信息速览

数据集名称BioGRID — 生物交互数据库

数据类型人工标注,知识库,原始数据

规模不适用（分子实体级数据库：93,373 唯一基因/蛋白，非患者数据）

接入方式BioGRID 月度策展更新（当前 5.0.262）：蛋白/遗传/化学互作 + PTM 位点 + ORCS CRISPR 筛选；下载格式含 tab2/tab3、PSI-MITAB、PSI-MI XML、JSON

AI 就绪度

INFOBOX — BioGRID 一屏速览

维度内容

本质 专家人工策展的蛋白/遗传/化学交互仓库（开放获取，月度更新）

官方名 BioGRID — Biological General Repository for Interaction Datasets

团队 The BioGRID（PI Mike Tyers，co-PI Kara Dolinski；多伦多/普林斯顿/蒙特利尔三地）

当前版本 5.0.262（2026-10-01 发布）

核心规模非冗余互作 2,364,201（raw 3,035,956）｜化学关联 14,024｜PTM 位点 563,757

物种 80+ 策展物种（含病毒），唯一基因 93,373

文献 77,897 篇产生可用互作的唯一文献（横幅口径 88,812 篇纳入检索）

差异化 实验证据优先 + 二元关系模型 + 遗传/化学互作 + 主题式策展 + 独有合成蛋白互作

姊妹库 BioGRID ORCS（CRISPR 筛选）｜GIX（Gene Info eXtension）

获取 downloads.thebiogrid.org（tab2/MITAB/XML/JSON）｜REST：webservice.thebiogrid.org

许可开放获取；显式 SPDX 未列，以官网条款为准

对照库 STRING（计算预测功能关联，rid=414）｜IntAct（IMEx 精细策展，rid=582）

§0 医学审核与免责声明

声明（AI-Ready Wikipedia 通用条款）

本条目由千方病案医数集 AI 写作代理依据公开一手资料（BioGRID 官网、官方 Wiki、Nucleic Acids Research / Protein Science 论文、NIH ORIP 专题、2025 第三方综述）自动编纂，非医学建议。BioGRID 是分子实体级（基因/蛋白/小分子）的相互作用数据库，不包含患者个体数据，故本条目不含临床诊断、治疗或用药指导。

用户需注意：BioGRID 的边缘语义是「文献报道过的实验证据」，不等于生物学绝对的因果或物理结合事实。BioGRID 官方明示其按文献原貌独立策展、不判定互作真伪，库内因此存在文献级冲突。任何以 BioGRID 边为输入的湿实验结论、药物靶点决策或临床前排序，均须经独立实验验证与领域专家复核。本文所引版本号、规模数字与许可表述以抓取时点（2026-10-15）的官网为准，BioGRID 按月更新，读者应核对最新构建。

§1 数据集概览

§1.0 📌 30 秒速览

BioGRID（Biological General Repository for Interaction Datasets，生物通用交互数据集仓库）是一个开放获取、专家人工策展的生物相互作用数据库，由 The BioGRID 团队（PI Mike Tyers、co-PI Kara Dolinski，横跨多伦多、普林斯顿、蒙特利尔三地）维护。截至 2026-10 的 5.0.262 构建，它收录 2,364,201 条非冗余互作（原始互作 3,035,956）、14,024 条非冗余化学关联、563,757 个非冗余翻译后修饰（PTM）位点，覆盖 80+ 个策展物种（含人类、酵母、小鼠、拟南芥、果蝇、线虫及多种病毒），来源为 77,897 篇产生可用互作的原始文献。

它的三张互补面孔是：① 蛋白-蛋白互作（PPI）——记录两蛋白之间的物理结合或复合物成员关系；② 遗传互作——记录两基因之间的功能关系（合成致死、合成拯救等），这是 STRING 等多数 PPI 库不具备的；③ 化学互作——记录小分子/药物与蛋白的关联。所有互作一律以「二元关系 + 证据码 + 文献引用」的标准结构存储，人类可读、机器可算。

BioGRID 在互作库谱系中的差异化定位是实验证据优先（evidence over interpretation）：它只收录原始研究论文中报道的实验证据，明确排除综述转述与计算预测，因此长期被视为高通量数据集与文本挖掘的「金标准」。这与 STRING（rid=414，整合实验+计算预测的广义功能关联，覆盖 5,000+ 物种、规模达百亿级边）和 IntAct（rid=582，遵循 IMEx/PSI-MI 标准的精细分子互作策展）形成清晰互补。

§1.1 摘要

BioGRID 的创立动机写在 2006 年的创刊论文里：高通量（HTP）实验——双杂交（2-H）、纯化复合物质谱（MS）、合成遗传阵列（SGA）等——产出的互作数据充斥假阳与假阴，破坏了基因功能预测与网络级分析；与此同时，文献中经过充分验证的物理与遗传互作虽能在 PubMed 逐篇检索，却无法在关系数据库中统一检索。BioGRID 由此而生：一方面系统策展文献派生的互作，作为 HTP 数据集与自动文本挖掘的金标准；另一方面收纳 HTP 数据本身。库名中的 “GRID” 亦是早期可视化工具 General Repository for Interaction Datasets 的缩写，配套的 Osprey 桌面网络浏览器在创立时就已提供。

二十年演进后，BioGRID 已从「酵母互作仓库」成长为跨物种、多数据类型的生物医学交互中枢：除蛋白/遗传互作外，增设化学互作（小分子-蛋白）、PTM（翻译后修饰）、BioGRID-ORCS（CRISPR 筛选开放仓库） 与 GIX（Gene Info eXtension） 子库；并以主题式策展（themed curation） 方式针对帕金森病、阿尔茨海默病、自闭症、COVID-19、泛素-蛋白酶体系统、自噬、HPV、胶质母细胞瘤等疾病/通路做深度专项策展。近年更成为唯一提供合成蛋白（synthetic protein）互作策展的数据库，服务 LLM/扩散模型从头设计蛋白的新范式。

§1.2 战略价值

BioGRID 的战略价值可概括为四点：

高置信正样本来源。由于只收实验证据、排除计算预测，BioGRID 边天然是 PPI 链接预测、互作分类、图神经网络等任务的高置信正样本。多个 AI/LLM 模型直接以 BioGRID 训练预测 PPI 与 CRISPR 结果。
物种与交互类型的广度。80+ 策展物种、物理+遗传+化学三类交互并存，使跨物种网络比较、遗传-物理互作联合建模成为可能，这是纯人类 PPI 库（如 HPRD，人类专属）无法提供的。
疾病与药物的可转化性。化学互作 + 主题式疾病策展 + 与 Alliance of Genome Resources 的整合，使其成为药物靶点发现与疾病机制研究的上下文层。Tulane University 曾用 BioGRID 数据识别自闭症风险基因，UNC-Chapel Hill 用其为 CRISPR 筛出的癌症靶点提供互作上下文。
标准化与互操作。二元关系模型 + 结构化证据码 + PSI-MI/MITAB 标准导出 + REST Web Service + Cytoscape 插件，使数据可无缝接入既有系统生物学工作流。

§1.3 同类数据集横向对比

维度	BioGRID（本条，rid 待入库）	STRING（rid=414）	IntAct（rid=582）
定位	人工策展的实验互作仓库	功能关联网络（含预测）	精细分子互作库
数据来源	仅实验证据，专家人工策展	实验 + 计算预测 + 文本挖掘 + 数据库聚合	文献策展 + 用户提交（IMEx 标准）
是否含计算预测	否（明确排除）	是（核心特性）	否
物种覆盖	80+ 策展物种（含病毒）	5,000+ 物种	多物种（~3,700 organisms，IMEx）
规模量级	非冗余互作 ~236 万	蛋白 ~5,930 万、互作 ~275 亿	Binary interactions ~179 万（Release 252）
交互类型	蛋白 + 遗传 + 化学 + PTM	蛋白广义功能关联（物理/功能/调控三视图）	物理/分子互作（binary + 复合物）
关系模型	二元关系 + 17/11 类证据码	7 通道融合 + combined score	PSI-MI 精细结构 + 检测方法 CV
阈值体系	证据码定性分层（无单一分数）	0-1000 置信分（400/700/900 档）	检测方法 + MI 分数
独特子库	ORCS（CRISPR 筛选）、GIX、合成蛋白互作	网络嵌入（SPACE）、富集工具	Complex Portal 姊妹项目
典型用途	高置信正样本、遗传互作、化学-靶点、知识图谱	功能富集、假设生成、广物种网络	精细机制、结构对接、复合物组成

三者互补而非替代：需要「物理结合高置信边」时，BioGRID 与 IntAct 更合适（前者广物种含遗传/化学，后者精细标准化）；需要「广覆盖功能关联做假设生成」时，STRING 更合适。BioGRID 的不可替代性在于：遗传互作、化学互作、主题式疾病策展、合成蛋白互作，以及 17+11 类细粒度实验证据码。

§1.4 版本时间轴

版本	日期	非冗余互作	原始互作	非冗余文献
5.0.262（当前）	2026-10-01	2,364,201	3,035,956	88,684（横幅 88,812 纳入检索）
5.0.261	2026-09-01	2,352,894	3,021,750	88,684
5.0.260	2026-08-01	2,335,350	3,001,894	88,591
5.0.259	2026-07-01	2,331,024	2,996,529	88,471
5.0.258	2026-06-01	2,321,348	2,985,900	88,276
5.0.257	2026-05-01	2,289,632	2,947,386	88,182
5.0.256	2026-04-01	2,286,551	2,943,480	88,077
5.0.255	2026-03-01	2,278,277	2,933,176	87,975
5.0.254	2026-02-01	2,267,832	2,920,886	87,794
5.0.253	2026-01-01	2,259,095	2,911,104	87,651
5.0.250	2025-10-07	2,249,721	2,898,895	87,320
4.4.241（旧编号体系）	2025-01	—（综述口径）	—	—

更新频率：每月一次策展更新；REST Web Service 每月 4 日同步至最新版。版本号体系 5.0.x 自约 2025 年起启用，4.4.241 为旧体系（见 §7.7 遗留疑点）。

§1.5 典型应用场景

PPI / 链接预测正样本：以 BioGRID 高置信边（物理互作）作为正样本训练 GNN，配合负采样做互作预测（参见 §6.4）。
遗传互作与合成致死：酵母（S. cerevisiae 遗传互作 457,599 条 NR）与裂殖酵母（52,872 条）的合成致死数据用于抗癌靶点与组合用药研究。
化学-靶点（药物发现）：14,024 条化学关联（人类 12,600 条、6,156 种化学物）用于药物-靶点相互作用预测与虚拟筛选。
疾病机制与靶点上下文：主题式策展项目（自闭症、阿尔茨海默、帕金森、COVID-19、泛素-蛋白酶体）为疾病基因集提供互作网络上下文。
PTM 与信号通路：PTM 位点（人类泛素化 436,834 个 NR）用于泛素化/磷酸化通路建模。
CRISPR 功能基因组：ORCS 子库为基因-表型关系与功能基因筛选提供数据。
知识图谱构建：以基因/蛋白为节点、以证据码标注的边构建生物医学知识图谱。

§2 医学背景

§2.1 疾病域应用映射（ICD-11 导航）

BioGRID 本身是分子互作数据库，不带患者诊断标签；但通过主题式策展项目与疾病相关基因集，可映射到多类疾病域。下表为 BioGRID 主题策展项目与 ICD-11 章节的对应导航：

BioGRID 主题策展项目	项目号	对应疾病/通路域	ICD-11 参考章
COVID-19 Coronavirus	3	感染性疾病	1A40-1A4Z（病毒性疾病）
Parkinson’s Disease	18	神经退行性疾病	8A00（帕金森病）
Alzheimer’s Disease	7	神经退行性疾病	8A20（阿尔茨海默病）
Autism spectrum disorder	8	神经发育障碍	6A02（自闭症谱系障碍）
Glioblastoma	5	神经系统肿瘤	2A00（脑肿瘤）
Human Papilloma Virus (HPV)	9	病毒相关肿瘤	1A9x / 2C7x（HPV 相关癌）
Fanconi Anemia	4	遗传性血液病/DNA 修复缺陷	3A63（再生障碍性贫血谱）
Cell Cycle - Senescence	16	细胞衰老/肿瘤	与肿瘤与衰老交叉
Cell Cycle - mTOR pathway	15	信号通路（代谢/肿瘤）	跨章（肿瘤/代谢/神经）
Ubiquitin-Proteasome System	1	蛋白稳态通路	跨章
Autophagy	6	自噬/蛋白稳态	跨章
Arachidonic Acid Pathway	13	炎症/脂质代谢	跨章（炎症/心血管）

说明：BioGRID 的疾病相关性来自主题式策展的核心基因集，而非患者队列；因此 ICD-11 映射是「疾病相关分子网络」的语义导航，不是流行病学统计口径。

§2.1b 术语对接说明（SNOMED CT）

BioGRID 使用生物学本体而非临床术语编码：基因/蛋白标识以官方基因符号（HGNC/MGI/SGD/RGD/FlyBase 等）与系统命名为主，实验证据由结构化证据码（蛋白互作 17 类、遗传互作 11 类）描述，导出遵循 PSI-MI / MITAB 标准。这与 SNOMED CT（临床术语）、ICD-11（疾病分类）不直接对接——BioGRID 处于「分子层」，临床术语处于「患者层」，两者需经基因-疾病关联资源（如 Alliance of Genome Resources、DisGeNET 类）桥接。做临床语义映射时，应把 BioGRID 的基因节点先映射到 HGNC/UniProt，再经疾病本体（DOID）/ICD 桥接，切勿直接对 BioGRID 边贴临床标签。

§2.2 疾病机制简介与流行病学定位

BioGRID 的疾病价值在于分子机制层：疾病往往不是单基因缺陷，而是蛋白互作网络、信号通路与蛋白稳态失衡的结果。互相作用的蛋白对（PPI）构成信号转导与复合物装配的骨架；遗传互作揭示基因间的功能冗余与合成致死关系（抗癌组合疗法的重要原理）；化学互作连接小分子药物与靶点；PTM（泛素化、磷酸化、SUMO 化）调控蛋白的定位、活性与降解。

以主题策展项目为例：泛素-蛋白酶体系统（UPS） 是蛋白降解的核心通路，其失调与多种肿瘤、神经退行性疾病相关；自噬是细胞应激下的降解与循环机制，与神经退行、肿瘤、感染免疫紧密相连；mTOR 通路整合营养与生长信号，是肿瘤与代谢病的重要靶点；阿尔茨海默病项目围绕淀粉样蛋白与 tau 病理的互作网络；COVID-19 项目系统策展病毒-宿主蛋白互作（SARS-CoV-2 物理互作 36,669 条 NR、1,701 篇文献），为抗病毒靶点提供基础。

需要强调流行病学口径的边界：BioGRID 不含患者队列、发病率或死亡率数据，任何「疾病-分子网络」结论都是机制假设层，不能替代流行病学证据。

§2.3 临床任务定义

BioGRID 不直接对应临床任务，但其派生的分子任务与临床前转化相关：

药物靶点发现：以互作网络中心性、遗传互作（合成致死）与化学关联识别潜在靶点。UNC-Chapel Hill 曾用 BioGRID 为 CRISPR 筛出的高致死性癌症靶点提供互作上下文。
组合用药与合成致死：酵母/裂殖酵母遗传互作数据用于预测组合疗法（两侧基因同时失活致死、单独失活不致死）。
疾病基因优先级排序：以互作网络为背景，对 GWAS/罕见变异候选基因做网络传播排序。Tulane University 曾用 BioGRID 识别自闭症风险基因。
药物-靶点相互作用预测：以化学关联数据训练模型预测新小分子-靶点关系（虚拟筛选）。
PPI 与结构预测：BioGRID 物理互作对作为 AlphaFold 类结构预测的候选二聚体对来源。

§2.4 「患者人群」说明

本数据集不涉及患者人群。 BioGRID 的对象是分子实体（基因、蛋白、小分子）及其相互作用，最小记录单位是「两个分子实体 + 一次的实验证据 + 一篇文献」。因此本条目不设年龄、性别、种族的患者人口学统计。库内可提及的人群相关维度仅限「物种（organism）」——即该互作在哪个物种中被实验证实（如 Homo sapiens、S. cerevisiae、Mus musculus）。

§2.5 临床价值与转化路径

BioGRID 的临床价值是间接的、上游的：

机制洞察 → 靶点假说：从互作网络与遗传互作中识别可用药节点与合成致死对。
药物重定位线索：化学互作网络可提示现有药物与新适应症的潜在关联。
AI 建模底座：作为高置信正样本训练 PPI/靶点预测模型，加速临床前筛选。
数据基础设施：作为 Alliance of Genome Resources 成员，向 SGD、TAIR、FlyBase 等模式生物库供数，服务更广泛的下游研究。

转化路径：文献实验证据 → BioGRID 策展结构化 → 网络/ML 分析 → 靶点与生物标志假说 → 湿实验验证 → 临床前 → 临床。BioGRID 处于链条最上游，本身不产生临床结论。

§2.6 金标准与验证参照

内部金标准定位：BioGRID 的文献派生互作被业界视为 HTP 数据集与文本挖掘的金标准（2025 第三方综述语：“a gold standard for high-confidence interaction data”）。因其只收实验证据、排除计算预测，边缘置信度天然高于含预测的库。
外部验证参照：与 STRING（计算预测功能关联）、IntAct（IMEx 精细策展）、HPRD（人类专属）、hu.MAP/BioPlex（复合物图谱）等交叉对照。链接预测模型常以 BioGRID 物理互作为正样本、以随机对为负样本评估 AUROC。
与 IMEx 的关系：BioGRID 是 IMEx 联盟参与者，其数据以 PSI-MI 标准导出，与 IntAct 等可实现分子层对接。
注意事项：BioGRID 本身不设预测排行榜（区别于 STRING 的 benchmark 定位），其「基准性」体现在被下游任务当作正样本来源。

§2.7 实验证据码体系详解

BioGRID 最核心的质量维度不是单一置信分，而是结构化证据码（evidence code）——它精确描述「这条互作是用什么实验方法检测出来的」。理解证据码是正确使用 BioGRID 的前提。

蛋白互作证据码（17 类，Experimental System 字段）——按证据强度分组：

证据强度	证据码（示例）	含义	假阳风险
强（直接结合结构证据）	Co-crystal Structure、Far Western、Protein-peptide	有晶体/直接生化证据	低
中强（直接结合）	Two-hybrid、PCA（蛋白互补）、BiFC	体内/体外直接结合检测	中
中（复合物成员）	Affinity Capture-MS/Western、Co-fractionation、Co-purification	提示复合物共成员，非必然直接结合	中
中（邻近标记）	Proximity Label-MS、BioID、APEX	空间邻近，非必然结合	中高
弱（间接/推断）	Reconstituted Complex、Dosage Growth Defect 等	间接证据	高

遗传互作证据码（11 类）——主要类型：

证据码	含义	典型用途
Synthetic Lethality	两基因同时失活致死、单独失活不致死	抗癌合成致死靶点
Synthetic Rescue	一基因失活被另一基因过表达拯救	通路冗余分析
Synthetic Growth Defect	双突变生长受损	功能关系
Synthetic Haploinsufficiency	双杂合致敏	剂量效应
Dosage Lethality / Dosage Rescue / Dosage Growth Defect	剂量依赖的遗传关系	基因剂量网络
Phenotypic Enhancement / Suppression	表型增强/抑制	通路修饰因子
Negative Genetic / Positive Genetic	负/正遗传互作	综合分类

使用时的一致性要点：

物理 ≠ 遗传：physical 与 genetic 是两类完全不同的语义，不可混用（见 §6.5 坑点 8）。物理互作描述蛋白结合/复合物；遗传互作描述基因功能关系。
HTP ≠ LTP：Throughput 字段区分高通量与低通量。LTP（聚焦研究）通常更可靠。
证据码组合更有价值：同一对互作被多个正交方法（如 Two-hybrid + Affinity Capture + 结构）支持时，置信度显著高于单一证据。
证据码可用于分层建模：把证据码作为边的可学习属性（heterogeneous graph），而非简单二值标签。

§3 数据集规格

§3.0 版本抉择矩阵

BioGRID 按月发布，最新构建即最全。使用建议：

场景	建议版本	理由
生产/最新分析	最新（5.0.262）	互作持续新增，旧版会缺边
可复现研究	锁定具体版本号（如 5.0.262）	写进方法节与配置，避免月度漂移
跨版本对比	记录两版号，仅比共有实体	避免纯 ID 变化造成的假新增（见 §6.5 坑点 7）
历史复现	下载对应版本归档	downloads 提供 Release-Archive 历史目录

硬规矩：任何论文/工程都应在配置中固化 BIOGRID_VERSION，不要在代码里写「最新」。

§3.1 模态详情

BioGRID 是纯结构化文本/表格数据，无图像、无信号。数据类型包括：

数据类型	内容	主要字段
物理互作（PHYSICAL）	蛋白-蛋白结合/复合物成员	两实体 ID、证据码、文献、检测方法、通量（HTP/LTP）
遗传互作（GENETIC）	基因-基因功能关系	两实体 ID、证据码（合成致死等）、文献
化学互作	小分子/药物-蛋白关联	化学物 ID、蛋白 ID、证据码、文献
PTM	翻译后修饰位点	修饰类型（泛素化/磷酸化/SUMO 化等）、蛋白、位点、文献
ORCS（CRISPR）	全基因组 CRISPR 筛选结果	基因、表型、细胞系、作者、筛选元数据

§3.2 规模与子集样本数

全库（5.0.262，All Organisms）：

指标	Raw	非冗余（NR）
物理互作	2,146,174	1,660,023
遗传互作	889,782	729,968
互作合计	3,035,956	2,364,201
化学关联	31,540	14,024
PTM 位点	1,070,943	563,757（未指派 57,396）
唯一基因	—	93,373
唯一文献	—	77,897

头部物种（NR 互作）：

物种	物理（NR）	遗传（NR）	唯一基因	唯一文献
Homo sapiens	1,143,794	20,527	29,996	41,381
S. cerevisiae S288c	198,560	457,599	7,441	18,593
Mus musculus	102,453	913	19,525	5,159
A. thaliana Columbia	77,633	299	12,407	2,461
D. melanogaster	69,555	10,764	11,405	8,068
S. pombe 972h	15,314	52,872	4,767	3,039
C. elegans	42,489	2,302	9,278	1,568
Rattus norvegicus	10,773	19	6,268	1,454
SARS-CoV-2	36,669	0	8,763	1,701

化学互作头部：Homo sapiens 12,600 NR（raw 29,013，唯一化学物 6,156，文献 9,735）。

ORCS CRISPR（2.0.18，2025-11-03）：2,217 筛选 / 94,219 基因 / 825 细胞系 / 145 细胞类型 / 29 表型 / 5 物种。

§3.3 数据格式

格式	文件后缀	内容	适用
tab2	`.tab2`	制表符分隔，含证据码	通用分析（推荐）
tab3	`.tab3`	tab2 扩展版	需要更全字段时
extendedTab2	`.tab2`（扩展）	附加源数据库标识、每文献互作数、附加标识符	溯源分析
PSI-MITAB	`.mitab`（2.5/2.7）	PSI-MI 标准制表格式	与 IntAct/IMEx 互操作
PSI-MI XML	`.xml`	PSI-MI 标准 XML	语义丰富交换
JSON	`.json`	结构化对象（REST）	API 集成
count	—	仅计数无表头	快速统计

REST 服务 format 参数取值：tab1、tab2（默认）、extendedTab2、count、json、jsonExtended。

§3.4 存储大小

BioGRID 全库远小于 STRING（后者全库达数百 GB）：单个物种的互作文件通常为 MB 至数百 MB 量级，人类互作表为最大单文件。全库（所有物种、所有类型、多格式）合计仍属 GB 级，可在普通工作站下载与分析——这是 BioGRID 相对 STRING（需按物种过滤、全库 128-199 GB）在工程上的显著优势。PTM 表以人类泛素化（436,834 NR）为最大子表。

§3.5 标注方式

BioGRID 的「标注」是专家人工策展（manual curation），流程五阶段（据 2025 综述）：

文献筛选与选择：经自动 PubMed 检索、作者直接提交、高影响力期刊监测等识别含可报告互作的论文；优先新互作，同时收录已有互作的新证据。不收录仅在综述中转述或未发表的数据。
全文精读：定位提供实验证据的图、表、结果段；区分物理互作（直接结合/复合物成员）与遗传互作（功能关系）；抽取涉及的基因/蛋白，映射到标准基因标识；记录实验条件（物种、细胞类型）。
互作识别：对高通量研究的补充表，策展员可用专门加载脚本批量处理。
实验证据标注：为每条互作标注结构化证据码（精确描述检测方法）。
数据标准化与质控：统一标识、去冗余、入库发布。

核心原则——证据优先（evidence over interpretation）：BioGRID 按文献原貌独立策展每条互作证据，不对互作的绝对生物学真伪下判断；由此库内可存在数据冲突，而这些冲突恰恰反映了已发表文献本身的矛盾。

§3.6 标注者资质与一致性

策展员：专业化团队（about.php 列出 13+ 现役策展员/工程师），分布于 Toronto、Princeton、Montreal。策展员经内部培训，遵循结构化证据码体系。
一致性：通过统一的证据码体系与标准化流程保证跨文献、跨策展员的一致性；证据码（蛋白 17 类、遗传 11 类）是质控的核心机制。
局限性：人工策展无法完全消除观察者差异；对高通量补充表的批量加载可能保留源数据噪声。

§3.7 采集周期

主库：每月一次策展更新（版本号 5.0.250→5.0.262 逐月递增）。
REST 服务：每月 4 日同步至最新 BioGRID 版本。
主题策展项目：每月更新，新项目定期生成。
ORCS（CRISPR）：每季度更新一次。

§3.8 地域覆盖

BioGRID 的「地域」概念在分子层体现为物种覆盖，而非地理分布：

模式生物：芽殖酵母（S. cerevisiae）、裂殖酵母（S. pombe）、拟南芥（A. thaliana）保持全文献覆盖（complete coverage）；人类、小鼠、果蝇、线虫等 metazoan 持续扩展。
病毒：SARS-CoV-2、SARS-CoV、MERS、HIV-1/2、HPV（多亚型）、单纯疱疹病毒（HHV1-8）、痘苗病毒等均有专项策展。
覆盖不均衡：人类物理互作 1,143,794 条 NR，而诸多物种仅数十条（如 Bacillus subtilis 11 条、Zea mays 13 条）——跨物种直接比较须警惕覆盖偏倚（见 §7.1）。

§3.9 技术规格

项目	规格
数据模型	二元关系（interactor A ↔ interactor B）+ 证据码 + 文献
主键	BioGRID Interaction ID（.tab2 内编号）
标识体系	官方基因符号（HGNC/MGI/SGD/RGD/FlyBase 等）+ 系统命名
证据标准	PSI-MI 兼容（IMEx 参与者）
版本号	5.0.x（月度递增）
接口	REST Web Service（webservice.thebiogrid.org）+ Cytoscape 插件
更新频率	主库月更 / ORCS 季更 / REST 月 4 日同步

§3.10 深度溯源链

文献 → 策展 → 结构化 → 发布 → 下游：

原始研究论文（PubMed，含图表实验证据）
   ↓ 策展员全文精读 + 证据提取
结构化二元互作记录（证据码 + 文献引用 + 检测方法）
   ↓ 标准化 + 质控 + 去冗余
BioGRID 主库（月度构建 5.0.x）
   ├→ 下载（tab2/MITAB/XML/JSON）
   ├→ REST Web Service（每月 4 日同步）
   ├→ 供数下游：SGD / TAIR / FlyBase / Entrez-Gene / IMEx / Alliance of Genome Resources
   └→ 子库：ORCS（CRISPR）/ GIX（Gene Info eXtension）

§3.11 子库与扩展体

BioGRID 并非单一库，而是一主多辅的结构：

子库/扩展	全名	内容	更新频率
BioGRID 主库	Biological General Repository for Interaction Datasets	蛋白/遗传/化学互作 + PTM	每月
BioGRID ORCS	Open Repository of CRISPR Screens	全基因组 CRISPR 筛选（2,217 筛选 / 94,219 基因 / 825 细胞系 / 145 细胞类型 / 29 表型 / 5 物种）	每季度
GIX	Gene Info eXtension	基因信息扩展	—
主题策展项目	Themed Curation Projects	15+ 疾病/通路专项（见 §2.1）	每月

ORCS 的意义：CRISPR 是近年功能基因组学的核心工具，ORCS 系统策展全基因组 CRISPR 筛选的单突变表型与遗传互作，使 BioGRID 从「互作库」延伸到「功能基因筛选库」，服务基因-表型关系与药物靶点发现。ORCS 可独立检索（orcs.thebiogrid.org），也可与主库互作数据联合使用。

合成蛋白互作策展（独有）：BioGRID 是唯一提供合成蛋白（synthetic protein）互作策展的数据库。随 LLM/扩散模型从头设计蛋白的方法兴起，这类「非自然界存在」的蛋白与天然蛋白的互作需要专门策展，BioGRID 从预印本与最新论文中及时抓取，服务 AI 蛋白设计验证。

§3.12 版本历史与规模演进

时点	版本	非冗余互作	备注
2006（创立）	初版	文献互作 >70,000（酵母为主）	收录 S. cerevisiae 19,744 蛋白 + 11,234 遗传互作；导入 FlyBase 10,943 + HPRD 30,761
2019 更新	—	—	NAR 2019 update 发表
2021 更新	—	—	Protein Science 权威更新（化学互作纳入表述）
2025-01	4.4.241	—（综述口径）	旧版本编号体系；人类物理 1,009,107（NR）
2025-10	5.0.250	2,249,721	新体系 5.0.x
2026-01	5.0.253	2,259,095
2026-07	5.0.259	2,331,024
2026-10	5.0.262	2,364,201	当前构建

演进特征：二十年持续月度更新；人类物理互作从 2025-01 的约 101 万（NR）增长到 2026-10 的约 114 万（NR）；版本编号从 4.4.x 切换到 5.0.x（跨版本比对须注意，见 §6.5 坑点 7）。

§4 数据结构

§4.0 目录树

官方下载目录（downloads.thebiogrid.org）按版本归档组织，典型结构示意：

BioGRID/
└── Release-Archive/
    ├── BIOGRID-5.0.262/
    │   ├── BIOGRID-ALL-5.0.262.tab2.zip          # 全物种互作（tab2）
    │   ├── BIOGRID-ALL-5.0.262.tab3.zip          # 全物种互作（tab3 扩展）
    │   ├── BIOGRID-ALL-5.0.262.mitab.zip         # PSI-MITAB
    │   ├── BIOGRID-ALL-5.0.262.psi25.zip         # PSI-MI 2.5 XML
    │   ├── BIOGRID-ALL-5.0.262.psi27.zip         # PSI-MI 2.7 XML
    │   ├── BIOGRID-ORGANISM-5.0.262.tab2.zip     # 按物种拆分
    │   │   ├── BIOGRID-ORGANISM-Homo_sapiens-5.0.262.tab2.txt
    │   │   ├── BIOGRID-ORGANISM-Saccharomyces_cerevisiae-*.tab2.txt
    │   │   └── ...（80+ 物种）
    │   ├── BIOGRID-PTMS-5.0.262.ptm.zip          # PTM 位点
    │   └── BIOGRID-CHEMICALS-5.0.262.chemtab.zip # 化学互作
    └── BIOGRID-5.0.261/ ...

种子信息中「全库为单一大文件」的说法不准确——BioGRID 的下载是分物种 + 分类型 + 分格式组织的多文件结构，单物种文件通常仅 MB 级。

§4.1 DAIMS 字段字典

DAIMS（Data and Interoperability Metadata Standard）字段字典——BioGRID 主互作表（tab2 口径）核心字段：

字段（tab2）	类型	含义	取值/示例
`#BioGRID Interaction ID`	int	互作唯一编号（主键）	118001
`Entrez Gene Interactor A`	int	互作本体 A 的 Entrez Gene ID	7157
`Entrez Gene Interactor B`	int	互作本体 B 的 Entrez Gene ID	1956
`BioGRID ID Interactor A`	int	A 的 BioGRID 内部 ID	108796
`BioGRID ID Interactor B`	int	B 的 BioGRID 内部 ID	111352
`Systematic Name Interactor A`	str	A 的系统命名	YHR115C
`Systematic Name Interactor B`	str	B 的系统命名	YBR026C
`Official Symbol Interactor A`	str	A 的官方基因符号	TP53
`Official Symbol Interactor B`	str	B 的官方基因符号	EGFR
`Synonyms Interactor A/B`	str	别名（`\	` 分隔）
`Experimental System`	str	实验证据码（检测方法）	Two-hybrid, Affinity Capture-MS
`Experimental System Type`	enum	通量类型	`physical` / `genetic`
`Author`	str	首作者姓	Reguly
`Publication Source`	str	期刊	Nucleic Acids Res
`Organism ID Interactor A/B`	int	NCBI taxonomy ID	9606
`Throughput`	enum	通量档	High Throughput / Low Throughput
`Score`	float	互作置信分（若源提供）	0.0-1.0
`Modification`	str	修饰类型（PTM 表）	Ubiquitination
`Qualifications`	str	实验限定说明	温度敏感突变体
`Qualifications`（tags）	str	标签（`\	` 分隔）
`Ontology Term IDs`	str	本体术语 ID（若有）	GO:0005515

说明：不同格式字段名与列数不同（tab2 约 24 列，tab3 扩展更多），上表为 tab2 语义字典。证据码字段（Experimental System）是 BioGRID 的核心可分析维度。

§4.2 标签分布与边权结构

BioGRID 的「标签」是证据码（evidence code），不是置信分。核心分布特征：

蛋白互作证据码 17 类（如 affinity capture-MS、co-crystal structure、two-hybrid、co-fractionation、proximity label-MS 等）；遗传互作证据码 11 类（synthetic lethality、synthetic rescue、dosage lethality 等）。
通量类型：High Throughput（HTP）vs Low Throughput（LTP，聚焦研究）。LTP 通常更可靠，HTP 假阳风险高。
物理 vs 遗传：物理互作约占 NR 互作 70%（1,660,023/2,364,201），遗传互作约 31%（729,968）；酵母遗传互作占比极高（457,599 NR）。
无统一「边权分数」：BioGRID 不给每条边单一置信分（这是与 STRING combined score 的关键差异）。做加权分析须自行定义权重（如按证据码数量、按 LTP 优先）。

# 证据码分布画像：了解你的子网里各证据码构成
# 预期：data_root 下有 Homo_sapiens 的 .tab2 文件
import pandas as pd
from collections import Counter

COLS = ['biogrid_id','entrez_a','entrez_b','bgid_a','bgid_b',
        'sys_a','sys_b','sym_a','sym_b','syn_a','syn_b',
        'exp_system','exp_type','author','pub_source','pub_id',
        'tax_a','tax_b','throughput','score','mod','quals','tags','ont']

df = pd.read_csv('BIOGRID-ORGANISM-Homo_sapiens-5.0.262.tab2.txt',
                 sep='\t', comment='#', names=COLS, dtype=str, low_memory=False)
df['exp_type'] = df['exp_type'].str.strip().str.lower()

print('行数:', len(df))
print('物理/遗传:', df['exp_type'].value_counts().to_dict())
print('通量:', df['throughput'].value_counts().to_dict())
print('Top15 证据码:')
for k, v in Counter(df['exp_system']).most_common(15):
    print(f'  {k}: {v}')

§4.3 关键统计

统计量	值（5.0.262）
非冗余互作	2,364,201
原始互作	3,035,956
非冗余/原始比	≈ 0.779（去冗余去除约 22%）
非冗余化学关联	14,024
非冗余 PTM 位点	563,757
唯一基因（全物种）	93,373
唯一文献（产生互作）	77,897
策展物种（含病毒）	80+
人类占比（NR 物理互作）	约 69%（1,143,794 / 1,660,023）

§4.4 数据层级

互作记录（一行 = 一次实验证据）
   ├─ 物理互作（PHYSICAL）
   │    └─ 证据码：Two-hybrid / Affinity Capture-MS / Co-crystal Structure ...
   └─ 遗传互作（GENETIC）
        └─ 证据码：Synthetic Lethality / Synthetic Rescue / Dosage Lethality ...
物种（organism）← 由 NCBI taxid 界定
   └─ 物种内：基因/蛋白节点（Entrez Gene ID / BioGRID ID / 官方符号）
文献（publication）← 每条互作至少一条 PubMed 引用

同一对互作可有多行记录（不同证据码 / 不同文献 / 不同通量），这是 BioGRID “raw vs non-redundant” 双计数的根源。

从「行」到「用户视角」的三层聚合：

记录层（row）：一行 = 「互作体对 A-B × 一个实验系统 × 一篇文献」。raw 计数即此层行数。
互作对层（pair）：同一 A-B 对（不论方向、实验、文献）合并为一条。NR 计数即此层。
节点层（node）：以基因/蛋白为节点，聚合其所有互作，形成网络视图。

理解这三层的差异是解读 BioGRID 规模数字的关键：raw > NR（因为一篇文献可用多种方法报告同一对），唯一基因 < 唯一互作体对（因为一个蛋白可与多个伙伴互作）。

§4.4b 证据码 × 通量的交叉视角

做质量分层时，最实用的视角是「证据码 × 通量」二维交叉：

	Low Throughput（LTP）	High Throughput（HTP）
直接结合证据（Two-hybrid、Co-crystal）	最高置信——聚焦验证的直接结合	中——大规模 Y2H 有假阳
复合物成员（Affinity Capture、Co-fractionation）	高——聚焦研究的复合物	中低——AP-MS 有常见污染物（如热休克蛋白）
遗传互作（Synthetic Lethality 等）	高——聚焦遗传学	中——SGA/dSLAM 大规模筛选

实践建议：入门用「LTP 物理互作」作为高置信骨架；需要规模时用「全部物理互作」但做证据码分层；遗传互作单独建层，不与物理混用。

§4.5 缺失值与信息性缺失

缺失 = 未策展，非「无互作」。BioGRID 只记录文献报道过的互作；基因未出现在库中，可能只是尚未被策展，而非生物学上无互作。这是链接预测最大的陷阱：把「未记录」当「负样本」会引入巨大的假阴性（见 §5.3）。
字段级缺失：Score 常为空（仅部分证据源提供）；Qualifications/Ontology Term IDs 多数行为空；别名 Synonyms 常缺失。
信息性缺失：Throughput 字段的缺失或 HTP 标记本身携带质量信息——HTP 边往往需更多独立证据支持。
物种覆盖缺失：非模式物种记录极稀疏（如 Bacillus subtilis 11 条），跨物种分析须显式声明覆盖差异。

# 映射与缺失核对：提交前预演「谁能入网、谁会被丢」
# 预期：data_root 下有 Homo_sapiens 的 .tab2；gene_list 为你的基因符号列表
import pandas as pd

df = pd.read_csv('BIOGRID-ORGANISM-Homo_sapiens-5.0.262.tab2.txt',
                 sep='\t', comment='#', names=COLS, dtype=str, low_memory=False)
bg_genes = set(df['sym_a'].dropna()) | set(df['sym_b'].dropna())

gene_list = ['TP53', 'EGFR', 'BRCA1', 'NOTCH1', 'MYC']
missing = [g for g in gene_list if g not in bg_genes]
print(f'查询 {len(gene_list)} 个基因，BioGRID 命中 {len(gene_list) - len(missing)}，缺失 {len(missing)}: {missing}')
# 缺失基因多为：非人类物种 / 别名写法 / 尚未策展 —— 先做符号归一化再重试

§5 数据划分与使用建议

§5.1 官方划分

BioGRID 不提供官方 train/val/test 划分。 它是一个持续更新的知识库，而非为 ML 评测而切分的数据集。任何划分都须由用户自建，并明确记录划分协议。这一点与 STRING、IntAct 相同。

§5.2 社区惯例划分

社区做 PPI 链接预测时的常见惯例：

按时间切分（temporal split）：以某时间点前策展的边为训练集、之后新增的边为测试集——最贴近真实预测场景，避免信息泄漏。
按文献切分（publication split）：同一篇文献产生的边整体归入同一折——防止同一实验的互作在训练/测试间泄漏。
按蛋白切分（protein-centric）：留出部分基因/蛋白，测试对未见节点的预测能力。
按物种切分（leave-one-species-out）：跨物种泛化评估。
随机划分（random split）：仅作为上界参考，会因同源/同文献泄漏而虚高（见 §5.3）。

§5.3 泄漏风险（重点）

BioGRID 做链接预测的最大风险是数据泄漏，来源有三：

同文献泄漏：一次高通量实验常报告成百上千条互作，若同一文献的边散落在训练与测试，模型等于「见过答案」。→ 必须按文献整体切分。
同源泄漏（paralog/homolog）：同源蛋白家族（如 in-paralogs）在物理/功能上高度相似，随机切分会让测试集中出现训练集的「近亲」。→ 按蛋白家族/正交群分组切分。
未策展即负样本的假阴性：把「BioGRID 未记录的对」当作负样本，其中可能混有真实但未策展的互作，污染负样本。→ 负采样应避开「高概率有互作但未记录」的候选（如热门基因对），或采用 PU-learning（正-未标注学习）。

§5.4 交叉验证建议

# GroupKFold：以文献为单位切分，同文献边不跨折
# 预期：edges.parquet（由 .tab2 派生，含 pub_id 列）
import pandas as pd
from sklearn.model_selection import GroupKFold

edges = pd.read_parquet('edges.parquet')          # columns: a, b, label, pub_id
gkf = GroupKFold(n_splits=5)
for fold, (tr, te) in enumerate(gkf.split(edges, groups=edges['pub_id'])):
    train, test = edges.iloc[tr], edges.iloc[te]
    assert set(train['pub_id']) & set(test['pub_id']) == set()  # 无文献泄漏
    print(f'fold {fold}: train={len(train)}, test={len(test)}')

更严格的协议：先用 pub_id 分组切分，再在组内按蛋白家族二次分组（防同源泄漏）；跨物种任务用 leave-one-species-out。

§5.5 外部验证建议

跨库对照：用 IntAct（rid=582）精细策展边或 STRING（rid=414）实验通道高分边做外部验证集。
湿实验验证：对模型高置信预测做 Y2H / co-IP / 亲和纯化验证（BioGRID 的 LTP 文献即此类证据）。
结构验证：对预测的物理互作对用 AlphaFold-Multimer / PDB 结构比对。
通路一致性：验证预测边是否落在已知通路（Reactome/KEGG）内。
文献时间外推：用「未来才被策展的边」作外部测试集，模拟真实预测。

§6 AI 就绪指南

§6.0 云端快速启动

# 云端快速启动：下载单物种人类互作（无需注册检索索引）
# 预期目录结构：./biogrid_data/ 下生成人类互作表
# data_root = ./biogrid_data/（后续代码块统一引用）
# 下载直链模板来自官方下载页；若失效请以 https://downloads.thebiogrid.org/BioGRID
# 页面提供的最新版本目录为准
mkdir -p ./biogrid_data && cd ./biogrid_data

# 单物种（人类）：体积小，秒级下载
wget -c "https://downloads.thebiogrid.org/Download/BioGRID/Release-Archive/BIOGRID-5.0.262/BIOGRID-ORGANISM-5.0.262.tab2.zip"
unzip -o BIOGRID-ORGANISM-5.0.262.tab2.zip

# 只取人类文件（其他物种可忽略）
ls BIOGRID-ORGANISM-Homo_sapiens-5.0.262.tab2.txt
# -c 断点续传：大文件中断后重跑同一命令即可续传

§6.1 快速上手：加载与建图

# 快速上手：读取人类 tab2，按通量与证据码做质量分层建图
# 预期：./biogrid_data/BIOGRID-ORGANISM-Homo_sapiens-5.0.262.tab2.txt 已存在
import pandas as pd
import networkx as nx

COLS = ['biogrid_id','entrez_a','entrez_b','bgid_a','bgid_b',
        'sys_a','sys_b','sym_a','sym_b','syn_a','syn_b',
        'exp_system','exp_type','author','pub_source','pub_id',
        'tax_a','tax_b','throughput','score','mod','quals','tags','ont']

df = pd.read_csv('biogrid_data/BIOGRID-ORGANISM-Homo_sapiens-5.0.262.tab2.txt',
                 sep='\t', comment='#', names=COLS, dtype=str, low_memory=False)
df['exp_type'] = df['exp_type'].str.strip().str.lower()
df['throughput'] = df['throughput'].fillna('').str.strip()

# 质量分层：仅保留低通量（聚焦研究）物理互作——高置信子网
strict = df[(df['exp_type'] == 'physical') &
            (df['throughput'] == 'Low Throughput')]

# 建无向图（去重对称边）
G = nx.Graph()
G.add_edges_from(zip(strict['sym_a'], strict['sym_b']))
print(f'节点 {G.number_of_nodes()}，边 {G.number_of_edges()}')
print('度数 Top10:', sorted(G.degree, key=lambda x: -x[1])[:10])

§6.2 数据获取

# REST API：取 TP53(7157) 与 EGFR(1956) 之间的互作（无需密钥，须填 accesskey）
# accesskey 在 https://webservice.thebiogrid.org/ 免费申请
import requests

ACCESS_KEY = 'YOUR_ACCESS_KEY'   # 免费申请；请填你的应用标识
url = 'https://webservice.thebiogrid.org/interactions/'
params = {
    'accesskey': ACCESS_KEY,
    'geneList': '7157|1956',      # Entrez Gene ID，用 | 分隔
    'taxId': 9606,                # 人类
    'format': 'json',
    'includeInteractors': 'true',
}
r = requests.get(url, params=params, timeout=30)
for iid, rec in r.json().items():
    print(rec['official_symbol_a'], rec['official_symbol_b'],
          rec['experimental_system'], rec['throughput'])

# 批量下载常用物种的互作文件（wget 断点续传）
# 直链模板请与官方下载页（https://downloads.thebiogrid.org/BioGRID）核对其最新形式
# 预期目录：./biogrid_data/；VER 为版本号
VER=5.0.262
for ORG in Homo_sapiens Saccharomyces_cerevisiae Mus_musculus; do
  wget -c "https://downloads.thebiogrid.org/Download/BioGRID/Release-Archive/BIOGRID-${VER}/BIOGRID-ORGANISM-${VER}.tab2.zip" \
    -O "BIOGRID-ORGANISM-${VER}.tab2.zip"
done
# -c 断点续传：大文件中断后重跑同一命令即可续传

§6.3 预处理全流程

# 预处理全流程：符号归一 → 证据分层 → 去冗余 → 负采样(PU) → 列存
# 预期：data_root 下有人类 tab2 文件
import pandas as pd
import numpy as np

COLS = ['biogrid_id','entrez_a','entrez_b','bgid_a','bgid_b',
        'sys_a','sys_b','sym_a','sym_b','syn_a','syn_b',
        'exp_system','exp_type','author','pub_source','pub_id',
        'tax_a','tax_b','throughput','score','mod','quals','tags','ont']

df = pd.read_csv('biogrid_data/BIOGRID-ORGANISM-Homo_sapiens-5.0.262.tab2.txt',
                 sep='\t', comment='#', names=COLS, dtype=str, low_memory=False)
df['exp_type'] = df['exp_type'].str.strip().str.lower()

# 步骤 1：实体归一（用 Entrez Gene ID，避免符号别名歧义）
df = df.dropna(subset=['entrez_a', 'entrez_b'])

# 步骤 2：质量分层——物理互作 + 低通量优先
strict = df[(df['exp_type'] == 'physical') & (df['throughput'] == 'Low Throughput')]

# 步骤 3：去冗余 + 对称化（A-B 与 B-A 视为同一条）+ 证据码计数作为权重
strict = strict.copy()
strict['pair'] = strict.apply(
    lambda r: tuple(sorted((r['entrez_a'], r['entrez_b']))), axis=1)
pos = strict.groupby('pair').agg(
    n_evidence=('exp_system', 'nunique'),
    n_pub=('pub_id', 'nunique'),
).reset_index()
pos[['a', 'b']] = pd.DataFrame(pos['pair'].tolist(), index=pos.index)
pos['label'] = 1
print(f'去冗余后正样本对：{len(pos)}')

# 步骤 4：负采样——避开「热门但未记录」的假阴性（PU 思路）
nodes = pd.unique(pd.concat([pos['a'], pos['b']]))
deg = pd.concat([pos['a'], pos['b']]).value_counts()
seed = 42; rng = np.random.default_rng(seed)
neg_pairs = set()
while len(neg_pairs) < len(pos):
    a, b = rng.choice(nodes, 2, replace=False)
    a, b = tuple(sorted((a, b)))
    if (a, b) in set(pos['pair']):
        continue
    # 排除双高节点对（更可能是未策展真阳性）
    if deg.get(a, 0) > 50 and deg.get(b, 0) > 50:
        continue
    neg_pairs.add((a, b))
neg = pd.DataFrame(list(neg_pairs), columns=['a', 'b'])
neg['label'] = 0
neg['n_evidence'] = 0; neg['n_pub'] = 0

# 步骤 5：转列存
pos.drop(columns=['pair']).to_parquet('pos_edges.parquet')
neg.to_parquet('neg_edges.parquet')
print('saved pos_edges.parquet / neg_edges.parquet')

§6.4 PyTorch DataLoader 完整示例

# 边分类/链接预测任务的 Dataset 与 DataLoader
# 预期：data_root 下有 pos_edges.parquet / neg_edges.parquet（§6.3 产物）
import torch
import pandas as pd
from torch.utils.data import Dataset, DataLoader

class EdgeDataset(Dataset):
    def __init__(self, pos_path, neg_path):
        pos = pd.read_parquet(pos_path); pos['label'] = 1
        neg = pd.read_parquet(neg_path); neg['label'] = 0
        df = pd.concat([pos, neg], ignore_index=True).sample(frac=1, random_state=42)
        self.a = torch.tensor(df['a'].astype('category').cat.codes.values, dtype=torch.long)
        self.b = torch.tensor(df['b'].astype('category').cat.codes.values, dtype=torch.long)
        self.y = torch.tensor(df['label'].values, dtype=torch.float32)
        self.n_nodes = int(max(self.a.max(), self.b.max())) + 1

    def __len__(self): return len(self.y)

    def __getitem__(self, i):
        return self.a[i], self.b[i], self.y[i]

ds = EdgeDataset('pos_edges.parquet', 'neg_edges.parquet')
dl = DataLoader(ds, batch_size=4096, shuffle=True, num_workers=4)
print(f'节点数 {ds.n_nodes}，样本数 {len(ds)}')

# 最小训练循环骨架：可学习节点嵌入 + 边编码器 + AUROC 监控
# 预期：ds 已由上文构建
import torch.nn as nn
from sklearn.metrics import roc_auc_score

class EdgeClassifier(nn.Module):
    def __init__(self, n_nodes, dim=128):
        super().__init__()
        self.emb = nn.Embedding(n_nodes, dim)
        nn.init.normal_(self.emb.weight, std=0.1)
        self.mlp = nn.Sequential(nn.Linear(dim * 2, 256), nn.ReLU(),
                                 nn.Dropout(0.2), nn.Linear(256, 1))

    def forward(self, a, b):
        ea, eb = self.emb(a), self.emb(b)
        return self.mlp(torch.cat([ea, eb, (ea - eb).abs()], dim=-1)).squeeze(-1)

dev = 'cuda' if torch.cuda.is_available() else 'cpu'
model = EdgeClassifier(ds.n_nodes).to(dev)
opt = torch.optim.Adam(model.parameters(), lr=1e-3)
lossf = nn.BCEWithLogitsLoss()
for epoch in range(5):
    model.train(); tot = 0.0
    for a, b, y in dl:
        a, b, y = a.to(dev), b.to(dev), y.to(dev)
        opt.zero_grad()
        loss = lossf(model(a, b), y); loss.backward(); opt.step()
        tot += loss.item()
    print(f'epoch {epoch}: loss={tot/len(dl):.4f}')

§6.5 坑点清单（8 个）

⚠️ 坑点 1：把「非冗余互作 2,364,201」误读为「原始互作 3,035,956」（分类：数字误读）

问题：BioGRID 官网首页横幅写 “3,035,956 protein and genetic interactions”，而 news 正文明确 3,035,956 是 raw（原始） 互作，非冗余（non-redundant）为 2,364,201。两者相差约 28%。写论文引用规模时若张冠李戴，会把唯一互作数报大近 67 万条。
症状：审稿人指出「你的互作数比官方 NR 数多 67 万」；跨库对比时 BioGRID 规模被系统性高估。
解决：

简单方法：引用时明确写「非冗余 2,364,201 / 原始 3,035,956」，并注明口径。

进阶方法：下载后自行统计 NR（对 pair 去重）与 raw（按行计数）两值，与官方对账。

SOTA 方法：在论文表格中并列 raw/NR/唯一文献三列，参照官方 statistics 页的 All Organisms 行，杜绝单数字引用。
参考：https://wiki.thebiogrid.org/doku.php/statistics

⚠️ 坑点 2：把「未记录」当「无互作」做负样本（分类：标签理解 / 假阴性）

问题：BioGRID 是策展库，未记录的互作可能是「尚未被策展」或「研究较少」而非「生物学上不存在」。用随机未记录对做负样本，会混入大量真实但未策展的互作（假阴性），尤其热门基因对。
症状：模型在 BioGRID 上 AUROC 极高（0.95+）但湿实验验证命中率极低；负样本中检出已知互作；换成时间切分后指标骤降。
解决：

简单方法：负采样排除「双高连通度节点对」与已知通路内候选（§6.3 步骤 4）。

进阶方法：与 IntAct（rid=582）取差集约束负样本；或引入 STRING 低分边作「可能是负」的弱约束。

SOTA 方法：采用 PU-learning（正-未标注学习）或非负风险估计，显式建模未标注样本的不确定性；报告 PU 校正后的指标。
参考：§5.3 泄漏风险；STRING rid=414 作为交叉参照

⚠️ 坑点 3：同文献高通量边的训练/测试泄漏（分类：数据泄漏）

问题：一篇高通量论文可报告上千条互作。随机切分时，同一篇文献的边会散落训练与测试集，模型等于「背诵了文献的互作列表」，测试集失去独立性。
症状：随机切分 AUROC ~0.95，按文献切分后掉到 0.7；复现实验失败；新文献上泛化差。
解决：

简单方法：用 GroupKFold 按 pub_id 整体切分（§5.4）。

进阶方法：时间切分——训练用旧文献、测试用新文献，模拟真实预测场景。

SOTA 方法：双维度分组（pub_id × 蛋白家族）切分，同时防文献与同源泄漏；报告多协议指标对照表。
参考：§5.3、§5.4

⚠️ 坑点 4：忽略通量类型，HTP 假阳污染训练集（分类：质量控制）

问题：Throughput 字段区分 High/Low Throughput。HTP 边（如大规模 Y2H、AP-MS）假阳率高；若不加区分地把所有物理互作当正样本，训练集会被 HTP 噪声主导。
症状：模型学到 HTP 实验的偏倚（如 Y2H 偏好特定蛋白结构域）；高置信子网分析时 hub 被 HTP 明星蛋白霸榜。
解决：

简单方法：优先用 Low Throughput 边（§6.1）。

进阶方法：按证据码分层，只用「正交方法一致支持」的边（如 Y2H + co-IP + 结构证据同现）。

SOTA 方法：把 Throughput 与证据码作为边的可学习属性，训练时做证据消融鲁棒性测试。
参考：§4.2、2025 综述（https://www.sysbiosci.com/posts/a-researchers-guide-to-ppi-data-mastering-intact-biogrid-and-beyond-for-robust-network-analysis）

⚠️ 坑点 5：基因符号别名导致的静默丢弃与错配（分类：预处理陷阱）

问题：不同物种/数据库用不同符号体系（官方符号、系统命名、别名）。用官方符号做跨物种匹配会漏掉别名写法；同一符号在不同物种指不同基因（如酵母与人类同名基因）。
症状：提交 100 个基因只命中 80 个；跨物种网络里出现物种错配的边；「消失」的恰是关键候选。
解决：

简单方法：始终用 Entrez Gene ID 或 BioGRID ID 做主键（§6.3 步骤 1），不靠符号。

进阶方法：先经 HGNC/MGI 等做符号归一，再映射到 Entrez；核对映射失败清单。

SOTA 方法：维护版本化的「符号→Entrez→BioGRID ID」三级映射缓存，记录各库版本使映射可复现。
参考：§4.5；BioGRID REST /identifiers/ 端点

⚠️ 坑点 6：跨物种直接比较忽略覆盖极度不均衡（分类：偏倚陷阱）

问题：BioGRID 各物种覆盖天差地别——人类物理互作 1,143,794 条 NR，而许多模式物种仅数十条（Bacillus subtilis 11 条、Zea mays 13 条）。直接比较不同物种的网络规模/中心性会得到被「研究热度」主导的假结论。
症状：论文称「物种 A 互作网络比 B 稀疏」，实为 B 策展不充分；跨物种 hub 分析偏向研究热门物种。
解决：

简单方法：跨物种比较前先报告各物种的策展文献数，声明覆盖差异。

进阶方法：只比较「策展充分」的物种（人类/酵母/拟南芥/果蝇/线虫/小鼠）。

SOTA 方法：做覆盖校正（按文献数归一化）或限制在共有基因集上比较；用全文献覆盖的酵母/拟南芥作对照锚。
参考：https://wiki.thebiogrid.org/doku.php/statistics（逐物种表）

⚠️ 坑点 7：跨版本规模比对忽略版本体系切换与月度漂移（分类：工程陷阱）

问题：BioGRID 每月更新，且版本体系曾从 4.4.x 切到 5.0.x。引用旧综述的「4.4.241」规模与现行「5.0.262」不可直接比；月度新增也会让「最新」数字迅速过期。
症状：论文规模数字与官网对不上；跨版本「新增边」里混入纯 ID/策展节奏差异造成的假新增。
解决：

简单方法：锁定单一版本号，写进配置与论文方法节（§3.0）。

进阶方法：跨版本比对只在「两版共有基因」子集上做，避免实体漂移干扰。

SOTA 方法：维护本地版本快照与差异日志，对「新增边」按证据码分解复核。
参考：https://thebiogrid.org/ 首页 news（逐月版本数字）

⚠️ 坑点 8：把 BioGRID 边当「物理结合」用于机制结论（分类：语义误用）

问题：BioGRID 的 genetic 互作是功能关系（合成致死等），不是物理结合；即便 physical 互作也含复合物共成员（不必然直接结合）。若不加区分地把所有边当「蛋白直接相互作用」用于结构/机制推断，会系统性错误。
症状：用遗传互作边预测蛋白复合物；机制论文被指出「引用的边实为合成致死而非结合」。
解决：

简单方法：分析前先按 exp_type 过滤，只取 physical。

进阶方法：进一步按证据码区分「直接结合」（co-crystal、two-hybrid）与「复合物共纯化」（AP-MS、co-fractionation）。

SOTA 方法：把证据码作为边的语义标签，在图模型中区分边类型（multiplex/heterogeneous graph），物理与遗传分别建层。
参考：§4.2、§4.4；2006 创刊论文对物理/遗传互作的区分（https://nar.oxfordjournals.org/content/34/suppl_1/D535.long）

§6.6 数据增强：安全与危险操作

操作	安全性	说明
边级 dropout（训练随机屏蔽边）	✅	图自监督标准做法，对带证据计数的边可按计数反比屏蔽
证据码视图 dropout（随机屏蔽某证据码的边）	✅	天然多证据数据，训证据鲁棒表示
节点特征噪声（嵌入加高斯噪声）	✅	常规正则化
子图采样（ego-graph / 随机游走）	✅	大图 mini-batch 必备
跨物种边直接合并	⚠️ 危险	同名基因跨物种非同源，合并会制造假边；须经正交群映射
A-B 与 B-A 当两条独立边	⚠️ 危险	BioGRID 记录无方向，对称化处理否则边数虚高近一倍
随机打乱文献归属	❌ 禁止	破坏 pub_id 分组，直接造成泄漏
用未记录对当负样本	❌ 禁止	假阴性污染（坑点 2）

§6.7 模型推荐

任务	推荐方法	备注
PPI 链接预测	GNN（GraphSAGE/GAT）、SEAL、NCN	需严格防泄漏切分
边分类（物理 vs 遗传）	图 Transformer、R-GCN	用证据码做辅助标签
节点功能预测	节点嵌入 + 分类头	可与 GO 注释结合
基因-表型/疾病关联	图传播（network propagation）、RWR	以 BioGRID 网络为底
化学-靶点预测	分子图 + 蛋白嵌入双塔	用化学互作子库训练
跨物种迁移	正交群对齐嵌入	参照 STRING SPACE 思路

§6.8 硬件需求

规模	建议硬件
单物种人类互作建模（~100 万边）	16-32 GB RAM，可选单卡 GPU
全库（~236 万边）图训练	32-64 GB RAM + 24 GB GPU
大规模 GNN（多物种合并）	64 GB+ RAM + A100/4090 级 GPU
纯 CPU 后处理/统计	8-16 GB RAM 足够（BioGRID 体积远小于 STRING）

BioGRID 全库为 GB 级，单机可完整装下——这是相对 STRING（全库数百 GB）的工程优势。

§6.9 评估指标代码

# 链接预测评估三件套：AUROC / precision@k / 多协议对照
# 预期：y_true 为标签数组，y_score 为模型打分
import numpy as np
from sklearn.metrics import roc_auc_score, average_precision_score

def precision_at_k(y_true, y_score, k):
    idx = np.argsort(-y_score)[:k]
    return y_true[idx].mean()

def evaluate(y_true, y_score, ks=(50, 100, 500)):
    res = {'AUROC': roc_auc_score(y_true, y_score),
           'AUPRC': average_precision_score(y_true, y_score)}
    for k in ks:
        res[f'P@{k}'] = precision_at_k(y_true, y_score, k)
    return res

# 多协议对照示例（随机切分 vs 按文献切分）
for proto in ['random', 'by_publication']:
    y_true, y_score = load_scores(proto)   # 你的数据加载
    print(proto, evaluate(np.asarray(y_true), np.asarray(y_score)))

§6.10 MLOps 笔记

版本固化：配置中写死 BIOGRID_VERSION，每次训练记录所用快照。
快照留存：保存训练当次下载的 .tab2 文件哈希（md5），保证可复现。
数据血缘：记录「下载版本 → 过滤规则 → 去冗余 → 负采样 seed」，形成可重放管线。
监控漂移：月度更新后重跑评估，观察指标变化（新互作会改变正样本分布）。
证据码审计：定期输出证据码分布，发现 HTP 占比异常升高时预警。

§7 质量评估与局限性

§7.1 已知偏倚

研究热度偏倚（funding/publication bias）：热门蛋白（TP53、MYC、EGFR）与研究充分的通路边密集，冷门蛋白边稀疏。网络中心性因此部分反映「研究热度」而非生物学重要性。
物种覆盖偏倚：人类+酵母+小鼠+拟南芥+果蝇+线虫占绝大多数，其余物种仅零星记录（见 §3.8）。
方法学偏倚：Y2H 偏好特定结构域/蛋白类型；AP-MS 偏好稳定复合物；不同证据码有系统性假阳/假阴特征。
HTP 数据噪声：大规模筛选的假阳率较高，虽经策展但源数据噪声保留。
文献时间偏倚：早期文献方法较粗，近年数据质量提升；跨年代合并须注意。
阴性结果缺失：失败/无互作结果极少被发表，BioGRID 天然缺少真负样本。

§7.2 标注质量

优势：仅收实验证据、排除计算预测与综述转述；结构化证据码（17+11 类）精确描述检测方法；IMEx/PSI-MI 标准保障互操作。
局限：人工策展存在观察者差异；「证据优先」原则意味着 BioGRID 不对互作真伪下判断，库内可含文献级冲突；HTP 补充表批量加载可能带入源数据噪声。使用者须自行按证据码/通量分层。

§7.3 泛化性评估

跨物种泛化：因覆盖不均衡，模型在冷门物种上泛化性差；须用正交群迁移辅助。
跨年代泛化：用早期文献训练、新文献测试可评估真实预测能力。
跨库泛化：在 BioGRID 训练、在 IntAct/STRING 实验子集上测试，检验结论可迁移性。
对未见蛋白：蛋白中心切分评估对全新节点的预测，通常显著低于随机切分。

§7.4 伦理考量

BioGRID 为分子实体数据，不涉及人类受试者隐私（无患者数据）。伦理关注点更多在科学诚信：引用须准确标注版本与口径；不得把文献级冲突边作为确定事实呈现；基于 BioGRID 的药物靶点结论须经实验验证，避免过度声张。

§7.5 公平性

「公平性」在分子库语境下指物种与蛋白覆盖的公平：研究资源集中于少数模式生物与热门基因，导致冷门物种/蛋白的预测服务不足。使用者应意识到这一结构性不平等，避免用覆盖偏倚的网络做「普适」结论。

§7.6 数据漂移

版本漂移：月度更新持续新增互作（5.0.250→5.0.262 约 11 万条 NR 增量），模型需定期重训。
体系漂移：4.4.x→5.0.x 版本体系切换。
实体漂移：基因命名与参考基因组更新导致标识变化，跨版本须经 ID 桥接。
缓解：版本固化 + 血缘记录 + 定期重评（见 §6.10）。

§7.7 DAIMS 24 项自检

#	DAIMS 维度	自检结论
1	数据来源可溯	✅ 每条互作含 PubMed 文献引用，可溯源至原始论文
2	许可明确	⚠️ 声明 free/open-access，但未见显式 SPDX/CC 协议（遗留疑点 A）
3	版本可辨	✅ 版本号 5.0.262 + 月度发布，可精确锁定
4	更新频率	✅ 主库月更 / ORCS 季更，说明清晰
5	标识体系	✅ Entrez Gene ID / BioGRID ID / 官方符号，多体系并存
6	本体对接	✅ PSI-MI 兼容；⚠️ 与临床本体（SNOMED/ICD）非直连，需桥接
7	元数据完整	✅ 含证据码、检测方法、通量、文献、物种
8	数据格式	✅ tab2/tab3/MITAB/PSI-MI XML/JSON 多格式
9	机器可读	✅ 结构化文本，API 可用
10	可复现	✅ 版本归档下载，可锁定快照
11	规模透明	✅ 官方 statistics 逐物种透明
12	标注流程	✅ 五阶段策展流程公开
13	标注者资质	✅ 专业化策展团队，证据码体系
14	一致性	⚠️ 人工策展存在观察者差异；文献级冲突保留
15	偏倚披露	⚠️ 官方未系统披露研究热度/物种偏倚，需用户自评（§7.1）
16	负样本	❌ 天然缺真负样本，链接预测须自建负采样
17	划分	⚠️ 无官方 train/test 划分，用户自建（§5）
18	评测基准	⚠️ 无官方排行榜；基准性体现在被下游当正样本
19	隐私合规	✅ 无患者数据
20	伦理	✅ 无人类受试者；科学诚信要求见 §7.4
21	互操作	✅ IMEx/PSI-MI 参与，供数 SGD/TAIR/FlyBase 等
22	生态工具	✅ REST API + Cytoscape 插件 + GitHub 示例
23	子库	✅ ORCS（CRISPR）/ GIX
24	维护活跃度	✅ 月度更新、团队活跃、主题项目持续扩展

§7.8 外部验证矩阵

验证维度	参照资源	用途
精细分子互作	IntAct（rid=582）	互作细节与复合物组成交叉
功能关联网络	STRING（rid=414）	功能上下文与预测边对照
人类专属 PPI	HPRD	人类互作交叉核对
复合物图谱	hu.MAP / BioPlex	复合物成员验证
结构	AlphaFold / PDB	物理互作对结构验证
通路	Reactome / KEGG	互作是否落在通路内
临床/疾病	Alliance of Genome Resources	疾病相关语义桥接

§8 基准性能与生态

§8.1 排行榜与可比较结果

BioGRID 不维护官方预测排行榜。它的「基准性」以另一种方式体现：作为被下游任务广泛采用的互作正样本来源。多个 PPI 预测、靶点预测与 CRISPR 结果预测模型以 BioGRID 为训练/评估数据。下表为引用的代表性应用（非排行）：

应用	机构	使用方式
自闭症风险基因识别	Tulane University	以 BioGRID 互作数据做网络分析
癌症治疗靶点上下文	UNC-Chapel Hill	为 CRISPR 筛出的靶点提供互作上下文
PPI 预测模型训练	多团队	BioGRID 高置信边作正样本
CRISPR 结果预测	多团队	BioGRID 结合 ORCS 数据
结构互作组（如 Boltz-2 人类互作组预测）	多团队	以 BioGRID/IntAct/复合物图谱作参照

来源：https://orip.nih.gov/about-orip/research-highlights/biogrid-provides-interaction-data-research-community

§8.2 SOTA 总结与选型建议

选型决策树：

要「实验证据支撑的物理/遗传互作」 → BioGRID（本条）。
要「广物种功能关联 + 富集分析」 → STRING（rid=414）。
要「IMEx 精细策展的分子互作/复合物」 → IntAct（rid=582）。
要「疾病相关分子网络上下文」 → BioGRID 主题策展项目 + Alliance of Genome Resources。
要「CRISPR 功能筛选」 → BioGRID ORCS。
实际工程建议：高置信任务以 BioGRID ∩ IntAct 交集为骨架，再用 STRING 实验通道补充；避免单独依赖单一库的覆盖偏倚。

§8.3 评测协议建议

锁定版本：记录 BIOGRID_VERSION 与文件 md5。
按文献/时间分组切分：杜绝同文献泄漏（§5.3/§5.4）。
按证据码/通量分层报告：至少报告 Low-Throughput 与 All 两套指标。
负样本声明：明确负采样策略与 PU 校正（§6.3）。
多库外部验证：在 IntAct/STRING 上做外部测试（§5.5）。
报告规模口径：明确 NR vs raw、文献口径。

数据集	关系	库内 rid
STRING	功能关联网络（含预测），互为对照	414
IntAct	IMEx 精细分子互作，互补对照	582
Human Protein Atlas	蛋白层资源，实体映射上游	404
ProteinGym	蛋白突变适应度基准，可组合使用	813
BioGRID ORCS	本库 CRISPR 子库	（本库扩展）
hu.MAP / BioPlex	复合物图谱，物理互作验证	（外部）
HPRD	人类专属 PPI（历史对照）	（外部）

§8.5 关键论文 Top 7

Stark C, et al. “BioGRID: a general repository for interaction datasets.” Nucleic Acids Res. 2006;34:D535-D539. doi:10.1093/nar/gkj109（创立论文）
Oughtred R, et al. “The BioGRID database: A comprehensive biomedical resource of curated protein, genetic, and chemical interactions.” Protein Sci. 2021;30(1):187-200. doi:10.1002/pro.3978（权威更新）
Oughtred R, Stark C, et al. “The BioGRID interaction database: 2019 update.” Nucleic Acids Res. 2019;47(D1):D529-D541. doi:10.1093/nar/gky1079
Chatr-Aryamontri A, et al. “The BioGRID interaction database: 2017 update.” Nucleic Acids Res. 2017;45(D1):D369-D379. doi:10.1093/nar/gkw1102
Del Toro N, et al. “The IntAct database: efficient access to fine-grained molecular interaction data.” Nucleic Acids Res. 2022;50(D1):D648-D653. doi:10.1093/nar/gkab1006（对照库）
Szklarczyk D, et al. “The STRING database in 2025.” Nucleic Acids Res. 2025;53(D1):D730-D737. doi:10.1093/nar/gkae1113（对照库）
Luck K, et al. “A reference map of the human binary protein interactome.” Nature 2020;580:402-408. doi:10.1038/s41586-020-2188-x（人类二体互作图，外部参照）

§8.6 社区活跃度

更新节奏：主库月度更新（连续 20+ 年），ORCS 季度更新，主题项目月度更新。
团队：多伦多/普林斯顿/蒙特利尔三地 13+ 现役成员。
资助：NIH（历史 R01 RR024031；ORIP 持续支持）。
协作：Alliance of Genome Resources 成员；IMEx 参与者；向 SGD/TAIR/FlyBase/Entrez-Gene 供数。
开发者资源：GitHub BioGRID/BIOGRID-REST-EXAMPLES；官方 Wiki 文档；Cytoscape 插件。

§8.7 生态快照

生物交互数据库生态
├── 人工策展实验互作
│   ├── BioGRID（本条）─ 蛋白+遗传+化学+PTM，广物种，ORCS
│   ├── IntAct（rid 582）─ IMEx 精细分子互作
│   └── HPRD ─ 人类专属（历史）
├── 功能关联 / 预测
│   └── STRING（rid 414）─ 计算预测 + 聚合
├── 复合物图谱
│   └── hu.MAP / BioPlex / Complex Portal
├── 通路
│   └── Reactome / KEGG
└── 疾病/实体桥接
    └── Alliance of Genome Resources / UniProt / GO

§9 相关资源与引用

§9.1 官方资源索引

资源	URL
官网（检索）	https://thebiogrid.org/
下载页	https://downloads.thebiogrid.org/BioGRID
官方统计	https://wiki.thebiogrid.org/doku.php/statistics
关于/团队	https://thebiogrid.org/about.php
REST Web Service	https://webservice.thebiogrid.org/
REST 文档	https://wiki.thebiogrid.org/doku.php/biogridrest
下载格式说明	https://wiki.thebiogrid.org/doku.php/downloads
ORCS（CRISPR）	https://orcs.thebiogrid.org
主题策展项目	https://thebiogrid.org/projectslist.php
GIX	https://gene-info.org/
GitHub 示例	https://github.com/BioGRID/BIOGRID-REST-EXAMPLES

§9.2 BibTeX 引用块

@article{stark2006biogrid,
  title   = {BioGRID: a general repository for interaction datasets},
  author  = {Stark, Chris and Breitkreutz, Bobby-Joe and Reguly, Teresa and
             Boucher, Lorrie and Breitkreutz, Ashton and Tyers, Mike},
  journal = {Nucleic Acids Research},
  volume  = {34},
  number  = {Database issue},
  pages   = {D535--D539},
  year    = {2006},
  doi     = {10.1093/nar/gkj109}
}

@article{oughtred2021biogrid,
  title   = {The BioGRID database: A comprehensive biomedical resource of
             curated protein, genetic, and chemical interactions},
  author  = {Oughtred, Rose and Rust, Jennifer and Chang, Christie and
             Breitkreutz, Bobby-Joe and Stark, Chris and Willems, Andrew and
             Boucher, Lorrie and Leung, Genie and Kolas, Nadine and Zhang, Frederick and
             Dolma, Sonam and Coulombe-Huntington, Jasmin and Chatr-Aryamontri, Andrew and
             Dolinski, Kara and Tyers, Mike},
  journal = {Protein Science},
  volume  = {30},
  number  = {1},
  pages   = {187--200},
  year    = {2021},
  doi     = {10.1002/pro.3978}
}

@article{oughtred2019biogrid,
  title   = {The BioGRID interaction database: 2019 update},
  author  = {Oughtred, Rose and Stark, Chris and Breitkreutz, Bobby-Joe and
             Rust, Jennifer and Boucher, Lorrie and Chang, Christie and
             Kolas, Nadine and O'Donnell, Lara and Leung, Genie and McAdam, Rochelle and
             Zhang, Frederick and Dolma, Sonam and Willems, Andrew and
             Coulombe-Huntington, Jasmin and Chatr-Aryamontri, Andrew and
             Dolinski, Kara and Tyers, Mike},
  journal = {Nucleic Acids Research},
  volume  = {47},
  number  = {D1},
  pages   = {D529--D541},
  year    = {2019},
  doi     = {10.1093/nar/gky1079}
}

§9.3 引用指南

引用 BioGRID 数据时应：

引用创立论文（Stark 2006）与最新更新论文（Oughtred 2021 或对应 NAR 更新）。
明确写出所用版本号（如 BioGRID 5.0.262）与访问日期。
明确规模口径（非冗余/原始、文献口径）。
若使用主题策展项目，注明项目名与项目号。
遵循官网建议的引用格式（数据版本 + 论文双引用）。

§10 AI 使用声明卡

§10.1 本页面 AI 模型列表

环节	模型/工具	说明
资料检索	WebSearch / WebFetch	抓取官网、Wiki、论文、NIH 专题、2025 综述
内容编纂	千方病案医数集 AI 写作代理（agent-e-biogrid）	结构化撰写、事实核验、代码示例生成
事实核对	三源互证（官网 + 官方 Wiki 统计 + 独立综述/论文）	核心数字交叉验证

§10.2 AI 参与范围

AI 生成：全文结构、叙述文字、代码示例、对照分析、坑点归纳。
AI 核验：核心数字（规模、版本、物种）经三个独立来源交叉核对。
人工复核：由千方病案医学编辑部按 AI-Ready Wikipedia 规范复核发布。
未由 AI 完成：BioGRID 数据本身、官方统计数字、学术引用内容均为原始来源客观信息。

§10.3 输入来源列表

本条目撰写所依据的一手/权威来源：

https://thebiogrid.org/ — 官网首页（版本 news、横幅 stats、主题项目、ORCS）
https://wiki.thebiogrid.org/doku.php/statistics — 官方统计页（5.0.262 逐物种）
https://thebiogrid.org/about.php — 团队、资助、历次论文、供数对象
https://wiki.thebiogrid.org/doku.php/biogridrest — REST API 文档
https://wiki.thebiogrid.org/doku.php/downloads — 下载格式说明
https://nar.oxfordjournals.org/content/34/suppl_1/D535.long — 2006 创立论文
https://orip.nih.gov/about-orip/research-highlights/biogrid-provides-interaction-data-research-community — NIH ORIP 专题
https://www.sysbiosci.com/posts/network-analysis-in-systems-biology-from-foundations-to-biomedical-applications — 2025 综述
https://www.sysbiosci.com/posts/a-researchers-guide-to-ppi-data-mastering-intact-biogrid-and-beyond-for-robust-network-analysis — 策展工作流
https://www.sysbiosci.com/posts/constructing-contextspecific-ppi-networks-from-foundational-concepts-to-aidriven-applications-in-drug-discovery — PPI 库对照
https://downloads.thebiogrid.org/BioGRID — 官方下载目录

§10.4 人工校验记录

校验项	结果
核心规模数字（2,364,201 NR / 3,035,956 raw）	✅ 官网首页 + 官方 statistics 页双源一致
版本号（5.0.262）	✅ 官网首页 news
化学关联 / PTM 位点	✅ 官网 news + statistics 页 PTM 表
ORCS 数字（2,217 筛选）	✅ 官网 news 2.0.18
证据码数量（17/11）	✅ 2025 综述，二处独立表述一致
创立论文（2006）	✅ NAR 全文 + about.php
许可表述	⚠️ 见遗留疑点 A
slug 查重	✅ DB 0 rows，无撞库

§10.5 AI 生成章节标注

本页全文 (§0-§10) 均由 AI 依据上述来源生成与组织；其中规模数字、版本号、论文引用、团队名单为客观事实转录，叙述性分析、对照表、坑点归纳与代码示例为 AI 编写。读者引用规模数字时请以官网当前构建为准。

§10.6 最后人工审核日期

资料核验日期：2026-10-15
对应 BioGRID 版本：5.0.262（2026-10-01 发布）
下次建议复核：BioGRID 月度更新后（官网 news 页）

§11 建议互链点（消歧与血缘对照）

本节为消歧说明与互链建议，不进 frontmatter relatedLink（R012 教训：relatedLink 只允许纯 URL）。实际 relatedLink 由主会话在入库后回填。

STRING（rid=414）：同为蛋白互作资源，但 STRING 是计算预测 + 聚合的广义功能关联库（覆盖 5,000+ 物种、百亿级边、combined score 阈值体系）。BioGRID 与之非同一实体、无别名关系，正文 §1.3/§8.4 重点对照。建议正文互链（占位 /0）。
IntAct（rid=582）：同为人工策展分子互作库，但 IntAct 走 IMEx/PSI-MI 精细策展、以复合物与分子细节见长；BioGRID 以广物种 + 遗传互作 + 化学互作 + 主题策展 + ORCS 见长。建议正文互链（占位 /0）。
Human Protein Atlas（rid=404）：蛋白层资源，可作实体映射上游。
ProteinGym（rid=813）：蛋白突变适应度基准，可组合 BioGRID 互作做上下文特征。
消歧要点：BioGRID 不是 STRING 的子集，也不是 IntAct 的别名；三者是并列互补的独立资源。BioGRID-ORCS 是 BioGRID 的扩展子库（非独立条目）。库内所有互链 rid 一律占位 /0，由主会话入库后按 DB 实测 rid 回填（R018 教训）。

附录 A 术语表

术语	英文	说明
物理互作	Physical interaction	蛋白-蛋白结合或复合物共成员关系
遗传互作	Genetic interaction	基因之间的功能关系（合成致死等），非物理结合
化学互作	Chemical interaction	小分子/药物与蛋白的关联
翻译后修饰	PTM（Post-Translational Modification）	蛋白修饰位点（泛素化、磷酸化、SUMO 化等）
证据码	Evidence code	描述互作检测方法的结构化编码
原始互作	Raw interaction	每个「互作体对 × 实验系统 × 文献」组合计一条；A→B 与 B→A 计两条
非冗余互作	Non-redundant interaction	每个「互作体对」不论方向/实验/文献只计一条
高通量	HTP（High Throughput）	大规模筛选实验，假阳风险较高
低通量	LTP（Low Throughput）	聚焦研究，通常更可靠
二元关系	Binary relationship	两实体之间的关系表示，BioGRID 的存储模型
主题式策展	Themed curation	针对特定疾病/通路的专项策展
合成致死	Synthetic lethality	两基因同时失活致死、单独不致死
IMEx	International Molecular Exchange	分子互作数据交换联盟，PSI-MI 标准
PSI-MI	Proteomics Standards Initiative - Molecular Interactions	分子互作数据交换标准
MITAB	Molecular Interactions Tabular	PSI-MI 的制表格式
ORCS	Open Repository of CRISPR Screens	BioGRID 的 CRISPR 筛选子库
正交群	Ortholog group	跨物种同源基因群，用于跨物种迁移
PU 学习	Positive-Unlabeled learning	仅正样本与未标注样本的学习范式

附录 B 文件格式字段对照

B.1 主要下载格式一览

格式	扩展名	列数（约）	含证据码	适用场景
tab1	`.tab`	少（无证据码）	❌	已弃用/简单用途
tab2	`.tab2`	~24	✅	推荐通用格式
tab3	`.tab3`	更多	✅	需要更全字段
extendedTab2	`.tab2`	更多	✅	溯源（源库标识、每文献互作数）
PSI-MITAB 2.5/2.7	`.mitab`	标准	✅	与 IntAct/IMEx 互操作
PSI-MI XML 2.5/2.7	`.xml`	层级	✅	语义丰富交换
JSON	`.json`	对象	✅	API 集成

B.2 tab2 vs MITAB 差异

tab2：BioGRID 自有格式，字段扁平、列数固定、字段名大写带空格（如 Experimental System），对 BioGRID 用户最友好。
MITAB：PSI-MI 标准格式，字段为 PSI-MI 受控词表（如 psi-mi:"MI:0018"(two hybrid)），与 IntAct 交换能力最强，但解析需 PSI-MI 词表知识。
选择建议：单库分析用 tab2；跨库整合（尤其与 IntAct 联合）用 MITAB。

附录 C 物种覆盖完整画像

BioGRID 5.0.262 策展物种（含病毒），非冗余互作规模分层（据官方 statistics 页）：

分层	物种（示例）	物理 NR 量级
超大（百万级）	Homo sapiens	1,143,794
大（十万级）	S. cerevisiae、Mus musculus	198,560 / 102,453
中（万级）	A. thaliana、D. melanogaster、SARS-CoV-2、C. elegans、S. pombe、Rattus norvegicus	6.9 万 - 1.5 万
小（千级）	Plasmodium falciparum、Xenopus laevis、Candida albicans、HIV-1、SARS-CoV、HPV(16)	3,755 - 1,400
微量（<千）	Bos taurus、Danio rerio、Gallus gallus、Solanum lycopersicum 等	数百
零星（<20）	Bacillus subtilis、Zea mays、Vitis vinifera、Sorghum bicolor 等	十位数以下

该分层直观展示物种覆盖极度不均衡——跨物种分析必须显式声明此偏倚（§7.1）。

附录 D BioGRID vs STRING vs IntAct 深度对照

对照维度	BioGRID	STRING	IntAct
数据类型本质	实验证据（二元关系）	功能关联（含预测）	分子互作（精细策展）
是否含计算预测	否	是（核心）	否
是否含遗传互作	是（独有优势）	部分（功能关联涵盖）	否（以物理为主）
是否含化学互作	是	有限（drug 关联）	限（小分子配体）
置信度体系	证据码 + 通量（定性）	combined score（0-1000 定量）	检测方法 + MI 分数
物种覆盖	80+ 策展物种	5,000+ 物种	~3,700 organisms
规模	~236 万 NR 互作	~275 亿边	~179 万 binary
无冗余口径	raw/NR 双计数	单一边表	binary/interaction 双计
授权	开放获取（SPDX 未显式）	CC BY 4.0	开放获取
标准	PSI-MI/IMEx 参与者	自有 score 体系	IMEx 主导
独特延伸	ORCS、合成蛋白、主题策展	SPACE 嵌入、富集工具	Complex Portal
库内 rid	待入库	414	582

协同使用范式（推荐）：

以 BioGRID ∩ IntAct 交集构建高置信物理互作骨架（两库均为实验策展，交集置信最高）。
用 BioGRID 补充遗传互作与化学互作维度（另两库弱项）。
用 STRING 实验通道（experiments + database）补充物种覆盖（BioGRID 稀疏的物种）。
跨库取并集时，用 PSI-MI 标识（UniProt/Entrez）做实体对齐，勿用基因符号直接匹配。

附录 E 快速查询速查卡

# 1. 下载单物种互作（tab2）
wget -c "https://downloads.thebiogrid.org/Download/BioGRID/Release-Archive/BIOGRID-5.0.262/BIOGRID-ORGANISM-5.0.262.tab2.zip"

# 2. 统计人类物理互作行数（raw）
unzip -p BIOGRID-ORGANISM-5.0.262.tab2.zip 'BIOGRID-ORGANISM-Homo_sapiens-*.tab2.txt' \
  | grep -v '^#' | awk -F'\t' '$12=="physical"' | wc -l

# 3. 统计低通量物理互作（高置信子网）
unzip -p BIOGRID-ORGANISM-5.0.262.tab2.zip 'BIOGRID-ORGANISM-Homo_sapiens-*.tab2.txt' \
  | grep -v '^#' | awk -F'\t' '$12=="physical" && $19=="Low Throughput"' | wc -l

# 4. REST API 查询（需免费 accesskey）
curl "https://webservice.thebiogrid.org/interactions/?accesskey=KEY&geneList=7157&taxId=9606&format=tab2"

常见需求	一行命令/字段
取物理互作	`awk -F'\t' '$12=="physical"'`
取遗传互作	`awk -F'\t' '$12=="genetic"'`
取高置信（LTP）	`$19=="Low Throughput"`
按证据码筛	`$12` 或其证据码列匹配 `Two-hybrid` 等
按物种取	用 ORGANISM 分文件，或按 `$17`（taxid）过滤
按文献取	按 `$15`（pub_id/PubMed ID）过滤

维度	内容
本质	专家人工策展的蛋白/遗传/化学交互仓库（开放获取，月度更新）
官方名	BioGRID — Biological General Repository for Interaction Datasets
团队	The BioGRID（PI Mike Tyers，co-PI Kara Dolinski；多伦多/普林斯顿/蒙特利尔三地）
当前版本	5.0.262（2026-10-01 发布）
核心规模	非冗余互作 2,364,201（raw 3,035,956）｜化学关联 14,024｜PTM 位点 563,757
物种	80+ 策展物种（含病毒），唯一基因 93,373
文献	77,897 篇产生可用互作的唯一文献（横幅口径 88,812 篇纳入检索）
差异化	实验证据优先 + 二元关系模型 + 遗传/化学互作 + 主题式策展 + 独有合成蛋白互作
姊妹库	BioGRID ORCS（CRISPR 筛选）｜GIX（Gene Info eXtension）
获取	downloads.thebiogrid.org（tab2/MITAB/XML/JSON）｜REST：webservice.thebiogrid.org
许可	开放获取；显式 SPDX 未列，以官网条款为准
对照库	STRING（计算预测功能关联，rid=414）｜IntAct（IMEx 精细策展，rid=582）