信息速览

数据集名称HGNC 基因命名数据库 — AI-Ready Wikipedia

数据类型44,476 已批准符号,19,294 蛋白编码,稳定 HGNC ID,15+ 外部资源映射,完全开放

规模不适用（基因命名标准资源；无患者数据）

接入方式https://www.genenames.org/

AI 就绪度

HGNC — 基因命名数据库 AI-Ready Wikipedia

INFOBOX

属性	内容
全称	HUGO Gene Nomenclature Committee（HGNC）
运营	英国剑桥大学（HUGO 国际框架下的命名权威）
定位	人类基因命名的全球权威标准——批准唯一符号与描述性名称
规模	44,476 已批准符号（2025-09-03）：蛋白编码 19,294 / 假基因 14,603 / ncRNA 9,574
核心机制	HGNC ID 稳定唯一——符号可变、ID 永不变；Stable tag 标记临床基因符号
策展	Symbol Reports 人工策展 + Gene Group Reports（家族/组层级）
外部映射	15+ 资源：Entrez/组层级）
外部映射	15+ 资源：Entrez/Ensembl/Vega/UCSC/RefSeq/CCDS/UniProt/Vega/UCSC/RefSeq/CCDS/Ensembl/Vega/UCSC/RefSeq/CCDS/UniProt/MANE/AlphaFold/GenCC/COSMIC/M/MANE/UCSC/RefSeq/CCDS/UniProt/MANE/AlphaFold/GenCC/COSMIC/MGI/RGD/LSDB/ENA/GenCC/COSMIC/MGI/RGD/LSDB/ENA
访问	完全开放：REST API / 完整集 TXT-JSON / OWL / 月季归档 / Globus / Custom Downloads
数据政策	无限制使用（No restrictions；无担保免责）
更新节奏	每月首批更新；symbol-changes 文件（2021-09 起月/季度）
扩展项目	PGNC（2024 成立；杨树命名）/ VGNC（脊椎动物；REST 同源查询）
资助	NIH NHGRI（U24HG003345）+ US DOE + SciBite(Elsevier)
本库关联	Ensembl/GENCODE（注释）、
本库关联	Ensembl/GENCODE（注释）、ClinVar（变异语义）、AlphaFold DB（结构）、DrugBa（变异语义）、AlphaFold DB（结构）、linVar（变异语义）、AlphaFold DB（结构）、DrugBank/ChEMBL（靶点符号归宿）

§0 E-E-A/ChEMBL（靶点符号归宿） |

§0 E-E-A-T 信任声明与免责声明

本页所有规模数字、字段清单与访问口径均核实自一手来源：HGNC 官方 NAR 年度论文（Seal et al., Genenames.org: the HGNC and PGNC resources in 2026, NAR gkaf1229, 2025-11-25 在线；PMID 41287213）、genenames.org 官网与下载页（hgnc_complete_set.json 31.6 MB，2026-09-15 更新）、HGNC data archive 帮助页（字段全集与归档策略）与 2023 年度论文（REST API/symbol-changes/GenCC/AlphaFold/MANE 链接，PMC9825485）。检索核实时间为 2026-09-19。

HGNC 的符号总数随批准节奏滚动（约每月首批更新）——本页采用 2025-09-03 精确数（44,476）与 NAR 2026 论文摘要口径（over 44,400）双轨标注；「19,294 蛋白编码」是同日快照，引用时注明时点。

本页为技术参考文档：HGNC 提供「命名与 ID 语义」——不提供基因功能验证（功能有效性见 GenCC/ClinVar 层）、不提供序列本体（序列见 RefSeq/Ensembl）、不构成临床决策依据；数据无限制使用但无担保（官方 Data release policy 原文）。

§1 数据集概览

§1.0 📌 30 秒速览

是什么：人类基因命名的全球权威——「每个基因一个唯一符号 + 一个永不变的 ID」的官方注册处。
体量：44,476 符号（19,294 蛋白编码 / 14,603 假基因 / 9,574 ncRNA）；15+ 外部资源人工映射。
访问：完全开放——REST API / JSON-TXT 完整集（16-32 MB）/ OWL / 月季归档 / Globus。
杀手锏：HGNC ID 的稳定性——符号可以改、ID 永不变；这是所有下游数据库（ClinVar/Ensembl/DrugBank）的基因身份锚点。
适用：基因实体链接（NLP）、跨数据库 ID 归一、变异注释的基因语义层、临床报告的标准符号、基因家族分析。
不适用：基因功能查询（用 UniProt/GO）、序列获取（用 RefSeq/Ensembl）、变异数据（用 ClinVar/dbSNP）、非人物种命名（动物用 VGNC/植物用 PGNC，覆盖度有限）。

§1.1 摘要

人类基因组约有 19,000 个蛋白编码基因——但它们在文献里有过多少个名字？同一个基因，一个团队叫它 A，另一个叫它 B，第三个拼写错了——基因命名混乱曾是基因组学的系统性公害。HUGO 基因命名委员会（HGNC）就是这个公害的官方解：基于剑桥大学的委员会逐个批准「唯一符号 + 描述性名称」，到 2025 年 9 月已批准 44,476 个符号（蛋白编码 19,294、假基因 14,603、非编码 RNA 9,574）。每个基因携带一个稳定不变的 HGNC ID——符号可以随科学认识更新，但 ID 永不改变；这个设计使 HGNC 成为全球基因组数据库的「基因身份锚点」。

对 AI 团队，HGNC 的价值在四个维度：

实体链接的金标准：医疗 NLP 的基因名识别（NER）之后的规范化（normalization）环节，alias/prev_symbol 表是回溯历史的唯一权威映射——「文献里出现的符号 → 当前标准符号」的桥梁。
跨库 ID 归一的中枢：Entrez/Ensembl/UniProt/RefSeq/CCDS/UCSC/MGI/RGD/COSMIC 的 15+ 映射人工维护——多库数据整合的 join 键不必再各自维护映射表。
临床语义的命名层：MANE Select 转录本标准、GenCC 有效性链接、Stable tag——临床报告「写哪个基因名、报哪个转录本」的规范出处。
命名治理的活样本：占位符替换（C#orf → 功能命名）、withdrawn 语义（撤回符号的去向追踪）、符号变更公开（月度文件）——「命名系统如何管理自己的演化」的工程范本。

数据的第一性事实：符号是易变的、ID 是稳定的——生产系统以 HGNC ID 为主键、符号为索引、alias/prev 表为回溯层——「三键结构」是用好 HGNC 的第一课。

§1.2 战略价值

消除同义混乱的公共品：命名混乱的直接代价是「文献检索漏检/数据库 join 错行」——HGNC 的唯一符号标准使全球基因组文献与数据库有了共同语言；期刊（Nature Genetics/Genome Research）与数据库（Ensembl/NCBI/MGI/OMIM）是它的强制推广层。
历史兼容的工程智慧：prev_symbol/alias_symbol/date_symbol_changed 的全程记录——「旧文献里的基因」在今天的数据库里仍可回溯；这是「标准如何尊重历史」的范本。
人工策展的信任层：44,476 个 Symbol Report 逐个人工维护——「基因家族归属/命名依据/外部映射」的策展质量是纯自动管道无法替代的信任资产。
命名生态的扩展：PGNC（2024，杨树）与 VGNC（脊椎动物）把「唯一符号 + 稳定 ID」范式输出到植物与比较基因组——命名标准的可复制性证明。

§1.3 同类数据集横向对比

资源	定位	规模量级	与 HGNC 的关系
HGNC	人类基因命名权威	44,476 符号	—
Ensembl/GENCODE	基因注释（转录本/外显子）	6 万+ 基因座	注释层（HGNC ID 是其标准输出字段）
NCBI Gene	基因综合信息（Entrez）	数万人类基因	Entrez ID 与 HGNC ID 双向映射
UniProt	蛋白序列与功能	2 万+ 人类 reviewed	蛋白层（Symbol Report 内建映射）
MGI/RGD	小鼠/大鼠同源命名	数万同源	同源映射（跨物种比较的桥）
OMIM	遗传病表型-基因	数千表型	表型符号承接方（2019 HGNC 撤回后）
GenCC	基因-疾病有效性分级	数千评估	临床有效性层（HGNC 链接内建）
GO	功能本体	数万条目	功能语义层（与命名正交）

§1.4 版本时间轴

1990s  HUGO 框架下命名委员会工作展开（Doyle 等 FUSE 会议推动统一）
1997  HGNC 数据库成体系运营（剑桥大学驻地）
2010s  NAR 年度论文系列确立（每年一报的数据库综述传统）
2019  phenotype 符号撤回（表型命名移交 OMIM）；GenCC 协作启动
2021-09  symbol-changes 月度文件上线（符号变更全程可追溯）
2022  REST API 发布（HGNC + VGNC 同源查询）；Globus endpoint
2023  GenCC/AlphaFold/MANE 链接内建 Symbol Report；auto-suggest 检索升级
2024  PGNC 成立（DOE 资助；杨树命名；plant.genenames.org 上线）
2025  44,476 符号（2025-09-03）；NAR 2026 论文提交（gkaf1229）
2026  数据文件迁入 Google Storage Bucket（下载链接全量更新）

§1.5 应用场景矩阵

基因实体链接（NLP）：文献/EHR 文本中的基因名 → 标准符号——alias/prev 表是回溯层。
跨库 ID 归一：Entrez/Ensembl/UniProt 多源 join——HGNC 映射列是现成桥表。
变异注释管线：VEP/ANNOVAR 类工具的基因语义层——HGNC ID 进注释输出。
临床报告生成：MANE Select 转录本标准 + 稳定符号——临床分子报告的命名规范。
基因家族分析：Gene Group/Gene Family 字段——家族级聚合的现成分组。
数据治理：内部数据库以 HGNC ID 为主键——符号漂移免疫的架构决策。

§1.6 组件全景

HGNC 数据的六个层：

符号核心层：hgnc_id / symbol / name / status（Approved | Entry Withdrawn）/ locus_group / locus_type / location（细胞遗传位置）。
历史回溯层：alias_symbol / alias_name / prev_symbol / prev_name / date_approved_reserved / date_symbol_changed / date_name_changed / date_modified。
家族组织层：gene_family / gene_family_id + Gene Group Reports（层级聚合）。
外部映射层：entrez_id / ensembl_gene_id / vega_id / ucsc_id / ena / refseq_accession / ccds_id / uniprot_ids / pubmed_id / mgd_id / rgd_id / cosmic / lsdb。
撤回与变更层：withdrawn.txt（撤回符号去向）/ symbol-changes 月度文件（2021-09 起）。
分发层：REST API（rest.genenames.org）/ TXT-JSON 完整集 / OWL / 月季归档（GCS）/ Globus / Custom Downloads。

§1.7 完全开放的数据经济学

无限制使用：官方 Data release policy 明文「No restrictions on access to, or use of, the data」——好意提供、无担保免责；这让 HGNC 成为商业工具链（临床报告软件/注释服务）可直接内建的基础设施。
分发成本的外包：下载文件迁入 Google Storage Bucket——静态分发的带宽成本由云承担；Globus 供批量传输（网络故障免疫）。
人工策展的成本结构：NIH NHGRI 核心资助（U24HG003345）+ DOE（PGNC）+ SciBite 捐赠（OWL）——「公共资助 + 企业公益」的混合模式。
治理成本的同构：命名请求来自全球科学家/期刊/数据库——委员会评审是人工瓶颈但也是质量来源；「慢审批换高信任」是 HGNC 与自动注释库的本质差异。

§1.8 HGNC 在研究流程中的定位

基因发现 → 命名批准 → 注释分发 → 语义应用 → 跨库整合
   │           │           │           │           │
   │           ├─ HGNC：唯一符号 + 稳定 ID（命名权威）
   │           ├─ HGNC：15+ 外部 ID 映射（整合中枢）
   │           ├─ HGNC：alias/prev 回溯（历史兼容）
   │           └─ HGNC：withdrawn 去向（生命周期闭环）
   └─ Ensembl/RefSeq（注释）→ ClinVar/COSMIC（变异）→ 临床报告

流程阶段	HGNC 角色	典型用法	验收标准
基因发现	命名入口	新基因符号请求	符号唯一且合规
注释分发	语义锚点	HGNC ID 进 GFF3/注释表	ID 与符号一致
语义应用	规范层	临床报告/MANE 选择	Stable tag 核验
跨库整合	桥表	多源 ID 归一	映射无歧义
历史回溯	兼容层	旧文献符号解析	prev/alias 命中

定位纪律：HGNC 管「名字与身份」——功能找 UniProt/GO、序列找 RefSeq/Ensembl、变异找 ClinVar、有效性找 GenCC；把 HGNC 当「基因百科」用是角色错位。

§1.9 命名治理的独特设计

「符号唯一、ID 永恒」的双轨：符号是面向人类的（要好记好读），ID 是面向机器的（要绝对稳定）——HGNC 用双轨制解了「可读性 vs 稳定性」的对立。
占位符的生命周期：C#orf/FAM# 类占位符在功能明确后替换——替换计划公开、变更日期入档；「诚实的不完美」优于「伪装的完整」。
撤回不是删除：Entry Withdrawn 状态 + withdrawn.txt 去向映射——「错误的命名」以可追溯方式退场；数据系统里的「删除」哲学：标记而非抹除。
对 AI 的含义：命名治理预示知识系统设计的一般原则——「实体身份与实体标签分离 + 全程变更日志 + 生命周期状态机」；这三件套是任何实体链接系统的架构模板。

§2 医学与科学背景

§2.1 为什么基因命名是医学问题

临床报告的歧义代价：分子诊断报告里「同一个基因两个名字」会引发检测差异/治疗误判——临床实验室的命名一致性依赖 HGNC 标准；Stable tag 标记「临床场景下不要随意改动的符号」。
药物靶点的语义统一：药企靶点数据库/文献/专利中的基因名各异——ChEMBL/DrugBank 的靶点字段以 HGNC 符号为标准；「靶点 = 基因 = 蛋白」的三方对齐靠 HGNC ID。
遗传病文献的检索完整性：旧符号命名的文献在新符号检索下漏检——MEDLINE 检索用 alias/prev 表扩展是系统综述的标准动作。
多组学数据整合：转录组（Ensembl）× 蛋白组（UniProt）× 突变（COSMIC）的三方 join——HGNC 映射列是「同人 join 键」的事实标准。

§2.2 符号漂移的语义与工程应对

漂移的三种形态：正式变更（prev_symbol 记录，date_symbol_changed 入档）、别名并存（alias_symbol，非官方但普遍）、拼写变体（文献噪声，无官方记录）——三层噪声需要三种处理。
alias 表的边界：alias 是「曾经用于指代该基因的符号」——但不保证「该符号在别处不指代其他基因」；一对多歧义是实体链接的核心难点（同符号异基因/异符号同基因并存）。
工程三键结构：HGNC ID（主键）/ symbol（当前索引）/ alias+prev（回溯索引）——查询优先级「ID > symbol > alias」；歧义命中（一个 alias 对多个 HGNC ID）时降级为人工核验队列。
版本纪律：每月首批更新——生产系统锁快照（季度归档）+ 变更文件增量同步；「实时追最新」与「锁快照可复现」的取舍要显式声明。

§2.3 占位符符号的治理语义

占位符的产生：新基因功能未明时以 C#orf（chromosome N open reading frame）/FAM#（family with sequence similarity）命名——诚实标注「我们还不知道它是什么」。
替换的触发：功能文献发表后委员会批准新符号（如 MLDHR 替换微肽编号类命名、SMIM10L3 按家族归位）——替换是「例外情况」，需功能证据。
生产系统的影响：占位符进入生产（报告/数据库）后替换会造成下游断裂——工程对策是「以 ID 为主键 + 占位符替换监听（date_symbol_changed 字段）」。
注释时代的边际变化：蛋白编码命名已相对完备（官方口径），新命名增量转向 lncRNA/假基因与注释器发现的基因（Ribo-Seq/phyloCSF 证据）——「命名前沿」在暗物质层。

§2.4 非编码 RNA 与假基因的命名语义

ncRNA 的 9,574：lncRNA 6,236 为主体——lncRNA 命名的系统协议（HGNC 与 Gencode/GENCODE 协作）；miRNA 1,912 沿用 miRBase 协调命名；tRNA/snoRNA 按注释规则。
假基因的三类：duplicated（未加工）/ processed（反转录插入）/ unitary（单一化）——14,603 的假基因目录是「基因组暗物质」的命名化；假基因符号在注释管线里常被误当蛋白编码——locus_type 过滤是铁律。
分析含义：表达定量/变异注释对假基因区域的映射歧义（processed 假基因与母基因序列同源）——HGNC locus_type + 基因组坐标双确认是防错配的标准动作。

§2.5 与临床资源的三重链接

MANE Select：RefSeq 与 Ensembl/GENCODE 联合标注的「标准转录本」——临床报告「报哪个转录本」的官方答案；HGNC Symbol Report 内建版本化链接（NM_xxx.3 + ENSTxxx.12）。
GenCC：基因-疾病有效性分级（Definitive/Strong/…）——「这个基因和这个病的关系有多确凿」的官方评估层；HGNC 2023 起内建链接。
LSDB：位点特异性突变数据库（基因专病数据库）——临床变异的深度资源入口；lsdb_links 文件提供全表。
组合纪律：HGNC（命名）→ MANE（转录本）→ GenCC（有效性）→ ClinVar（变异证据）——临床语义链的四层各司其职；跨层直连是误用。

§2.6 与 OMIM 的分工演变

2019 年 HGNC 撤回 phenotype 符号（无基因归属的表型命名）——表型命名职责移交 OMIM；「基因符号」与「表型符号」的边界从此清晰：HGNC 只命名已确认的基因座，OMIM 命名表型/座位。历史 phenotype 符号在 withdrawn 文件有去向记录——旧文献检索时注意这一历史断层。

§2.7 AI 视角的科学定位

对医疗 AI，HGNC 是「基因实体消歧的地面真值」：NER 模型的输出规范化、知识图谱的基因节点 ID 化、多组学数据的 join 键、临床 NLP 的报告语义层。它的短板（命名不覆盖功能/映射人工维护的滞后）都是「人工策展」的固有代价——用它的方法论核心是「ID 主键 + alias 回溯 + 快照锁定」三件套，外加 GenCC/UniProt 层补足语义。

§2.8 跨物种命名的边界

VGNC（脊椎动物）：HGNC 的姊妹委员会——命名脊椎动物（非人/鼠主流模式生物）基因；REST API 同源查询（2022 起支持 VGNC）。
MGI/RGD 同源映射：人类基因的小鼠（MGI）/大鼠（RGD）同源 ID 内建于 Symbol Report——跨物种比较的现成桥。
PGNC（植物）：2024 成立——杨树（Populus trichocarpa）先行；DOE 能源植物研究语境；plant.genenames.org 独立站点。
工程含义：跨物种数据整合时「符号相同 ≠ 基因相同」——大写（人类）/首大写（鼠类）惯例之外仍有同符号异物种陷阱；同源映射用 MGI/RGD ID 而非符号。

§2.9 符号的语言学：命名法的构词法

HGNC 符号不是随机字符串——它有一套演化了数十年的构词法，理解构词法是实体链接与生成模型的基础：

基因家族词根：SMIM（small integral membrane protein）/RNF（ring finger）——家族词根 + 序号后缀（SMIM10L1/L2A/L2B/L3 的亚型语义）；家族归属变化会触发符号重命名。
功能描述缩写：TP53（tumor protein p53）/BRCA1（breast cancer 1）——历史功能命名保留即使功能认识更新（「名不副实」是常态——BRCA1 不只与乳腺癌相关）。
物种前缀惯例：人类全大写、鼠类首大写（Traf6 vs TRAF6）——大小写在跨物种检索中不可靠但仍是强先验信号。
禁用模式：氨基酸残基数（MP31 被拒）、基因型名（病名缩写被拒）——MLDHR 案例展示「作者命名 → 委员会重命名」的标准流；NER 模型应学习「候选符号的构词合法性」作为置信特征。
对生成式 AI 的含义：LLM 幻觉基因名（不存在的符号）是医疗 QA 的真实风险——生成后用 HGNC 词典校验（词法 + 存在性双查）是落地底线。

§3 数据集规格

§3.1 规格总表

维度	规格（2025-09-03 快照 / 2026-09 数据文件）
总符号	44,476
蛋白编码	19,294
假基因	14,603（duplicated/processed/unitary 三类）
ncRNA	9,574（lncRNA 6,236 / miRNA 1,912 / tRNA 591 / snoRNA 568）
主键	HGNC ID（HGNC:nnnnn；跨符号变更不变）
状态机	Approved / Entry Withdrawn
外部映射	15+ 资源（Entrez/Ensembl/Vega/UCSC/ENA/RefSeq/CCDS/UniProt/PubMed/MGI/RGD/LSDB/COSMIC）
分发	REST API / TXT 16.1 MB / JSON 31.6 MB / OWL / 月季归档 / Globus / Custom Downloads
许可	无限制使用（无担保）
更新	每月首批；symbol-changes 文件（2021-09 起月/季）
扩展	PGNC（2024 杨树）/ VGNC（脊椎动物 REST 同源）

§3.2 数据文件的构成地图

文件	内容	体量（2026-09-15）
hgnc_complete_set.txt	全部已批准符号（全字段 TSV）	16.1 MB
hgnc_complete_set.json	同上（JSON）	31.6 MB
withdrawn.txt / .json	撤回符号与去向	252.9 KB / 642.4 KB
genes_within_groups	组/家族层级展开	TXT+JSON
lsdb_links.txt.gz	位点特异数据库链接	14.6 KB
symbol-changes 月/季文件	符号变更事件（2021-09 起）	小文件组
hgnc.owl	本体化（SciBite）	浅层级 OWL

解读：单文件即全量（32 MB 级）——HGNC 是「一个文件装下的命名宇宙」；归档在 GCS bucket，月度文件 365 天后删除（季度归档长期保留）——快照纪律的政策出处。

§3.3 DAIMS 数据AI就绪度评估

维度 D	数据完整性	评分	说明
D1	覆盖完整性	9/10	人类基因命名全覆盖；蛋白编码近完备
D2	语义深度	7/10	命名+家族+位置；功能语义不覆盖（角色边界）
D3	历史兼容	10/10	prev/alias/date 全程记录——档案类满分
D4	多组学	6/10	ID 映射层覆盖多组学键；本体层无表达/序列
A1	机器可读	10/10	REST/JSON/TXT/OWL/Globus 全通道
A2	文档完备	9/10	字段说明/归档帮助/命名指南齐备
A3	接入成本	10/10	免注册免限制；32 MB 单文件全量
A4	更新机制	9/10	月度节奏 + 变更文件增量——复现友好
I1	指标标准化	9/10	命名标准本体；字段语义文档化
I2	可复现性	9/10	归档快照 + 变更日志——时间旅行可复现
M1	多模态对齐	7/10	ID 映射即对齐层；语义对齐靠外层
M2	时间序列	8/10	变更日志即时间序列（命名域）
S1	数据安全	9/10	无人类数据——安全负担近零
S2	合规负担	10/10	无限制使用——合规负担最轻档

总分：A 级（机器可读/接入成本/合规负担三项满分——「小而完美的基础设施」的 DAIMS 典型；扣分项只在语义深度与角色边界——它本来就不管那些）

§3.4 存储与计算需求

场景	体量	建议
全量快照	32 MB JSON	单机内存级——直接加载
REST 单点查询	KB 级	实时查询（限速礼仪）
实体链接服务	32 MB + 索引	进程内哈希表（百万查询/秒级）
跨库映射表	数 MB 抽取	Custom Downloads 自选字段
历史研究	月/季归档	GCS 批量（Globus 传输）

HGNC 的工程重心是「小数据大语义」——无需分布式；索引结构（alias → ID 的多值哈希）才是工程重点。

§3.5 获取通道

REST API：rest.genenames.org——单点查询（/fetch/hgnc_id/HGNC:9588）/ 批量（/fetch/symbol/TP53 类）；VGNC 同服务。
完整集下载：genenames.org/download/statistics-and-files → GCS bucket——TXT/JSON 双格式；引用页标日期。
Custom Downloads：自选字段导出——只要映射列的轻量集成。
OWL：hgnc.owl——本体工具链（Protégé/SPARQL）接入。
Globus：批量文件传输——多文件/大文件推荐（网络故障免疫）。
归档：月度（365 天）/季度（长期）快照——历史复现用季度档。

§3.6 口径对齐表

数字	出处口径	澄清
44,476 总符号	NAR 2026 论文（2025-09-03 精确数）	本页主口径
over 44,400 / over 19,250 蛋白编码	NAR 2026 摘要抽象口径	同源抽象表述
almost 43,000	genenames.org/about 页	历史时点（页面更新滞后）
19,294 / 14,603 / 9,574	NAR 2026（2025-09-03）	三大类精确数
lncRNA 6,236 / miRNA 1,912 / tRNA 591 / snoRNA 568	NAR 2026	ncRNA 细分
548 named pseudogenes（自上次报告起）	NAR 2026	假基因命名增量
31.6 MB / 16.1 MB	下载页（2026-09-15）	文件体量快照

§3.7 版本选择纪律

快照锁定：生产系统锁季度归档——「2026Q3 快照」进复现包；月度追新的服务声明追新策略。
变更同步：symbol-changes 文件做增量监听（date_symbol_changed/prev_symbol 字段）——占位符替换/家族重命名的下游断点预警。
归档期限：月度文件 365 天删除——长期研究一律季度归档（政策明文）。
双状态语义：Approved 与 Entry Withdrawn 同文件共存（status 字段）——「withdrawn 是状态不是删除」；withdrawn.txt 是撤回专属表。

§3.8 字段与映射详表

字段组	字段	用途
身份	hgnc_id / symbol / name / status	主键与当前命名
位置	location / location_sortable	细胞遗传位置（排序变体）
类型	locus_group / locus_type	蛋白编码/假基因/ncRNA 细分
历史	alias_symbol / alias_name / prev_symbol / prev_name	实体链接回溯层
变更	date_approved_reserved / date_symbol_changed / date_name_changed / date_modified	全程时间戳
家族	gene_family / gene_family_id	家族/组聚合
序列库	ena / refseq_accession / ccds_id	核酸层映射
注释库	ensembl_gene_id / vega_id / ucsc_id / entrez_id	基因注释层映射
蛋白层	uniprot_ids	Swiss-Prot/TrEMBL 映射
同源	mgd_id（小鼠）/ rgd_id（大鼠）	跨物种桥
临床/文献	pubmed_id / lsdb / cosmic	文献/专病库/COSMIC 符号

多值字段：双引号包裹 + 竖线分隔（官方格式约定）——解析器的第一个坑。
映射列的空值语义：无映射 ≠ 数据缺失——「该基因在目标库无对应」是真实状态；映射覆盖率按 locus_type 分层统计。

§4 数据结构

§4.1 对象模型

HGNC 数据模型
├── Gene（HGNC:nnnnn）
│   ├── identity（symbol/name/status/locus_type/location）
│   ├── history（alias*/prev*/date_* 四时间戳）
│   ├── family（gene_family/gene_family_id → Gene Group Report）
│   ├── xrefs
│   │   ├── sequence（ena/refseq/ccds）
│   │   ├── annotation（ensembl/vega/ucsc/entrez）
│   │   ├── protein（uniprot_ids）
│   │   ├── homolog（mgd_id/rgd_id）
│   │   └── clinical/literature（lsdb/cosmic/pubmed_id）
│   └── lifecycle（Approved ⇄ Entry Withdrawn + withdrawn 去向）
├── SymbolChange（月/季文件：hgnc_id/old/new/date）
└── Withdrawn（withdrawn.txt：旧符号 → 去向/HGNC ID 或 OMIM）

§4.2 完整集加载与快照管理

#!/usr/bin/env python3
"""HGNC 完整集加载：JSON 全量 → 内存索引（三键结构）。
快照纪律：锁季度归档文件 + 记录下载日期。"""
import json, datetime
from collections import defaultdict

SNAPSHOT = "hgnc_complete_set_2026Q3.json"   # 季度归档（长期保留）
with open(SNAPSHOT) as f:
    genes = json.load(f)["response"]["docs"]
print(f"genes: {len(genes)}; snapshot date: 2026-09-15")

# 三键索引：ID 主键 / symbol 索引 / alias+prev 回溯索引
by_id = {g["hgnc_id"]: g for g in genes if g["status"] == "Approved"}
by_symbol = {g["symbol"]: g["hgnc_id"] for g in genes if g["status"] == "Approved"}
alias_index = defaultdict(set)               # alias 可多对多——集合语义
for g in genes:
    if g["status"] != "Approved":
        continue
    for a in g.get("alias_symbol", []) + g.get("prev_symbol", []):
        alias_index[a].add(g["hgnc_id"])

def resolve(token: str):
    """实体链接解析：ID > symbol > alias；歧义返回候选集。"""
    if token.startswith("HGNC:"):
        return ("id", {token} if token in by_id else set())
    if token in by_symbol:
        return ("symbol", {by_symbol[token]})
    return ("alias", alias_index.get(token, set()))

print(resolve("TP53"))            # ('symbol', {'HGNC:11998'})
print(resolve("C11orf53"))        # 占位符 → 当前符号（已替换则回溯命中）

§4.3 REST API 查询

#!/usr/bin/env bash
# REST API：单点与批量查询（rest.genenames.org）
# 1) 按 ID 查
curl -s "https://rest.genenames.org/fetch/hgnc_id/HGNC:11998" | python3 -m json.tool | head -20
# 2) 按符号查
curl -s "https://rest.genenames.org/fetch/symbol/TP53" -H "Accept: application/json"
# 3) 按前符号查（实体链接回溯）
curl -s "https://rest.genenames.org/fetch/prev_symbol/MLDHR"
# 4) 按 locus_type 批量（蛋白编码全表）
curl -s "https://rest.genenames.org/fetch/locus_type/gene%20with%20protein%20product" | \
  python3 -c "import json,sys; d=json.load(sys.stdin); print(d['response']['numFound'])"
# 5) VGNC 同源查询（2022 起支持）
curl -s "https://rest.genenames.org/fetch/vgnc_id/VGNC:1" -H "Accept: application/json"

§4.4 变更监听（symbol-changes 增量）

#!/usr/bin/env python3
"""月度 symbol-changes 文件 → 下游断点预警。
场景：生产数据库的符号列同步（占位符替换/家族重命名）。"""
import csv, glob

def load_changes(month_glob="symbol-changes_2026-*.tsv"):
    changes = []
    for path in sorted(glob.glob(month_glob)):
        with open(path) as f:
            for row in csv.DictReader(f, delimiter="\t"):
                changes.append({
                    "hgnc_id": row["hgnc_id"],
                    "old": row["symbol_old"],
                    "new": row["symbol_new"],
                    "date": row["date_of_change"],
                })
    return changes

for ch in load_changes():
    # 生产表里命中旧符号 → 触发更新工单（不静默改写——审计留痕）
    hit = my_db.query_symbol(ch["old"])
    if hit:
        print(f"[ALERT] {ch['hgnc_id']}: {ch['old']} -> {ch['new']} @ {ch['date']}")

§4.5 元数据与可复现指纹

快照三元组：文件名 + 官方日期（下载页标注）+ 检索日期——复现包第一件。
变更基线：symbol-changes 起始月份——「基线之后的所有变更」可增量回放。
解析器版本：多值字段分隔符/字段名——HGNC 字段扩展（2023 加 MANE/GenCC 链接）会破旧解析器——「宽松解析 + 未知字段保留」的健壮姿势。

§4.6 完整性清单

[ ] 快照文件 + 官方日期 + 检索日期三戳
[ ] ID 主键架构（非符号主键）确认
[ ] alias/prev 回溯索引构建
[ ] 多值字段分隔符解析正确
[ ] locus_type 过滤显式（假基因/ncRNA 边界）
[ ] withdrawn 状态处理（状态机而非删除）
[ ] 变更监听机制（月度文件）
[ ] 歧义命中的人工核验队列

§4.7 数据血缘

全球基因发现（文献/注释/测序）
  → 命名请求（科学家/期刊/数据库提交）
  → HGNC 委员会评审（人工批准）
  → Symbol Report 策展（外部映射人工维护）
  → 数据文件发布（月度 + 归档 GCS）
  → 下游库同步（Ensembl/NCBI/ClinVar/UniProt 引用）
  → 命名应用（文献/临床报告/注释管线/实体链接）

「发现 → 请求 → 评审 → 策展 → 发布 → 同步 → 应用」七段血缘——HGNC 的血缘核心是「人工评审节点」：这是它与全自动注释库的本质区别，也是它的信任来源。

§4.8 跨库 ID 归一（桥表构建）

#!/usr/bin/env python3
"""多源基因 ID 归一：Entrez/Ensembl/UniProt → HGNC ID 桥表。
数据：HGNC 快照 xref 列（官方人工维护映射——不要自建符号 fuzzy 匹配）。"""
import json
import pandas as pd

docs = json.load(open("hgnc_complete_set_2026Q3.json"))["response"]["docs"]
rows = []
for g in docs:
    if g["status"] != "Approved":
        continue
    rows.append({
        "hgnc_id": g["hgnc_id"], "symbol": g["symbol"],
        "locus_type": g["locus_type"],
        "entrez": g.get("entrez_id"), "ensembl": g.get("ensembl_gene_id"),
        "uniprot": g.get("uniprot_ids"),   # 多值映射：JSON 中已是 list
    })
bridge = pd.DataFrame(rows)

# 1) 展开多值列（uniprot 可一基因多蛋白登录号）
bridge = bridge.explode("uniprot")

# 2) 归一函数：任意 ID → hgnc_id（歧义返回全部候选）
def to_hgnc(value: str, col: str):
    hits = bridge[bridge[col] == value]["hgnc_id"].tolist()
    if len(hits) == 1:
        return hits[0], "unique"
    if len(hits) > 1:
        return hits, "AMBIGUOUS"          # 进人工队列（罕见但必须处理）
    return None, "unmapped"               # 真实缺口（按 locus_type 审计）

print(to_hgnc("P04637", "uniprot"))       # TP53 → HGNC:11998
print(bridge.groupby("locus_type").hgnc_id.count().sort_values(ascending=False).head())
# 3) 覆盖率审计：蛋白编码应近全映射；ncRNA 缺口是真实状态（非数据错误）

（桥表的原则是「官方映射优先、模糊匹配禁用」——符号 fuzzy 匹配会引入假链接；「unmapped ≠ 错误」——ncRNA/假基因在部分库的缺口是真实覆盖率，审计按 locus_type 分层报告。）

§5 下游分析协议

§5.1 任务×资源速查表

任务	用哪些层	关键动作	陷阱
文献实体链接	alias/prev + symbol	三键解析 + 歧义队列	一对多 alias 直取
跨库整合	xref 映射列	ID 归一 join	空映射当缺失
变异注释	hgnc_id + MANE	临床报告规范	符号漂移断裂
家族分析	gene_family/group	家族聚合	家族边界人工性
数据治理	ID 主键 + 变更监听	快照 + 增量	月度文件过期
跨物种映射	mgd_id/rgd_id	同源 ID join	同符号异物种

§5.2 医疗 NLP 实体链接协议

词典构建：完整集 symbol/name/alias/prev 全展平 → 词典（token → ID 集）——多值歧义保留集合。
消歧规则：上下文窗口内的共现信号（基因-疾病/基因-蛋白搭配）+ 大小写规范（人类基因全大写惯例）——规则层先行，模型层兜底。
歧义队列：一对多命中（如同一 alias 指多个基因）进人工核验——抽样评估词典质量（PPV ≥95%）。
评估：标准测试集（如 BioCreative/NCBI Disease 语料）上的 precision/recall——词典消歧与模型消歧分层报告。
更新：季度快照重载 + 变更文件增量——「词典也是版本化的数据产品」。

§5.3 跨库 ID 归一协议

源字段识别：各源库的基因标识（符号/Entrez/Ensembl/UniProt）——先分型再映射。
HGNC 桥接：全部映射到 HGNC ID——冲突时以「映射列多数 + 手工核验」仲裁。
歧义处理：一对多映射（旧符号指向多基因）→ 版本时间戳仲裁（变更前的文献用 prev 语义）。
覆盖率审计：每 locus_type 的映射覆盖率——蛋白编码应近 100%，ncRNA 部分缺口是真实状态。
落表：归一表（source_id → hgnc_id → 各层 ID）+ 仲裁日志——审计可回放。

§5.4 成本模型

场景	技术路线	成本量级
单文件集成	JSON 全量加载	$0（分钟级）
实体链接服务	内存索引	单机即可
全库归一	映射表 + 仲裁	人力为主（数天）
变更监听	月度文件 cron	近零

（HGNC 是「零数据成本、纯人力成本」的资源——预算全花在解析器健壮性与歧义仲裁上。）

§5.5 失败模式清单

符号当主键：漂移断裂——ID 主键是架构底线。
alias 一对多直取：假链接丛生——集合语义 + 歧义队列。
占位符进生产：C#orf 替换后下游断裂——变更监听。
locus_type 不滤：假基因当蛋白编码——显式过滤。
月度快照过期：365 天删除——季度归档纪律。
多值字段解析错：竖线分隔未处理——格式约定先读。
同符号跨物种混淆：人类大写 ≠ 鼠类——MGI/RGD ID 桥接。
withdrawn 复活引用：撤回符号被旧文献引用——withdrawn.txt 去向核查。

§5.6 校准与验证协议

验证层	数据源	指标	通过线（参考）
L1 解析完整性	完整集全字段	解析错误率	0（硬线）
L2 词典覆盖	symbol+alias+prev 全展平	歧义率	报告并分层
L3 实体链接 PPV	人工核验子集	precision	≥95%（词典层）
L4 映射覆盖率	xref 列 × locus_type	覆盖率	蛋白编码近全
L5 变更同步	symbol-changes	断点预警率	100% 命中
L6 跨库一致性	桥表抽查	ID 一致率	≥99%（人工仲裁兜底）

L3 是 NLP 应用的灵魂：词典消歧的 PPV 抽检成本低于模型误链的下游代价——200 条人工抽检是性价比拐点。
L6 的仲裁日志：跨库不一致不是「修掉」而是「记录 + 仲裁」——映射决策可回放是复现性的一部分。

§6 实证结果与方法学分析

§6.1 命名批准节奏的实证观察

蛋白编码近完备：官方口径「relatively complete」——新增命名集中在占位符替换与注释器发现基因（Ribo-Seq/phyloCSF 证据）；MLDHR/SMIM10L3/RNF228/NPIPA9 是近年新命名的四种典型路径。
假基因命名加速：自上次年度报告新增 548 个命名——「暗物质命名化」的持续进程；三类假基因（duplicated/processed/unitary）的系统协议。
lncRNA 的命名前沿：6,236 已命名但存量更大——「定义规则自动命名」的探索（官方 FUTURE PLANS 明文）——人工评审与规则化的混合演化。
PGNC 的横向扩张：2024 年把命名范式输出到植物（杨树先行）——「命名委员会」组织形态的可复制性证明。

§6.2 符号稳定性的量化语义

Stable tag 的机制：临床相关基因符号的稳定性标记（GenCC 协作配套）——「临床场景不要动这个符号」的官方声明。
变更率的工程读法：date_symbol_changed 字段的分布显示——多数变更集中在占位符替换与家族重命名；成熟基因符号多年不变——「漂移风险与基因成熟度负相关」。
alias 表的治理边界：alias 不做官方消歧（官方只保证 prev_symbol 的权威语义）——文献噪声型别名依赖词典工程自担。
对知识图谱的含义：基因节点的「合并/拆分」事件以 HGNC ID 生命周期为准——节点稳定性设计引用它的状态机。

§6.3 方法学三层框架（gsm）

G（Ground layer）：符号字符串/ID 数字——机器可测的标识层。
S（Synthesis layer）：映射列/家族归属/变更日志——标准化推断层（人工策展产出）。
M（Medical layer）：临床报告命名规范/MANE 选择/GenCC 有效性——临床语义层（需链接外层资源）。

越层引用：把 alias 命中（G/S 层）当「确认是同一基因」（M 层语义）——一对多歧义的临床误链是 NLP 落地最贵的错误；按层问责 + 歧义降级是纪律。

§6.4 接力实验设计

HGNC → Ensembl/GENCODE：命名 → 注释（转录本/外显子）。
HGNC → ClinVar/COSMIC：命名 → 变异证据（临床/体细胞）。
HGNC → UniProt/AlphaFold：命名 → 蛋白功能与结构。
HGNC → GenCC/OMIM：命名 → 疾病有效性与表型。
HGNC → MGI/RGD：人类命名 → 模式生物同源。

§6.5 八个真实坑点

坑点 1：符号当主键——漂移断裂；HGNC ID 主键是底线。
坑点 2：alias 一对多直取——假链接；集合语义 + 歧义队列。
坑点 3：占位符进生产——C#orf 替换断裂；变更监听。
坑点 4：locus_type 不滤——假基因/ncRNA 混入蛋白编码分析。
坑点 5：月度快照过期——365 天删除；季度归档。
坑点 6：多值字段解析错——竖线分隔约定先读。
坑点 7：同符号跨物种——大小写惯例不可靠；MGI/RGD 桥接。
坑点 8：withdrawn 复活——撤回符号去向核查（withdrawn.txt）。

§6.6 审稿人自查清单

[ ] 基因命名引用 HGNC 符号 + HGNC ID？
[ ] 快照版本与检索日期声明？
[ ] 实体链接的消歧方法（词典/模型）描述？
[ ] locus_type 过滤声明？
[ ] 跨物种分析用同源 ID 而非符号？
[ ] 旧文献符号的回溯（prev/alias）说明？
[ ] 命名变更事件的时点处理（变更前后的文献引用）？

§6.7 命名系统演进的方法学含义

REST/OWL/Globus 的分发演进（2022-）：「一个 32 MB 文件」到「多通道分发」——基础设施的小而美不排斥通道多样性。
symbol-changes 文件（2021-09）：变更从「藏在 prev 字段」到「一等事件流」——数据系统把「演化本身」产品化的样板。
MANE/GenCC/AlphaFold 链接（2023）：命名报告成为「临床语义链的路由器」——小库嵌入大生态的生存策略。
PGNC/VGNC 扩张（2022-2024）：命名范式的跨物种复制——「委员会评审 + 稳定 ID」模式的通用性证明。

§6.8 命名评审与自动化注释的张力

人工评审的不可替代性：命名批准涉及「领域可接受性」（工作人员偏好/家族语义/历史兼容）——纯算法无法裁决；这是 HGNC 慢的根源也是它的价值。
自动化的合理边界：lncRNA 系统命名/假基因批量协议——规则可枚举的部分自动化（官方 FUTURE PLANS 明文）；「规则内自动、规则外人工」的混合架构。
对 AI 数据策展的启示：「快」与「信」的取舍——HGNC 用 40 年证明「人工策展 + 稳定 ID」的信任资产随时间复利；医疗 AI 的数据产品应保留人工策展节点。

§7 AI 就绪指南与应用场景

§7.1 HGNC 在医疗 AI 中的四种喂法

实体链接喂法：NER 输出 → 三键解析 → 标准符号/ID——文献挖掘与临床 NLP 的规范化层。
知识图谱喂法：基因节点 ID 化 + xref 跨库边——多源知识整合的骨干标识。
注释管线喂法：变异注释输出的基因语义层——VEP/ANNOVAR 结果的 HGNC 归一。
数据治理喂法：内部库 ID 主键 + 变更监听——符号漂移免疫的架构层。

四种喂法与 §6.5 坑点对应：喂法 1 踩坑 2（alias 一对多）；喂法 2 踩坑 7（跨物种符号）；喂法 3 踩坑 1（符号主键）；喂法 4 踩坑 3（占位符）——建模前回读对号。

§7.2 实体链接服务实操配方

#!/usr/bin/env python3
"""基因实体链接服务：词典 + 消歧规则 + 歧义队列（生产骨架）。
数据：HGNC 快照（季度归档）+ 别名展平词典。"""
import json, re
from collections import defaultdict

class GeneLinker:
    def __init__(self, snapshot_json: str):
        docs = json.load(open(snapshot_json))["response"]["docs"]
        self.by_symbol = {}
        self.alias_map = defaultdict(set)
        self.by_id = {}
        for g in docs:
            if g["status"] != "Approved":
                continue
            hid = g["hgnc_id"]
            self.by_id[hid] = g
            self.by_symbol[g["symbol"].upper()] = hid
            for tok in ([g["symbol"]] + g.get("alias_symbol", [])
                        + g.get("prev_symbol", [])):
                if tok and re.fullmatch(r"[A-Za-z][A-Za-z0-9@\-\.]{1,14}", tok):
                    self.alias_map[tok.upper()].add(hid)

    def link(self, token: str, context_genes=None):
        """返回 (类型, 候选集)；歧义时可用上下文基因集相交消歧。"""
        t = token.upper()
        if t in self.by_symbol:
            return "symbol", {self.by_symbol[t]}
        cands = self.alias_map.get(t, set())
        if len(cands) > 1 and context_genes:
            narrowed = cands & context_genes
            if len(narrowed) == 1:
                return "alias_ctx", narrowed
        return ("alias" if len(cands) == 1 else "ambiguous"), cands

lk = GeneLinker("hgnc_complete_set_2026Q3.json")
print(lk.link("TP53"))            # ('symbol', {'HGNC:11998'})
print(lk.link("ABC"))             # 多歧义 → ('ambiguous', {...}) 进队列

§7.3 模型选型与迁移决策

词典优先：基因名规范化 90%+ 场景词典即可——先词典后模型是成本纪律。
上下文消歧模型：歧义项（~10%）用 SciBERT 类上下文分类——训练数据由「无歧义命中」弱监督生成。
NER 联动：GeneTagger 类 NER + HGNC 词典规范化——「识别与归一」分离架构。
不确定性：ambiguous 队列的置信度阈值——临床场景宁可弃链（NULL）不可错链。
知识图谱嵌入：xref 层做实体对齐预训练（TransE 类）——多库节点的向量统一。

§7.4 公平性：命名的边缘地带

新基因的冷启动：新命名基因无 alias 历史——文献检索的召回在时间维度不均；「命名日期」字段是偏差审计的协变量。
领域不平衡：热门基因（肿瘤/免疫）的别名生态远比冷门基因丰富——词典覆盖的领域偏差进 limitation。
语言偏差：非英语文献的基因名变体（全角/连字符惯例）——多语种 NLP 的额外映射层。
假基因/ncRNA 的二等公民效应：词典工程常忽略非蛋白编码——locus_type 分层评估是公平性自查。

§7.5 任务×资源速查表

AI 任务	HGNC 数据	输出形态	验收
实体链接	symbol/alias/prev	token → HGNC ID	PPV ≥95%
知识图谱	hgnc_id + xrefs	节点/边	ID 一致率
变异注释归一	hgnc_id + MANE	注释标准层	无符号断裂
文献时间线	date_* + prev	历史语义图	变更事件对齐
跨物种迁移	mgd_id/rgd_id	同源映射	ID 级桥接
词典生成	全字段展平	NLP 词典	歧义率报告

§7.6 端到端案例：临床文献的基因-疾病抽取管线

取数：HGNC 季度快照 → GeneLinker 词典（32 MB 进程内）。
NER：PubMed 摘要流 → 基因名识别（大小写规范 + 词典 gazzetteer 特征）。
归一：三键解析 → 歧义项上下文消歧 → 人工队列（预期 ~5%）。
抽取：基因-疾病共现 + 触发词（mutate/associate）→ 关系分类。
落图：HGNC ID 为节点主键 → 与 ClinVar/GenCC 边对齐。
验收：实体链接 PPV ≥95% + 关系抽取 F1 分层报告 + 快照/词典版本声明——三件套齐。

§7.7 报告模板：方法学段落骨架

基因实体链接基于 HUGO 基因命名委员会（HGNC）数据库（genenames.org，2026Q3 季度快照，下载日期 2026-09-15；44,476 已批准符号）。词典由 approved symbol、alias_symbol 与 prev_symbol 字段展平构建，歧义别名保留候选集并以文献上下文共现信号消歧，未决项进入人工核验（占链接总数 [x]%）。全部基因以稳定 HGNC ID 为主键，跨库映射采用官方 xref 字段（Entrez/Ensembl/UniProt 等）。非编码 RNA 与假基因按 locus_type 字段分层处理。符号变更事件通过官方 symbol-changes 文件（2021-09 起）回放校准；撤回符号经 withdrawn 文件核查去向。词典质量经 200 例人工抽检（precision [x]%）；全部快照与映射表随复现包发布。

§7.8 成本与排期模板

阶段	内容	成本构成	周期
集成	快照下载 + 解析器	人力 1-2 天	2 天
词典	展平 + 索引 + 歧义分析	人力	3 天
消歧	规则 + 弱监督模型	算力（小）	1-2 周
抽检	200 例人工 PPV	人力	3 天
服务化	API/队列/监听	工程	1 周
复现包	快照+词典+抽检集	人力	1 天

HGNC 项目的排期风险不在算力在「歧义仲裁的人力排期」——人工核验的吞吐是第一排期项。

§7.9 消融案例：实体链接词典策略的必要性

基因实体链接的词典策略消融（文献 NLP 场景，示意量级）：

配置	词典策略	链接质量（示意）	诊断
R1	仅当前 symbol	召回 60%；旧文献大量漏链	无回溯层
R2	+ alias/prev 展平	召回 90%；歧义误链 +8%	回溯增益与歧义代价并存
R3	R2 + 一对多保留集合 + 上下文消歧	误链回落；弃链率 3%	歧义队列生效
R4	R3 + locus_type 分层 + withdrawn 去向核查	临床场景零错链	生命周期语义闭合

方法：同一文献流（含 2010 前旧文献 30%）；评估锁人工标注集；R3 的上下文用共现基因集相交。
读数：R1→R2 的召回增益主要来自旧文献（prev_symbol 命中）；R2→R3 的误链回落证明「歧义保留 + 上下文」优于「直取最优」。
结论：HGNC 的价值 = 当前命名 + 历史回溯 + 生命周期语义的三位一体——只用 symbol 字段等于用了它三分之一的资产。

§8 伦理、许可与合规

§8.1 许可与使用结构

无限制使用：官方 Data release policy——访问与使用零限制；「good faith + 无担保」的公共数据标准条款。
学术规范：引用 NAR 年度论文（gkaf1229 等）+ 快照日期——无强制注册/协议；「引用即合规」的轻义务模型。
再分发的边界：无限制许可下再分发合法——但「与第三方数据合并后的产品」责任在合并者；下游产品的数据质量声明不可转嫁 HGNC。
错误反馈义务：命名错误的官方更正走委员会流程——使用者发现映射错误应反馈（help 渠道）而非私改。

§8.2 引用与致谢模板

致谢模板（按需裁剪）：
Gene nomenclature and identifiers were obtained from the HUGO Gene
Nomenclature Committee (HGNC) database at www.genenames.org
(quarterly archive 2026Q3, downloaded 2026-09-15; 44,476 approved
symbols). Citation: Seal RL et al., Genenames.org: the HGNC and PGNC
resources in 2026, Nucleic Acids Research (2026), DOI 10.1093/nar/gkaf1229.
The HGNC is funded by NIH NHGRI (U24HG003345) and the US DOE.

§8.3 国内合规路径

数据性质：纯命名/元数据资源——无人类受试者数据/无遗传资源语义——数据层面合规负担近零。
使用场景：临床报告软件内嵌 HGNC 词典（无限制许可允许）——但临床报告本身受医疗器械软件监管（与数据来源无关的独立义务）。
学术引用：中文文献引用 HGNC 符号时保持英文符号原样（不翻译）——命名标准的国际一致性是引用规范。

§8.4 商业使用边界

可以直接商用：无限制许可覆盖商业产品内嵌（注释服务/临床软件/数据库产品）——这是 HGNC 与「CC-BY-NC 类」资源的关键差异。
无担保的商业含义：官方明文不承担使用责任——商业产品的错误链接/过期快照风险自担；SLA 设计要内建「季度快照更新 + 变更监听」。
竞争性替代的误区：商业命名库（如专有版本）的价值在「增值策展」不在「基础命名」——基础层已被 HGNC 公共品化。

§8.5 合规台账最小模板

台账项	记录内容	示例
快照版本	文件 + 官方日期 + 检索日	2026Q3（2026-09-15）
词典版本	展平规则 + 歧义统计	歧义率 x%
更新机制	月度监听 + 季度重载	cron 配置
错误反馈	上报记录	help 渠道工单
商用声明	无担保知晓 + SLA	快照更新 SLA
抽检记录	PPV 人工核验	200 例批次

§8.6 数据治理的架构语义

把 HGNC 的治理设计抽象为可复用的数据治理模式：

身份与标签分离：HGNC ID（身份）/ symbol（标签）——任何实体系统的第一原则；「改标签不动身份」。
变更即事件：symbol-changes 文件把演化变成数据——审计/回放/监听三种消费形态。
撤回即状态：Entry Withdrawn + 去向映射——「删除」在数据系统里应是状态迁移而非物理抹除。
策展即服务：人工评审节点是信任的来源——全自动管道应保留「人工评审节点」作为信任锚。

§9 谱系与生态

§9.1 基因命名时间线

1970s-80s  基因符号混乱时代（各实验室自命名）
1990s  HUGO 框架下命名协调启动
1997  HGNC 数据库成体系（剑桥驻地）
2010s  NAR 年度论文传统确立
2019  phenotype 符号撤回（移交 OMIM）；GenCC 启动
2021-09  symbol-changes 月度文件上线
2022  REST API（HGNC+VGNC）；Globus
2023  MANE/GenCC/AlphaFold 链接内建
2024  PGNC 成立（杨树；DOE）
2025  44,476 符号；NAR 2026 论文（gkaf1229）
2026  下载迁入 GCS Bucket；数据政策页重申无限制

§9.2 术语表

术语	定义
HGNC	HUGO Gene Nomenclature Committee——人类基因命名委员会
HGNC ID	稳定唯一基因标识（HGNC:nnnnn）——跨符号变更不变
Symbol Report	单基因人工策展报告页
Gene Group Report	基因家族/组聚合报告
locus_type	基因座类型（protein-coding/pseudogene/ncRNA 细分）
alias_symbol	别名符号（非官方但普遍的历史用名）
prev_symbol	前官方符号（HGNC 曾批准、后变更）
placeholder	占位符符号（C#orf/FAM#——功能未明命名）
Entry Withdrawn	撤回状态（符号退场的状态机语义）
symbol-changes	官方符号变更事件文件（2021-09 起月度）
MANE Select	RefSeq+Ensembl 联合标准转录本
GenCC	基因-疾病有效性分级联盟
LSDB	位点特异性突变数据库
MGI / RGD	小鼠/大鼠基因组信息学（同源映射）
VGNC	脊椎动物基因命名委员会（REST 同源查询）
PGNC	植物基因命名委员会（2024；杨树先行）

§9.3 资源选型决策树

你的需求是什么？
├─ 「基因名规范化/实体链接」
│    → HGNC（alias/prev + ID 主键——唯一权威）
├─ 「转录本/外显子注释」
│    → Ensembl/GENCODE（注释层）
├─ 「蛋白功能/结构」
│    → UniProt / AlphaFold DB（蛋白层）
├─ 「变异证据」
│    → ClinVar/COSMIC（变异层）
├─ 「基因-疾病有效性」
│    → GenCC（评估层）+ OMIM（表型）
├─ 「小鼠/大鼠同源」
│    → MGI/RGD（HGNC xref 内建桥）
├─ 「脊椎动物新物种命名」
│    → VGNC（REST 同服务）
└─ 「植物基因命名」
     → PGNC（plant.genenames.org；杨树先行）

§9.4 与本库其他条目的关系

条目	关系
gencode / ensembl	注释层——HGNC ID 是其标准字段
clinvar	变异语义层——基因身份锚点共用
alphafold / uniprot	蛋白层——Symbol Report 内建结构链接
drugbank / chembl	靶点层——靶点符号的命名归宿
omim	表型层——2019 后表型符号的承接方
cosmos(库内)	体细胞突变——COSMIC 符号字段互查
sra / geo	数据层——其元数据的基因语义源

§9.5 组合使用建议

研究设计	推荐组合	分工
文献基因挖掘	HGNC（词典）+ PubMed 语料 + ClinVar（验证）	归一 + 语料 + 证据
多组学整合	HGNC（桥表）+ Ensembl + UniProt + PRIDE	ID 归一 + 各层
临床报告系统	HGNC（符号）+ MANE（转录本）+ GenCC（有效性）	命名 + 标准 + 分级
知识图谱	HGNC（节点）+ GO/KEGG（通路）+ DisGeNET（疾病）	身份 + 语义 + 关联
跨物种比较	HGNC（人类）+ MGI/RGD（模式生物）+ VGNC（其他）	同源 ID 桥接

组合纪律：ID 为键、符号为面——组合中所有基因以 HGNC ID 连接；符号仅作展示层；快照版本统一声明。

§9.6 命名基础设施的生态角色

HGNC 证明了「人工策展 + 稳定标识 + 完全开放」可以在全球尺度运转 40 年：命名评审保证了「一个基因一个名字」的语义秩序，HGNC ID 的稳定性保证了下游系统的架构安全，无限制许可保证了它被写进每一个工具链。它把「命名」从学术礼仪升级为数据基础设施——全球基因组数据的 join 键因此有了公共品。对医疗 AI，HGNC 是基因语义的「地面真值」：任何涉及基因实体的系统都应以 HGNC ID 为身份层——这是「用公共标准锚定系统架构」的最小成本路径。

§9.7 小库大生态的生存策略

HGNC 的数据体量只有 32 MB——它是本库中最小的数据集之一，却是被引用最广的基础设施之一：

维度	HGNC	典型大库（SRA 级）
体量	32 MB	47 PB
角色	语义锚点	数据海洋
更新	每月首批	持续滚动
信任来源	人工评审	规模与官方
集成成本	分钟级	天-周级

生态位原理：数据系统里「被依赖的密度」比「体量」更决定地位——HGNC 是全球基因数据的 join 键密度之王。
工程启示：小而关键的基础设施值得专门的工程投入（快照纪律/变更监听/歧义仲裁）——「32 MB 的认真」是高杠杆工程。

§10 资源导航与 FAQ

§10.1 官方资源导航

主站 https://www.genenames.org/；下载页 https://www.genenames.org/download/statistics-and-files
REST API https://rest.genenames.org/；归档帮助 https://hgnc.genenames.org/download/archive
命名指南与符号请求 https://www.genenames.org/about（含 guidelines 入口）
PGNC https://plant.genenames.org/；OWL https://storage.googleapis.com/public-download-files/hgnc/owl/owl/hgnc.owl

上手指引（第一次接入的推荐顺序）：

下载季度归档完整集（JSON）→ 验证记录数与字段（第一天）。
构建三键索引（ID/symbol/alias）→ 歧义率统计。
接 REST API 单点查询 → 与本地快照一致性抽查。
订阅月度 symbol-changes → 断点预警机制。
词典抽检 200 例 → PPV 报告进复现包。

§10.2 关键文献

Seal, R.L., Braschi, B., Gray, K., McClay, J., Tweedie, S. & Bruford, E. Genenames.org: the HGNC and PGNC resources in 2026. Nucleic Acids Research, gkaf1229 (2025-11-25 在线). DOI 10.1093/nar/gkaf1229
Seal, R.L. et al. Genenames.org: the HGNC resources in 2023. Nucleic Acids Research 51, D1002-D1009 (2023).
Braschi, B. et al. Genenames.org: the HGNC resources in 2019. Nucleic Acids Research 47, D693-D698 (2019).
Yates, B. et al. Genenames.org: the HGNC resources in 2017. Nucleic Acids Research 45, D619-D625 (2017)（历史口径参考）.

§10.3 站内延伸阅读

GENCODE — 基因注释数据库：注释层对位（HGNC ID 标准字段）
ClinVar — 临床变异知识库：变异证据层的基因锚点
AlphaFold DB — 蛋白结构数据库：Symbol Report 内建结构链接
DrugBank — 药物知识库：靶点符号的命名归宿
UniProt — 蛋白知识库：蛋白层映射（Swiss-Prot reviewed）
SRA — 测序档案数据库：数据层元数据的基因语义源

§10.4 FAQ

Q1：HGNC 数据真的完全免费吗？
A：是——官方政策明文「No restrictions on access or use」；无注册/无协议/可商用；仅无担保免责。

Q2：HGNC ID 和基因符号什么区别？
A：ID 是永久身份（HGNC:11998 永远指 TP53 基因座）；符号是可变标签——工程上 ID 做主键、符号做索引。

Q3：TP53 之外为什么还有别名？
A：历史用名（alias）与旧官方名（prev_symbol）——文献与旧数据库仍在用；检索需要回溯层。

Q4：占位符（C#orf）是什么？
A：功能未明基因的临时命名（如 C11orf53）——功能明确后替换；生产系统要监听替换事件防断裂。

Q5：44,476 里只有 19,294 是蛋白编码？
A：是——其余是假基因（14,603）与 ncRNA（9,574）；分析时按 locus_type 过滤。

Q6：假基因也要命名吗？
A：要——假基因是基因组真实结构（三类）；命名化使注释/表达分析可精确指代。

Q7：符号会改吗？改了旧文献怎么办？
A：会改（例外情况）；旧官方名进 prev_symbol + date_symbol_changed 入档 + 月度变更文件——旧文献可回溯。

Q8：withdrawn 符号还能引用吗？
A：不建议——它是被撤回的命名；withdrawn.txt 提供去向（转移至某 HGNC ID 或 OMIM）；引用走新语义。

Q9：怎么批量下载？
A：完整集 JSON/TXT（GCS bucket）或 Globus（多文件推荐）；REST 适合单点/小批量。

Q10：REST API 有限速吗？
A：官方未公布硬限速——批量场景仍建议用下载文件（礼仪 + 效率）；大规模实时查询自建快照服务。

Q11：HGNC 覆盖非编码 RNA 吗？
A：覆盖——9,574 个（lncRNA 6,236 为主）；miRNA 与 miRBase 协调命名。

Q12：lncRNA 命名还在快速增长吗？
A：是——6,236 已命名但存量更大；官方在探索规则化自动命名（FUTURE PLANS 明文）。

Q13：怎么查基因的小鼠同源？
A：Symbol Report 的 mgd_id 字段（MGI ID）——跨物种比较用 ID 不用符号。

Q14：HGNC 管基因功能吗？
A：不管——功能找 UniProt/GO；HGNC 只管「名字与身份」；角色边界是正确用法的起点。

Q15：clinical 基因有特殊标记吗？
A：Stable tag（临床相关基因的稳定性标记）+ GenCC 有效性链接——临床报告场景的官方语义。

Q16：MANE Select 是什么？
A：RefSeq 与 Ensembl 联合标注的标准转录本——临床报告「报哪个转录本」的官方答案；Symbol Report 内建版本化链接。

Q17：phenotype 符号去哪了？
A：2019 年 HGNC 撤回——表型命名职责移交 OMIM；历史符号在 withdrawn 文件有去向。

Q18：数据多久更新一次？
A：每月首批更新完整集；月度/季度归档；symbol-changes 文件月度——变更可全程追溯。

Q19：月度归档会删除吗？
A：会——365 天后删除；长期快照研究用季度归档（官方政策明文）。

Q20：多值字段怎么解析？
A：双引号包裹 + 竖线（|）分隔——TSV 解析器必须处理；JSON 天然数组。

Q21：能查脊椎动物（非人鼠）基因吗？
A：VGNC——REST 同服务（2022 起）；覆盖非模式脊椎动物的命名。

Q22：植物呢？
A：PGNC（2024 成立）——杨树（Populus trichocarpa）先行；plant.genenames.org 独立站点；DOE 资助。

Q23：HGNC 与 Ensembl/GENCODE 什么关系？
A：HGNC 批准命名——GENCODE 注释引用 HGNC ID（标准字段）；命名与注释两层分工。

Q24：实体链接遇到一对多 alias 怎么办？
A：保留候选集 → 上下文消歧（共现基因/疾病信号）→ 未决进人工队列——「宁弃链不错链」是临床底线。

Q25：怎么引用 HGNC？
A：NAR 年度论文（gkaf1229）+ 快照日期 + 记录数；数据可用性声明写快照版本。

Q26：AI 大模型训练可以用 HGNC 吗？
A：可以——无限制许可覆盖；商用基础模型亦可；产物责任自担（无担保条款）。

Q27：发现自己的基因符号不合适能改吗？
A：向委员会申请——「领域可接受」是准则；占位符替换与功能命名是常见路径；变更全程入档。

Q28：HGNC 和 NCBI Gene 重复吗？
A：不重复——NCBI Gene 是综合信息库（含 HGNC 之外的内容）；两者 ID 互映射；命名权威唯一在 HGNC。

Q29：快照和 REST 该用哪个？
A：批处理/生产用快照（季度归档锁版本）；单点/交互用 REST——「快照保复现、REST 保新鲜」。

Q30：词典工程的歧义率多大算正常？
A：alias 展平词典的一对多比例在个位数百分比——但集中在高频缩写词（如 ABC/HR 类）；分层报告比单数字更有用。

Q31：数据文件迁到 Google Storage 有影响吗？
A：仅 URL 更新（2026）——内容与政策不变；旧书签需更新；Globus/REST 不受影响。

Q32：未来 HGNC 会扩大到哪些物种？
A：官方路线——VGNC 扩脊椎动物覆盖、PGNC 从杨树扩展作物物种（DOE 能源植物语境）；「委员会评审」模式是扩张的可复制内核。

Q33：LLM 生成的基因名怎么校验？
A：HGNC 词典双查——存在性（symbol/alias 命中）+ 构词合法性（家族词根模式）；幻觉符号是医疗 QA 真实风险（§2.9）。

Q34：一个基因多个 UniProt 登录号怎么处理？
A：uniprot_ids 是多值字段——桥表 explode 展开；映射方向决定唯一性（基因→蛋白一对多正常，反向需消歧）。

Q35：HGNC 的 OWL 文件怎么用？
A：本体工具链（Protégé/SPARQL）——浅层级（locus type/gene group 分类）；SciBite 制作维护。

Q36：符号里的特殊字符（@/-/.）合法吗？
A：部分合法（官方命名指南约束）——但多数系统工具对特殊字符敏感；生产系统建议符号标准化 + 保留官方原样的双轨。

§10.5 要点回顾

ID 主键：符号漂移免疫的架构底线——HGNC ID 永不变。
三键结构：ID/symbol/alias+prev——查询优先级与歧义队列。
locus_type 过滤：假基因/ncRNA ≠ 蛋白编码——显式分层。
变更即事件：symbol-changes 月度文件——监听防断裂。
季度归档：月度文件 365 天删除——快照纪律。
撤回是状态：Entry Withdrawn + 去向映射——不物理删除。
多值字段：竖线分隔约定——解析器第一坑。
跨物种用 ID：同符号 ≠ 同基因——MGI/RGD 桥接。
角色边界：命名归 HGNC、功能归 UniProt、变异归 ClinVar。
引用即合规：NAR 年度论文 + 快照日期——轻义务模型。

口径存照（数字均注明口径与来源，写入正文前已核对）

44,476 总符号 / 19,294 蛋白编码 / 14,603 假基因 / 9,574 ncRNA（lncRNA 6,236 / miRNA 1,912 / tRNA 591 / snoRNA 568）（2025-09-03）= Seal et al., Genenames.org: the HGNC and PGNC resources in 2026（NAR gkaf1229, 2025-11-25；PMID 41287213）
摘要口径 over 44,400 / over 19,250 / ~14,500 / over 9,500 = 同上 NAR 2026 论文摘要
almost 43,000 = genenames.org/about 页（历史时点口径）
新命名案例（MLDHR HGNC:55481 / SMIM10L3 HGNC:56768 / RNF228 HGNC:55809 / NPIPA9 HGNC:41984）与 548 新命名假基因 = NAR 2026 论文正文
数据文件体量（JSON 31.6 MB / TXT 16.1 MB / withdrawn 252.9 KB / 2026-09-15）与字段全集 = genenames.org 下载页与 archive 帮助页
REST API（HGNC+VGNC）/ Globus / symbol-changes（2021-09 起）/ GenCC-AlphaFold-MANE 链接 = Seal et al., NAR 51（2023，PMC9825485）
数据政策（无限制使用/无担保）= genenames.org Data release policy 原文
PGNC（2024 成立；Populus trichocarpa；DOE/橡树岭；plant.genenames.org）= NAR 2026 论文与官网
资助（NIH NHGRI U24HG003345 + US DOE + SciBite）= NAR 2026 论文致谢与 Apollo 存档元数据
下载链接迁移（GCS Bucket，2026）与归档策略（月度 365 天删除/季度长期保留）= genenames.org 首页公告与 archive 帮助页
命名准则要点（占位符替换/禁用模式/家族命名）= genenames.org guidelines 页与 NAR 2026 论文命名案例章节