信息速览
BioCyc 是「Pathway/Genome Database collection」的缩写，直译是通路与基因组数据库集合，由美国斯坦福国际研究院（SRI International）的生物信息学研究组维护，站点位于加州门洛帕克。它不是一个库，而是两万零九十五个库的合集，每个成员库叫一个 PGDB，对应一个已经完成测序的物种，里面装着这个物种的基因组、由基因组推算出来的代谢网络、以及（对细菌而言）预测的操纵子。截至 2026 年 8 月 6 日发布的 30.0 版，集合的成员数就是这个数。
它的结构特征是把「人工投入」写成了分层。第一级五个库有专职策展人经年累月地读文献，第二级七十余个库经过一至四个月的人工复核，第三级近两万个库纯粹由程序生成，发布之后不再有人看过。同一个物种可以因为策展投入不同而处在不同层级，而层级决定了你打开页面时看到的是「有人核对过」还是「机器猜的」。这套分层是全文的主线。
需要先厘清一件事：这个分层与付费档位没有关系。分级讲的是数据被复核了多少，收费讲的是你能拿到多少。把它当成「Tier 1 免费、Tier 3 收费」是常见的读法，与官方页面正好相反——免费的两个库里一个是第一级的 EcoCyc，一个是第三级的样例库。本篇讲集合本身：谁在维护、三级怎么划、字段分几块、下载有哪几种格式、哪些免费哪些收费、明确不含什么。它的兄弟库 MetaCyc 另有一条。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 全称 | Pathway/Genome Database Collection |
| 维护方 | SRI International 生物信息学研究组 |
| 当前版本 | 30.0，2026 年 8 月 6 日发布 |
| 成员库总数 | 20,095 个 PGDB |
| 域分布 | 细菌一万九千五百八十二、古菌四百七十二、真核四十一 |
| 第一级 | 5 个，至少一年文献策展并持续更新 |
| 第二级 | 74 个（清单页）或 80 个（用户指南），经一至四个月人工复核 |
| 第三级 | 19,985 个，纯计算生成、无人复核 |
| 题录来源 | 十六万余篇文献 |
| 软件工具 | 六十余个，随网站提供 |
| 核心软件 | Pathway Tools（含通路预测程序 PathoLogic） |
| 免费库 | 两个：EcoCyc、Faecalibacterium prausnitzii A2-165 |
| 数据文件 | 需含下载权限的订阅，最低五千美元一年 |
| 商业使用 | 一律付费，商业个人一千七百美元一年 |
| 下载格式 | 属性-值、表格、BioPAX、SBML、FASTA、GO 注释、全库转储 |
§1 它要解决的具体麻烦
1.1 一个基因组测完之后，代谢那一节怎么写
测序仪给出的是碱基，注释管道给出的是基因与功能描述，这两样加起来仍然回答不了「这株菌能吃什么、能合成什么」。要回答这个问题，必须把基因重新组织成反应，把反应重新组织成通路，再判断这条通路是不是完整的。这个过程叫代谢网络重建，它需要一份参考：哪些反应在自然界中存在、哪些反应会连成一条路线、每一步由什么酶催化。
参考从哪来？如果每个基因组都从零开始翻文献，成本无法承受。可行的办法是先做一份跨物种的通路模板，再拿模板去比对每个新基因组，命中的留下，缺的标成空洞。这套做法把「读文献」这件昂贵的事集中做一次，摊到两万个基因组上。
BioCyc 就是这套做法的产物。它的每一个成员库都是同一道工序的输出：取 RefSeq 的注释基因组，用 PathoLogic 比对 MetaCyc 的通路模板，预测出反应、通路、操纵子、转运反应与蛋白复合体，再补齐空洞。区别只在于事后有没有人复核，以及复核了多久。这就是三级分层的由来——它不是设计出来的等级制度，而是同一条流水线上不同的人工介入深度。
1.2 三条常见的错误期待
| 常见期待 | 实际情况 |
|---|---|
| 以为它是一个可以直接下载的大库 | 它是两万个库的集合，每个库一套文件，没有跨库合并的总表 |
| 以为分级等于付费档位 | 分级描述策展投入，付费按个人、学生、实验室规模与下载权限划分，两者独立 |
| 以为预测出来的通路就是该物种的能力 | 第三级库的通路是程序猜的，官方自述可能含错误，不能当实验结论 |
1.3 它能给到的与给不到的
| 你的需求 | 它给的 | 够不够 |
|---|---|---|
| 判断某物种有没有某条代谢路线 | 每个库有预测通路清单与通路图 | 部分够，要看层级与通路空洞 |
| 拿一个基因组做代谢重建 | PathoLogic 加 MetaCyc 模板，本地可跑 | 够，这是它的主业 |
| 跨物种比较代谢能力 | 网站自带比较分析与多基因组浏览器 | 够，但要对齐层级再比 |
| 找某个酶的动力学参数 | 酶页有，但覆盖不均 | 部分够，缺的要去 BRENDA |
| 拿原始转录组或代谢组数据 | 完全没有 | 不够，它不是数据仓 |
| 拿一套可直接做通量的模型 | 没有现成的通量约束与目标函数 | 不够，需自己加约束 |
| 批量下载全库做训练 | 需含下载权限的订阅 | 不够，除非有订阅 |
| 分析一整个微生物群落 | 只做单一已测序物种 | 不够，宏基因组不在范围内 |
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 |
|---|---|---|
| 刚测完一株环境细菌，要写代谢能力那一节 | 用同一套流水线生成自己的库，与该物种最近的模式库对照 | 先确认该物种是否已有库，避免重复造 |
| 要在几种底盘菌之间选一个做细胞工厂 | 比较各库的通路完整度与前体供应能力 | 优先看第一、二级库，第三级只看骨架 |
| 做代谢组学，峰表要落到通路上 | 化合物页可做标识映射，通路页给出上下游 | 先统一化合物标识，再按库分别映射 |
| 审稿时被问某条预测通路可不可信 | 看层级、看证据代码、看通路空洞 | 第三级的预测不能单独作为结论 |
| 要建一个跨物种的代谢知识图谱 | 两万个库同构，对象编号规则一致 | 用 BioPAX 导出，注意许可与体积 |
| 想训练一个通路预测模型 | 两万个库的规模够，但许可挡住批量取数 | 走订阅或学术许可，或改用开放许可的库 |
1.5 一句话判断
如果你的问题是「这个物种的代谢网络长什么样、和近缘种差在哪」，它是目前唯一能按物种逐个给出重建结果、并且把重建可信度写成层级的地方；如果你的问题只是「这条反应在文献里有没有被证实」，该去的是它的模板库而不是它。
1.6 不适合谁：五条边界
第一，不适合需要实验结论的人。集合里绝大多数库的通路是预测值，第一级库的通路有文献支撑，但支撑的是「这条通路存在」，不是「这个物种走通了它」。第三级库连这层支撑都没有，官方在库的摘要页上直接写明「未经人工策展或复核，可能含错误」。
第二，不适合要原始数据的人。它不含测序读长、不含表达矩阵、不含质谱峰。网站上的组学工具是把使用者自己上传的数据画到该物种的代谢图上，图是它的，数据是你的。要找原始数据得去 SRA、ENA 或相应的组学库。
第三，不适合群落研究。一个 PGDB 对应一个物种，输入是单个基因组的注释，输出是单个网络的预测。宏基因组、MAG、未培养群落的联合代谢不在它的建模单位内，Pathway Tools 可以在本地拼一个多物种库，但那已经不是集合里的成员。
第四，不适合零预算又要全量数据的人。免费用的是两个库，其余要订阅；含数据文件下载的档位最低五千美元一年；程序化接口同样按订阅开放。学术用户可以走 Pathway Tools 的免费许可拿到软件，但软件捆绑的数据库子集不等于全量。
第五，不适合要跨库合并表的人。两万个库同构但不同表，跨库查询要么用网站的跨物种检索，要么自己按对象编号把两万套文件拼起来。拼接本身不难，难的是处理同名不同义、编号前缀与版本错位。
§2 数据构成与规格
2.1 一个 PGDB 里有什么
一个库是一组文件，不是一张表。理解它的第一步是把对象类型分清楚，因为下游几乎所有坑都来自把不同类的编号混用。
| 对象类 | 主要文件 | 内容 | 层级依赖 |
|---|---|---|---|
| 基因 | genes.dat、genes.col | 基因名、坐标、产物、外部序列库链接 | 全部层级都有 |
| 蛋白与复合体 | proteins.dat、protcplxs.col | 多肽、亚基组成、蛋白特征、定位 | 全部层级都有 |
| 酶促反应 | enzrxns.dat、enzymes.col | 催化关系、EC 编号、辅因子、动力学 | 全部层级都有 |
| 转运反应 | transporters.col | 转运蛋白、底物、方向 | 全部层级都有 |
| 通路 | pathways.dat、pathways.col | 有序反应集、通路空洞、变体 | 全部层级都有 |
| 化合物 | compounds.dat | 分子式、电荷、结构、外部库链接 | 全部层级都有 |
| 转录单元与操纵子 | transunits.dat、promoters.dat | 操纵子结构、启动子、终止子 | 细菌库有，真核库无操纵子 |
| 调控 | regulation.dat、regulons.dat | 转录因子与靶基因的相互作用 | 仅少数模式库有 |
| 文献 | pubs.dat | 题录与引用编号 | 第一、二级库为主 |
| 物种表 | species.dat | 跨物种索引 | 仅 MetaCyc 有 |
这张表说明一件事：不同层级的库，文件清单是同一套，差别在填充率。第三级库的 pathways.dat 里也有几百条通路，但它们全部由程序写入；第一级库的同名文件里，每条通路背后有人读过论文、改过边界、补过空洞。
2.2 集合层面的域分布
集合的成员按三个域切开，分布极不均衡。
| 域 | 库数 | 说明 |
|---|---|---|
| 细菌 | 19,582 | 绝对主体，绝大多数是第三级 |
| 古菌 | 472 | 数量少，多为环境与极端生境物种 |
| 真核 | 41 | 含人、酵母、拟南芥、果蝇、小鼠、大鼠等模式物种 |
三个数相加正好是两万零九十五。这个结构本身就是一句判断：BioCyc 实质上是一个微生物资源，真核部分只是为了让比较分析有个参照，四十一个库里能称得上深度策展的只有人和拟南芥、酵母三个。
2.3 一个库的记录解剖
取一个第三级库的摘要页，能看清对象之间怎么咬合。下面是蓝细菌 Limnospira platensis NIES-39 的库摘要，字段名按官方页面，值照抄。
#-- 库层
orgid GCF_026000695
tier Tier 3 Uncurated
version 30.0
generated 2026-07-10
genome_source RefSeq（注释日期 2025-12-19）
pipeline PathoLogic（Pathway Tools 30.0）+ MetaCyc 30.0
genome_size 6,818,856 bp
#-- 内容统计（同一页）
genes 6,651
pathways 271
enzymatic_reactions 1,500
transport_reactions 61
protein_complexes 65
enzymes 1,125
transporters 282
compounds 1,279
transcription_units 5,290
GO_annotations 6,144
#-- 状态说明
curation none
ortholog_data not available
这段结构里有三个细节值得停一下。其一，tier 与 version 是并列字段：同一个库在不同版本里的内容会变，因为每次重算都会用上更新过的 MetaCyc 模板与改进过的预测算法。其二，pipeline 一行记了两个版本号——软件版本与模板版本，复现时必须两个都记，只记一个对不上。其三，curation 写的是 none，这不是缺字段，而是这个库的身份声明。
2.4 文件的六种形态
官方提供的批量数据不是一种格式，而是六种，各有取舍。
| 形态 | 文件 | 完整性 | 适合 |
|---|---|---|---|
| 属性-值 | .dat，每个对象一条记录，属性名加连字符 | 最全，含对象模型的全部槽 | 做全量解析、建库 |
| 表格 | .col，制表符分隔，首行表头 | 属性的子集，但可直接读 | 快速取数、进电子表格 |
| FASTA | protseq.fsa、dnaseq.fsa | 只有序列 | 比对、建索引 |
| BioPAX | biopax-level2.owl、biopax-level3.owl | 通路与反应可表达的部分 | 跨库集成、图分析 |
| SBML | 由 Pathway Tools 导出 | 反应网络可表达的部分 | 模型交换、通量分析 |
| GO 注释 | 库名加 .gaf | 只有 GO 映射 | 富集与功能注释 |
官方的下载页有一句提示值得抄下来：这些文件「不是适合导入 Pathway Tools 的格式」。也就是说，从网站下载的数据文件与本地软件内部的库格式是两回事，想回到软件里编辑得走软件自己的导入路径。这一点常被忽略，导致有人拿着属性-值文件去问为什么装不进本地库。
2.5 数字口径：三个页面三个数
集合的规模是动态的，官方也没有把口径统一。同一周内读取三个页面，会得到三个不同的总数。
| 页面 | 总数 | 域分布 | 差异原因 |
|---|---|---|---|
| 数据库清单页 | 20,095 | 细菌一万九千五百八十二、古菌四百七十二、真核四十一 | 随版本发布同步，注明日期 |
| 站点首页 | 20,099 | 同上 | 首页文案更新滞后于清单页 |
| 镜像站首页 | 20,079 | 未分域 | 镜像同步延迟，且各镜像更新不同步 |
三个数相差不大，但足以让「两万个库」这句话在不同引用里指向不同集合。引用时的稳妥写法是给出清单页的数字加发布日期，例如「30.0 版，2026 年 8 月 6 日，两万零九十五个」，而不是只写「两万余个」。第三级库每周都在增删，一个不带日期的总数在三个月后就不可复核。
§3 它的身份：谁的库，对谁负责
3.1 名字与后缀
BioCyc 的名字由 Bio 与 Cyc 组成，Cyc 是 encyclopedia 的后半截，也是这一系列库的通用后缀。成员库的命名规则很简单：物种名缩写加 Cyc。EcoCyc 是大肠杆菌，HumanCyc 是人，YeastCyc 是酿酒酵母，AraCyc 是拟南芥，BsubCyc 是枯草芽孢杆菌，CyanoCyc 是蓝细菌，LeishCyc 是利什曼原虫。
这条命名线索本身就是一份说明书：后缀相同的库共享同一套软件、同一套对象模型、同一套证据代码体系，差别只在覆盖的物种与策展深度。理解了这一点，就能理解为什么在两个库之间跳转如此顺畅——它们本来就是同一套模具压出来的。
3.2 维护方与资金结构
维护方是 SRI International，一家非营利研究机构。生物信息学研究组从 1990 年代做 EcoCyc 起步，2001 年前后把跨物种的部分独立成 MetaCyc，并把围绕它的物种库组织成 BioCyc 站点对外发布。这条历史线索解释了两个特征：对象模型偏工程，五类对象加证据代码的结构沿用了二十多年，改动极小；资金来源与学术资助绑定得深，EcoCyc 的策展长期由美国国立卫生研究院的经费支撑。
2017 年前后，SRI 对 BioCyc 全面转向订阅制。后果是分层之外又多了一条分界线：内容上的三级与获取上的免费付费，两条线交叉在同一批库上。EcoCyc 之所以免费，官方的说法是它的策展由 NIH 经费支持；Faecalibacterium prausnitzii A2-165 免费，是为了给第三级库提供一个可以随便看的样本。这两个例外都不是按层级给的。
3.3 三个域与覆盖边界
覆盖的边界写得很清楚：以微生物为主，兼顾人与少数模式真核。这个取舍有实际原因。微生物基因组小、注释相对规整、通路预测的准确率高，重建的性价比最好；真核基因组大、可变剪接与区室化让预测难度陡增，同样的算法在人和拟南芥上要投更多的人工。
边界也体现在反向：集合里没有病毒库，没有质粒单独成库，没有器官或组织层面的库，没有群落库。想在 BioCyc 里找 SARS-CoV-2 的代谢网络是找不到的，因为它不建非细胞生物的代谢。
3.4 对谁负责：三种责任边界
| 责任对象 | 它承担的部分 | 它不承担的部分 |
|---|---|---|
| 上游序列库 | 如实引用 RefSeq 的注释与版本、注明注释管道 | 不复核上游注释的对错，不重做基因预测 |
| 下游使用者 | 同一版本内对象编号稳定、层级标注清楚、来源可查 | 不保证预测通路在生物学上成立，不保证跨版本编号语义不变 |
| 学术共同体 | 提供可引用的论文、版本号、库编号与对象编号 | 不提供逐条预测的置信度分数，不公开策展争议记录 |
把这三条并排看，能提炼出一条使用准则：把每个 PGDB 当作「某个基因组的一份带来源的重建草案」，而不是「该物种代谢的事实陈述」。草案的价值在于它把所有可推的地方都推了、并且标了哪些地方没人看；它的风险在于，一旦被当成事实引用，错误会随着引用层层扩散。
3.5 三条坐标轴
任何一次取数都要在三根轴上定位。
物种轴由库编号定义。同一个物种可能有多个库，对应不同菌株，编号不同、内容不同。判断「这个物种有没有这条通路」要看具体菌株的库，不能看物种名。
策展轴由层级定义。层级决定这条记录被几个人看过、看了多久。跨库比较代谢能力时若混用层级，差异里会混进「一个有人改过一个没人改过」这个无关变量。
版本轴由发布批次定义。第三级库每六至十二个月重算一次，第一、二级库持续更新。跨版本拼接数据前，必须确认库的生成日期，因为同一株菌在两个版本里的通路数可能差几十条。
§4 分级：策展强度怎么变成结构
4.1 三级的定义与门槛
这是整个集合最核心的结构，官方定义只有三句话，值得逐字读。
| 层级 | 官方定义 | 数量 | 典型投入 |
|---|---|---|---|
| 第一级 | 经密集人工工作创建，并持续更新 | 5 | 至少一年文献策展，EcoCyc 累计逾二十人年 |
| 第二级 | 由 PathoLogic 生成，经中度复核与更新 | 74 或 80 | 一至四个月人工 |
| 第三级 | 由 PathoLogic 生成，无任何复核与更新 | 19,985 | 零人工 |
第二级数量在两处页面不一致：数据库清单页写七十四个，用户指南写八十个。差额应来自分级调整未在两处同步，也可能有个别库在期间被升降级。引用时写「七十余个」并注明页面，比写死一个数稳妥。
4.2 第一级五个库的分工
| 库 | 物种 | 策展方 | 特殊之处 |
|---|---|---|---|
| MetaCyc | 跨物种 | SRI | 唯一的参考库，其余库的通路模板 |
| EcoCyc | 大肠杆菌 K-12 MG1655 | SRI、麦考瑞大学、墨西哥国立自治大学 | 集合里最深的库，二十余年以上持续策展 |
| HumanCyc | 人 | SRI | 人的代谢网络，从文献与通路模板双向构建 |
| AraCyc | 拟南芥 | 卡内基研究所 | 植物代谢，含次生代谢 |
| YeastCyc | 酿酒酵母 | SRI、SGD 策展组、斯坦福大学 | 与酵母基因组库 SGD 联动 |
五个库里只有 MetaCyc 不描述单一物种的完整网络，它的定位是「实验阐明通路的样本集」。其余四个都是「一个物种一张网」，模板相同、深度相近，区别在物种。这个安排意味着：第一级并不等于「这五个物种的代谢都被彻底搞清楚了」，而是「这五个库有人长期在改」。
4.3 第二级：PathoLogic 加一至四个月人工
第二级的工序可以拆成四步，官方的描述很清楚。
第一步是预测。PathoLogic 拿基因组注释去比对 MetaCyc 的反应与通路，凡是通路中所有酶都能在基因组里找到对应的，判为存在；只找到一部分的，判为通路空洞，并给出候选填补基因；同时预测操纵子（仅细菌）、蛋白复合体与转运反应。
第二步是删假阳性。程序很容易因为一两个同源基因就把整条通路判为存在，策展人的第一件事就是把这类误判删掉。官方把这一步写成「移除假阳性通路预测」，是第二级相对第三级最主要的价值来源。
第三步是补漏。文献里报道过、但程序没预测出来的酶与新通路，由策展人手工添加；蛋白复合体的亚基组成、酶与反应的对应关系也在这步修正。
第四步是外部数据装载。部分库会载入基因必需性数据一类的外部数据集，作为独立图层挂在基因页上。
四步走完，一个库通常花掉一至四个月。这个量级说明第二级不是「精修」，而是「把明显的错改掉」，剩下的错误依然存在。
4.4 第三级：无人复核的那一万九千多个
第三级的定义只有一句：由 PathoLogic 生成，此后无任何人工复核与更新。这句话的分量比它看上去重，因为集合里百分之九十九以上的库属于这一级。
它的输入是 RefSeq 中标注为 Reference、Representative 或 Complete 的细菌与古菌基因组，另有一批来自人类微生物组计划的基因组。每个库在生成时都会记录基因组来源、注释管道与版本、生成日期、所用软件与模板版本，这些元数据齐全，但内容本身没有第二个人看过。
第三级库的价值在于覆盖：绝大多数测序物种只有这一份重建可用，没有替代品。它的风险在于精度：官方自述可能含错误，而错误不会以任何标记出现在页面上——页面不会告诉你「这条通路是猜错的」。使用者唯一能拿到的信号是通路空洞、证据代码与层级标签这三样间接指标。
4.5 案例：一个 Tier 3 库的解剖
回到 §2.3 的螺旋藻库。它把第三级的特征展示得很完整。
这个库的基因组是六点八兆碱基，预测出六千六百五十一个基因、二百七十一条通路、一千五百条酶促反应。看起来一切齐全，但把几个数放在一起看就能读出问题：一千二百七十九个化合物对六千六百五十一个基因，化合物的复用率极高，说明网络是被模板撑起来的；二百七十一条通路里，凡是 MetaCyc 有、而该基因组酶不全的，都会留下空洞；库自己没有 ortholog 数据，意味着跨物种比较时它只能当被动的一方。
§4.5 的案例在后面还会用到两次：§5.2 用它演示按库取摘要，§9.2 用它演示如何把一份库摘要变成一张可核对的小表。选它的理由很简单：它是第三级的典型样本，元数据齐全、内容未经复核，正好用来展示「结构完整」与「内容可信」是两件事。
4.6 分级不是许可档位
这是最需要说清的一处混淆。分级回答的是「这份数据被复核了多少」，许可回答的是「你能拿到多少」，两者正交。
免费的两个库分处两级：EcoCyc 是第一级，Faecalibacterium prausnitzii A2-165 是第三级。这个组合本身就是反例——如果分级等于价格，不会出现一个免费的第三级库。反过来，第一级里的 MetaCyc 与 HumanCyc 都不在免费例外名单里，想拿它们的数据文件同样要订阅。
付费档位另有一套划分：学术个人、学生、按人数分的实验室档、含数据文件下载的档，以及商业档。价格与层级无关，与人数和下载权限有关。把两套东西混读，会得出「买第一级就够用」或「第三级随便下」这类错误结论。
§5 怎么拿到：四条路径与六种格式
5.1 四条路径的取舍
| 路径 | 适合的人 | 代价 | 边界 |
|---|---|---|---|
| 网页浏览与手工导出 | 查单个库、写综述的人 | 需账号，逐页点 | 批量不可行，页面有限速 |
| Web Services | 做脚本化取数的人 | 需订阅账号，请求有频率约定 | 适合中小批量，不适合全库镜像 |
| 批量数据文件 | 要做全量解析的团队 | 需含下载权限的订阅 | 体积大，格式与软件内部格式不同 |
| 本地 Pathway Tools | 要自建库、跑重建的实验室 | 学术免费许可，商业收费 | 捆绑的库子集不等于全集 |
四条路径拿到的内容并不等价：网页与接口给的是逐对象视图，数据文件给的是整库快照，本地软件给的是可编辑的库加一套分析工具。选路径前先想清楚要的是「几条记录」还是「一个能改的库」。
5.2 Web Services：先建会话，再按库取数
接口要求先登录拿会话，后续请求带着会话走。这一点文档里写得很清楚，实际操作中最容易漏。
#-- 建立会话，把 cookie 存到本地
curl -c biocyc_cookies -X POST \
-d "email=${BIOCYC_USER}&password=${BIOCYC_PASS}" \
https://websvc.biocyc.org/credentials/login/
#-- 取一个库的摘要统计（对应 §4.5 的案例）
curl -b biocyc_cookies \
"https://websvc.biocyc.org/getxml?id=GCF_026000695&detail=full" \
-o GCF_026000695.xml
#-- 数一下摘要里出现了多少个通路节点
grep -c "<Pathway " GCF_026000695.xml
请求里有两个约定值得记住。其一是对象编号要带库前缀，跨库取数时前缀不能省，否则会落到当前默认库。其二是官方对请求频率有礼貌约定，超了不会立刻封锁，但会计入使用统计，机构订阅的续费价格与用量挂钩。
5.3 批量数据文件：二十四个属性-值文件加六个表格文件
一个库的完整导出大致是二十四个 .dat 文件加六个 .col 文件，外加序列与格式转储。这个结构比任何字段说明都直观：对象类型有多少种，文件就有多少个。
#-- 解开一个库的导出包后，先看文件清单与体积
ls -lh GCF_026000695/ | sort -k5 -h | tail -12
#-- 每个 .dat 文件的第一行是对象类型声明，可据此建索引
for f in GCF_026000695/*.dat; do
printf "%s\t%s\n" "$(basename "$f")" "$(head -1 "$f")"
done
属性-值格式的规则很简单：一个对象一条记录，属性名加连字符加值，记录之间用单独一行 // 分隔，续行以斜杠开头，注释行以井号开头。表格格式更简单：制表符分隔，首行表头，一行一个对象。两者的关系是子集关系——表格是属性-值的扁平化，字段更少但更好用。
5.4 BioPAX 与 SBML：转换会丢什么
BioPAX 与 SBML 是两种外部交换格式，前者面向通路的知识表示，后者面向模型的可计算表示。两者都是从内部对象模型转出来的，转换必然有损。
BioPAX 能表达通路、反应、催化关系、分子参与，但表达不了通路空洞、操纵子、启动子这些 BioCyc 特有的对象。SBML 能表达反应网络与化学计量，但表达不了通路边界、证据代码与文献引用。换句话说，做图分析用 BioPAX，做通量分析用 SBML，做证据核查只能用原始的属性-值文件。
还有一层损失容易被忽略：层级信息。库的 tier 标签不在 BioPAX 或 SBML 的字段里，转出去之后，一个第三级库与一个第一级库在文件层面看起来没有区别。做跨库合并时，这张标签必须自己从清单页补进去。
5.5 本地 Pathway Tools
装了软件之后，数据在本地，取数变成函数调用，不再受网络与限速约束。软件的功能清单里与本篇相关的有三条：为已测序生物创建新的类 BioCyc 库、从这些库生成稳态代谢通量模型、查询与可视化库。
学术用户可申请免费许可，商业用户收费。需要留意的是许可的边界：软件免费不等于数据免费，用软件配订阅库时仍需机构订阅；软件捆绑的数据库子集可以在本地用，但那不是全集。
5.6 版本固定与引用
无论走哪条路，取数之后第一件事是把三个版本号写进记录：集合版本（如 30.0）、库的生成日期、软件与模板版本。三者缺一不可，因为第三级库每六至十二个月重算一次，同一个库编号在不同时间指向的内容不同。
一个可复现的做法是在脚本里写死「库编号 + 生成日期 + 集合版本 + 取数日期」四元组，并把四元组写进输出文件的第一行。半年后回查时，这一行决定了这份数据还能不能与网页对上。
§6 与库内条目的关系
6.1 关系图谱
| 库内相关词条 | 与本词条的关系 | 一句话区隔 |
|---|---|---|
| MetaCyc | 集合内的参考库，通路模板 | MetaCyc 存跨物种的实验通路样本，BioCyc 存套到具体基因组上的重建 |
| KEGG | 最常被比较的同侪 | KEGG 以参考图与直系同源编号为核心，BioCyc 以单物种库与层级为核心 |
| Rhea | 反应层的对照 | Rhea 只做反应与 EC 的映射，BioCyc 的反应是某个库的组件 |
| IntEnz | 酶分类层的原件 | EC 编号的权威定义在 IntEnz，BioCyc 只是使用者 |
| BV-BRC | 下游消费者与竞争者 | BV-BRC 以病原基因组与分析管道为主，BioCyc 以代谢重建为主 |
| curatedMetagenomicData | 相邻但对象不同 | 那个库做人体宏基因组的统一整理，BioCyc 只做单一物种 |
| ARCHS4 | 相邻但对象不同 | 那个库做表达矩阵，BioCyc 不含表达数据 |
6.2 与 MetaCyc 的分工
这两个词条最容易写重，边界必须一次说清。
MetaCyc 是一本参考书：跨物种、只收实验阐明的通路、每条带证据代码。它不描述任何单一物种的完整网络，也不预测。BioCyc 是一套把参考书套到两万个基因组上的方法及其产物：每个成员库对应一个物种，内容是预测出来的网络，不是实验结论。
关系是单向的。MetaCyc 的通路模板决定第三级库能预测出什么，模板每季度新增几十条通路，两万个库在下一轮重算时都会受影响。反方向不成立：第三级库里发现的疑似新通路不会自动回到 MetaCyc，除非有策展人读到文献并手工录入。
许可上两者也不同步。同族词条按 2019 年的材料写的是 MetaCyc 与 EcoCyc 免费；2026 年的数据库清单页只列 EcoCyc 与 Faecalibacterium prausnitzii A2-165 两个免费库，MetaCyc 首页给的是试用入口。许可条款逐年调整，判断某个库今天是否免费，只能看清单页当日的文本。
6.3 与 KEGG 的逐项区隔
| 对比项 | BioCyc | KEGG | 对使用者的实际影响 |
|---|---|---|---|
| 基本单位 | 单物种库（PGDB），两万个 | 参考通路图加直系同源编号 | 前者适合按物种深挖，后者适合跨物种批量注释 |
| 可信度标注 | 三级分层，写在库页上 | 无同等分层 | 前者能一眼看出哪份数据没人看过 |
| 生成方式 | PathoLogic 预测，部分人工复核 | 参考图人工绘制，物种视图靠编号映射 | 前者的通路是预测，后者的图是策展 |
| 规模 | 两万个库，几乎覆盖所有测序微生物 | 数千物种的编号视图 | 覆盖面上 BioCyc 按菌株计更细 |
| 许可 | 订阅制，仅两个库免费 | 网页与部分接口免费，批量下载订阅 | 两者的免费额度都不覆盖批量使用 |
| 数据文件 | 属性-值、表格、BioPAX、SBML 等 | 自有格式与 KGML | 前者对通用格式更友好 |
两者不是替代关系。做富集分析、做跨物种的基因功能归类，KEGG 的编号体系更顺手；要回答「这株菌的代谢网络长什么样、哪段是猜的」，只有 BioCyc 给出逐库的分层与空洞标记。真正需要警惕的是把两者的通路数拿来横比，因为一个是按菌株计的重建，一个是按参考图计的策展，计数单位根本不同。
6.4 检索路径
| 你的问题 | 该去哪个词条或入口 | 理由 |
|---|---|---|
| 这个物种的代谢网络长什么样 | 本词条，按物种找库 | 每个库对应一个已测序物种 |
| 这条通路有没有实验依据 | MetaCyc 词条，看证据代码 | 参考库才带实验证据标注 |
| 这个基因集富集到哪些通路 | KEGG 或 Reactome | BioCyc 不提供现成基因集 |
| 这个 EC 编号的权威定义 | IntEnz | EC 体系的原件在那里 |
| 这个反应的标准编号 | Rhea | 反应层映射更规范 |
| 病原基因组的流行病学分析 | BV-BRC | 定位不同，BioCyc 不做监测 |
| 人体宏基因组的统一整理 | curatedMetagenomicData | 对象是群落，不是单一物种 |
§7 质量评估与局限性
7.0 阅读本节前的一个前置校正
评估 BioCyc 时最容易犯的错，是拿评估单一数据库的尺子量它：问它字段是否统一、缺失率多少、能不能一次下载。这些维度上它必然不合格，因为它是两万套异构文件的集合，不是一个规整的表。
正确的框架是三层。第一层看「结构是否同构」：两万个库的对象模型、文件清单、编号规则是否一致——这一层它做得极好。第二层看「内容是否可信」：每个库的预测错多少——这一层它把答案写成了层级，让使用者自己判断。第三层看「是否拿得到」：批量取数的门槛——这一层它明显吃亏。
三层分开看，后面的评分才不至于读歪。它的低分大多来自主动取舍（不做原始数据、不做群落、不做免费开放），而不是能力不足；它的高分也集中在结构上，而不是准确率上。
7.1 五维评分
| 维度 | 分数 | 依据 |
|---|---|---|
| 结构一致性 | 5 / 5 | 两万个库同一套对象模型与文件清单，跨库拼接成本低 |
| 覆盖广度 | 5 / 5 | 几乎覆盖 RefSeq 中所有合格微生物基因组，按菌株计 |
| 可信度透明度 | 4 / 5 | 三级分层与通路空洞是显式标记，但缺逐条置信度 |
| 内容准确度 | 2 / 5 | 绝大多数库未经复核，官方自述可能含错误 |
| 可得性 | 2 / 5 | 仅两个库免费，批量与接口均需订阅 |
这张表合起来说明一件事：它是一套「广度换深度」的资源。要广度，它几乎无可替代；要精度，只有五个库能用，其余的必须自己复核。
7.2 DAIMS 视角下的四条线
| DAIMS 线 | BioCyc 的表现 |
|---|---|
| 数据获取与处理 | 生成管道有公开论文与文档，元数据字段齐全，但单库的策展日志不公开 |
| 数据建模 | 五类对象加证据代码，模型二十年稳定，两万库同构，是最强的一环 |
| 数据溯源 | 库级可追到基因组来源与注释管道，对象级可追到文献（限第一、二级） |
| 数据使用与治理 | 分层与许可边界写得细，商业使用一律收费，条款逐年调整 |
四条线里最强的是建模，最弱的是逐条溯源。想回答「这条预测通路是怎么来的」，只能拿到「哪个程序、哪个版本、哪一天跑的」，拿不到「为什么这条被保留、那条被删掉」。
7.3 可枚举的偏差
第一，策展资源偏差。哪五个库被深度策展，取决于经费与学术共同体，不取决于生物学重要性。大肠杆菌有二十余人年的投入，同一属里的其他种可能一个都没有。
第二，模型偏差。所有库都由同一套算法、同一个模板生成，模板没有的通路，两万个库里都不会有。这会让集合呈现出一种系统性的盲区：研究充分的大肠杆菌代谢被反复确认，冷门类群的独特代谢则可能整体缺席。
第三，正向偏差。程序只判「有」，不判「没有」。某物种确实缺少某条通路这件事，不会以任何字段出现。做代谢能力缺失判断时，缺席只能读作未知。
第四，层级漂移。第二级数量在两处页面不一致，说明分级是动态的；一个库今年在第二级，明年可能因为无人维护而退回第三级。跨年比较时若按层级筛选，样本本身会变。
第五，命名与版本负担。同一个物种可能有多个菌株库，编号相近但内容不同；第三级库每六至十二个月重算一次，同一个库编号在不同时间指向不同内容。不做版本固定，数据无法复现。
7.4 外部验证
| 验证角度 | 外部证据 | 结论 |
|---|---|---|
| 策展规模 | 官方称题录来自十六万余篇文献 | 量级可信，但集中在少数库 |
| 人工投入 | 官方称 EcoCyc 累计逾二十人年 | 与「五个第一级库」的说法互相支撑 |
| 预测质量 | 第三方研究指出自动重建常有假阳性与漏检 | 与官方「第三级可能含错误」的自述一致 |
| 层级数量 | 第三方论文称 2025 年 2 月人工策展库共 83 个 | 与五个加七十余个的口径吻合 |
| 长期可用性 | 2001 年至今持续发布，2026 年为 30.0 版 | 停更风险低，但许可条款可能再变 |
§8 生态位与历史
8.1 历史沿革
| 时间 | 事件 |
|---|---|
| 1990 年代 | EcoCyc 起步，对象模型与证据代码体系成型 |
| 2001 年前后 | BioCyc 站点对外发布，跨物种模板独立为 MetaCyc |
| 2005 年 | 核酸研究发文，集合规模记为一百六十个库 |
| 2010 年前后 | PathoLogic 成熟，库数进入指数增长 |
| 2015 年 | 19.0 版，库数超过五千七百个，第一级七个、第二级三十九个 |
| 2017 年前后 | 全面转向订阅制，仅少数库留在免费侧 |
| 2019 年 | 综述论文系统描述集合的扩张与工具演进 |
| 2026 年 8 月 | 30.0 版，库数两万零九十五，第一级五个、第三级一万九千九百八十五 |
从一百六十到两万，二十年增长一百多倍，而人工策展的库始终在个位数到百位数之间。这个对比是理解整个资源的关键：增长全部发生在第三级，第一级二十年只挪动过一两次。
8.2 规模增长
| 版本或年份 | 库数 | 说明 |
|---|---|---|
| 2005 年 | 160 | 覆盖当时几乎所有完成测序的物种 |
| 17.1 版 | 2,988 | 测序成本下降带来的第一波扩张 |
| 19.0 版 | 5,700 余 | 人类微生物组计划贡献九百余个 |
| 2019 年 | 14,500 | 微生物组与病原基因组继续拉动 |
| 30.0 版 | 两万零九十五 | 接近 RefSeq 合格基因组的饱和 |
增速在放缓：从三千到五千用了两年，从一万四千到两万用了七年。放缓的原因不是算法不行，而是合格基因组的总量接近上限——只有被 RefSeq 标为 Reference、Representative 或 Complete 的基因组才会入库。
8.3 它为何能持续
这类资源活下去要同时满足两个条件：生成成本足够低，获取价值足够高。
生成成本这一侧，第三级库是自动流水线，边际成本接近于零，加一个基因组的代价主要是算力。这让集合能在经费有限的情况下把规模做到两万。第一、二级库则相反，成本高、增长慢，全靠订阅与资助撑着。
获取价值这一侧，它的位置很特殊：既是被直接查询的网站，也是被间接依赖的基础设施。做微生物代谢研究的团队往往先查它有没有现成的库，有就直接用，没有就用它的软件生成一个。这种「默认起点」的位置带来了稳定的访问量，也带来了持续的抓取压力——官方站点长期与爬虫对抗，镜像与限速都是这场对抗的产物。
8.4 在 AI 时代的再定位
把 BioCyc 当作预训练语料并不合适：两万个库的文本高度重复（同一套模板生成的摘要段落），有效信息密度低于体量给人的印象，且批量取数需要订阅。
更合适的角色有三个。其一是评测基准：让模型判断某条通路在某物种中是否存在、某段基因是否构成操纵子，答案有明确来源，且能区分「第一级库的答案」与「第三级库的答案」，正好测模型是否懂得分辨数据可信度。其二是结构化先验：反应式、化学计量、EC 编号可以作为硬约束，把生成式模型的输出限制在化学上说得通的范围内。其三是对齐标尺：两万个库的同构结构提供了一套稳定的「网络长什么样」的范例，可用来评估模型输出的网络是否符合领域惯例。
三种用法都建立在合法取数的前提上。第一级库的文本量小、许可严；第三级库体量大但精度低。真要做基准，比较务实的选择是取若干第一、二级库做金标准，再取若干第三级库做噪声对照。
8.5 与基因组注释管道的关系
BioCyc 在注释管道里的位置常被低估。一个细菌基因组从测序到拿到代谢注释，标准路径是：基因预测、功能注释、用 PathoLogic 比对 MetaCyc 模板、生成该物种的库、人工复核。第四步的产物就是集合里的一个成员库，第五步决定它落在哪一级。
这解释了一个现象：不同机构对同一基因组的代谢注释常有出入，原因往往不是软件版本不同，而是所用模板版本不同。30.0 版与 29.x 版之间新增的通路，会让同一基因组的预测结果出现可见差异。做跨研究比较时，注释所用的模板版本应当与软件版本一同记录。
§9 使用指引
9.1 三种角色的路径
算法研究者的路径最短：先在网站确认目标物种有没有库、在哪一级，再用接口按库取摘要与对象，落成边表。全程不必装软件，但要注意限速，批量任务要么订阅拿数据文件，要么接受慢。
生物学研究者的路径是反的：从问题出发，先找最近的模式库（第一、二级），看它的通路与空洞；再看目标物种的库（往往是第三级），比对差异；最后回到文献确认。关键动作是始终记得自己看的是哪一级。
数据工程师的路径最重：要解决的问题是「如何把两万套异构文件变成可查询的图」。三个要点：一是以库编号加对象编号为主键，不要用名称；二是把层级与生成日期保留为节点属性，不要丢；三是把集合版本写进元数据表，否则半年后无法复现。
9.2 一条最短的可用流程
下面这条流程把 §4.5 的案例落到命令行，从零到一张可核对的小表。
#-- 第一步：确认账号环境变量已设置
test -n "$BIOCYC_USER" && test -n "$BIOCYC_PASS" && echo "账号就绪"
#-- 第二步：取库摘要
curl -s -b biocyc_cookies \
"https://websvc.biocyc.org/getxml?id=GCF_026000695&detail=full" \
-o GCF_026000695.xml
#-- 第三步：看摘要里记录了多少条通路
grep -c "<Pathway " GCF_026000695.xml
#-- 第四步：把摘要解析成 指标-数值 两列，并写入版本四元组
import xml.etree.ElementTree as ET
tree = ET.parse("GCF_026000695.xml")
root = tree.getroot()
rows = []
for slot in root.iter("slot"):
name = slot.get("slot-name") or slot.get("name")
val = (slot.text or "").strip()
if name and val:
rows.append((name, val))
keeps = {"GENE", "PATHWAY", "ENZREACT", "TRANS-RXN", "PROTEIN", "COMPOUND"}
rows = [(n, v) for n, v in rows if n.upper() in keeps]
with open("GCF_026000695_summary.tsv", "w", encoding="utf-8") as f:
f.write("collection_version\t30.0\n")
f.write("generated\t2026-07-10\n")
for n, v in rows:
f.write(f"{n}\t{v}\n")
print("写入", len(rows), "行")
这段代码里有两个容易被省略但必须保留的动作：写文件时把集合版本与生成日期写进前两行，决定半年后这份表还能不能与网页对上；解析时按槽名过滤，别把整份 XML 的所有文本都倒进表里，否则摘要页的说明性文字会混进数值列。
9.3 引用方式
引用要写到四层。第一层是方法学论文，2005 年核酸研究那篇讲集合扩张的文章，卷 33、十九期、六〇八三至六〇八九页；2019 年那篇综述讲工具与内容演进，发在 Briefings in Bioinformatics，卷二十、四期、一〇八五至一〇九三页。第二层是集合版本，写明 30.0 与发布日期。第三层是库编号，用 orgid，让使用者能直接跳到该库。第四层是对象编号，涉及具体通路或基因时给出 frame id。
四层缺一层都会让复现打折：只写集合名，看不出用的是哪个库；只写库不写版本，看不出用的是哪一轮重算；只写编号不写日期，半年后同一编号可能已经变了内容。
§10 AI 使用声明
| 项目 | 说明 |
|---|---|
| 本页 AI 参与程度 | 由 AI 助手依据官方页面与论文起草，人工核对数字与结构判断 |
| 数字来源层级 | 见附录 B，官方页面为一级，论文与第三方研究为二级 |
| 未核实项 | 第二级库数量在两处页面的差额成因，官方未说明 |
| 版本信息 | 以 2026 年 8 月 6 日发布的 30.0 版为准，页面读取时间为 2026 年 10 月 |
| 已知不一致 | 首页、清单页、镜像页三处总数不同；第二级数量两处差六个 |
| 适用边界 | 本文描述集合本身的结构、规模与边界，不含对具体研究结论的评价 |
| 更新机制 | 集合按版本发布，第三级库每六至十二个月重算，本文不承诺同步刷新 |
常见误读（避坑清单）
| 常见说法 | 实际 | 证据 |
|---|---|---|
| 「BioCyc 就是一个大数据库」 | 它是两万个单物种库的集合，没有跨库合并的总表 | 数据库清单页按库逐个列出，无合并视图 |
| 「Tier 1 免费、Tier 3 收费」 | 分级讲策展投入，与付费无关；免费的恰是一个第一级加一个第三级 | 清单页写明 EcoCyc 与 F. prausnitzii A2-165 免费 |
| 「第三级库没复核所以没用」 | 它是绝大多数测序物种唯一可用的重建，价值在覆盖 | 第三级占集合九成九以上 |
| 「预测出的通路等于该菌的能力」 | 预测是模板比对的结果，官方自述可能含错误 | 第三级库摘要页写明未经复核 |
| 「它和 MetaCyc 是同一个东西」 | MetaCyc 是跨物种模板，BioCyc 是套到两万个基因组上的产物 | 用户指南对两者定位的分别说明 |
| 「通路空洞是数据错误」 | 空洞是策展不完整的显式标记，是有意保留的信号 | 概念手册把空洞列为正式对象 |
| 「没有这条通路就说明该菌没有这个能力」 | 只记存在不记不存在，缺席只能读作未知 | 生成逻辑只做正向判定 |
| 「数据文件下一个压缩包就全有了」 | 需含下载权限的订阅，最低五千美元一年 | 下载页的订阅门槛与例外说明 |
| 「下载的文件可以直接导回本地软件」 | 官方明说这些文件不适于导入 Pathway Tools | 下载页的格式说明段 |
| 「两万个库的规模可以直接当训练语料」 | 库间高度同构，重复度高，且批量取数需订阅 | 生成流程与许可条款共同决定 |
| 「BioCyc 里也能查宏基因组」 | 一个库对应一个已测序物种，群落不在建模单位内 | 用户指南对建模对象的界定 |
FAQ
Q1：BioCyc 到底有多少个库？
按 30.0 版的清单页，两万零九十五个，其中细菌一万九千五百八十二、古菌四百七十二、真核四十一。首页写两万零九十九，镜像站写两万零七十九，差异来自更新不同步。引用时给数字加日期，别只写「两万余个」。
Q2：三级分层是谁定的？
官方按人工投入定的，标准写在用户指南里：第一级至少一年文献策展并持续更新，第二级经一至四个月复核，第三级零复核。分层不是自动判定的，是策展团队按实际投入指派，因此会随维护状况调整。
Q3：为什么免费的偏偏是这两个库？
EcoCyc 免费是因为它的策展由美国国立卫生研究院经费支持，属于资助条款的要求；Faecalibacterium prausnitzii A2-165 免费是作为第三级库的公开样本，让人不订阅也能看清第三级长什么样。两者的免费理由完全不同。
Q4：拿一个基因组，能不能直接放进集合？
不能自助加入。官方提供申请入口，可以请求为某个新基因组生成第三级库，也可以申请为某个物种提交策展。生成是自动的，纳入集合由维护方决定，通常按 RefSeq 的基因组质量分级筛选。
Q5：同一个物种为什么有好几个库？
因为库对应菌株而不是物种。大肠杆菌 K-12 MG1655 有 EcoCyc，其他致病株另有各自的库。跨菌株比较是集合的常见用法，但要注意不同菌株的库可能分处不同层级。
Q6：通路空洞是什么，要不要补？
空洞指通路中某一步找不到对应的酶。它是显式标记，不是错误。补法有两种：一是找候选填补基因（程序已给出排序），二是承认这一步在该物种中可能由未知酶催化。做通量模型时必须对空洞作处理，否则网络是断的。
Q7：为什么同一个库两次下载的内容不一样？
因为第三级库每六至十二个月重算一次，模板与算法都在更新。第一、二级库持续更新，变化更平缓但同样存在。要复现，必须锁定生成日期，而不是只锁库编号。
Q8：能不能只用免费的两个库做研究？
做方法学验证可以，做物种覆盖不行。EcoCyc 是单一物种，样本库也是单一物种，两者加起来覆盖不了比较分析需要的物种数。要做跨物种研究，订阅或学术许可几乎绕不开。
Q9：它的通路和 KEGG 的通路能对上吗？
能对一部分，靠 EC 编号与反应式，对不上的部分来自边界划法不同。BioCyc 的通路以 MetaCyc 模板为准，边界切在通用代谢物上；KEGG 的图倾向把相关过程并到一张图里。按条数横比没有意义。
Q10：层级会变吗？
会。升级意味着有人开始长期维护，降级意味着维护中断。官方没有公开的升降级日志，因此跨年比较时按层级筛样本，等于换了一个样本框。稳妥的做法是记录库编号与生成日期，而不是记录层级。
术语表
| 术语 | 含义 |
|---|---|
| PGDB | 通路与基因组数据库，一个已测序物种一套 |
| orgid | 库编号，通常是 RefSeq 的 GCF 号或自定义缩写 |
| frame id | 对象编号，库内唯一，跨库需加前缀 |
| Tier 1/2/3 | 按人工策展投入划分的三级，与付费档位无关 |
| PathoLogic | Pathway Tools 中的通路预测程序，以 MetaCyc 为模板 |
| Pathway Tools | SRI 开发的库管理与分析软件，集合的底座 |
| MetaCyc | 集合内的跨物种参考库，全部物种库的通路模板 |
| 通路空洞 | 通路中缺少对应酶的节点，策展不完整的显式标记 |
| 通路空洞填补 | 为空洞指派候选基因的程序步骤 |
| 操纵子 | 共转录的基因簇，仅细菌库预测 |
| 转运反应 | 跨膜运输单独建模的一类反应 |
| 证据代码 | 标注结论依据何种证据的受控词表 |
| EV-EXP | 实验推断类证据代码，第一级库通路常用 |
| RefSeq | NCBI 的参考序列库，第三级库的主要基因组来源 |
| 属性-值格式 | 一类对象一个文件、属性名加连字符加值的文本格式 |
| 表格格式 | 制表符分隔的扁平视图，字段少于属性-值 |
| BioPAX | 生物通路交换格式，分 Level 2 与 Level 3 |
| SBML | 系统生物学标记语言，用于模型交换 |
| 元数据 | 库页上的生成日期、注释管道、软件与模板版本等 |
| DAIMS | 数据档案与信息管理系统的评估框架，看采集、建模、溯源、治理四条线 |
附录 A：核心数字核对表
| 项 | 值 | 来源 | 来源层级 |
|---|---|---|---|
| 集合版本 | 30.0 | 数据库清单页 | 一级 |
| 发布日期 | 2026 年 8 月 6 日 | 数据库清单页 | 一级 |
| 库总数 | 20,095 | 数据库清单页 | 一级 |
| 细菌库 | 19,582 | 站点首页分域计数 | 一级 |
| 古菌库 | 472 | 站点首页分域计数 | 一级 |
| 真核库 | 41 | 站点首页分域计数 | 一级 |
| 第一级库 | 5 | 数据库清单页 | 一级 |
| 第二级库 | 74 | 数据库清单页 | 一级 |
| 第二级库（另说） | 80 | 用户指南 | 一级 |
| 第三级库 | 19,985 | 用户指南 | 一级 |
| 题录文献 | 160,000 余篇 | 站点首页 | 一级 |
| 软件工具 | 60 余个 | 站点首页 | 一级 |
| 数据文件订阅门槛 | 5,000 美元/年 | 订阅页 | 一级 |
| 学术个人 | 400 美元/年 | 订阅页 | 一级 |
| 学生 | 49 美元/年 | 订阅页 | 一级 |
| 商业个人 | 1,700 美元/年 | 订阅页 | 一级 |
| EcoCyc 策展投入 | 20 余人年 | 数据库清单页 | 一级 |
| 第三级重算周期 | 6 至 12 个月 | 用户指南 | 一级 |
| 2005 年库数 | 160 | 核酸研究 2005 年论文 | 二级 |
| 2025 年人工策展库 | 83 | 第三方论文 | 二级 |
附录 B：数字的来源分层
一级：官方页面。 包括数据库清单页的库数、层级与免费例外，站点首页的分域计数与题录规模，用户指南的层级定义与重算周期，下载页的格式清单与订阅门槛，订阅页的各档价格。本文所有规模数字、结构定义与许可条款都取自这一层。
二级：论文。 包括 2005 年核酸研究论文的一百六十个库、2019 年综述对扩张与工具的叙述、第三方研究对 2025 年人工策展库数量的估计。这些数字反映的是各自时点的状态，只能用于说明历史与方法。
三级：未核实。 第二级库数量在两处页面差六个，官方未说明成因；三个页面的总数差异未获官方解释，只能从更新节奏推断。本文并列诸说，不下判断。
附录 C：完整参考文献
- Karp PD, Ouzounis CA, Moore-Kochlacs C, Goldovsky L, Kaipa P, Ahrén D, Tsoka S, Darzentas N, Kunin V, López-Bigas N. Expansion of the BioCyc collection of pathway/genome databases to 160 genomes. Nucleic Acids Research, 2005, 33(19): 6083–6089. doi:10.1093/nar/gki892
- Karp PD, Billington R, Caspi R, Fulcher CA, Latendresse M, Kothari A, Keseler IM, Krummenacker M, Midford PE, Ong Q, Ong WK, Paley SM, Subhraveti P. The BioCyc collection of microbial genomes and metabolic pathways. Briefings in Bioinformatics, 2019, 20(4): 1085–1093. doi:10.1093/bib/bbx085
- Karp PD, Latendresse M, Paley SM, et al. Pathway Tools version 19.0 update: software for pathway/genome informatics and systems biology. Briefings in Bioinformatics, 2016, 17(5): 877–890.
- Caspi R, Billington R, Keseler IM, et al. The MetaCyc database of metabolic pathways and enzymes — a 2019 update. Nucleic Acids Research, 2020, 48(D1): D445–D453.
- 官方数据库清单页，库总数、层级划分与免费例外，https://biocyc.org/biocyc-pgdb-list.shtml ，2026 年 10 月访问。
- 官方站点首页，分域计数、题录规模与工具数量，https://biocyc.org/ ，2026 年 10 月访问。
- 官方用户指南《Guide to the BioCyc Database Collection》，层级定义、第三级生成方法与重算周期，https://biocyc.org/BioCycUserGuide.shtml ，2026 年 10 月访问。
- 官方下载页，数据文件格式、订阅门槛与免费例外，https://biocyc.org/download.shtml ，2026 年 10 月访问。
- 官方订阅页，学术与商业各档价格，https://biocyc.org/non-profit-subscription.shtml ，2026 年 10 月访问。
- Pathway Tools 平面文件格式说明，属性-值与表格格式规则、文件清单，https://bioinformatics.ai.sri.com/ptools/flatfile-format.html ，2026 年 10 月访问。
- 官方库摘要页样例（Limnospira platensis NIES-39），https://biocyc.org/organism-summary?orgid=GCF_026000695 ，2026 年 10 月访问。
附录 D：如果只记五件事
第一，它是一个集合，不是一个库：两万零九十五个单物种库，每个库一套文件，没有跨库合并的总表。
第二，三级分层按人工策展投入划分，第一级五个、第二级七十余个、第三级一万九千九百八十五个；分层与付费档位无关，混读会得出完全错误的结论。
第三，绝大多数库是程序预测、无人复核的，官方自述可能含错误；通路是模板比对的结果，不是该物种的能力证明。
第四，免费的是两个库，其余要订阅，含数据文件下载的最低五千美元一年，商业使用一律付费。
第五，它的价值在覆盖与同构：几乎所有合格微生物基因组都有一份重建，两万套文件用同一套对象模型，适合做跨物种比较与结构化先验。
附录 E：Cyc 家族库名对照表
| 库名 | 物种或范围 | 层级 | 站点 |
|---|---|---|---|
| MetaCyc | 跨物种参考库 | 第一级 | metacyc.org |
| EcoCyc | 大肠杆菌 K-12 MG1655 | 第一级 | ecocyc.org |
| HumanCyc | 人 | 第一级 | humancyc.org |
| AraCyc | 拟南芥 | 第一级 | aracyc.biocyc.org |
| YeastCyc | 酿酒酵母 | 第一级 | yeast.biocyc.org |
| BsubCyc | 枯草芽孢杆菌 | 第二级 | bsubcyc.org |
| CyanoCyc | 蓝细菌 | 第二级 | cyanocyc.org |
| LeishCyc | 利什曼原虫 | 第二级 | leishcyc.org |
| 其余物种库 | 按 orgid 命名 | 第二或第三级 | biocyc.org 内切换 |
命名规则可以概括成一句：后缀 Cyc 表示这是同一套模具的产物，前缀是物种或类群的缩写。看到不认识的名字，先按后缀确认它属于哪个体系，再按清单页确认它在哪一级，比查介绍页快。
编辑说明
本篇核验时间为 2026 年 10 月 29 日。核验方式为读取 BioCyc 官方站点的首页、数据库清单页、用户指南、下载页与订阅页，读取一个第三级库的摘要页作为结构样本，并对照 2005 年与 2019 年两篇论文及 Pathway Tools 的平面文件格式说明。规模数字、层级定义与许可条款以官方页面为一级依据；论文数字只用于说明历史状态与方法。
需要说明三处与任务描述不一致的地方。其一，任务称「Karp et al. 2019 NAR」，该文实际发表于 Briefings in Bioinformatics 2019 年第 20 卷第 4 期，核酸研究上的同系列文章是 MetaCyc 的年度更新；本文按实际出处标注。其二，任务把「Tier 1/2/3 分级」与「商业订阅需付费」并列为许可结构，实际上分级只描述策展投入，与价格无关，本文在 §4.6 与多条误读中作了区分。其三，免费库的名单随时间变化：2019 年的材料写 MetaCyc 与 EcoCyc 免费，2026 年的清单页只列 EcoCyc 与 Faecalibacterium prausnitzii A2-165，本文以清单页当日文本为准，并在 §6.2 标出同族词条的口径差异。
未覆盖的内容包括：第二级库数量在两处页面的差额成因、三个页面总数的差异成因、单库的策展日志与升降级记录（官方均未公开）。本页只描述数据集本身的结构、规模与边界，不涉及对任何具体研究结论的评价，也不构成许可建议；商业使用前应直接联系 SRI International 确认条款。
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：
- metacyc — 共享标签：基因组学与多组学 / 代谢组学 / 知识图谱
- metlin — 共享标签：基因组学与多组学 / 代谢组学
- pharos — 共享标签：基因组学与多组学 / 知识图谱
- pride — 共享标签：基因组学与多组学 / 代谢组学
- proteomexchange — 共享标签：基因组学与多组学 / 代谢组学
- string — 共享标签：基因组学与多组学 / 知识图谱
- disgenet — 共享标签：基因组学与多组学 / 知识图谱
- open-targets — 共享标签：基因组学与多组学 / 知识图谱
- metabolights — 共享标签：基因组学与多组学 / 代谢组学
- metabolomics-workbench — 共享标签：基因组学与多组学 / 代谢组学
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。
