.5 用 SQL 做基本核对

拿到本地库之后，最该先跑的是三条核对：物种是否十四、药敏记录是否真的挂在菌株上、耐药基因注释是否记录了工具来源。这三条决定了后续分析可不可信。

#-- 核对物种数，应当为十四
SELECT COUNT(DISTINCT species) AS n_species FROM species;

#-- 按物种看菌株数，确认没有离谱的空物种
SELECT species, COUNT(*) AS n_genome
FROM genome
GROUP BY species
ORDER BY n_genome DESC;

#-- 按 AWaRe 档位看药敏记录的分布，检查三档是否都有数据
SELECT aware_class,
       interpretation,
       COUNT(*) AS n_record
FROM ast
GROUP BY aware_class, interpretation
ORDER BY aware_class, interpretation;

第三条查询的意义在于暴露一个常见问题：如果 Reserve 档的记录极少甚至为零，说明该库的药物覆盖偏向一线用药，做「最后手段药物耐药」的研究会样本不足。

5.6 最小的 Python 侧处理

从数据库导出后，最常见的处理是把菌株级药敏聚合成基因型特征。下面这段代码只用标准库，读一份导出的 CSV，输出每个物种的耐药比例，可直接跑。

#-- 读导出的药敏表，按物种与药物统计耐药比例
import csv
from collections import defaultdict

resistant = defaultdict(int)
total = defaultdict(int)

with open("ast_export.csv", newline="", encoding="utf-8") as fh:
    for row in csv.DictReader(fh):
        key = (row["species"], row["drug"])
        total[key] += 1
        if row["interpretation"].strip().lower() == "resistant":
            resistant[key] += 1

rows = []
for key, n in total.items():
    rows.append((key[0], key[1], n, resistant[key], resistant[key] / n))

rows.sort(key=lambda r: (-r[2], r[0], r[1]))
print(f"{'species':30s} {'drug':25s} {'n':>6s} {'R':>6s} {'pct':>7s}")
for species, drug, n, r, p in rows[:30]:
    print(f"{species:30s} {drug:25s} {n:6d} {r:6d} {p*100:6.1f}%")

这段代码不假设任何库结构，只假设导出表有四列。真正的工作量在于把导出表的列名对齐到这四个字段，以及决定「中介」如何处理——是并入耐药还是单列，会显著改变比例。

5.7 三条路径的选择依据

你的产出形态	建议路径	理由
一篇论文的三个物种表	网页下载	拿到的就是整理好的表，无需入库
一个可复现的分析脚本	归档包	有固定版本号，脚本可写死路径
一个自定义物种集合的流程	源码自建	需要替换物种列表与质控参数
一个长期维护的内部服务	都不建议	没有更新接口，无法增量同步
一次临时的交叉核对	网页	成本最低

第五行值得展开。做交叉核对时，最省事的办法是打开网页搜一个基因名，看它在哪些菌株里出现，再回 CARD 查这个基因的家族归属。这条路不需要任何环境准备，也不需要读文档。它不能规模化，但用于验证一个直觉足够了。

§6 与库内条目的关系

6.1 关系图谱

ARKbase 在本库里的位置是「菌株视角的 AMR 档案」，它与周围记录的关系可以按距离分成三层。

距离	条目	关系	协作方式
最近	CARD	基因层面的上游	用 CARD 的 RGI 复核 ARKbase 的耐药基因命中
最近	BV-BRC	菌株与基因组的源池	ARKbase 的菌株多数可回溯到 BV-BRC 或 NCBI
次近	STRING	互作数据源	ARKbase 的蛋白互作来自 STRING 的筛选
次近	VFDB 类毒力因子库	毒力注释参考	交叉核对毒力因子命中
中等	AMR-UTI	临床侧对照	前者是菌株与药物，后者是患者与处方，互补
较远	各类病原基因组仓储	覆盖广度	做全病原分析时回到仓储

6.2 检索路径

按问题类型选择入口，比按资源名称选择更有效。

你想问的	从哪进	然后做什么
某个耐药基因的家族归属	CARD	用 ARO 编号定位，再回 ARKbase 看它在哪些菌株里出现
某个物种有多少可用菌株	ARKbase	看物种表，再去 BV-BRC 核对总量
某个菌株的完整背景	BV-BRC	用登录号检索，核对组装与元数据
蛋白互作的可信度	STRING	用合并得分阈值重算，与 ARKbase 的筛选对照
耐药谱与处方的差距	AMR-UTI 类临床集	把 ARKbase 的物种级耐药比例当作背景先验

6.3 与临床类条目的一次具体对照

本库里带 AMR 字样的词条不止一个，最容易混淆的是临床侧的数据集。二者的对照能说明「菌株问题」与「患者问题」的分野。

对照项	ARKbase	临床 AMR 数据集（如 AMR-UTI）
一行代表	一个菌株	一份标本或一次处方
耐药从哪来	体外药敏记录	临床微生物实验室回报
是否有处方	无	有，且在检验回报前做出
是否可算临床结局	不可	部分可
典型问题	这个菌株为什么耐药	医生在信息不全时怎么选药
分析单位	物种、菌株、基因	患者、就诊、处方

两者的连接点在物种级的耐药比例。把 ARKbase 算出的某个物种对某种药物的耐药率，作为临床数据集的背景先验，是一个合理的用法；反过来，把临床数据集的处方分布当作菌株层面的耐药谱，则是不成立的。这个方向的限制，在做交叉引用时必须写清楚。

6.4 三条不该指望的跨库拼接

不该把耐药基因注释直接按名字拼到临床报告上。 临床报告里写的是表型结论，基因注释给出的是型别，两者之间隔着表达水平与调控机制。

不该用本库的物种清单去筛选其他库的样本。 14 个物种在其他库里往往有数十个亚种级分类单元，按物种名做等值匹配会漏掉大量记录。

不该把两个库的靶点表直接合并去重。 靶点的标识既可能是蛋白登录号，也可能是基因名，还可能是结构域编号，直接去重会产生大量伪重复。

§7 质量评估与局限性

7.0 阅读本节前的一个前置校正

读到这里，很多人已经形成了一个默认印象：规模数字越大越好，覆盖物种越多越好。这个印象在本库上会造成系统性误判。

ARKbase 的设计目标不是做大，是做一致。它的 14 个物种、逾一万个基因组，是在三条过滤加三道质控之后剩下的。同样的基因组如果放进一个不做质控的仓储，规模可能大两个数量级，但每条记录的可比性会下降。评估这个库时，分母不重要，留在分子里的记录是否经过同一套加工才重要。

第二个容易误判的地方是把「未公布」当成「没有」。论文没写耐药基因的记录条数，不代表这个子模块是空的；它只说明官方没有在正文里给出汇总口径。对这种情形，正确的态度是标注「未核实」，而不是推断为零，也不是自己下载全库去数。

第三个误判是把「免费可用」等同于「无条件可用」。免费是访问条件，许可是使用条件，两者是两件事。这份库的访问免费且无需注册，许可则要从归档记录去确认。

还有第四个，也是最隐蔽的一个：把「论文里演示的用例」当成「全库的普遍水平」。§4.3 的案例中，大肠杆菌的靶点筛选收敛到十几个候选、跨病原验证找到至少四处同源、结构比对零命中，这三个结果都出自同一条工作流，且都在同一个物种上完成。它们说明这套工作流跑得通，不说明每个物种都能跑出同样的结果。物种之间的注释完整度、菌株数量、药敏覆盖都不同，把大肠杆菌的收率照搬到别的物种上，是本库使用中最常见的一类过高预期。

7.1 五维评分

维度	分数	理由
覆盖广度	2 / 5	14 个物种，明确限定在清单子集
记录深度	4 / 5	菌株级挂接十余类注释，深度少见
质量可控	4 / 5	三道质控加统一重注释，口径一致
工程可用	2 / 5	无接口，取数靠下载，前端依赖脚本
文档透明	3 / 5	论文说明流程清楚，子模块规模不公开
合计	15 / 25	窄而深的专业档案，不是通用基础设施

7.2 与 DAIMS 框架的对照

DAIMS 关心的是一份数据能否被下游系统可靠消费。按这个框架逐项看 ARKbase，结论比五维评分更具体。

DAIMS 要求	ARKbase 的情况	影响
数据有唯一标识	菌株用登录号，药物用名称	药物名存在同义问题，需映射
元数据可获取	论文与网页有说明，字段级字典不全	需靠转储反推
数据可溯源	菌株可回溯到 NCBI 与 BV-BRC	较强
格式可解析	数据库加 CSV，无 XML 或 JSON 导出	需自行转换
许可明确	归档有 CC BY 4.0，网页不重复	中等
版本可追踪	Figshare 有版本记录	较强
更新机制公开	未公布节奏	弱
有质量声明	有质控标准描述	较强

八项里四项较强、两项中等、两项较弱。这个剖面与它的定位一致：一份加工扎实但工程化不足的科研档案。

7.3 已知的、可枚举的偏差

选择偏差：只有带药敏的菌株能进来。 这条过滤会系统性排除那些测了全基因组但没做药敏的样本。在有药敏习惯的地区与物种里，样本会过密；在没这个习惯的地方，样本会消失。

宿主偏差：只收人类宿主。 动物源与环境源菌株全部排除。做 One Health 视角的耐药研究时，这个缺口是结构性的。

地理偏差：源池偏向提交密集的地区。 菌株来自 NCBI 与 BV-BRC，这两个库的提交强度本身就不均衡。

工具偏差：耐药基因注释依赖多种工具的合集。 不同工具对同一基因的判定阈值不同，合并之后会出现「同一菌株同一基因在不同工具下结论不同」的情况。库内保留了工具来源，这在一定程度上缓解了问题，但统计时如果不加以区分，会把工具差异当成生物学差异。

深度偏差：各子模块的覆盖不均。 论文用例集中在大肠杆菌，说明该物种的注释完善度高于其他。把大肠杆菌的结论推广到全部 14 个物种，缺少依据。

时效偏差：单版本快照。 1.0 版对应的是一次固定的数据落地，之后的菌株与药敏不会自动进入。做时间序列分析时，这个库提供不了跨时间的对比。

7.4 外部验证矩阵

验证项	验证方式	结论	置信度
机构真实存在	论文作者单位与机构官网	一致，CSIR-IMTECH 生物信息学中心	高
物种数 14	论文正文两处独立陈述	一致	高
基因组逾一万	论文正文单处陈述	无法交叉验证，补充材料才有精确值	中
药敏按 CLSI 判读	论文方法描述	明确	高
基因组按 EUCAST 质控	论文方法描述	明确	高
核心模块数	论文摘要与仓库说明	一致	高
洞察子模块 14 个	论文摘要与仓库列表	表述一致，但仓库列表项多于摘要	中
靶点候选 13 个	论文用例	单处陈述，属示例数字	中
许可 CC BY 4.0	归档页元数据	单源，网页未复述	中
有 API	论文与仓库均未提及	确认为无	高

这里有一个判断标准值得写下来：如果三项验证里有一项依赖单一来源，它的置信度就应当按中等处理，无论该来源看起来多正式。ARKbase 的物种数与模块数之所以定为高，是因为论文正文有两处独立陈述，且与仓库说明一致；基因组规模之所以定为中，是因为只有一处陈述，补充材料未在公开渠道展开。

另一个常被跳过的问题是「负向验证」：确认某个能力不存在，比确认它存在更难。比如「没有 API」这个结论，依据是论文、仓库说明与归档描述三处都未提及接口。三处未提及构成较强证据，但不是证明——理论上可能有未写进文档的端点。实践上按「没有」处理是对的，同时保留一句「以官方说明为准」的余地，是更稳的写法。

7.5 它为何能持续：靠的是国家级资助下的流程复用，而不是用户规模

一个学科型知识库能活多久，通常取决于三个条件：有没有稳定的经费、有没有可复用的加工流程、有没有一个不会被替代的定位。

经费上，ARKbase 挂在四个国家级资助之下，任何一个的周期结束都可能触发重新申请，但多元来源降低了全断的可能。流程上，它的分析脚本按模块分目录组织，每个模块可独立重跑，这意味着更新数据集的边际成本低于从零构建。这在国内外的数据库项目里并不常见——很多库的更新之所以停滞，是因为流水线耦合太紧，改一处要动全身。

定位上，它占据的是「菌株级、优先病原、统一口径」这个交叉点。这个位置目前没有强竞争者，因为大仓储不做这么细的质控，专业基因库不做菌株层面的药敏。只要 WHO 的优先病原清单还在被引用，这个定位就有需求。§4.3 的案例也是这个逻辑的一次展示：同一个靶点，只有在多个优先病原里都能被检索到，才谈得上广谱，而这种跨病原检索恰恰依赖「同一个物种集合、同一套注释」这个前提。

风险也在这里。定位窄意味着用户少，用户少意味着很难从使用数据里获得反馈来驱动迭代。它更可能沿着「跟着清单版本走」的节奏更新，而不是跟着用户需求走。对使用者来说，这意味着不必期待按需增补，而应当把它当作一份定期发布的年度档案。

还有一层不那么显眼的生存条件：流程的可迁移性。它的分析目录按模块分文件夹，每个文件夹里有脚本与说明。这种组织方式的隐含价值是，团队的人换了一批，流程还在；某个资助周期结束、下一个周期接上时，不需要从零重建。很多学术数据库死于人员流动，而不是死于经费中断。把流程做成可移交的形态，是这个库能延续下去的隐性保障。

§8 生态位与历史

8.1 历史沿革

时间	事件	意义
2017	WHO 首次发布细菌优先病原清单	确立了「按紧迫程度排序」的框架
2024	WHO 更新清单，扩展科与病原范围	ARKbase 的物种选取依据
2025-10-10	Figshare 第 1 版归档	数据集首次可引用
2025-10-24	Figshare 第 2 版归档	修订
2025-08 至 2026-01	仓库持续提交，补核心脚本与许可见	平台与文档同步完善
2026-01	NAR 数据库专刊发表	正式确立引用锚点

这条时间线说明一个常被忽略的事实：数据库类论文的「发表」通常滞后于「上线」。想在论文发表前就用上，是可以的，但要引用预印版本或归档 DOI，而不是期刊 DOI。

8.2 与 WHO 清单的关系

ARKbase 不是 WHO 的官方产品，它是第三方对清单的一次数据化实现。这个区别在引用时很重要：引用 ARKbase 不等于引用 WHO 的耐药判断，两者一个是数据整理，一个是政策框架。

清单本身也有版本问题。2024 版把病原范围做了调整，如果使用者在读旧文献时记的是 2017 版的分类，与 ARKbase 的物种清单对不上是正常的。

这层关系还有实务上的后果。写基金申请或论文引言时，若说「WHO 优先病原的耐药数据已在 ARKbase 中系统整理」，会把第三方整理说成官方成果，容易在评审中被指出。稳妥的写法是明确区分：WHO 给出的是清单与分类框架，ARKbase 给出的是围绕该清单组织的数据与注释。

8.3 与印度 AMR 研究生态的关系

印度的耐药问题在全球议程中权重很高，但本土的公开基因组与药敏数据长期偏少。ARKbase 这类由本国机构构建、面向国际公开的档案，某种程度上填补了这个缺口。它的价值不只是数据本身，还在于示范了一种做法：用公开数据加流程化质控，构建一个有明确边界的专业档案。

这种做法有可复制性。它需要的原材料全部是公开的（基因组来自 NCBI 与 BV-BRC，注释工具公开，判读标准公开），差别在于是否愿意投入做统一的质控与重注释。对一个经费有限但人员稳定的团队来说，这是比新建测序平台更现实的贡献方式。

也同样受制于这种做法的短板：它不产生新数据，只能重新组织已有数据。因此当上游数据库的记录质量或覆盖发生变化时，它会同步受到影响，无法独立改善。

8.4 生态位小结

生态位	谁占据	ARKbase 的位置
全病原基因组仓储	BV-BRC、NCBI	不在这个位置
耐药基因目录	CARD、MEGARes、ResFinder	上游依赖，不竞争
毒力因子专库	VFDB 类	上游依赖，不竞争
互作网络	STRING	上游依赖，不竞争
菌株级耐药档案	少数	主要位置
靶点发现工作台	商业库与学术工具混杂	部分位置

§9 使用指引

9.1 三种角色的路径

做耐药机制的研究者：先确认目标物种在库内，再看该物种的药敏构成，接着看耐药基因命中，最后用 CARD 的 RGI 与本地注释交叉验证。不要跳过第四步，因为库内的注释是多工具合并的结果，单独使用会把工具差异当成机制差异。

做新药靶点发现的团队：直接进洞察模块的靶点子模块，按筛选属性组合出候选，再走结构比对排除已知骨架。论文里的大肠杆菌 LpxA 那一段就是模板，照着走一遍最快。

做数据工程的开发者：不要试图爬页面。取 Figshare 压缩包，导入本地 MySQL，用 SQL 做盘点，再把结果导出成宽表供建模使用。整个流程可以在一天内跑通，前提是磁盘与内存足够。

另一类角色值得一提：做教学的人。ARKbase 的三个模块划分得很清楚，数据库、注释、比较，正好对应基因组流行病学的三个基本问题，用作教学案例比用作研究对象更合适。

9.2 一条最短的可用流程

从零到拿到一份可建模的表，最短路径是四步：取包、入库、盘点、导出。

#-- 第一步：取归档
curl -L -o arkbase_v1.zip "https://doi.org/10.6084/m9.figshare.30329842.v2"
unzip -q arkbase_v1.zip -d arkbase_data
ls arkbase_data

#-- 第二步：按实际文件类型导入（示例为 SQL 转储）
mysql -u root -p -e "CREATE DATABASE arkbase CHARACTER SET utf8mb4;"
mysql -u root -p arkbase < arkbase_data/arkbase_dump.sql

#-- 第三步：盘点，确认物种数与主要表行数
mysql -u root -p arkbase -e "SELECT COUNT(*) AS n_species FROM species;"
mysql -u root -p arkbase -e "SELECT COUNT(*) AS n_ast FROM ast;"

#-- 第四步：导出建模用的宽表
mysql -u root -p arkbase -e "SELECT g.genome_accession, g.species, g.contigs, a.drug, a.interpretation, a.aware_class FROM genome g JOIN ast a ON g.genome_accession = a.genome_accession;" > model_table.tsv

这四步里的每一步都可能需要按实际转储调整：表名、列名、外键关系都可能与示例不同。看完目录再动手，比照着示例硬跑要快。

9.3 引用方式

引用应当用论文的 DOI，而不是网页地址。作者列表按论文署名顺序，第一作者为 Gambhir，通讯作者为 Bhardwaj。版本号写 1.0，并在方法部分说明使用的归档版本（第 2 版），因为两个版本的记录时间不同。

如果只用了某一类注释，比如只用了药物靶点表，仍应引用整篇论文，并在方法里注明具体子模块。这是数据库引用的通行做法，也便于他人复现。

版本信息还应当写进数据可用性声明，而不只写在参考文献里。评审者关心的是「你用的数据能不能被下载到一模一样的副本」，因此归档 DOI、版本号、下载日期三样齐全，比只给论文 DOI 更有说服力。

§10 AI 使用声明

项目	内容
本文撰写方式	由编辑部撰写，资料取自官方页面、论文摘要与正文、归档元数据
是否使用生成式模型	是，用于草稿组织与结构安排
事实核查责任人	千方医数集编辑部
数字来源层级	见附录 B，逐项标注
未核实项的处理	标注「未核实」或「官方未公布」，不做推算
是否存在推断性数字	无。分物种规模只给定性判断
是否可以据此做临床决策	不可以
更新与纠错方式	通过页面反馈渠道提交，编辑部按版本更新

常见误读（避坑清单）

说法	实际	证据
ARKbase 是一个耐药基因数据库	是菌株级档案，基因注释是其中一类	论文摘要陈述三个核心模块均以基因组与药敏为起点
收录了 WHO 全部优先病原	只收录 14 个物种，是清单的子集	论文正文称从清单中识别出 14 个物种
有一万多个物种	逾一万是基因组数，物种只有 14 个	论文正文分列两处陈述
药敏是预测出来的	药敏是体外实验记录，按 CLSI 折点判读	论文方法段
可以当作全球耐药监测数据	源菌株地理分布不均，只收人类宿主	三条入选过滤的表述
有公开 API 可以调	无接口，只有网页下载、归档包与源码	论文与仓库均未提及 API
耐药基因注释可以直接当结论	多工具合并的结果，需按工具来源区分	论文方法段列出所用工具
许可是 CC BY 4.0，随便商用	归档标注 CC BY 4.0，网页未复述，建议确认	Figshare 元数据与网站页脚
数据会持续自动更新	单版本快照，更新节奏未公布	论文与归档版本记录
靶点表里的蛋白都做过实验验证	是计算筛选的候选，未经实验	论文用例给出的仅是筛选结果

FAQ

Q1：ARKbase 和 CARD 到底该先看哪个？
看你的问题以基因还是菌株为单位。问基因家族归属，先看 CARD；问某个菌株带了什么、药敏如何，先看 ARKbase。两者不互斥，多数研究会都用。

Q2：只有 14 个物种，会不会太少？
看用途。做 WHO 优先病原的专题研究，14 个够用且更深；做全病原监测，14 个不够，应当回到 BV-BRC 或国家监测网络。

Q3：论文里没给子模块的数字，是不是数据很少？
不能这样推。没给是官方没公布汇总口径，不是零。要看具体规模，得下载归档包或查补充材料。

Q4：为什么强调 AWaRe 分类？
因为它把药敏结果从「耐药或敏感」提升到「这种耐药发生在哪一档药物上」。Reserve 档药物耐药意味着最后手段失效，这个信息在一线药物里是看不出来的。

Q5：能用来训练基因型到表型的模型吗？
可以，这是它最实用的部分之一。但训练前要用 §7.3 的偏差清单检查：训练集与测试集是否按菌株而非按记录切分，是否有同一克隆的多份组装造成泄漏。

Q6：网页打开很慢或者显示空白怎么办？
站点位于印度，且前端依赖脚本。换浏览器或稍后重试通常能解决；若长期不可用，改走 Figshare 归档，数据是一样的。

Q7：能只下载一个大肠杆菌的数据吗？
可以，网页上支持按病原下载 CSV。但要按需取其他物种时，最好还是拿全库包，一次性解决。

Q8：药物的折点用的是哪个版本？
论文写的是 CLSI 折点，未标明具体年份版本。做跨库对比时，这一点需要与源菌株所在年份对齐，否则会出现同类菌株被判成不同类别。

Q9：为什么没有抗菌药管理的处方数据？
它的定位是菌株与药物，不是患者与处方。要研究用药决策，应当转向带处方与结局的临床数据集。

Q10：能不能把它的结果直接写进临床指南？
不能。体外药敏与临床疗效之间隔着剂量、部位、宿主状态。指南的证据等级要求远高于单个数据库的注释结果。

Q11：源码仓库能做什么？
能复现注释、替换注释工具、或者把流程迁移到自己的物种集合上。这是它相对很多封闭数据库的一个明显优势。

Q12：如果我要引用，引论文还是引网页？
引论文 DOI（10.1093/nar/gkaf1307），并在方法里注明数据版本。网页没有版本号，不适合作为可复核的引用锚点。

Q13：想做质粒介导的水平转移分析，这个库够吗？
不够。它提供的是菌株级注释与药敏，没有质粒与可移动元件的专门子表。质粒分析应当回到完整基因组，自己做移动元件识别。

Q14：为什么它的物种数限定在 14，而不是把整张清单都收进来？
推测是因为质控与药敏两条准入线加起来的合格样本量。官方没有解释具体取舍规则，本文不对其动机做判断，只说结果：清单上其余病原不在库内。

Q15：数据集里能不能找到采样年份？
论文的方法段说明了三条入选过滤，未提及时间字段。能否按年份分层，需要看转储里的实际列，本文不预设。

Q16：如果我的物种不在 14 个里，有什么替代路线？
走 BV-BRC 或 AST Browser 自建同样结构的表：先按宿主与 contig 数过滤，再做组装质控，再按 CLSI 折点判读。工作量大，但流程是公开可复现的。

术语表

术语	英文	一句话解释
抗微生物耐药	antimicrobial resistance, AMR	微生物在药物压力下存活并繁殖的能力
优先病原	priority pathogen	按公共卫生紧迫度排序的病原清单中的成员
药敏试验	antimicrobial susceptibility testing, AST	在体外测定药物对菌株的抑制能力
最小抑菌浓度	minimum inhibitory concentration, MIC	能抑制可见生长的最低药物浓度
折点	breakpoint	判定敏感、中介、耐药所依据的浓度阈值
纸片扩散法	disk diffusion	用抑菌圈直径间接反映敏感性的方法
AWaRe 分类	Access, Watch, Reserve	WHO 按耐药风险与临床必要性划分的药物三档
耐药基因	antimicrobial resistance gene, ARG	编码耐药机制的基因
毒力因子	virulence factor, VF	帮助病原定植或致病的分子
生物合成基因簇	biosynthetic gene cluster, BGC	成簇排列、共同合成某种次生代谢物的基因群
泛基因组	pangenome	一个物种全部菌株基因的并集
直系同源组	orthologous group	跨菌株的同源基因归并单元
操纵子	operon	共转录的相邻基因群
药物靶点	drug target	药物作用所针对的分子，多为蛋白
靶点互作	drug-target interaction, DTI	化合物与靶点之间的作用记录
蛋白互作	protein-protein interaction, PPI	两个蛋白之间的物理或功能关联
宿主病原互作	host-pathogen interaction, HPI	人源蛋白与病原蛋白之间的关联
核心蛋白	core protein	在物种内多数菌株中都存在的蛋白
人同源	human homolog	在人类蛋白组中存在的序列同源物
NG50	NG50	按基因组估计长度归一化后的组装连续性指标
质控	quality control	在分析前对原始数据施加的质量门槛
中介	intermediate	药敏判读中介于敏感与耐药之间的类别
最后手段药物	last-resort antibiotic	多重耐药感染时才启用的药物
关系型数据库	relational database	以表与主外键组织数据的存储方式
快照	snapshot	某一时点固定下来的完整数据副本
补充材料	supplementary material	论文正文之外随附的表与文档

附录 A：核心数字核对表

项	值	来源	来源层级
物种数	14	论文正文，两处独立陈述	论文
质控合格基因组	逾一万	论文正文单处陈述	论文
核心模块数	3	论文摘要与仓库说明	论文与官方仓库
洞察子模块数	14	论文摘要	论文
药敏判读标准	CLSI 折点	论文方法	论文
基因组质控标准	EUCAST 指南	论文方法	论文
contig 上限	一百	论文方法	论文
NG50 下限	三万物碱基	论文方法	论文
宿主过滤	仅人类	论文方法	论文
大肠杆菌靶点候选	13 个蛋白	论文用例一	论文
跨物种同源验证	至少 4 个病原	论文用例二	论文
结构比对命中	0 个已知抗生素	论文用例三	论文
宿主病原互作来源库	4 个	论文方法	论文
蛋白互作得分门槛	不低于七百	论文方法	论文
许可	CC BY 4.0	归档元数据	官方归档
归档第 2 版时间	2025-10-24	归档页	官方归档
论文 DOI	10.1093/nar/gkaf1307	Europe PMC	论文
期刊卷期页	54(D1):D703	Europe PMC	论文
各子模块记录条数	未公布	论文正文	未核实
网站更新节奏	未公布	官网	未核实

附录 B：数字的来源分层

第一层，官方页面与官方归档：许可（CC BY 4.0）、归档版本与时间、平台入口、源码仓库地址、后端技术栈版本。这一层可以当作确定事实使用。

第二层，论文摘要与正文：14 个物种、逾一万个基因组、三个核心模块、14 个洞察子模块、CLSI 与 EUCAST 两套标准、三条入选过滤、质控三门槛、多种耐药基因注释工具、四类宿主病原互作来源库、蛋白互作得分门槛、大肠杆菌十三个靶点候选、至少四个病原的同源验证、结构比对零命中。这一层的数字可以用，但需要注明是「论文称」。

第三层，未核实：各洞察子模块的记录条数、分物种的基因组数、药物总数、机器学习模型总数、转录组数据集数、更新时间节奏、药物折点的具体版本年份。这一层一律不填数字，只写「官方未公布」或「未核实」。

三层之间不能混用。把第二层的数字写成确定事实，或者把第三层的空白填成推算值，都会让整篇的可信度下降。

附录 C：完整参考文献

1. Gambhir S, Pandey S, Bajetha H, Kaur J, Das A, Pranavathiyani G, Aggarwal R, Maity U, Dange S, Singh V, Zarkar M, Sankhdher R, Singh B, Seth S, Bhardwaj A. ARKbase: Antimicrobial Resistance Knowledgebase 1.0. Nucleic Acids Research, 2026, 54(D1): D703. doi:10.1093/nar/gkaf1307. PMID: 41428500. PMCID: PMC12807638.

2. ARKbase: Antimicrobial Resistance Knowledgebase. Figshare 数据集归档，第 2 版，2025-10-24. doi:10.6084/m9.figshare.30329842.

3. ARKbase 官方平台. CSIR-Institute of Microbial Technology. https://datascience.imtech.res.in/anshu/arkbase/

4. AB-DataScienceLab/ARKbase 源码仓库. GitHub. https://github.com/AB-DataScienceLab/ARKbase

5. World Health Organization. WHO Bacterial Priority Pathogens List, 2024.（物种选取依据，本文未逐条引用其正文）

6. World Health Organization. AWaRe classification of antibiotics.（药物三分类框架）

7. Clinical and Laboratory Standards Institute. M100 系列标准.（药敏折点来源）

8. European Committee on Antimicrobial Susceptibility Testing. 全基因组测序数据质量指南.（基因组质控来源）

附录 D：任务代码

把本库的菌株级药敏转成物种级的耐药矩阵，是接入任何模型前的第一步。下面这段代码读一份导出的 CSV，输出物种乘药物的耐药比例矩阵，可直接用于热图或后续特征工程。

#-- 生成物种 x 药物的耐药比例矩阵
import csv
from collections import defaultdict

pair = defaultdict(lambda: [0, 0])

with open("ast_export.csv", newline="", encoding="utf-8") as fh:
    for row in csv.DictReader(fh):
        key = (row["species"], row["drug"])
        pair[key][0] += 1
        if row["interpretation"].strip().lower() == "resistant":
            pair[key][1] += 1

species = sorted({k[0] for k in pair})
drugs = sorted({k[1] for k in pair})

header = ["species"] + drugs
print("\t".join(header))
for sp in species:
    line = [sp]
    for dr in drugs:
        n, r = pair.get((sp, dr), (0, 0))
        line.append(f"{r / n:.3f}" if n >= 30 else "NA")
    print("\t".join(line))

两处细节值得留意。一是样本量门槛：三十条以下的格点标记为 NA，因为小样本的比例极不稳定，直接画进热图会制造虚假的梯度。二是「中介」的处理：这段代码把它算作非耐药，若研究问题关心的是「非敏感」，应当把判读条件改成不等于敏感。

附录 E：如果只记五件事

1. 它是菌株档案，不是基因目录。 主键是菌株登录号，药敏、耐药基因、毒力因子、靶点都挂在这一个锚点上。
2. 覆盖 14 个物种，逾一万个基因组。 物种少是设计选择，换来的是统一的质控与注释口径。
3. 两道标准线。 基因组按 EUCAST，药敏按 CLSI，分类按 WHO 的 AWaRe 三档。
4. 没有接口。 取数走网页下载、Figshare 归档包、GitHub 源码三条路。
5. 许可以归档为准。 Figshare 标注 CC BY 4.0，网页未复述，商用前建议确认。

编辑说明

核验时点：2026-10-26。

核验方式：官方平台首页在核验时无法从本地直连（连接超时），因此规模、模块与流程的表述以 NAR 论文摘要与正文、Figshare 归档元数据、GitHub 仓库说明三处为准，三方对「14 个物种」「核心模块数」「14 个洞察子模块」「CC BY 4.0」的陈述一致，仅在子模块清单的颗粒度上有差异（摘要列十二类，仓库另列操纵子、插入元件、限制性图谱等）。大数据集本体未下载，各子模块记录条数未计数。

口径边界：逾一万个基因组按论文原表述保留，不换算成精确值；分物种规模只给定性次序，不给数字；十三个靶点候选标明为论文用例中的示例结果，不作为全库规模；许可的两种表述（归档 CC BY 4.0 与网站「freely available」）并列呈现，不合并。

未覆盖内容：各子模块的记录条数、药物清单与折点版本、机器学习模型的统一评估结果、转录组数据集的收录规模，均因官方未在公开渠道给出汇总口径而留白。这些留白是刻意的，不以估算填充。

体例说明：本页按 v4 体例撰写，章节编号 §1–§10 连续。所有带千分位的数字仅出现于速览表与附录，正文以概数表述。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• tcmsp — 共享标签：基因组学与多组学 / 公共卫生与流行病学 / 药物发现与化学
• card-db — 共享标签：基因组学与多组学 / 变异与注释 / 公共卫生与流行病学 / 药物发现与化学
• bv-brc — 共享标签：基因组学与多组学 / 变异与注释 / 公共卫生与流行病学
• meddra — 共享标签：公共卫生与流行病学 / 药物发现与化学
• ctd — 共享标签：基因组学与多组学 / 公共卫生与流行病学 / 药物发现与化学
• impc — 共享标签：基因组学与多组学 / 公共卫生与流行病学
• intact — 共享标签：基因组学与多组学 / 药物发现与化学
• msigdb — 共享标签：基因组学与多组学 / 药物发现与化学
• alphamissense — 共享标签：基因组学与多组学 / 公共卫生与流行病学
• lipid-maps — 共享标签：基因组学与多组学 / 药物发现与化学

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。