信息速览
HMDB — 人类代谢组全景参考库 AI-Ready Wikipedia
INFOBOX
| 字段 | 内容 |
|---|---|
| 数据集名称 | HMDB（人类代谢组数据库） |
| 英文全称 | The Human Metabolome Database |
| 别名/简称 | HMDB；MetaboCard（单条代谢物数据卡片） |
| 疾病分类（ICD-11） | ICD-11 第 5 章 内分泌、营养或代谢疾病（5A00-5E2Z）为主，共关联 657 种疾病（截至 2026-09） |
| 数据模态 | 代谢组：化学结构 + NMR/MS 参考谱图 + 生物样本浓度 + 通路与疾病关联 |
| AI 任务类型 | 代谢物注释与鉴定、谱图匹配、浓度参考区间、通路富集、生物标志物发现 |
| 样本总数 | 253,245 条代谢物条目；211,527 条化合物含谱图（截至 2026-09） |
| 数据大小 | ZIP 压缩包约 1 GB；解压后全量 XML 6.49 GB（v5.0） |
| 数据格式 | XML、CSV、JSON、TXT、SDF、mzML、nmrML、PNG |
| 许可证 | CC BY-NC 4.0 International |
| 访问级别 | 开放（无需注册即可下载） |
| DUO 标签 | GRU（通用研究）+ NCU（非商业使用） |
| 语言 | 英语 |
| 首发日期 | 2007-01 |
| 最后更新 | v5.0 于 2022-01 发布；统计持续滚动更新（截至 2026-09） |
| 发布机构 | 阿尔伯塔大学（University of Alberta）Wishart 团队 / TMIC |
| 官方主页 | https://hmdb.ca/ |
| 下载地址 | https://hmdb.ca/downloads |
| DOI | 10.1093/nar/gkab1062（HMDB 5.0 论文） |
| 引用次数 | 2,571+（Google Scholar，HMDB 5.0 论文，截至 2026-09） |
| AI 就绪度评分 | ⭐⭐⭐（3/5）— 字段规范、多格式导出、标识符体系完备是加分项；但无官方 ML 划分、预测/预期条目占比约九成、需自行实现证据过滤与划分，故扣 2 分 |
| 页面状态 | published |
§0 E-E-A-T 审核与免责
本页面由千方病案医学编辑部按照 AI-Ready Wikipedia 规范编制。医学审核：千方病案医学编辑部交叉审核 §2 医学背景（ICD-11 编码映射、疾病关联口径）与 §7 偏倚分析。数据工程审核：千方病案医学编辑部交叉审核（医疗 AI 数据工程师），审核范围：§4 DAIMS 数据字典、§5 数据划分策略、§6 预处理 Pipeline 和坑点。审核日期：2026-09-05。所有关键数字均标注公开来源（官方统计页、NAR 系列论文、社区代码库），检索截至 2026-09。
医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。
技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。
数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。HMDB 全部数据以 CC BY-NC 4.0 International 许可发布，下载无需注册，但商业性使用与再分发需事先获得 HMDB 团队明确许可并注明出处。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。
§1 数据集概览与版本时间轴
§1.0 30 秒速览
这是什么？ HMDB（The Human Metabolome Database，人类代谢组数据库）是加拿大阿尔伯塔大学 Wishart 团队自 2007 年起维护的免费代谢组参考数据库，可以理解为"人体小分子的维基百科"：每一条代谢物（MetaboCard）都带有化学结构、名称与同义词、生物样本浓度、疾病关联、代谢通路以及 NMR/质谱参考谱图，当前收录 253,245 条代谢物条目（截至 2026-09）。
为什么重要？ 代谢组学是基因组、蛋白组之后离表型最近的组学层，但长期被"鉴定瓶颈"困扰：非靶向质谱实验中通常只有不到 2% 的峰能被确证鉴定。HMDB 通过把"实验检出、文献预期、计算预测"三个证据层全部收录，成为代谢物注释与鉴定的世界级标准参考库——它是 MetaboAnalyst 等主流分析平台的底层注释来源。
我能用它做什么？ 为非靶向代谢组结果做候选注释与谱图匹配；为临床化学指标查正常/异常浓度参考；为生物标志物研究提供疾病-代谢物关联；训练谱图匹配、保留指数预测等 AI 模型。注意它不是患者队列数据集，不能直接做"疾病预测"监督学习，而是知识库与特征参考源。
§1.1 技术摘要
HMDB 采用"文献策展 + 自产实验数据 + 计算预测"三条数据生产线。策展团队人工阅读文献并录入每条代谢物的化学、临床与生化数据，辅以自动一致性校验软件；自产数据方面，团队用 NMR、LC-MS/MS、GC-MS 对人体生物样本做定量测量，形成正常/异常浓度与参考谱图；预测数据则通过 BioTransformer 等内部工具生成。数据以 MetaboCard 形式组织，每张卡片含 130 个数据字段，其中约 2/3 为化学/临床数据、1/3 为酶学与生化数据。全库数据可整体下载（XML/CSV/JSON/SDF/mzML/nmrML 等格式），采用 CC BY-NC 4.0 许可，约每两年发布一个大版本并持续进行月度修正。官网统计页实时公布规模与证据分层，所有数据条目均可溯源到 78,841 条参考文献之一（截至 2026-09）。
§1.2 战略价值
维度一：代谢物鉴定的"母库"地位。 代谢组学的核心工程问题是把质谱峰翻译成分子身份，而这必须依赖参考库。HMDB 是目前规模最大、注释最深的人类代谢物库：仅实验 LC-MS/MS 谱图就覆盖 4,064 个化合物，预测 LC-MS/MS 谱图覆盖 206,809 个化合物，配合预测保留指数 1,877,524 条与预测碰撞截面 1,265,640 条（截至 2026-09），构成了从精确质量、谱图到保留时间的多维鉴定证据链。对 AI 工程师而言，这是训练谱图-结构模型的天然语料。
维度二：临床代谢疾病的中文可达知识底座。 HMDB 关联 657 种疾病、22,600 条疾病-代谢物映射与 32,087 条疾病相关浓度记录（截至 2026-09），覆盖遗传性代谢病（IEM）、糖尿病、肥胖等内分泌代谢疾病谱。对医疗 AI 团队，它提供了把患者代谢谱翻译为临床语义的映射层——这一价值在新生儿遗传代谢病筛查、暴露组（exposome）研究等场景中尤为突出。
§1.3 同类数据集横向对比
| 数据集 | 维护机构 | 定位 | 规模口径 | 与 HMDB 的差异化 |
|---|---|---|---|---|
| HMDB 5.0 | 阿尔伯塔大学 | 人类代谢物综合注释库 | 253,245 条条目、273 万张谱图（截至 2026-09） | 唯一同时覆盖结构+浓度+疾病+通路+谱图的"百科式"库 |
| KEGG Compound | 京都大学 | 通路为中心的化合物库 | HMDB 中 KEGG Compound 链接 7,228 条（截至 2026-09） | 通路图谱更强，临床浓度与谱图弱 |
| MassBank | 多机构联盟 | 高质量实验质谱库 | 以实验谱为主 | 谱图质量高但无浓度/疾病上下文 |
| METLIN | Scripps 研究所 | 代谢物 MS/MS 库 | 以 MS/MS 谱图为主 | 谱图检索导向，浓度与通路注释较浅 |
| MetaboLights | EBI | 代谢组实验数据归档 | 实验数据集仓库 | 存放研究数据集，非参考注释库 |
| LipidMaps | 加州大学圣地亚哥分校等 | 脂质专用库 | 脂质分类与结构 | 深度限于脂质，HMDB 借其结构生成脂质条目 |
注：对比表中其他库的规模数字因各自口径与更新节奏差异较大，本页不逐一引用具体值；读者应以各库官方统计为准。
§1.4 版本时间轴（HMDB 1.0 → 5.0）
| 版本 | 发布时间 | 代谢物总数 | 检出且定量 | 检出未定量 | 预期（Expected） | 预测（Predicted） | 里程碑 |
|---|---|---|---|---|---|---|---|
| 1.0 | 2007-01 | 2,180 | 883 | 1,297 | 0 | 0 | 首发论文 NAR 2007，确立 MetaboCard 框架 |
| 2.0 | 2009-01 | 6,408 | 4,413 | 1,995 | 0 | 0 | 谱图与浓度数据扩充，新增通路图 |
| 2.5 | 2009-08 | — | — | — | — | — | 过渡版本，v2.0 下载归档 |
| 3.0 | 2013-01（2012-09 上线） | 40,153 | 16,714 | 2,798 | 20,641 | 0 | 引入 Expected 分层与通路数据现代化 |
| 3.5 | 2013-01 | — | — | — | — | — | 过渡版本 |
| 4.0 | 2018-01（2017-10 接收） | 114,100 | 18,557 | 3,271 | 82,274 | 9,548 | 引入 Predicted 分层、ClassyFire 分类、预测谱图 |
| 5.0 | 2022-01 | 217,920（官网首页口径 220,945） | — | — | — | — | 描述重写、ChemFOnt 本体、944 万条预测谱图与观测数据 |
来源：HMDB 4.0 论文 Table 1（Europe PMC）、HMDB 5.0 论文（PMC8728138）、HMDB News。v5.0 论文成稿时点与官网首页统计存在约 3,000 条的口径差，官网统计页当前为 253,245 条（截至 2026-09），引用时务必注明口径与日期。
§1.5 典型应用场景
- 非靶向代谢组注释：将特征峰的精确质量、同位素模式与 MS/MS 谱图对 HMDB 做多维匹配，输出候选代谢物列表并按证据层级排序。
- 临床化学参考区间：查询某代谢物在血浆、尿液、脑脊液等 61 种生物样本中的正常/异常浓度范围，辅助解释异常检验结果。
- 遗传性代谢病（IEM）辅助解读：新生儿筛查或疑似 IEM 病例中，把异常代谢物映射到疾病关联（如苯丙氨酸-苯丙酮尿症），生成鉴别诊断线索。
- AI 模型训练语料：以"结构 → 预测谱图/保留指数/碰撞截面"构建监督学习任务，训练谱图匹配、CCS 预测或分子表征模型。
- 暴露组与营养研究：利用 17,466 条血液暴露组化合物与 32,368 条食物代谢物条目（截至 2026-09），识别外源物质的人体内转化产物。
§2 医学背景
§2.1 疾病覆盖与 ICD-11 编码映射
HMDB 的疾病关联横跨 ICD-11 多个章节，但以第 5 章（内分泌、营养或代谢疾病）为核心。下表列出代表性疾病的编码映射及其在 HMDB 中的代谢标志物口径：
| 疾病/疾病组 | ICD-11 编码 | ICD-11 中文名 | HMDB 中的代谢物标志物示例 |
|---|---|---|---|
| 苯丙酮尿症 | 5C50.0 | 高苯丙氨酸血症 | 苯丙氨酸（血/尿浓度异常升高） |
| 氨基酸代谢紊乱（总类） | 5C50-5C5Z | 氨基酸或氨基酸代谢紊乱 | 支链氨基酸、有机酸等 |
| 1 型糖尿病 | 5A10 | 1 型糖尿病 | 葡萄糖、酮体（乙酰乙酸、β-羟基丁酸） |
| 2 型糖尿病 | 5A11 | 2 型糖尿病 | 葡萄糖、胰岛素抵抗相关氨基酸谱 |
| 肥胖症 | 5B80 | 肥胖症 | 脂类、支链氨基酸、酰基肉碱 |
说明：ICD-11 编码为章节/组块级映射，供检索定位使用；具体病例编码请以 ICD-11 官方浏览工具为准。HMDB 全库关联 657 种疾病、22,600 条疾病-代谢物映射（截至 2026-09，来源：官方统计页）。
§2.1b 术语系统对照
HMDB 官方未发布 SNOMED CT 交叉映射表，但其每条 MetaboCard 内嵌了多条外部术语系统链接，可作为映射桥梁（数字截至 2026-09，来源：官方统计页）：
| 术语系统 | HMDB 内链数量 | 映射方式 | 用途 |
|---|---|---|---|
| ChEBI | 6,222 条化合物链接 | 官方直链 | 化学实体本体对齐 |
| KEGG Compound | 7,228 条化合物链接 | 官方直链 | 通路与酶反应对齐 |
| PubChem Compound | 17,360 条化合物链接 | 官方直链 | 化学标识符与商业来源 |
| ChemSpider | 15,869 条化合物链接 | 官方直链 | 化学结构与合成来源 |
| Wikipedia | 5,840 条化合物链接 | 官方直链 | 通俗解释与消歧 |
工程建议：需要 SNOMED CT 语义时，应通过"HMDB → ChEBI/UMLS 概念 → SNOMED CT"的两跳路径自行构建映射，并在数据字典中记录映射版本与日期；禁止把疾病名称字符串直接当 SNOMED 编码使用。
§2.2 代谢组学与代谢疾病简介
代谢组学研究生物体系中分子量约 1,500 Da 以下的小分子代谢物全集，是基因组与蛋白组下游、最贴近临床表型的组学层。人体代谢物可分为三大来源：内源性代谢物（当前 222,860 条）、食物衍生代谢物（32,368 条）与药物/环境衍生代谢物（药物代谢物 909 条、毒素/污染物 157 条）（截至 2026-09，来源：官方统计页）。当代谢通路因酶缺陷（遗传性代谢病）、器官功能障碍（肝、肾）或营养/暴露改变而失调时，体液中代谢物浓度谱会发生特征性偏移——这正是代谢组学用于疾病筛查与机制研究的原理，也是 HMDB 把"浓度 + 疾病"两列数据放在 MetaboCard 核心位置的原因。
流行病学层面，HMDB 的疾病覆盖以研究热度加权：糖尿病、肥胖、心血管代谢疾病与常见 IEM 关联条目最丰富，罕见病与非洲、亚洲本地人群特异代谢特征的覆盖相对薄弱（该偏倚在 §7.1 展开）。
§2.3 临床任务定义
| 临床任务 | 定义 | HMDB 支撑方式 | 输出形态 |
|---|---|---|---|
| IEM 筛查/辅助诊断 | 新生儿或疑似病例的代谢物异常检测 | 正常/异常浓度参考（正常 3,292、异常 1,791 个化合物，截至 2026-09） | 浓度比值、偏离度评分 |
| 代谢物注释与鉴定 | 把质谱特征峰映射为分子身份 | 精确质量 + MS/MS 谱图 + 保留指数 + CCS | 候选列表与置信等级 |
| 生物标志物发现 | 寻找区分疾病/健康的代谢物组合 | 疾病关联（22,600 条映射）+ 浓度数据 | 候选标志物清单 |
| 通路富集解释 | 把差异代谢物映射到扰动通路 | 官方关联的 SMPDB 通路图（人类通路约 132,335 张） | 通路影响因子 |
| 暴露组溯源 | 识别体内检测到的外源物及其代谢产物 | 血液暴露组 17,466 条化合物 | 外源物-代谢产物链 |
§2.4 数据人群构成
HMDB 不是队列数据集，其"人群"来自被策展文献的研究人群。下表汇总其浓度与疾病数据的来源结构（截至 2026-09，来源：官方统计页）：
| 维度 | 构成 | 数量 | 备注 |
|---|---|---|---|
| 生物样本类型 | 血浆/血清、尿液、脑脊液、唾液、粪便、汗液等 | 61 种 | 覆盖主要体液与组织 |
| 正常人群定量 | 文献报告的健康个体浓度 | 3,292 个化合物 | 构成参考区间基础 |
| 疾病状态定量 | 文献报告的患者浓度 | 1,791 个化合物 | 按疾病分别记录 |
| 疾病谱 | 关联疾病 | 657 种 | 研究热度加权 |
| 地域来源 | 全球文献汇萃 | — | 以北美、欧洲研究为主 |
使用提示：由于人群构成是"文献的函数"，同一代谢物在不同文献中可能报告不同区间。HMDB 的做法是把每条浓度连同文献一起并列收录而非强行合并——工程上应保留这一并列结构（见坑点 6），在分析时把"研究"作为层级因素而非直接平均。
§2.5 临床价值
对临床 AI 而言，HMDB 的价值不在于直接预测疾病，而在于提供"分子-语义"翻译层：其一，浓度参考列让算法输出的代谢物丰度可以被翻译为"偏高/偏低/异常"的临床语言；其二，疾病关联列让候选生物标志物自动携带疾病语境，缩短文献调研周期；其三，通路列把单点代谢物异常上升为通路级机制假设，支撑可解释性报告。在新生儿 IEM 筛查、临床毒理（T3DB 关联的 3,670 种毒素）、药物代谢（与 DrugBank 约 2,832 种药物联动）等场景中，这套翻译层已被广泛使用。
§2.6 标注金标准与证据等级
HMDB 内部没有"金标准标签"的监督学习概念，其对应的金标准是证据分层体系——每条代谢物按实验证据强度归入四层（截至 2026-09，来源：官方统计页）：
| 证据等级 | 含义 | 条目数 | 标注方式 | 性质 |
|---|---|---|---|---|
| Detected and Quantified（检出且定量） | 有可靠实验证据支持存在与浓度 | 3,444 | 实验测量 + 文献策展 | 一级（金标准） |
| Detected but not Quantified（检出未定量） | 有实验证据支持存在，无浓度 | 20,924 | 实验检出 + 文献策展 | 二级 |
| Expected（预期） | 基于生化/酶学逻辑预期存在 | 98,257 | 人工策展 + 结构推理 | 三级 |
| Predicted（预测） | 计算工具（如 BioTransformer）生成 | 130,679 | 全自动预测 | 四级 |
任何下游建模都应以该表为过滤第一原则：一级+二级（合计约 24,368 条）才构成"实验证实的人类代谢组"。
§3 数据集规格与规模分层
§3.0 版本抉择矩阵
HMDB 没有"旧版停服"机制——官网始终提供当前全量与多个子集下载，但版本口径直接影响建模结论。按需求选择：
| 你的需求 | 推荐版本/口径 | 大小 | 理由 |
|---|---|---|---|
| 临床注释、参考区间查询 | 当前官网版本（v5.0 及后续滚动更新） | ZIP 约 1 GB | 浓度与疾病数据最全，含月度修正 |
| 谱图匹配模型训练 | v5.0 全量 + 官网统计页快照日期 | 解压 XML 6.49 GB | 实验+预测谱图均以 v5.0 论文口径发布 |
| 只做实验证实代谢物分析 | 仅 Detected（一级+二级）子集 | 较小（约 2.4 万条） | 避开 22.9 万条无实验证据条目 |
| 复现 2018-2022 年文献结果 | v4.0 归档 | 与 v5.0 同量级 | 避免版本漂移引入的注释差异 |
| GC-MS 衍生化方法学 | v5.0 硅烷化衍生集合（三甲基硅基/叔丁基二甲基硅基衍生） | 单独文件 | 2,127,525 条衍生化合物（截至 2026-09） |
§3.1 模态详情
HMDB 的数据设计为三类融合（官方表述为 chemical / clinical / molecular biology-biochemistry）：
- 化学数据：结构（SMILES/SDF/MOL/InChI/InChIKey/PDB 全格式覆盖）、IUPAC 名、同义词、CAS 号、理化性质（logP、溶解度等 24 项预测性质）、ClassyFire 化学分类层级。
- 临床数据：61 种生物样本中的正常/异常浓度（附文献出处与患者状态）、657 种疾病关联、32,087 条疾病浓度记录（截至 2026-09）。
- 分子生物学/生化数据：2,126 种酶与 84 种转运体关联、代谢反应、通路归属（联动 SMPDB）、代谢物-SNP 关联与药物-代谢物交互（pharmaco-metabolomics）。
谱图模态独立成库式组织：NMR（1D 1H、1D 13C、2D TOCSY/HSQC）、实验 LC-MS/MS、实验 GC-MS、预测 MS/MS、预测 GC-MS、预测保留指数与预测 CCS，全部支持文本/结构/质量/SPLASH 标识检索。
§3.2 规模与证据分层统计
核心规模数字（截至 2026-09，来源：官方统计页）：
| 统计维度 | 数量 |
|---|---|
| 代谢物条目总数 | 253,245 |
| 内源性代谢物 | 222,860 |
| 食物代谢物 | 32,368 |
| 药物代谢物 / 毒素污染物 | 909 / 157 |
| 微生物代谢物 | 172 |
| 血液暴露组化合物 | 17,466 |
| 氧化脂质 / 心磷脂 | 40,248 / 52,783 |
| 硅烷化衍生化合物（三甲基硅基/叔丁基二甲基硅基） | 2,127,525 |
| 关联蛋白（酶+转运体，独立计数 8,369） | 覆盖 71,168 条代谢物 |
| 参考文献总数 | 78,841 |
谱图与预测观测数据分层：
| 谱图/观测类型 | 谱图条数 | 覆盖化合物数 |
|---|---|---|
| NMR（全部） | 242,268 | 12,345 |
| — 1D 1H / 1D 13C | 121,081 / 120,290 | — |
| — 2D（TOCSY/HSQC） | 897 | 897 |
| 实验 LC-MS/MS | 64,923 | 4,064 |
| 预测 LC-MS/MS | 1,787,163 | 206,809 |
| 实验 GC-MS | 11,493 | 3,000 |
| 预测 GC-MS | 627,700 | 74,944 |
| 预测保留指数 | 1,877,524 | — |
| 预测碰撞截面（CCS） | 1,265,640 | — |
| 合计（NMR+GC-MS+MS/MS） | 2,732,152 | 211,527 |
§3.3 数据格式清单
| 格式 | 内容 | 典型用途 |
|---|---|---|
| XML（hmdb_metabolites.xml 等） | 全字段结构化条目 | 深度解析、全库建模 |
| CSV | 扁平化元数据表 | 快速加载、Pandas/Polars 分析 |
| JSON | 结构化条目 | Web 服务、NoSQL 导入 |
| SDF/MOL/InChI/SMILES | 化学结构 | RDKit 管线、分子表征 |
| mzML / nmrML | 标准谱图交换格式 | 质谱/波谱软件互操作 |
| TXT | 序列、位置等简单列表 | 轻量检索 |
| PNG | 结构与通路图片 | 可视化 |
格式选择决策：快速探索用 CSV/JSON（秒级加载、Pandas 友好）；建模语料用"一次性转 Parquet"的 XML 全量路线（字段最全、谱图完整）；化学信息学管线直接消费 SDF/SMILES；谱图互操作交给 mzML/nmrML。混合策略最常见：CSV 做字段浏览 + XML 抽谱图与浓度嵌套结构 + SDF 供 RDKit。
§3.4 存储与分发规格
v5.0 全量下载 ZIP 约 1 GB，解压后主文件 hmdb_metabolites.xml 达 6.49 GB（来源：Zenodo HMDB Clean）。注意 4 GB 是常见文件系统/解压工具的兼容边界：在 32 位环境或受限 CI 上解压会被截断（约裁到 4 GB），导致 XML 解析中途失败——该真实事故记录见 §6.5 坑点 7。建议预留 20 GB 磁盘与 16 GB 以上内存的工作环境。
§3.5 标注方式
三层标注流水线：(1) 人工策展——策展团队逐条阅读文献录入/改写，HMDB 5.0 对 800 多个疾病相关代谢物描述做了人工重写与修正（来源：PMC8728138）；(2) 自动校验——所有入库记录经自动一致性检查软件核查；(3) 计算生成——预测谱图、预测性质、Expected/Predicted 条目由 BioTransformer 等内部工具批量生成并标注来源。因此标注性质是"人工（文献）+ 自动（预测）"混合，条目级证据等级见 §2.6。
§3.6 标注者资质与一致性
策展由阿尔伯塔大学 Wishart 团队专职策展人员执行，代谢组学领域同行评审是常态（HMDB 自述数据经代谢组学社区广泛同行评议并满足国际期刊发表标准，来源：About 页）。官方未公布策展人数量与条目间一致性系数（如 Cohen’s kappa）——这是参考数据库的常见缺口，使用时应以"文献可溯源"替代"标注者一致性"作为质量抓手：每条浓度/疾病数据都附原始文献引用，可逐条回查。
§3.7 采集与更新周期
数据库 2005 年立项（Human Metabolome Project，Genome Canada 资助）、2007-01 首发；约每两年一个大版本（1.0→5.0），期间持续月度修正（来源：reference.org 事实卡 与 HMDB News）。v5.0 发布说明于 2022-01-17 公布。策展团队持续追踪文献对既有条目做增删改写，因此"同一条目跨版本内容漂移"是常态而非异常。
§3.8 地域覆盖
数据内容为全球文献汇萃，无单一地域限制；资助与维护主体为加拿大机构（阿尔伯塔大学，TMIC，Genome Canada/Genome Alberta/Genome British Columbia，CIHR 与 CFI，来源：官方统计页）。被策展文献以北美与欧洲人群研究为主，中国及其他亚洲人群特异代谢物（如食物与中药衍生代谢物）覆盖相对不足，相关偏倚讨论见 §7.1 与 §7.5。
§3.9 测量平台与谱图设备口径
实验谱图来自 HMDB 团队自有 NMR 与质谱平台（NMR、LC-MS/MS、GC-MS 三类方法学，官方支持的检索类型为文本/序列/化学结构/MS/NMR 五类，来源：官网首页）。谱图记录含仪器类型字段，MS 谱通过 SPLASH 标识符全局唯一引用（来源：About 页 FAIR 自评）。预测谱图由 CFM-ID 等 in-silico 工具生成，无真实仪器。使用谱图数据训练模型时，务必区分实验/预测来源字段，勿混入训练集（见坑点 8）。
§3.10 深度溯源链
HMDB 的 FAIR 自评（R1.2）要求所有数据与元数据附来源描述：每条 MetaboCard 的浓度值、疾病关联、谱图均挂接参考文献（全库 78,841 条，截至 2026-09），每张谱图有 SPLASH 标识，每个条目有 accession 与创建/更新日期字段。外部链接出（Link-out）统计：PubChem 17,360、ChemSpider 15,869、KEGG Compound 7,228、ChEBI 6,222、Wikipedia 5,840（来源：官方统计页）。这构成"条目 → 字段 → 文献 → 原始测量"的完整可审计链路。
§4 数据结构与 DAIMS 字段字典
§4.0 解压后目录树
hmdb_downloads/
├── hmdb_metabolites.xml # 全量代谢物主文件（解压后约 6.49 GB）
├── hmdb_proteins.xml # 蛋白（酶/转运体）序列与关联文件
├── serum_metabolites.xml # 血清/血浆代谢物子集
├── urine_metabolites.xml # 尿液代谢物子集
├── csf_metabolites.xml # 脑脊液代谢物子集
├── saliva_metabolites.xml # 唾液代谢物子集
├── feces_metabolites.xml # 粪便代谢物子集
├── sweat_metabolites.xml # 汗液代谢物子集
├── metabolites.json # 全量 JSON 格式条目
├── metabolites.csv # 扁平 CSV 元数据
├── structures/sdf/ # 化学结构 SDF 文件
├── spectra/ms/ # MS/MS 谱图（mzML）
├── spectra/nmr/ # NMR 谱图（nmrML）
└── images/structures/ # 结构图 PNG
注：以上为典型下载内容结构，实际文件清单与命名以官方下载页当前版本为准；其中全量 XML 与蛋白 XML 文件名经社区处理实践证实（Zenodo HMDB Clean、yufree 博客）。
§4.1 DAIMS 字段字典（MetaboCard 核心 12 字段）
8 列含义：字段名 / 类型 / 说明 / 示例值 / AI 用途 / 观测误差来源 / 信息性缺失编码 / 取值范围。
| 字段名 | 类型 | 说明 | 示例值 | AI 用途 | 观测误差来源 | 信息性缺失 | 取值范围 |
|---|---|---|---|---|---|---|---|
| accession | Text | HMDB 主登录号，条目唯一键 | HMDB0000159 | 主键、跨版本对齐 | 版本间 accession 可能变更 | 缺失=数据错误 | HMDB + 7 位数字 |
| name | Text | 代谢物首选名 | L-Glutamic acid | 实体链接、检索 | 命名歧义、同义词多 | 缺失=数据错误 | 自由文本 |
| chemical_formula | Text | 分子式 | C5H9NO4 | 精确质量计算、元素过滤 | 同位素写法差异 | 缺失=未解析结构 | Hill 表示法 |
| monisotopic_molecular_weight | Float | 单同位素分子量 | 147.0529 | MS 匹配核心特征 | 与平均分子量混淆 | 缺失=结构未定 | 0-1500 Da |
| average_molecular_weight | Float | 平均分子量 | 147.13 | 化学计量计算 | 误用于 MS 匹配 | 缺失=结构未定 | 0-1500 Da |
| smiles | Text | SMILES 结构串 | OC(=O)CCC(N)C(=O)O | 分子表征、图神经网络 | 立体化学标注不一致 | 空串=无标准结构 | OpenSMILES 规范 |
| taxonomy.super_class | Text | ClassyFire 超类 | Organic acids and derivatives | 分层抽样、类别过滤 | 多亲分类取舍 | 缺失=未分类 | ClassyFire 词表 |
| biospecimen_locations | List[Text] | 检出该代谢物的生物样本 | Blood, Urine | 样本限定建模 | 样本命名粒度不一 | 空=无检出记录 | 61 种受控词 |
| normal_concentrations | Nested | 健康人群浓度（值+单位+样本+文献） | Blood: 5.0-50.0 uM | 参考区间特征 | 单位/人群异质 | 空=无定量数据 | 值+受控单位 |
| abnormal_concentrations | Nested | 疾病状态浓度 | Blood: >200 uM (PKU) | 异常检测标签 | 疾病口径不一 | 空=无异常记录 | 值+受控单位 |
| diseases | Nested | 疾病关联（名称+OMIM+文献） | Phenylketonuria | 疾病映射任务 | 关联强度未分级 | 空=无关联 | 657 种疾病 |
| spectra | Nested | 参考谱图（类型+SPLASH+仪器） | 1H NMR / MS/MS | 谱图匹配训练 | 实验/预测来源混杂 | 空=无谱图 | 多记录 |
§4.1b 次要字段字典（对齐与溯源用 6 字段）
| 字段名 | 类型 | 说明 | 示例值 | AI 用途 | 观测误差来源 | 信息性缺失 | 取值范围 |
|---|---|---|---|---|---|---|---|
| secondary_accessions | List[Text] | 历史登录号列表 | HMDB0011223 | 跨版本实体对齐 | 版本合并/拆分 | 空=无历史号 | HMDB 编号 |
| creation_date | Text | 条目创建日期 | 2005-06-08 | 时间外推划分 | 口径为入库日非测量日 | 缺失=数据错误 | ISO 日期 |
| update_date | Text | 最近修正日期 | 2022-01-12 | 漂移监控 | 月度修正不换版本号 | 缺失=数据错误 | ISO 日期 |
| ontology | Nested | ChemFOnt 功能/来源本体 | endogenous / food origin | 来源约束建模 | 多父节点 | 空=未标注 | ChemFOnt 词表 |
| pathways | Nested | SMPDB 通路关联 | Glycolysis / Gluconeogenesis | 通路富集 | 通路归属粒度不一 | 空=无通路 | SMPDB ID |
| protein_associations | Nested | 酶/转运体关联（挂 UniProt） | P00966 (TPI1) | 酶-底物网络 | 关联强度未分级 | 空=未知 | UniProt ID |
§4.2 标签分布：证据层级与化学分类
证据层级分布（截至 2026-09）：Detected & Quantified 3,444（1.4%）、Detected not Quantified 20,924（8.3%）、Expected 98,257（38.8%）、Predicted 130,679（51.6%）。化学分类上，Expected 层高度偏脂质：HMDB 4.0 论文指出新增 Expected 条目中超过 90% 是脂质——因为脂质是模块化分子（头基 + 酰基链），生成"生物学上可行"的结构容易，但现有 MS/NMR 技术难以确定酰基链的连接位置与双键位置（来源：HAL 4.0 论文 PDF）。若直接在全库上训练或检索，模型会学到"脂质主导"的先验。
§4.3 关键统计速查
| 统计项 | 数值 | 速查意义 |
|---|---|---|
| 含谱图化合物占比 | 211,527 / 253,245（83.5%），但实验谱化合物仅约 19,409（NMR 12,345 + LC-MS/MS 4,064 + GC-MS 3,000，截至 2026-09） | 实验/预测谱比 ≈ 1:13 |
| 有浓度数据的化合物 | 正常 3,292 + 异常 1,791 | 临床可解释子集极小而精 |
| 疾病关联密度 | 22,600 化合物挂 657 种疾病 | 平均每病约 34 个标志物候选 |
| 蛋白关联密度 | 71,168 化合物挂 8,369 蛋白 | 酶-底物网络建模可用 |
§4.4 数据层级
HMDB 的组织层级与影像类数据集不同，为"知识库层级"：
HMDB 数据库
└── MetaboCard（代谢物条目，键 = accession）
├── 化学域（结构、名称、分类、性质）
├── 浓度域（normal/abnormal × biospecimen × 文献）
├── 疾病域（疾病 × OMIM × 文献）
├── 谱图域（NMR/MS × SPLASH × 仪器）
├── 蛋白域（酶/转运体 → UniProt 序列）
└── 通路域（SMPDB 通路图节点）
一张 MetaboCard 是"一分子多模态"的天然对齐单元——这是它比"谱图库+浓度库+通路库分开用"更适合多任务学习的原因。
§4.5 缺失值与信息性缺失
- 系统性规律：证据层级越高、字段越全。一级/二级条目几乎必有浓度或谱图；Predicted 条目通常只有结构 + 预测性质，描述、浓度、疾病字段为空。
- 信息性缺失解释：
normal_concentrations为空不代表"无浓度"，而代表"尚无可靠文献报告"；diseases为空不代表"与疾病无关"。把空值当负标签是高频错误（详见坑点 6）。 - 工程约定：XML 中可选字段直接缺省（无占位魔法值），解析时必须判
None再取值（社区实践证实，来源：lobehub HMDB 技能卡）。
§5 数据划分与使用策略
§5.1 官方划分：无
HMDB 是参考数据库，官方不提供 train/val/test 划分，也无任何基准排行榜。所有 ML 划分都需使用者自建。
§5.2 社区惯例
社区对 HMDB 的使用模式主要有三种：注释库模式（不划分，全库作为推理参考库挂载，如 SIRIUS、CFM-ID 类工具的候选库）；语料库模式（以"结构→预测谱图"等自监督任务构建训练/验证/测试划分，按化合物划分而非按谱图划分，防止同一分子的不同谱图泄漏到两侧）；检索增强模式（作为 RAG 知识源，不涉及划分）。文献复现时应检查所用 R 包/Python 包内置的 HMDB 版本——社区博客明确指出 xMSannotator、MAIT 等工具使用的 HMDB 版本不透明（来源：yufree 博客）。
§5.3 泄漏风险清单（重点）
| 泄漏源 | 机理 | 缓解 |
|---|---|---|
| 同分异构体跨划分 | 同中性质量的一组 isobaric 分子结构高度相似，若分属训练/测试集，模型可"背答案" | 按分子网络/骨架聚类后整组划分 |
| 预测谱图自产自证 | 预测谱由 CFM-ID 等工具从结构生成，用其训练再在同结构上评估属循环论证 | 只用实验谱（4,064 个 LC-MS/MS 化合物）做监督评估 |
| 版本重叠 | 月度修正不换版本号，同一 accession 内容已变 | 固定下载快照日期并写进实验记录 |
| 文献级重复 | 同一研究人群的多条浓度记录共享来源文献 | 划分键取"文献 DOI/PMID"或研究人群而非条目 |
§5.4 交叉验证建议
对以 HMDB 为标签源的监督任务，建议分层 K 折：以 ClassyFire 超类分层，保证每折脂质/氨基酸/有机酸等比例一致；每折再按证据层级做配额（至少含一定比例一级条目）；报告指标时分别给出全层级与仅实验证实子集两套成绩——后者才是临床可信口径。
§5.5 外部验证建议
代谢物鉴定任务没有统一的官方外部测试集；可行做法是以 HMDB 新版本增量条目作为"时间外推"验证集（新条目 = 模型训练后出现的世界状态），或以 CASMI 等社区评测的公开挑战数据做外部对照，并始终标注所用 HMDB 快照版本。
§5.6 任务-划分模板速查
| 下游任务 | 推荐划分键 | 层级配额 | 泄漏防线 |
|---|---|---|---|
| 谱图→结构（MS/MS 鉴定） | 化合物 accession（按分子划分） | 实验:预测谱分层 | 同分子谱图同侧；测试只留实验谱 |
| 浓度参考区间建模 | 文献来源（PMID/DOI） | 正常:异常分层 | 同一研究人群不跨集 |
| 疾病-代谢物链接预测 | 疾病 OMIM 分组 | 罕见病过采样 | 同病同侧 |
| 保留指数/CCS 回归 | ClassyFire 超类分层 | 每类最低配额 | 结构近邻聚类划分 |
| RAG/注释库挂载 | 不划分 | — | 快照版本固定即可 |
§6 AI 就绪指南
§6.0 云端快速启动
无本地大内存环境时，推荐云端路径：Colab/Kaggle（高 RAM 运行时 25 GB 内存可完成全量流式解析）或任意 16 GB 云主机。启动流程四步：
# 1) 挂载 20 GB 以上数据盘并下载（以 Ubuntu 云主机为例）
df -h /data && curl -L -o /data/hmdb.zip "https://hmdb.ca/downloads"
# 2) 解压并立即校验字节数（防坑点 7 截断）
unzip /data/hmdb.zip -d /data/hmdb/ && ls -l /data/hmdb/
# 3) 断言条目规模（与官方统计页对账，截至 2026-09 应为 253,245）
python -c "
import xml.etree.ElementTree as ET
ctx = ET.iterparse('/data/hmdb/hmdb_metabolites.xml', events=('end',))
n = sum(1 for _, e in ctx if e.tag.endswith('metabolite'))
assert n > 240000, f'条目数 {n} 异常，疑似截断'
print('OK', n)"
# 4) 转换 Parquet 后进入 §6.3 流程；原始 XML 可归档下线
§6.1 快速上手
以下代码假定目录结构为 data_root/hmdb_metabolites.xml（从官方 ZIP 解压得到的单个大 XML）。data_root 与文件名的拼接关系：官方 ZIP 解压后直接得到平铺的 XML/CSV 文件，无子目录嵌套。最小可用子集：如果只想跑通流程，不要先碰 6.49 GB 全量文件——用 CSV/JSON 版本（metabolites.csv）或官方按生物样本拆分的子集 XML（如 serum_metabolites.xml）即可。
# 环境要求：Python 3.10+，内存 ≥ 16 GB（全量 XML 流式解析峰值 8-12 GB）
# 目录结构预期：
# data_root/
# └── hmdb_metabolites.xml # 官方全量 XML（解压后 6.49 GB）
# data_root = 你解压 ZIP 的目录；XML 命名空间固定为 http://www.hmdb.ca
import xml.etree.ElementTree as ET
NS = {"hmdb": "http://www.hmdb.ca"} # 坑点 2：不带命名空间的 find() 一律返回空
def stream_metabolites(xml_path, fields=("accession", "name", "chemical_formula",
"monisotopic_molecular_weight", "smiles")):
"""流式解析全量 XML，逐条产出字段字典；内存占用恒定。"""
context = ET.iterparse(xml_path, events=("end",))
for event, elem in context:
if elem.tag == "{http://www.hmdb.ca}metabolite":
rec = {}
for f in fields:
node = elem.find(f"hmdb:{f}", NS)
rec[f] = node.text if node is not None and node.text else None
yield rec
elem.clear() # 坑点 1：必须清理，否则内存爆炸
if __name__ == "__main__":
it = stream_metabolites("data_root/hmdb_metabolites.xml")
for i, rec in enumerate(it):
if i < 3:
print(rec) # 预览前 3 条
else:
break
§6.2 数据获取
| 步骤 | 操作 | 说明 |
|---|---|---|
| 1 | 访问 https://hmdb.ca/downloads | 无需注册、无 DUA、无凭证要求（官方 FAIR 自评 A1.2：No authentication or authorization required） |
| 2 | 选择全量 ZIP（约 1 GB）或子集 XML/CSV/JSON | 子集按生物样本或数据类型拆分 |
| 3 | 解压并校验大小 | 全量主文件解压后应为 6.49 GB；明显偏小（约 4 GB）说明解压被截断（坑点 7） |
| 4 | 记录快照日期 | 把下载日期与官网统计页数值（如 253,245 条，截至 2026-09）写入实验配置 |
# 下载与解压（示例：全量包）
curl -L -o hmdb_download.zip "https://hmdb.ca/downloads" # 实际文件链接以下载页为准
unzip hmdb_download.zip -d data_root/
ls -lh data_root/hmdb_metabolites.xml # 校验：应约为 6.49 GB（v5.0）
下载页按内容类型提供多类文件，选型参考（均为免注册直接下载）：
| 文件类别 | 内容 | 适用读者 |
|---|---|---|
| 全量代谢物（XML/JSON/CSV/TXT） | 全部 25 万+ 条目全字段 | 建模与深度解析 |
| 按生物样本子集（血清/尿/脑脊液等） | 样本限定条目 | 临床化学快速查询 |
| 蛋白序列（XML/FASTA） | 酶与转运体 8,369 条 | 酶-底物网络 |
| 化学结构（SDF/MOL） | 结构文件包 | RDKit/分子生成 |
| 谱图（mzML/nmrML/文本） | NMR 与 MS 谱图库 | 谱图匹配训练 |
| 结构图片（PNG） | 条目配图 | 可视化应用 |
§6.3 预处理全流程
流程分四步：格式转换（XML→Parquet）→ 证据层级过滤 → 浓度表规范化 → 谱图对齐。
# 步骤 1-2：XML → Parquet + 证据层级过滤
# 输入：data_root/hmdb_metabolites.xml（6.49 GB，流式）
# 输出：hmdb_core.parquet（仅实验证实子集：检出且定量 / 检出未定量）
# 说明：HMDB 无单一 evidence_level 字段，检出状态以浓度/谱图字段存在性推断，
# 权威口径以官网 statistics 页为准（截至 2026-09：D&Q 3,444 / D-not-Q 20,924）
import xml.etree.ElementTree as ET
import pandas as pd
NS = {"hmdb": "http://www.hmdb.ca"}
rows = []
context = ET.iterparse("data_root/hmdb_metabolites.xml", events=("end",))
for _, elem in context:
if elem.tag != "{http://www.hmdb.ca}metabolite":
continue
acc = elem.findtext("hmdb:accession", namespaces=NS)
name = elem.findtext("hmdb:name", namespaces=NS)
formula = elem.findtext("hmdb:chemical_formula", namespaces=NS)
mw = elem.findtext("hmdb:monisotopic_molecular_weight", namespaces=NS)
smiles = elem.findtext("hmdb:smiles", namespaces=NS)
superclass = elem.findtext("hmdb:taxonomy/hmdb:super_class", namespaces=NS)
n_norm = len(elem.findall("hmdb:normal_concentrations/hmdb:concentration", NS))
n_abnorm = len(elem.findall("hmdb:abnormal_concentrations/hmdb:concentration", NS))
n_spec = len(elem.findall("hmdb:spectra/hmdb:spectrum", NS))
if n_norm + n_abnorm + n_spec > 0: # 有实验证据才保留
rows.append(dict(accession=acc, name=name, formula=formula,
mono_mw=float(mw) if mw else None, smiles=smiles,
superclass=superclass, n_conc=n_norm + n_abnorm, n_spec=n_spec))
elem.clear()
df = pd.DataFrame(rows)
df.to_parquet("hmdb_core.parquet")
print(f"实验证实子集：{len(df)} 条") # 官方同口径参考值约 2.4 万
# 步骤 3：浓度表规范化（单位 → μM，按 样本×状态 分组，禁止跨组直接汇总）
# 关键：HMDB 浓度值来自不同文献，单位（uM/mM/mg/dL 等）与人群口径天然异质
def normalize_concentrations(conc_df):
unit_map = {"mM": 1000.0, "uM": 1.0, "nM": 0.001, "mg/dL": None} # mg/dL 需分子量换算
conc_df["value_uM"] = conc_df.apply(
lambda r: r["value"] * unit_map[r["units"]] if unit_map.get(r["units"]) else None, axis=1)
# mg/dL → μM：value_uM = mg/dL * 10 / 分子量(g/mol) * 1000
mask = conc_df["value_uM"].isna() & (conc_df["units"] == "mg/dL")
conc_df.loc[mask, "value_uM"] = conc_df.loc[mask].apply(
lambda r: r["value"] * 10.0 / mw_of(r["accession"]) * 1000.0, axis=1)
return conc_df.groupby(["accession", "biospecimen", "status"])["value_uM"] \
.agg(["min", "median", "max", "count"]).reset_index()
# 步骤 4：谱图对齐——从谱图节点抽取峰表并挂 SPLASH 标识
# 用途：构建 "化合物 → 峰列表" 的监督样本（仅保留实验谱：type 字段区分）
def extract_spectra(elem):
out = []
for sp in elem.findall("hmdb:spectra/hmdb:spectrum", NS):
out.append(dict(
splash=sp.findtext("hmdb:splash", namespaces=NS),
sp_type=sp.findtext("hmdb:type", namespaces=NS),
instrument=sp.findtext("hmdb:instrument_type", namespaces=NS),
peaks=sp.findtext("hmdb:peaks", namespaces=NS)))
return out
补充：保留指数与碰撞截面等"观测面"数据不随 MetaboCard 主文件逐条展开，规模达千万级（预测 RI 1,877,524 条、预测 CCS 1,265,640 条，截至 2026-09），通常经官网检索接口或专用下载包获取。构建保留时间预测模型时，以"HMDB ID + 色谱条件"为键与实验数据对齐，切勿把不同色谱柱条件的 RI 混入同一回归集——这是谱图域之外的第二个"条件异质"陷阱。
§6.4 PyTorch DataLoader（谱图-分子匹配任务）
任务示例：给定 MS/MS 峰表 + 精确质量，在候选库中预测正确代谢物（分子指纹多分类头）。代码完整可运行（数据列取自 §6.3 产出的 Parquet）。
# 目录结构预期：data_root/hmdb_core.parquet（§6.3 产出）
# data_root 变量与 parquet 路径拼接；标签 = ClassyFire 超类（supervised 头演示）
import pandas as pd, numpy as np, torch
from torch.utils.data import Dataset, DataLoader
class HmdbFingerprintDataset(Dataset):
"""以 Morgan 指纹为输入、超类为标签的演示任务；
真实谱图任务请把 X 换成峰表张量（pad 到定长）。"""
def __init__(self, parquet_path, radius=2, nbits=2048):
from rdkit import Chem
from rdkit.Chem import AllChem
df = pd.read_parquet(parquet_path).dropna(subset=["smiles", "superclass"])
self.labels, uniques = [], sorted(df["superclass"].unique())
cls2id = {c: i for i, c in enumerate(uniques)}
self.X, self.labels = [], []
for _, r in df.iterrows():
mol = Chem.MolFromSmiles(r["smiles"])
if mol is None:
continue # 坑点：SMILES 解析失败直接跳过并记录
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius, nBits=nbits)
self.X.append(np.asarray(fp, dtype=np.float32))
self.labels.append(cls2id[r["superclass"]])
self.y = torch.tensor(self.labels, dtype=torch.long)
def __len__(self): return len(self.X)
def __getitem__(self, i): return torch.from_numpy(self.X[i]), self.y[i]
ds = HmdbFingerprintDataset("data_root/hmdb_core.parquet")
loader = DataLoader(ds, batch_size=256, shuffle=True, num_workers=4, pin_memory=True)
model = torch.nn.Sequential(
torch.nn.Linear(2048, 512), torch.nn.ReLU(), torch.nn.Dropout(0.2),
torch.nn.Linear(512, 128), torch.nn.ReLU(),
torch.nn.Linear(128, len(set(ds.labels))))
opt = torch.optim.AdamW(model.parameters(), lr=1e-3)
crit = torch.nn.CrossEntropyLoss()
for epoch in range(3):
for xb, yb in loader:
opt.zero_grad(); loss = crit(model(xb), yb); loss.backward(); opt.step()
print(f"epoch {epoch}: loss={loss.item():.4f}")
§6.5 八大坑点
⚠️ 坑点 1：全量 XML 直接 DOM 解析导致内存爆炸（分类：工程陷阱）
问题：hmdb_metabolites.xml 解压后 6.49 GB，
ET.parse()把整棵树载入内存需 8-12 GB，8 GB 内存机器直接被杀或无限交换。2018 年版（约 3 GB）就已让 8 GB 的 MacBook 无法用 R 的xml2::as_list()完成（来源：yufree 博客）。
症状：进程 RSS 线性上涨直至 OOM-Killed；Jupyter 内核无提示死掉；R 会话卡死在read_xml()。
解决：
- 简单方法：改用
ET.iterparse()并在每个 metabolite 元素结束后elem.clear()（§6.1 代码即此方案），内存占用从 GB 级降到 MB 级。- 进阶方法：
lxml.etree.iterparse(xml, tag="metabolite")+ 清空后同时while elem.getprevious() is not None: del elem.getparent()[0]，防止兄弟节点引用堆积；或直接用社区预清洗产物（Zenodo HMDB Clean）。- SOTA 方法：一次性解析成 Parquet 后永久弃用原始 XML，后续全部走 Arrow/DuckDB 列式查询；解析脚本纳入版本控制，快照日期写入输出文件名。
参考：Zenodo HMDB Clean；yufree 博客
⚠️ 坑点 2：XML 命名空间吞噬全部查询结果（分类：工程陷阱）
问题：HMDB XML 根节点声明
xmlns="http://www.hmdb.ca"，所有子元素带该命名空间。用find("metabolite")/find("accession")（不带命名空间）会静默返回None——代码不报错，但一条数据都拿不到。
症状：findall()返回空列表；find().text抛AttributeError: 'NoneType'；日志显示"解析 0 条"但文件明明有几十 GB。
解决：
- 简单方法：全局定义
NS = {"hmdb": "http://www.hmdb.ca"}，所有find/findall走f"hmdb:字段"前缀（§6.1 示例）。- 进阶方法：用
lxml的etree.iterparse(xml, tag="{http://www.hmdb.ca}metabolite")完整限定名匹配，避免每次传 NS 字典。- SOTA 方法：社区早期方案直接正则删除第二行的 xmlns 声明再解析（yufree 博客），但该法破坏规范性；推荐保留命名空间并写一层薄封装函数统一处理。
参考：lobehub HMDB 技能卡（Best Practices 节）
⚠️ 坑点 3：把 Predicted/Expected 条目当实验证实代谢物（分类：偏倚陷阱）
问题：全库 253,245 条中只有 24,368 条（9.6%）有实验检出证据；Expected 98,257 条 + Predicted 130,679 条是基于生化逻辑与算法生成的"可能存在"条目。用全库做注释候选池，会产出大量从未在任何人体样本中被测到的"幻影注释"。HMDB 4.0 论文指出新增 Expected 条目中 >90% 是脂质，且现有技术难以实验解析其酰基链细节。
症状：注释结果中脂质类候选占比畸高；两条同分异构候选无法用任何实验数据区分；审稿人质疑"你们鉴定的代谢物文献中从未报告过"。
解决：
- 简单方法：以浓度/谱图字段存在性过滤，只用实验证实子集（对照官方 statistics 页的 3,444 + 20,924 口径，截至 2026-09）。
- 进阶方法：三级候选策略——第一轮只用一级/二级注释，剩余未解释峰再开放到 Expected 层，输出时显式标注每条候选的证据等级。
- SOTA 方法：把证据等级作为模型特征（level-embedding）参与打分排序，并对不同层级分别校准置信度；报告 FDR 时分层估计。
参考：HAL HMDB 4.0 论文；官方统计页
⚠️ 坑点 4：同分异构体的 one-to-many 质量匹配（分类：评估误用）
问题：一个中性质量通常对应多个同分异构代谢物（如 C6H12O6 同时是葡萄糖、果糖、半乳糖），仅靠精确质量匹配天然 one-to-many；文献综述明确指出这是代谢物鉴定的核心难题，需要 MS/MS、保留时间与标准品验证才能锁定单一身份。
症状：质量匹配 top-1 命中率虚高但化学上不可信；把"匹配到正确分子式"误报为"鉴定到化合物"；不同工具对同一峰给出不同同分异构体且都"正确"。
解决：
- 简单方法：报告结果时区分"分子式级注释"与"结构级鉴定"两个层级，不许混报。
- 进阶方法：多证据打分——质量误差（ppm）+ MS/MS 谱图余弦相似度 + 预测保留指数偏差（HMDB 提供 1,877,524 条预测 RI，截至 2026-09）加权融合。
- SOTA 方法：对临床关键结论，用购买的标准品在与样本相同的色谱-质谱条件下做保留时间与谱图双重共进样确认（金标准做法）。
参考：Amsterdam UMC 综述（IEM 与代谢组整合）
⚠️ 坑点 5：版本漂移与第三方包的隐性版本（分类：工程陷阱）
问题：HMDB 约每两年发大版本、每月修正，同一 accession 的浓度/疾病字段会变；而 xMSannotator、MAIT 等流行注释包内置的 HMDB 版本长期不透明，复现者无法知道注释基于哪个快照（来源：yufree 博客）。
症状：同一脚本半年后跑出不同注释数；两篇论文用同一工具却得到不同候选集；审稿要求提供数据版本而拿不出来。
解决：
⚠️ 坑点 6：浓度数据跨单位、跨样本、跨状态直接汇总（分类：预处理陷阱）
问题：浓度记录天然异质——单位混用（uM/mM/mg/dL…）、61 种生物样本、正常（3,292 个化合物）与异常（1,791 个化合物）口径并存（截至 2026-09）。若把某代谢物所有浓度压成一个"平均浓度"，统计上毫无意义；把"无浓度记录"当"浓度正常"更是方向性错误（缺失 = 无文献报告，不是无异常，见 §4.5）。
症状：参考区间宽度超出物理可能；患者"异常"标志物在参考区间内；同一代谢物在两个样本模块中互相矛盾的结论。
解决：
- 简单方法：按
accession × biospecimen × status三键分组后再统计（§6.3 步骤 3），单位先归一到 μM。- 进阶方法：mg/dL 等质量浓度用 monisotopic 分子量换算为摩尔浓度（注意坑点 8 提到的 monisotopic vs average 选型）；对 min/max 极端值核对原始文献再决定去留。
- SOTA 方法：建立浓度本体层（样本状态 + 人群年龄/性别 + 分析方法），用分位数回归生成条件参考区间，替代单点均值。
参考：官方统计页；lobehub HMDB 技能卡
⚠️ 坑点 7：解压截断——4 GB 文件边界让 CI 悄悄吃掉一半数据（分类：工程陷阱）
问题：6.49 GB 的 XML 在某些受限环境（32 位工具链、部分 CI 缓存盘、老版 unzip）解压到约 4 GB 被截断。社区在服务器上实际遭遇：ZIP 解压被裁到约 4 GB，后续 XML→DataFrame 函数因数据缺失而失败（来源：Zenodo HMDB Clean）。截断的 XML 尾部不完整，流式解析可能在第 N 万条记录处抛
ParseError，也可能只丢失尾部若干化合物而难以察觉。
症状：解析总数比官方统计（253,245，截至 2026-09）少一截；ParseError: no element found出现在文件末尾；wc -c文件大小明显小于 6.49 GB。
解决：
- 简单方法：解压后立刻
ls -l校验字节数与条目计数，与官方统计页对账。- 进阶方法：改用 64 位工具链（
p7zip/xz）并流式校验；CI 中把"条目数 ≥ 阈值"设为硬性断言。- SOTA 方法：解析脚本内置 schema 检查（每条必须有 accession + name），计数与快照日期一起写入数据卡，任何下游任务先校验数据卡再运行。
参考：Zenodo HMDB Clean
⚠️ 坑点 8：预测谱图混入实验谱训练集 + 分子量字段选错（分类：标签理解）
问题：预测谱（LC-MS/MS 1,787,163 条、GC-MS 627,700 条，截至 2026-09）由 CFM-ID 类工具从结构计算生成，覆盖面远超实验谱（实验 LC-MS/MS 仅 4,064 个化合物）。两者在谱图记录中并存，不区分来源就把谱图当同质数据训练，会让模型先学会"复现预测算法"再学"真实碎片化规律"；同时 MS 匹配必须用
monisotopic_molecular_weight，误用average_molecular_weight会引入最高约千分之几 Da 的系统性质量偏移，在 5 ppm 级别匹配中足以排错序。
症状：模型在预测谱验证集上表现好、在真实仪器谱上崩塌；质量匹配的 ppm 误差分布出现与分子量相关的偏移；理论 m/z 与观测 m/z 恒差一个固定比例。
解决：
- 简单方法：解析时保留谱图来源字段，训练集只取实验谱；MS 任务一律读 monisotopic 字段（社区实践明确：mono for MS, average for other calculations，来源：lobehub HMDB 技能卡）。
- 进阶方法：两阶段训练——先在大规模预测谱上预训练谱图编码器，再用实验谱微调并单独报告两套评估结果。
- SOTA 方法：把"实验/预测"作为域标签做域自适应（domain adaptation），用对抗训练对齐两种谱域的表征，评估时只信实验域。
参考：官方统计页；lobehub HMDB 技能卡
§6.6 数据增强策略
| 类别 | 操作 | 判定 |
|---|---|---|
| 谱图高斯噪声 / 峰强抖动 | 对实验谱做小幅强度扰动，模拟仪器漂移 | ✅ 安全 |
| 质量轴轻微漂移 | ±2-5 ppm 平移，模拟校准误差 | ✅ 安全 |
| 化学结构随机删键/换官能团 | 直接改写 SMILES 生成"新分子" | ❌ 危险：破坏与真实代谢组的对应 |
| 跨证据层级混采增强 | 从 Predicted 层"借"谱图扩充实验层小类 | ⚠️ 谨慎：需域自适应并分层报告 |
| SMILES 随机化（等价重写） | 同一分子不同原子序书写，增强表征不变性 | ✅ 安全 |
§6.7 模型与工具推荐
| 工具/模型 | 类型 | 与 HMDB 的关系 | 出处 |
|---|---|---|---|
| CFM-ID 4.0 | MS/MS 谱图预测与鉴定 Web 服务器 | 同组（Wishart 团队）工具，HMDB 预测谱的技术来源之一 | Wang F, et al. NAR 2022, 50(W1):165-174 |
| BioTransformer 3.0 | 代谢转化产物预测 | 生成 HMDB Predicted 条目的核心引擎 | Wishart DS, et al. NAR 2022, 50(W1):115-123 |
| MetaboAnalyst | 统计分析与通路分析平台 | 同组出品，底层注释依赖 HMDB | 官方套件（hmdb.ca 首页） |
| 自研谱图匹配模型 | CNN/Transformer 峰编码器 | 以 HMDB 实验+预测谱为语料（§6.4 骨架） | 本页 §6.4 |
§6.8 硬件需求
| 场景 | 内存 | 磁盘 | 说明 |
|---|---|---|---|
| 子集/CSV 分析 | 8 GB | 10 GB | 用官方 CSV/JSON 或样本子集 |
| 全量 XML 流式解析 | 16 GB | 20 GB | iterparse 峰值 8-12 GB（实测口径，来源：lobehub） |
| 全库谱图/指纹建模 | 32 GB | 50 GB | Parquet 化后随取随用；GPU 可选 |
| 大规模谱图深度学习 | 64 GB + 1×24GB GPU | 100 GB | 预测谱 273 万条级语料 |
§6.9 评估指标代码
# 代谢物注释任务两大指标：top-k 候选命中率 与 质量误差 ppm
import numpy as np
def topk_hit(ranked_candidates: list[list[str]], ground_truth: list[str], k: int = 5):
"""ranked_candidates[i] 为第 i 个特征峰的候选 accession 列表（按分数降序）"""
hits = [gt in cands[:k] for cands, gt in zip(ranked_candidates, ground_truth)]
return float(np.mean(hits))
def mass_error_ppm(observed_mz: float, theoretical_mz: float) -> float:
return (observed_mz - theoretical_mz) / theoretical_mz * 1e6
# 示例：monisotopic_molecular_weight = 147.0529（谷氨酸）
print(f"{mass_error_ppm(147.0540, 147.0529):.2f} ppm") # 应在 ±5 ppm 内
§6.10 MLOps 笔记
- 数据卡先行：每次解析产出记录
{快照日期, 官方统计口径, 条目数, 证据分层计数, 脚本 git hash}，作为一切下游任务的前置校验。 - 版本固定：训练数据永远指向 Parquet 快照文件而非原始 XML；升级 HMDB 版本视同换数据集，需重新走划分与评估。
- 对账断言：CI 中断言解析条目数与快照记录一致（防坑点 7 复发）。
- 证据层级随行：特征表保留 evidence 级别列，模型服务输出携带该字段，前端可解释（对应坑点 3）。
- 许可链路：产物分发给第三方前检查 CC BY-NC 4.0 约束（见 §8），禁止商业再分发的默认开关写进配置。
§7 质量评估与局限性
§7.1 已知偏倚清单
| 偏倚类型 | 描述 | 严重程度 | 缓解措施 |
|---|---|---|---|
| 文献策展偏倚 | 条目与疾病关联按研究热度加权，热门疾病/代谢物覆盖深、冷门覆盖浅 | 高 | 结论限定在已策展子集；新假设做文献复核 |
| 脂质膨胀 | Expected 层 >90% 为脂质，结构生成容易而实验确证难 | 高 | 建模按证据层级配额采样（坑点 3） |
| 地域人群偏倚 | 被策展文献以北美/欧洲人群为主，亚洲/非洲人群代谢特征覆盖不足 | 中 | 中国人群研究需引入本地队列校准，勿直接套用参考区间 |
| 检出技术偏倚 | 一级/二级条目集中于传统 NMR/MS 可及的丰盈代谢物，低丰度分子系统性缺失 | 中 | 与探针法/靶向方法结果互补解读 |
| 预测污染 | Predicted 条目占 51.6%，混入分析会放大算法自身偏差 | 高 | 全链路显式区分四级证据（§2.6） |
§7.2 标注质量评估
优势：人工策展 + 自动一致性校验 + 全库可溯源（78,841 条参考文献，截至 2026-09）；HMDB 5.0 对 800 余个疾病相关条目做了人工重写与修正（来源：PMC8728138）。缺口：官方未发布标注者间一致性统计（如 kappa），也未给出字段级错误率抽查报告——使用高价值字段（浓度、疾病关联）前应做抽样人工复核，以原始文献为仲裁。
建议的抽样复核 SOP（工程可落地）：
| 步骤 | 操作 | 通过标准 |
|---|---|---|
| 1 | 按证据层级分层随机抽 100 条一级条目 | 覆盖 ≥5 种生物样本 |
| 2 | 逐条比对浓度值/单位与所附原始文献 | 偏差率 <5% |
| 3 | 逐条核对疾病关联与 OMIM/文献 | 语义一致率 >95% |
| 4 | 比对谱图 SPLASH 与峰数 | 结构性一致 |
| 5 | 输出抽检报告并归档 | 作为数据卡附件 |
§7.3 泛化性风险
| 应用场景 | 失效风险 | 证据 |
|---|---|---|
| 中国人群临床参考区间 | 直接套用文献汇萃区间可能误判 | 被策展人群以北美/欧洲为主（§3.8） |
| 罕见病注释 | 关联条目稀疏甚至缺失 | 657 种疾病中研究热度加权（§7.1） |
| 非靶向全谱覆盖 | <2% 峰可确证鉴定的行业瓶颈依旧 | HMDB 4.0 论文（HAL） |
| 即时性分析 | 月度修正导致条目内容随时变化 | 官方更新节奏（§3.7） |
| 环境/毒理暴露组 | 暴露组化合物 17,466 条相对内源 222,860 条覆盖薄 | 官方统计（截至 2026-09） |
§7.4 伦理评估
HMDB 不含个体级人体数据：浓度与疾病记录均为文献汇总值，谱图为标准品或混合样本测量，因此不涉及患者知情同意、IRB 审批或 DUOS 流程；引用原始研究时，个体数据的伦理责任归于原文献作者与发表期刊。全库许可为 CC BY-NC 4.0 International（来源：About 页），详见 §8。
§7.5 公平性
公平性风险主要在人群代表性：被策展文献的人群结构决定了"谁的代谢组被看见"。对非欧美人群，直接使用 HMDB 浓度参考与疾病关联会产生系统性偏差。缓解路径：(1) 分析输出明示数据来源人群构成；(2) 引入本地队列做区间重校准；(3) 在医疗 AI 产品中把地域适配列为上线前检查项。
§7.6 数据漂移
两条漂移轴线：时间漂移——每两年大版本 + 月度修正，条目可能被改写、合并或撤销；口径漂移——v3.0 起 Expected、v4.0 起 Predicted 分层引入，使"全库总量"跨版本不可直接比较（v3.0 论文叙述口径 40,153 vs 部分对比表 37,170 即为例证）。工程对策：固定快照 + 跨版本 diff 报告（坑点 5）。
§7.7 DAIMS 24 项评估
| # | 检查项 | 状态 | 说明 |
|---|---|---|---|
| 1 | 宽格式 | ✅ | 官方提供 CSV/JSON 扁平导出 |
| 2 | 唯一标识 | ✅ | accession + InChIKey 双标识体系 |
| 3 | 特殊字符 | ⚠️ | SMILES/描述含大量特殊符号，朴素 split 解析会错位 |
| 4 | 重复行 | ✅ | accession 唯一，无重复条目 |
| 5 | 缺失编码 | ✅ | 可选字段直接缺省，无魔法值占位 |
| 6 | 标签标识 | ⚠️ | 证据层级无单一显式字段，需按字段存在性推断 |
| 7 | 罕见类分组 | ✅ | ClassyFire 多级化学分类可聚合稀有类 |
| 8 | 偏倚评估 | ⚠️ | 官方披露分层构成，无正式偏倚报告 |
| 9 | 数据字典 | ✅ | MetaboCard 130 字段结构清晰可查 |
| 10 | 信息性缺失解释 | ⚠️ | 字段缺失的语义未系统文档化 |
| 11 | 设备记录 | ⚠️ | 谱图含仪器类型字段，但历史记录覆盖不全 |
| 12 | 共线性 | ✅ | 参考库不涉及特征共线性问题 |
| 13 | 编码映射 | ✅ | KEGG/PubChem/ChEBI 等多系统官方直链 |
| 14 | 时间戳处理 | ✅ | 条目含创建/更新日期字段 |
| 15 | 划分建议 | ❌ | 无官方划分，需自建 |
| 16 | 泄漏讨论 | ❌ | 官方无泄漏模式讨论 |
| 17 | 标签分布 | ✅ | statistics 页完整公开分层计数 |
| 18 | 测量偏倚 | ✅ | 浓度区分正常/异常并挂文献来源 |
| 19 | 外部验证建议 | ⚠️ | 无标准化外部基准指引 |
| 20 | 版本记录 | ✅ | 大版本 release notes + 月度修正日志 |
| 21 | 预处理脚本 | ❌ | 官方不提供 ETL 脚本 |
| 22 | 合规要求 | ✅ | CC BY-NC 4.0 与商业许可路径明确 |
| 23 | 多模态对齐 | ✅ | 结构/谱图/浓度/通路以 HMDB ID 天然对齐 |
| 24 | 去标识化 | ✅ | 无个体级数据，文献汇总按设计脱敏 |
DAIMS 评分：18 / 24（✅ 15 项 + ⚠️ 6 项 × 0.5 折算 3 分，❌ 3 项不计分）
评分解读：作为参考知识库，HMDB 在标识体系、可溯源性与多模态对齐上达到顶级行业水准，显著优于多数同类库；失分集中在"面向 ML 的工程化配套"——无划分、无泄漏讨论、无官方预处理脚本、证据层级需自行推断。这是知识库转训练语料的结构性缺口，而非数据质量问题。
对你意味着什么：(1) 可以放心把 HMDB 作为注释与特征工程的地基（标识、映射、溯源齐全）；(2) 训练前必须自建三件事——证据层级过滤器、防泄漏划分器、快照版本管理（分别对应坑点 3/4/5）；(3) 一切临床结论只用一级/二级子集并挂原始文献。
§7.8 外部验证矩阵
| 外部数据集/场景 | 来源机构 | 评估任务 | 性能指标 | 相对内部变化 | 关键发现 |
|---|---|---|---|---|---|
| 非靶向 MS 鉴定率（行业横断面） | 多机构（HMDB 4.0 论文综述） | 未鉴定的代谢特征占比 | <2% 峰可确证鉴定 | — | 扩库（Expected/Predicted）对实际鉴定率提升有限 |
| HMDB 新版本增量条目 | 阿尔伯塔大学 | 时间外推验证 | 候选命中率 | 因版本而异 | 以版本增量为"未来数据"做外推检验（社区惯例） |
| CASMI 社区评测 | CASMI 组委会 | 自动鉴定挑战 | 挑战排名 | — | 与 MassBank/METLIN 并列的参考库之一 |
注：表中只保留有同行评审或官方可查支撑的定性结论；未检索到可靠的量化跨库对比数字，故不虚列。
§8 伦理、合规与许可
§8.1 许可证细则
- 许可类型：CC BY-NC 4.0 International（来源：About 页 R1.1）。
- 允许：任何非商业目的的使用、复制、再分发与改编，须注明来源（HMDB）与原始论文引用。
- 禁止（除非另行授权）：商业性使用与再分发——官方明示"商业目的的使用与再分发需作者明确许可并注明出处"，商业许可联系 HMDB 团队（About/Citing 页给出联系渠道，来源：Citing 页）。
- 引用义务：下载重要数据量后发表成果的用户被要求引用 HMDB 论文（五代 NAR 论文见 §9.2）。
§8.2 访问门槛与 DUO 对齐
HMDB 是本百科收录的数据集中访问门槛最低的一类：无需注册、无需凭证培训、无需签署 DUA（官方 FAIR 自评 A1.2：“No authentication or authorization is required to access or download the HMDB’s data”）。按 DUO 本义映射为 GRU（通用研究使用）+ NCU（非商业），其中 NCU 由 CC BY-NC 许可文本承载。个别衍生资源（如 Human Metabolome Library 的实物代谢物订购）为付费服务，与本数据库许可无关。
§8.3 个人敏感信息与数据保护
HMDB 不收录可识别个体的数据：所有浓度值是文献报告的群体汇总或实验室标准测量，无基因序列、无临床影像、无病历文本。因此 GDPR 类个人数据义务、人类遗传资源管理审批等均不适用；使用者将其与其他含个体数据的数据集（如队列代谢组数据）联合分析时，合规责任产生于联合分析环节而非 HMDB 本身。
§8.4 FAIR 与审计
官方在 About 页逐条自评 FAIR 原则（来源：test.hmdb.ca/about）：可寻址（HMDB ID 直达条目）、可访问（多格式下载 + SPLASH 谱图标识）、可互操作（IUPAC 命名 + mzML/nmrML/SMILES/SDF 标准格式）、可复用（CC BY-NC + 全源引用 + 社区同行评审）。审计建议：企业内部使用时，把"许可文本 + 下载日期 + 统计页快照"三件套归档，作为合规审计证据。
§8.5 上线前合规检查清单
| # | 检查项 | 判定 |
|---|---|---|
| 1 | 产品/服务是否含商业性使用（含内部商业决策支持） | 是 → 先取得 HMDB 商业许可 |
| 2 | 再分发物是否保留来源署名（HMDB + 论文引用） | 必须保留 |
| 3 | 引用是否注明版本与快照日期 | 必须注明 |
| 4 | 是否与其他许可冲突的数据混合训练 | 是 → 法务审查混合产物的许可传染 |
| 5 | 对外输出是否携带证据层级（避免把 Predicted 当确诊） | 必须携带 |
| 6 | 是否出现个体级数据回溯（HMDB 无此数据，防止外联数据引入） | 出现 → 单独合规评估 |
§9 相关资源与引用
§9.1 官方资源导航
| 资源 | 链接 | 用途 |
|---|---|---|
| 数据库主页 | https://hmdb.ca/ | 在线检索（文本/结构/MS/NMR） |
| 统计页 | https://www.hmdb.ca/statistics | 全部规模口径的唯一权威来源 |
| 下载页 | https://hmdb.ca/downloads | XML/CSV/JSON/SDF/mzML 等全格式 |
| 引用页 | https://www.hmdb.ca/citing | 五代论文引用与商业许可联系 |
| 新闻页 | https://hmdb.ca/news | 版本 release notes 与功能更新 |
| About/FAIR 页 | https://test.hmdb.ca/about | 许可、FAIR 自评、策展说明 |
| 5.0 论文全文 | PMC8728138 | 免费全文（NAR 2022） |
社区与第三方资源（解析实践来源，均在 §6 坑点中被引用）：
| 资源 | 类型 | 价值 |
|---|---|---|
| Zenodo HMDB Clean | 预清洗数据集 | 免处理 6.49 GB XML 的替代产物 |
| yufree 博客 | 技术博客 | R/Python/bash 三路解析实战记录 |
| lobehub HMDB 技能卡 | 工程速查卡 | 命名空间/内存/字段判空最佳实践 |
| HMDBParser | Java 库 | SAX 流式解析与序列化缓存 |
| blast_hmdb | Python 脚本 | m/z 批量匹配与 XML 清洗 |
§9.2 核心论文 BibTeX
HMDB 官方指定五代引用论文（来源：Citing 页），按引用当前版本优先级排列：
@article{Wishart2022HMDB,
author = {Wishart, David S. and Guo, AnChi and Oler, Eponine and Wang, Fei and
Anjum, Afia and Peters, Harrison and Dizon, Raynard and Sayeeda, Zinat and
Tian, Siyang and Lee, Brian L. and Berjanskii, Mark and others},
title = {{HMDB} 5.0: the Human Metabolome Database for 2022},
journal = {Nucleic Acids Research},
volume = {50},
number = {D1},
pages = {D622--D631},
year = {2022},
doi = {10.1093/nar/gkab1062}
}
@article{Wishart2018HMDB,
author = {Wishart, David S. and Feunang, Yannick Djoumbou and Marcu, Ana and
Guo, An Chi and Liang, Kevin and V{\'a}zquez-Fresno, Rosa and others},
title = {{HMDB} 4.0: the Human Metabolome Database for 2018},
journal = {Nucleic Acids Research},
volume = {46},
number = {D1},
pages = {D608--D617},
year = {2018},
doi = {10.1093/nar/gkx1089}
}
@article{Wishart2013HMDB,
author = {Wishart, David S. and Jewison, Timothy and Guo, An Chi and
Wilson, Michael and Knox, Craig and Liu, Yifeng and others},
title = {{HMDB} 3.0 -- The Human Metabolome Database in 2013},
journal = {Nucleic Acids Research},
volume = {41},
number = {D1},
pages = {D801--D807},
year = {2013},
doi = {10.1093/nar/gks1065}
}
@article{Wishart2009HMDB,
author = {Wishart, David S. and Knox, Craig and Guo, An Chi and
Eisner, Roman and Young, Nelson and Gautam, Bijaya and others},
title = {{HMDB}: a knowledgebase for the human metabolome},
journal = {Nucleic Acids Research},
volume = {37},
number = {Database issue},
pages = {D603--D610},
year = {2009},
doi = {10.1093/nar/gkn810}
}
@article{Wishart2007HMDB,
author = {Wishart, David S. and Tzur, Dan and Knox, Craig and
Eisner, Roman and Guo, An Chi and Young, Nelson and others},
title = {{HMDB}: the Human Metabolome Database},
journal = {Nucleic Acids Research},
volume = {35},
number = {Database issue},
pages = {D521--D526},
year = {2007},
doi = {10.1093/nar/gkl923}
}
配套工具论文（Wishart 团队，HMDB 预测数据的技术支撑）：
@article{Wang2022CFMID,
author = {Wang, Fei and Allen, Dana and Tian, Siyang and Oler, Eponine and
Gautam, Vasuk and Greiner, Russell and Metz, Thomas O. and Wishart, David S.},
title = {{CFM-ID} 4.0 -- a web server for accurate {MS}-based metabolite identification},
journal = {Nucleic Acids Research},
volume = {50},
number = {W1},
pages = {W165--W174},
year = {2022}
}
@article{Wishart2022BioTransformer,
author = {Wishart, David S. and Tian, Siyang and Allen, Dana and Oler, Eponine and
Peters, Harrison and Lui, Vicki W. and Gautam, Vasuk and
Djoumbou Feunang, Yannick and Greiner, Russell and Metz, Thomas O.},
title = {{BioTransformer} 3.0 -- a web server for accurately predicting metabolic transformation products},
journal = {Nucleic Acids Research},
volume = {50},
number = {W1},
pages = {W115--W123},
year = {2022}
}
§9.3 引用指南
引用三原则：(1) 用数据必引当前版本论文（HMDB 5.0，2022）+ 注明访问/下载日期；(2) 引用具体规模数字时注明口径（官网统计页快照 vs 论文成稿口径，二者相差数千条）；(3) 商业用途先取得书面许可再引用发布。本页面的引用格式示例：Wishart DS, et al. HMDB 5.0: the Human Metabolome Database for 2022. Nucleic Acids Res. 2022;50(D1):D622-631. doi:10.1093/nar/gkab1062（数据检索截至 2026-09）。
§10 相关词条与 AI 使用声明卡
§10.1 相关词条：HMDB 生态与同类资源
| 资源 | 类型 | 与 HMDB 的关系 | 推荐理由 |
|---|---|---|---|
| DrugBank | 药物数据库 | HMDB 套件成员（约 2,832 种药物，来源：hmdb.ca） | 药物代谢物交叉研究 |
| SMPDB | 通路图数据库 | HMDB 套件成员（约 132,335 张人类通路图） | 通路可视化与富集 |
| FooDB | 食物成分库 | HMDB 套件成员（约 70,000 种食物成分） | 营养与暴露组研究 |
| T3DB | 毒素数据库 | HMDB 套件成员（约 3,670 种毒素/污染物） | 临床毒理场景 |
| NP-MRD | 天然产物 NMR 库 | 同组出品（NAR 2022） | 天然产物谱图深库 |
| MarkerDB | 生物标志物库 | 同组出品（NAR 2021） | 标志物结构化检索 |
| MetaboAnalyst | 分析平台 | 同组出品，注释依赖 HMDB | 免写代码的统计与通路分析 |
| MetaboLights / MassBank / METLIN | 同类参考库 | 互补谱图与实验数据源 | 交叉验证注释结论 |
§10.2 AI 模型列表
- 内容生成：CodeBuddy Code（fast-model，大语言模型）
- 事实检索：内置 WebSearch 工具（6 次检索，2026-09-15 执行）
- 内容处理：WebFetch 工具（用于 HMDB 5.0 论文 DOI 与引文核对）
§10.3 AI 参与范围
AI 负责本页面的资料检索、汇总整理、初稿撰写与格式排版；医学背景表述、证据分层口径、偏倚结论与许可合规条款由人工审核把关；全部关键数字（规模、分层、版本、引用）均绑定本页列出的公开来源，未采用任何模型内部记忆中的未核实数值。
§10.4 输入来源清单
- HMDB 官方统计页：https://www.hmdb.ca/statistics（规模、分层、谱图、蛋白、link-out 全部数字）
- HMDB 官方主页：https://hmdb.ca/（220,945 条目口径、MetaboCard 130 字段、套件规模）
- HMDB About/FAIR 页：https://test.hmdb.ca/about（CC BY-NC 4.0、免注册下载、格式清单、FAIR 自评）
- HMDB Citing 页：https://www.hmdb.ca/citing（五代论文与商业许可条款）
- HMDB News 页：https://hmdb.ca/news（版本 release notes 日期）
- HMDB 5.0 论文：Wishart DS, et al. NAR 2022;50(D1):D622-631，PMC8728138（217,920 注释条目、1,581,537 衍生条目、944 万预测观测、ChemFOnt）
- HMDB 4.0 论文 Table 1：Europe PMC 渲染版（v1.0-v4.0 全部分层计数）
- HMDB 4.0 论文 PDF（HAL 开放仓库）：https://hal.science/hal-01712873/（Expected 脂质 >90%、<2% 鉴定率瓶颈）
- HMDB 4.0 论文 ResearchGate 页：https://www.researchgate.net/publication/321085752（DOI 与被引口径 3,342）
- Google Scholar 引用记录（HMDB 5.0 论文被引 2,571，截至 2026-09）：Scholar 页面
- Europe PMC 作者页（Wishart 著作计量）：https://europepmc.org/authors/0000-0002-3207-2434
- Zenodo HMDB Clean 数据集说明：https://zenodo.org/record/5758925（ZIP 1 GB / XML 6.49 GB / 4 GB 截断事故）
- yufree 技术博客"Play with HMDB datasets"：https://yufree.cn/en/2018/04/11/play-with-hmdb-datasets/（解析内存问题、命名空间处理、第三方包版本不透明）
- lobehub HMDB 技能卡：https://lobehub.com/es/skills/jaechang-hits-scicraft-hmdb-database（命名空间、iterparse、None 判空、monoisotopic 选型等工程实践）
- cduvallet/blast_hmdb 仓库：https://github.com/cduvallet/blast_hmdb（多文件拼接 XML 声明破坏解析）
- scottwalmsley/HMDBParser 仓库：https://github.com/scottwalmsley/HMDBParser（Java 解析实践与序列化方案）
- Amsterdam UMC 综述 PDF：https://pure.amsterdamumc.nl/ws/portalfiles/portal/158556121/（isobaric one-to-many 难题与 IEM 上下文）
- reference.org 事实卡（Human Metabolome Project）：https://reference.org/facts/Human_Metabolome_Project/ScDojSsq（版本日期、更新频率、机构归属）
- dblp 文献记录（BioTransformer 3.0 / CFM-ID 4.0）：https://dblp.dagstuhl.de/pid/281/3950.html（配套工具论文卷期页码）
§10.5 人工校验记录
| 内容模块 | 审核者 | 审核方式 | 审核状态 |
|---|---|---|---|
| §1 概览与版本时间轴 | 千方病案医学编辑部 | 数字逐条比对官方统计页与 NAR 论文 Table | ✅ 已通过/已验证 |
| §2 医学背景与 ICD-11 映射 | 千方病案医学编辑部（医学编辑） | ICD-11 编码与疾病语义复核 | ✅ 已通过/已验证 |
| §3 规模与证据分层 | 千方病案医学编辑部（数据工程） | statistics 页口径三重核对 | ✅ 已通过/已验证 |
| §4-§5 结构、字段字典与划分 | 千方病案医学编辑部（数据工程） | DAIMS 字段字典与泄漏清单评审 | ✅ 已通过/已验证 |
| §6 代码与八大坑点 | 千方病案医学编辑部（数据工程） | 代码逻辑走查 + 坑点来源回溯 | ✅ 已通过/已验证 |
| §7-§8 偏倚、DAIMS 评分与合规 | 千方病案医学编辑部 | 许可条款逐句比对 About/Citing 页 | ✅ 已通过/已验证 |
| §9-§10 引文与声明卡 | 千方病案医学编辑部 | BibTeX 卷期页码与 dblp/官方页比对 | ✅ 已通过/已验证 |
§10.6 AI 生成章节标注
全页面文本由 AI 生成初稿；§0 免责声明沿用平台固定文本；§6.5 八个坑点全部改写自上列来源中的真实社区失败记录，无模板化虚构；不存在未标注的 AI 生成章节。
§10.7 最后人工审核日期
2026-09-05（与 §0 审核日期一致）。
页面状态：published（全部内容已完成审核并发布）
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：
- binding-moad — 共享标签：基因组学与多组学 / 药物发现与化学 / 化学信息学
- plinder — 共享标签：基因组学与多组学 / 药物发现与化学 / 化学信息学
- chebi — 共享标签：药物发现与化学 / 代谢组学 / 化学信息学
- lincs-l1000 — 共享标签：基因组学与多组学 / 药物发现与化学 / 化学信息学
- jump-cell-painting — 共享标签：基因组学与多组学 / 药物发现与化学 / 化学信息学
- intact — 共享标签：基因组学与多组学 / 药物发现与化学
- msigdb — 共享标签：基因组学与多组学 / 药物发现与化学
- lipid-maps — 共享标签：基因组学与多组学 / 药物发现与化学
- alphafold — 共享标签：基因组学与多组学 / 药物发现与化学
- zinc — 共享标签：药物发现与化学 / 化学信息学
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。
