信息速览
INFOBOX — LOTUS 一屏速览
维度 内容 本质 天然产物结构-生物体对开放知识库——不采集新数据，而是清洗整合 40+ 公开资源的文献记录 团队 LOTUS Initiative：UIC 药学院 + 日内瓦大学 + 弗里堡大学 + Jena/IOCB + OICR 等 15 位作者 论文 eLife 2022;11:e70780（doi:10.7554/eLife.70780，2022-05-26；预印 2021-02-28 bioRxiv） 数据 750,000+ 引用的结构-生物体对；290,000+ 结构；40,000+ 生物体；75,000+ 文献（2021-12-20 冻结口径） 组织 三元组（InChIKey × Wikidata QID × 引用 QID）+ 富元数据表（SMILES/分类/分类学/文献元数据） 来源 36 个有价值输入资源：COCONUT 系、KNApSAcK、NAPRALERT 子集、Dr. Duke、Cyanometdb 等 质量 自动+人工双验证：420 条人工验证；100 条自动验证抽样复核真阳性率 97% 分布 植物 342,891 对 / 真菌 36,950 / 动物 24,114 / 细菌 23,198（论文 Table 3） 获取 三通道：Wikidata SPARQL（实时）｜LNPN 门户（lotus.naturalproducts.net）｜Zenodo 冻结快照（v11，2026-04-13） 许可 CC0-1.0——公有领域贡献，无任何使用限制 下游 PubChem 分类树、ISDB-LOTUS 谱库、ENPKG 知识图谱、SLING、Plant Humanities Lab 库内互链 COCONUT（输入源）、DRKG/Hetionet（同谱系开放知识图谱）、ChEMBL/DrugBank（药物交叉）、MetaboLights（下游注释）
在天然产物研究里，有一类数据比化合物本身更值钱：某个结构是从哪个生物体里被谁分离报道的。这条「结构-生物体-文献」三角关系是生药学、代谢组学分子网络注释、药物来源追溯的共同地基，但 2021 年之前它散落在几十个互相不通、格式各异、部分还在付费墙后的数据库里。LOTUS 做的事情用一句话概括：把散落的文献记录收拢、清洗、去重、验证，变成 75 万条任何人可自由使用的三元组，并且长期住在 Wikidata 这个全球最大的协作知识图谱上。
它不是影像集也不是序列集，对本库的「AI-Ready」口径而言，LOTUS 的价值在另一个维度：天然产物化学信息的机器可读底座。代谢组学里的 feature annotation、分子网络里的文献佐证、天然产物来源药物的化学空间分析，都直接或间接踩在这份数据上。论文本身也是一篇知识管理方法论文献——如何把一个学科的文献记忆搬进协作知识图谱，LOTUS 是教科书样本。
导语读法三则：
- 只想下数据：直奔 §6 获取与许可——CC0 无限制，三通道按「要实时/要检索/要复现」选，冻结快照务必记版本号。
- 关心数据质量：直奔 §4 与坑点清单——文献回溯型数据集的噪声继承与清洗风险论文自曝过，用前必读。
- 做下游注释或图谱：直奔 §5 数据组织与 §7 生态——三元组表结构与 ISDB-LOTUS/ENPKG 的接法都在那里。
§0 导读：这个数据集解决什么问题
天然产物（natural products，NP）研究的核心日常是「分离—鉴定—报道」：一个团队从某种植物、真菌、细菌或海洋生物里分离出化合物，解析结构，发表文献。日积月累，全球文献里沉淀了几十万条「结构 X 来自动物/植物/菌 Y，见文献 Z」的记录。这些记录是多个下游领域的硬通货：
- 代谢组学注释：非靶向 LC-MS/MS 实验里发现一个未知 feature，最常用的佐证手段之一是「该分子是否曾被报道存在于我的样本来源生物里」——分子网络（molecular networking）打分、in silico 谱库匹配（ISDB）都依赖这类对。
- 生药学与民族植物学：某个属的植物为什么集中出现某类骨架（如苦木科的 quassinoids）？跨物种化学分类学分析需要大规模结构-生物体关联。
- 药物发现：天然产物来源药物的骨架偏好、生物合成基因簇-产物对应、来源生物的生态化学计量分析，全部以此为底。
问题是这些记录的存放状态在 2021 年前相当糟糕。LOTUS 论文引言列举了现存资源的通病：付费墙（Dictionary of Natural Products）、分类覆盖偏科、字段无标准、缺乏稳定标识符、没有结构化导出。研究者想在一份分析里同时用上 KNApSAcK 的覆盖广度、COCONUT 的结构质量、NAPRALERT 的文献深度，就得手工对表，而手工对表在缺少稳定标识符（如 InChIKey 与 Wikidata QID）的场景下几乎注定引入新错误。
LOTUS 的回答是一个四层动作：收集（扫描 40+ 资源，识别出 36 个有价值的输入源）、清洗（结构规范化、去重、盐类/电荷/二聚体处理）、验证（自动规则 + 人工抽样）、发布（Wikidata 主托管 + LNPN 门户镜像 + Zenodo 冻结快照）。全程开源：从输入到输出的每个程序都公开在 GitHub（lotusnprod 组织），任何人可复跑、可扩展、可提新 importer。
选 Wikidata 作主托管是一个战略级决定。它带来三件事：稳定的 QID 标识符体系（结构、生物体、文献各自拿到 QID，交叉引用不再依赖字符串匹配）；SPARQL 端点上的即时联合查询（LOTUS 数据可以直接和 Wikidata 里的分类学、分类、文献引用图连起来查）；以及一条社区纠错通道——任何人在 Wikidata 上修正一条记录，下一次 LOTUS 导出就会带上这个修正。论文评审人把这条管线称为「把学科的文献记忆搬进协作知识图谱」的样板。
§0 读法三则：
- 这个条目是「知识库+方法论论文+基础设施」三合一：本体是 75 万条三元组，方法论是清洗-验证管线，基础设施是 Wikidata 上的持续托管——三种角色对应三种使用方式。
- 全文统计数字均出自 eLife 论文正文与 Zenodo 记录页；数字演进口径（50 万→70 万→75 万）已在 §9 存照，引用时注意冻结时间戳。
- 检索时注意：LOTUS 有多个简称变体（lotus.nprod.net 旧域名、LNPN 门户、ISDB-LOTUS 衍生库），别把衍生库名当主数据集名（坑 1）。
0.1 三种读者的三条最短路径
| 你是谁 | 你最该读 | 一分钟拿走的东西 |
|---|---|---|
| 代谢组学/分子网络研究者 | §0 → §5 → §7.1 → 坑 7 | LOTUS 作生源佐证表，谱匹配另寻 ISDB-LOTUS |
| 化学信息学/知识图谱开发者 | §3 → §5.3 → §9 → 附录 H/J/P | 三元组模型 + SPARQL/加载骨架 + CC0 可自由拼接 |
| 数据方法/基础设施研究者 | §2 → §4 → §8 → 附录 S | 从 40+ 孤岛到一张图的可复制方法论 |
0.2 五句话读完 LOTUS
- 它是什么：把 40+ 个互相不通的天然产物资源，整合成 75 万+ 条带文献引用的「结构-生物体对」。
- 它凭什么：InChIKey（化学结构）+ Wikidata QID（生物、文献）双稳定标识符，全程可追溯。
- 它住哪：主托管在 Wikidata（实时），镜像在 LNPN 门户（检索），冻结快照在 Zenodo（复现）。
- 它怎么开放：CC0-1.0，商用、再分发、训练模型全无限制。
- 它的边界：偏植物（79%）、无实测谱、文献回溯而非实验验证——用前心里有数。
0.3 本条目结构速查
| 章节 | 你会看到 |
|---|---|
| §1 | 十问十答，最快建立全貌 |
| §2 | 36 个输入源如何变成一张表（五段管线） |
| §3 | 三元组、元数据、标识符体系与数据流图 |
| §4 | 质量账本：97% 真阳性、清洗风险、类群偏差 |
| §5 | 三通道获取 + 许可 + 版本链 |
| §6 | DAIMS 五维评估 + 四个 AI/ML 落地场景 |
| §7 | 生态：PubChem/ISDB-LOTUS/ENPKG 下游集成 |
| §8 | 四条可迁移的方法学经验 |
| §9 | 库内互链（COCONUT/ChEMBL/DRKG 等 + rid） |
| §10 | 八个已踩过的坑 |
| FAQ/事实清单/术语表/附录 | 查阅式内容，随用随翻 |
§1 数据集速览：十问十答
Q1：LOTUS 到底是什么类型的数据集？
不是图像、不是序列、不是问卷，而是一张关系表：每行是一条「某化学结构曾被报道存在于某生物体中，依据某文献」的三元记录。它回答的问题形态是「结构 X 与生物 Y 之间有没有文献支持的关联」。
Q2：「750,000+」这个数字数的是什么？
eLife 论文口径下经自动+人工验证后保留的引用的结构-生物体对（referenced structure-organism pairs）。注意三套相邻口径的区别：SPARQL 全量导出 951,800 行（2021-12-20，含冗余引用记录）；去重后的「对」约 75 万；每条「对」可对应多条文献引用，所以文献条目本身另有 75,000+ 条（坑 3）。
Q3：结构和生物体各有多少？
290,000+ 独特化学结构、40,000+ 独特生物体。平均一个结构在约 3 个生物体中被报道，一个生物体对应约 11 个结构——天然产物文献中「广谱分子」与「专属性骨架」并存的真实写照。
Q4：数据从哪来？
从 40+ 公开资源扫描，最终识别出 36 个有价值的输入源。大头包括 COCONUT 及其底层引用资源、KNApSAcK（含 5 万+结构、10 万+对的前驱库）、NAPRALERT 子集、Dr. Duke（USDA 植物化学数据库）、Cyanometdb（蓝藻代谢物）、Datawarrior、Wakankensaku、DiaNat-DB 等。商业库 DNP 只用于内部质量比较，不随 LOTUS 传播。
Q5：每条记录里有什么字段？
核心三元组表每行四要素：结构 InChIKey、生物体 Wikidata QID、文献 Wikidata QID、人工验证状态。富元数据表在此之上补全：canonical/isomeric SMILES、InChI、InChIKey、分子式、精确质量、立体中心数、NPClassifier 与 ClassyFire 双分类、Open Tree of Life 分类学路径、PubChem 物性、DOI/PMID/PMCID。
Q6：质量怎么保证？
两条腿：自动规则（结构规范化、去重、类型检查）+ 人工验证。论文报告 420 条对做了完整人工验证，另抽 100 条自动验证条目复核，真阳性率 97%。被拒条目没有丢——单独发布在 Zenodo（10.5281/zenodo.5794597），可供排查误杀。
Q7：数据偏差在哪？
生物类群分布严重偏科：植物 342,891 对（约 79%），真菌 36,950、动物 24,114、细菌 23,198（论文 Table 3）。这反映的是天然产物文献本身的采样历史，不是 LOTUS 的缺陷，但做微生物或海洋天然产物分析时必须心里有数。
Q8：怎么下载？
三通道按需选：要最新→Wikidata SPARQL；要交互检索与结构搜索→LNPN 门户（lotus.naturalproducts.net）；要可复现的冻结快照→Zenodo（concept DOI 10.5281/zenodo.5794106，最新 v11 为 2026-04-13，含 changes_report 与可自重建的 lotus_exporter.py）。
Q9：license 是什么？
CC0-1.0，公有领域贡献。商业应用、再分发、改造成衍生库均无任何限制。唯一注意：Wikidata 上个别 statement 的引用文献本身受版权保护，引用文字需另循文献许可。
Q10：AI/ML 场景怎么用？
典型用法四类：①作为分子网络注释的文献佐证表（结合 ISDB-LOTUS in silico 谱库）；②生物分类学×化学分类的多样性分析（论文 TMAP 即范例）；③训练结构-活性/结构-来源预测模型的背景知识；④知识图谱嵌入（与 DRKG、Hetionet 类资源同谱系拼接）。
Q11：它和 COCONUT 谁更大？
不能简单比大小——COCONUT 侧重结构集合，LOTUS 侧重结构-生物体-文献关联；且 COCONUT 本身是 LOTUS 的输入源之一。二者结构高度重叠，交叉使用以 InChIKey 为键（见附录 AC）。
Q12：免费吗？要申请吗？
免费，且三通道均无申请环节（这点与许多请求制的医学数据集不同）。CC0 许可也意味着无需署名（学术惯例除外）。
§2 来源与整合管道：36 个输入源如何变成一张表
LOTUS 的方法论价值不亚于数据本身。论文 Figure 1 给出的管线可拆成五段：
段 1：资源扫描与遴选。 团队系统扫描了 40+ 公开天然产物资源，按「是否有可导出的结构-生物体对、是否有文献引用、是否有可用许可」三条件筛出 36 个入选源。落选者包括许可受限的 FooDB（有对但不许传播）与仅可内部使用的 DNP——「能整合」不等于「能再发布」，这条边界论文划得很清楚。
段 2：结构规范化。 各资源的结构表达五花八门：有的存 SMILES、有的存 Molfile、有的盐和游离碱不分。LOTUS 管道统一转 InChIKey 作主键，对盐类、电荷态、二聚体做规范化决策。这一步是论文自认的风险点（坑 6）：激进的「清洗」可能把本来正确的电荷态或水合物合并掉，团队的处理原则是宁保守勿激进，并把被拒条目整包发布供人工回查。
段 3：生物体规范化。 生物名统一挂到 Wikidata 的分类学条目（QID）上，并连接 Open Tree of Life 获得标准分类路径。俗名、拼法变体、旧学名在 Wikidata 的别名体系下归并。
段 4：文献挂接。 每条对必须携带文献引用——这是 LOTUS 与许多「只给结构列表」的库的本质区别。引用统一挂 DOI 并落到 Wikidata 的学术文献条目，v11 元数据表额外补全 PMID/PMCID。没有引用的对不允许进入主数据集。
段 5：验证与发布。 自动验证规则先跑一遍（结构有效性、生物体存在性、引用可解析性），随后人工验证抽样。验证通过的进入 Wikidata 主托管；未通过的全部存档于独立的 rejected 数据集。发布层三通道并行：Wikidata（实时）、LNPN 门户（镜像+检索增强）、Zenodo（冻结快照，每版附 changes_report）。
管道的工程属性：全部代码开源（GitHub lotusnprod 组织），包括 wikidata-interact 工具集与 v11 起附带的 lotus_exporter.py——一个 marimo 笔记本，可以从 Wikidata 现场重建全部 Zenodo 输出文件。这意味着 LOTUS 的冻结快照不是「一次性打包」而是「可随时复演的过程快照」，可复现性在同类资源中属于最高档。
输入源的偏科继承：管道只整合不补采，所以输入源的文献偏科会原样继承。KNApSAcK 与 Dr. Duke 以植物为主，NAPRALERT 覆盖广但年代久，海洋与极端环境天然产物的文献记录相对少。用 LOTUS 做「某个类群的化学多样性」分析前，建议先按 §1 Q7 的类群分布自检样本量。
§3 数据组织：三元组、元数据与标识符体系
核心三元组表（frozen.csv.gz，v11 实测 20.6 MB）：一行 = 一个唯一组合 (structure_inchikey, organism_wikidata_qid, reference_wikidata_qid)，附 organism name、reference DOI、manual validation status。注意粒度：同一「结构-生物体」对若有 3 篇文献，就占 3 行——做对级统计前先按前两列去重（坑 3 的直接来源）。
富元数据表（frozen_metadata.csv.gz，v11 实测 90.3 MB）：与三元组表按结构键连接，字段分五组——
| 字段组 | 内容 | 用途 |
|---|---|---|
| 结构描述符 | SMILES（canonical/isomeric）、InChI、InChIKey、分子式、精确质量、立体中心数 | 分子表征、去重、物理性质过滤 |
| 化学分类 | NPClassifier（天然产物专用层级）、ClassyFire（通用化学层级） | 分类学-化学交叉分析 |
| 生物分类 | Open Tree of Life 路径、Wikidata 分类学 QID | 系统发育尺度分析 |
| 文献引用 | DOI、PMID、PMCID、标题 | 证据回溯、引用网络 |
| PubChem 物性 | 分子量等计算性质 | 与 PubChem 联合查询时的对齐键 |
标识符体系的三层设计是 LOTUS 最值得学习的工程决策：
- 结构层：InChIKey 作稳定主键（不怕改名字，只随结构变），Lotus id（LTS 编号，如 LTS0249032）作门户层友好键。
- 生物层：Wikidata 分类学 QID（如 Q110172521 风格的化合物 QID 与分类学 QID 各归其位），别名与异名交给 Wikidata 处理。
- 文献层：Wikidata 文献条目 QID + DOI，PMID/PMCID 可解析后补全。
三层标识符都指向 Wikidata 实体，意味着任何一条记录都能在 SPARQL 里与 Wikidata 全库联合查询——例如「列出某科植物中所有含特定 NPClassifier 大类的化合物及其第一篇报道文献」是一条查询而非三次手工对表。
DAIMS 表（数据集 AI 就绪度画像）：
| DAIMS 维度 | LOTUS 现状 | 备注 |
|---|---|---|
| D-可发现性 | DOI（论文+数据集 concept DOI）+ KG Hub 注册 + bio.tools 注册 | 多处注册，检索命中率高 |
| A-可访问性 | 三通道全开放（SPARQL/门户/Zenodo） | 无注册、无请求制环节 |
| I-可互操作 | InChIKey + Wikidata QID 双标准标识符 | 与 ChEBI/PubChem/OTL 可直连 |
| M-机器可读 | CSV.gz 平表 + TSV + SPARQL JSON | 全部主流格式，无专有格式 |
| S-可持续性 | 开源管线 + 可复演 exporter + 社区托管 | 依赖 Wikidata 与 SNSF 资助延续 |
版本与变更管理：Zenodo 每个版本附 changes_report.txt（对上一版的增删摘要），v11 起 exporter 脚本随版发布。做长期研究时建议固定版本号引用（如 v11 / 2026-04-13），并在论文中同时给 concept DOI 以保持可追溯。
3.1 一张图看懂数据流
40+ 公开资源
↓ 扫描遴选（3 条件：有对 / 有引用 / 有可用许可）
36 个有价值输入源
↓ 结构规范化（→ InChIKey 主键；盐/电荷/二聚体处理）
↓ 生物体规范化（→ Wikidata 分类学 QID + Open Tree of Life）
↓ 文献挂接（→ DOI + Wikidata 文献 QID；v11 补 PMID/PMCID）
↓ 自动验证（结构有效性 / 生物存在性 / 引用可解析）
↓ 人工验证（420 条完整核验；100 条抽样复核，真阳性率 97%）
主数据集 ──┬── Wikidata（实时托管）
├── LNPN 门户（检索增强镜像）
└── Zenodo（冻结快照，v11 = 2026-04-13）
被拒条目 ───── Zenodo rejected 集（10.5281/zenodo.5794597）
3.2 标识符体系的三层设计与踩坑预防
三层标识符都指向 Wikidata 实体，这带来「任何一条记录都能在 SPARQL 里与 Wikidata 全库联合查询」的能力——例如「列出某科植物中所有含特定 NPClassifier 大类的化合物及其第一篇报道文献」是一条查询而非三次手工对表。使用时两点注意：
- 结构层：InChIKey 主层（14 字符）不区分立体异构，需要构型保真时用完整 InChIKey 或 isomeric SMILES（§10 坑 4）。
- 生物层：别名与异名交给 Wikidata 处理，但 Wikidata 分类学的实时编辑可能改变某实体的上下游关系，复现研究仍应固定快照。
3.3 粒度陷阱：一行 ≠ 一个对
核心表每行是一个 (结构, 生物体, 文献) 组合，同一「结构-生物体」对若有 N 篇文献支撑就占 N 行。这解释了三个口径的关系：SPARQL 全量 951,800 行 > 去重后 75 万+ 对 > 75,000+ 独立文献。做任何「对级」或「文献级」统计前，先想清楚你要在哪一层去重（§10 坑 2/坑 3）。
3.4 分类字段怎么用于分析
元数据表携带的两套化学分类（NPClassifier 天然产物专用层级、ClassyFire 通用化学层级）与一套生物分类（Open Tree of Life），是 LOTUS 做「化学 × 分类学」交叉分析的钥匙。论文的 TMAP 可视化即用这类字段：以分子指纹降维得到的化学空间图上，把结构按来源类群着色，可直观看到某些骨架（如 quassinoid）高度集中于特定类群、某些骨架（如 carotenoid）广泛泛在——这类「骨架-类群特异性」分析是 LOTUS 相对纯结构库的独有能力。
§4 数据质量与验证：文献回溯型数据集的噪声账本
LOTUS 的数据不是实验产生，而是文献记录的回溯整合——这决定了它的质量故事与传统实验数据集完全不同。理解这一点，是正确使用 LOTUS 的前提。
4.1 质检双轨：自动规则 + 人工抽样
LOTUS 的质量门由两条腿组成：
自动验证轨。管道在结构层、生物层、文献层各设规则：结构必须能算出有效的 InChIKey（排除解析失败的 Molfile/SMILES）、生物体必须能落到 Wikidata 分类学实体、文献引用必须能解析到 DOI 或 Wikidata 学术条目。任何一环不过，该记录不进主数据集。
人工验证轨。论文报告 420 条结构-生物体对做了完整人工核验（逐条回查原文献确认「该结构确实被报道存在于该生物体中」）；另外从自动验证通过的条目中随机抽 100 条做复核抽样，测得真阳性率 97%。这个数字的含义要读准确：它是「自动验证通过者中抽样复核为真的比例」，不是整个数据集的人工核验覆盖率——绝大多数记录只过了自动轨。
被拒条目不丢弃。验证失败的条目没有直接删掉，而是整包发布为独立的 rejected 数据集（Zenodo 10.5281/zenodo.5794597）。这是一个工程善意设计：使用者若怀疑某条记录被误杀，可以直接查被拒清单，甚至提 issue 回查。诚实性上，这是同类资源的加分项。
4.2 清洗风险：论文自曝的三类系统性噪声
论文自己在 Data limitations 里列出了清洗管道的固有风险，值得逐条读：
- 盐类与电荷态：同一化合物可能以游离碱、盐酸盐、钠盐等多种形式出现在不同资源里。管道要做「同一结构」判定，就必须对盐和电荷做归一化——但激进归一会把化学上确有区别的物种（如水合物、不同质子化态）错误合并。
- 二聚体与加合物：部分资源记录了非共价二聚体或溶剂加合物形式，与单体混在一起会污染结构计数。
- 立体化学：InChIKey 的主层（第一段 14 字符）不区分立体异构，第二层才区分。用主层当键会把立体异构体合并——LOTUS 保留了 isomeric 层信息，但使用者若只按主层去重，会踩这个坑（详见 §10 坑点）。
4.3 覆盖偏差：79% 植物是文献史，不是数据缺陷
生物类群分布是 LOTUS 最需要使用者警惕的偏差来源：
| 类群 | 结构-生物体对（论文 Table 3） | 占比 |
|---|---|---|
| 植物（Plantae） | 342,891 | ≈ 79.0% |
| 真菌（Fungi） | 36,950 | ≈ 8.5% |
| 动物（Animalia） | 24,114 | ≈ 5.6% |
| 细菌（Bacteria） | 23,198 | ≈ 5.3% |
| 合计（含其他） | 约 427,000+ 分类内对 | 100% |
注：上表四类合计约 427,153 对，落在「75 万+ 引用的对」总量之内——差额来自多文献引用计数与其他类群。这组数字反映的是十余年天然产物文献的采样历史：植物化学（尤其高等植物）长期是分离鉴定的主战场，海洋天然产物、微生物次级代谢物的文献体量相对小。做「某类群的化学多样性」分析前，务必先按类群自检样本量，否则会把采样偏差误读成生物学信号。
4.4 与商业库的内部比较
论文用 Dictionary of Natural Products（DNP v29.2，商业库，CRC 出品）做了内部对照：LOTUS 的免费开放覆盖在结构数量上与 DNP 处于同一量级，且 LOTUS 独有的是「结构-生物体-文献」的完整引用链（DNP 虽也含来源信息，但不可自由传播）。关键差异在许可：DNP 只能内部使用、不得再发布，LOTUS 则 CC0 全开放。这次比较只在论文内部呈现，DNP 数据本身不随 LOTUS 传播。
4.5 一致性口径的三个数字
读 LOTUS 数字时最容易混淆的三层口径，这里一次性钉死：
- 951,800 行：2021-12-20 的 SPARQL 全量导出记录数，含冗余（同结构-生物体对的多条引用各占一行）。
- 750,000+：经去重与验证后的「引用的结构-生物体对」——论文口径的宣传数字，日常引用用这个。
- 75,000+：文献引用条目数（去重后的独立文献）——注意这是文献数不是对数，别和 75 万混。
4.6 质量画像一张表
| 维度 | 状态 | 说明 |
|---|---|---|
| 真阳性率 | 97% | 100 条自动验证抽样复核 |
| 人工核验量 | 420 条 | 完整逐条回查原文献 |
| 被拒条目可查 | ✅ | 独立 Zenodo 数据集公开 |
| 清洗风险自曝 | ✅ | 盐/电荷/二聚体三类明列 |
| 类群覆盖 | ⚠️ 偏植物 | 79% 植物，微生物/海洋稀疏 |
| 立体化学保真 | ⚠️ 须注意 | 主层 InChIKey 不区分立体 |
| 版本一致性 | ⚠️ 实时 vs 冻结 | Wikidata 持续更新，快照滞后 |
4.7 为什么「文献回溯」是这个数据集的本质属性
理解 LOTUS 的一切取舍，都要回到它的数据来源本质：它不产生新知识，只整理已发表的知识。这带来三个直接后果——
其一，质量上限由文献决定。如果一篇原始文献本身把某个化合物报错了来源生物，LOTUS 会忠实继承这个错误。97% 的真阳性率衡量的是「整合过程有没有引入额外错误」，不是「文献本身对不对」。
其二，覆盖随时间增长依赖新文献。LOTUS 的规模增长不是团队去实验室做了更多分离，而是新文献不断发表、团队不断重跑管线纳入。这解释了为什么从 50 万到 75 万的演进口径是「时间演进」而非「口径冲突」（见附录 S）。
其三，它的对手不是别的数据库，是文献的碎片化。天然产物文献散落在数千种期刊、几十种语言、多种命名习惯里，LOTUS 的核心贡献是给这片混沌装上 InChIKey + Wikidata QID 的锚。
4.8 与实验型数据集的质量观对照
本库读者多熟悉实验数据集（如影像、测序），其质量观是「采样过程是否规范」。LOTUS 这类知识库的质量观不同，对照如下：
| 维度 | 实验数据集 | LOTUS 类知识库 |
|---|---|---|
| 数据来源 | 新采集 | 文献回溯整合 |
| 质量威胁 | 采样偏差、标注噪声 | 文献错误继承、清洗误合并 |
| 质量证据 | 采集协议 + 标注一致性 | 验证抽样真阳性率 + 被拒池公示 |
| 增长方式 | 扩大采集 | 纳入新文献 + 社区纠错 |
| 复现方式 | 固定版本 | 固定快照 + 可复演脚本 |
这张对照表的实用价值：当你把 LOTUS 当作 AI 训练数据时，别用「标注一致性」的思路去挑它的问题，而要想「文献里的系统偏差会不会被模型学走」。
§5 获取、许可与版本链：三扇门怎么进
LOTUS 的获取设计是本条目最实用的一节——同一份数据有三条差异很大的通道，选错通道会浪费大量时间。
5.1 三通道对照
| 通道 | 入口 | 最适合 | 时效 | 门槛 |
|---|---|---|---|---|
| ① Wikidata SPARQL | query.wikidata.org | 要最新、要联合查询 | 实时 | 需会写 SPARQL |
| ② LNPN 门户 | lotus.naturalproducts.net | 交互检索/结构搜索/平表导出 | 准实时 | 浏览器操作 |
| ③ Zenodo 冻结快照 | doi.org/10.5281/zenodo.5794106 | 要可复现、要批量下载 | 冻结（v11=2026-04-13） | 记版本号 |
通道 ① Wikidata：LOTUS 的主托管。所有结构-生物体-文献三元组以 Wikibase 语句形式存在，可用 SPARQL 与 Wikidata 全库联合查询（分类学、分类、引用图都能连）。缺点：写查询有学习曲线，且结果随社区编辑滚动变化，不适合需要固定快照的复现研究。
通道 ② LNPN 门户：LOTUS Natural Products 门户（lotus.naturalproducts.net），提供结构/分类浏览、化学子结构搜索、平表与结构文件（SDF 等）导出。适合不写 SPARQL 又想筛数据的人。门户数据来自 Wikidata 导出的周期性重建，因此是「准实时」。旧域名 lotus.nprod.net 曾指向早期实例，检索时注意别混淆（坑 1）。
通道 ③ Zenodo 冻结快照：可复现研究的首选，也是本条目引用的文件大小来源。concept DOI 10.5281/zenodo.5794106 指向所有版本的父记录，具体版本各有独立 DOI。
5.2 Zenodo 冻结快照的四个文件
最新冻结版为 Zenodo record 6148914（v11），发布于 2026-04-13，包含四个文件：
| 文件 | 大小（v11） | 内容 |
|---|---|---|
260413_frozen.csv.gz |
20.6 MB | 核心三元组表 |
260413_frozen_metadata.csv.gz |
90.3 MB | 富元数据表（全字段） |
changes_report |
小 | 相对上一版的增删摘要 |
lotus_exporter.py |
小 | marimo 笔记本，可自 Wikidata 重建全部输出 |
核心表与元数据表按结构键连接，元数据表体量约为核心表的 4.4 倍——因为每个结构携带 SMILES/InChI/分类/分类学/文献元数据等十余个字段。
5.3 版本链与可复现性
LOTUS 用 Zenodo 的「Is new version of」自链维护版本谱系：从 2021-12 的 concept 首版（5794106），经多个中间版本，到 v11（6148914，2026-04-13）。每版附 changes_report，v11 起随版发布可自重建的 exporter。
可复现性亮点：lotus_exporter.py 意味着冻结快照不是「一次性打包的 CSV」，而是「可随时从 Wikidata 现场复演的导出过程」。使用者可以复跑这个笔记本，验证快照与当时 Wikidata 状态的一致性——这在同类知识库资源中属于最高一档的可复现性设计。
复现研究的两条纪律：
- 引用数据时固定版本号（如 v11 / 2026-04-13），并在论文中同时给 concept DOI 以保持可追溯。
- 别把「Wikidata 实时查询结果」和「某版冻结快照」混在同一份分析里——两者的时间基线不同。
5.5 三条通道的选择口诀
- 要最新 → Wikidata SPARQL（但结果会漂移，别用于复现）。
- 要检索 → LNPN 门户（结构/子结构搜索、平表导出，无需写查询）。
- 要复现 → Zenodo 冻结快照（固定版本号，附 exporter 可审计）。
一句话：临时探索走 SPARQL，日常筛选走门户，正式研究走快照。
小提示：三条通道的数据同源（都源自 Wikidata 上的 LOTUS 语句），因此结构键与分类字段跨通道一致，切换通道无需重做对齐。
5.4 许可：CC0 与那个存照口径
LOTUS 的数据许可为 CC0-1.0（公有领域贡献）：
- eLife 论文与 LNPN 门户均明确 LOTUS 数据以 CC0 发布。
- 因为托管在 Wikidata，数据天然继承 Wikidata 的 CC0 贡献模型。
- 商业应用、再分发、改造成衍生库、训练模型，均无任何限制，无需署名（署名是学术惯例而非法律义务）。
一处需存照的口径不一致：个别 Zenodo 记录页（如 Wikidata 查询结果集 5793224）的页面标签显示为「Creative Commons Attribution 4.0」，与论文/门户的 CC0 表述不同（见 §9 双口径登记表）。正文采 CC0——以论文与门户为准，Zenodo 个别页的标签视为元数据标注瑕疵。
一个必须澄清的边界：数据是 CC0，但 Wikidata 上作为引用来源的原始文献本身受各自版权保护。LOTUS 只存文献的元数据（DOI/标题）与指向，不复制文献正文。引用某条文献的观点时，须另循该文献的许可。
§6 AI-Ready 评估：DAIMS 全表
DAIMS（Data & AI Maturity/Readiness 框架，本库口径：可发现性/可访问性/可互操作/机器可读/可持续性）逐维评估：
| DAIMS 维度 | LOTUS 现状 | 证据 | 评级 |
|---|---|---|---|
| D 可发现性 | 论文 DOI + 数据集 concept DOI + Zenodo + KG Hub 注册 + bio.tools 注册，多处可检 | 10.7554/eLife.70780；10.5281/zenodo.5794106 | 强 |
| A 可访问性 | 三通道全开放：SPARQL/门户/Zenodo 均无注册、无请求制 | 无付费墙、无审批环节 | 强 |
| I 可互操作 | InChIKey + Wikidata QID 双标准标识符；NPClassifier/ClassyFire/Open Tree of Life 均为社区标准 | 可与 ChEBI/PubChem/OTL 直连 | 强 |
| M 机器可读 | CSV.gz 平表 + TSV + SPARQL JSON + exporter 脚本，无专有格式 | 全部主流格式 | 强 |
| S 可持续性 | 开源管线（GitHub lotusnprod）+ 可复演 exporter + 社区托管（Wikidata）；依赖 SNSF 资助与社区维护延续 | MetaboLinkAI 10002786 资助 | 中强 |
AI-Ready 综合画像：LOTUS 是本库中少见的「五维近乎全绿」的知识型数据集——它天生为机器消费而设计（结构化三元组、稳定标识符、标准分类词表、开放许可），没有影像数据集常见的请求制、许可分层、格式专有问题。它的 AI-Ready 短板不在可获取性，而在内容偏差（类群偏植物）与时效口径（实时 vs 冻结）——这两点属于「用了要知道」，而非「用不了」。
五维评分的读法：可发现性/可访问性/可互操作/机器可读四项「强」来自设计决策的叠加效果——标准标识符带来可互操作、开放许可带来可访问、平表导出带来机器可读、多处注册带来可发现。可持续性「中强」而非「强」，是因为它的延续依赖两点外部条件：Wikidata 社区维持活跃、SNSF 等资助延续。对长期依赖 LOTUS 的项目，这个「中强」值得关注——它意味着应关注版本冻结与本地留存，而非完全押注在线端点。
面向 AI/ML 的四个落地场景：
- 分子网络注释的文献佐证：非靶向 LC-MS/MS 得到一个候选分子，LOTUS 直接回答「该结构是否被报道存在于我的样本来源生物」——结合 ISDB-LOTUS in silico 谱库做双重佐证。
- 分类学 × 化学多样性分析：以 LOTUS 的分类学路径与 NPClassifier 大类做交叉，复现论文 TMAP 式的多样性可视化（苦木科 quassinoids 高特异性 vs 类胡萝卜素泛在性的对照）。
- 结构-来源预测模型：以「结构→来源生物」三元组为标签，训练化学空间到生物来源的预测模型；LOTUS 的规模（75 万对）足以撑起这类监督任务。
- 知识图谱嵌入：LOTUS 的三元组天然对齐 Wikidata QID，可直接并入 DRKG、Hetionet 式的生物医学知识图谱做联合嵌入（见 §9 互链）。
一个落地建议：把 LOTUS 当作「先验知识层」而非「训练标签层」用时，风险最低——用它做检索、佐证、约束，而不是把它当作绝对正确的监督信号。因为它的 97% 真阳性率意味着仍有约 3% 的噪声，且文献继承的系统偏差可能被模型放大。稳健做法是先做本文档附录 W 的 12 项检查，再用。
§7 生态与影响：一个数据库如何长成基础设施
LOTUS 的影响力不在「被引用多少次」，而在「被谁当作底座」。
7.1 下游集成图谱
| 集成方 | 集成形式 | 意义 |
|---|---|---|
| PubChem | LOTUS 的生物/化学分类树视图 | 全球最大化学库引入 LOTUS 的天然产物组织方式 |
| ISDB-LOTUS | in silico 光谱数据库（衍生库） | 把结构与预测质谱关联，服务代谢组学注释 |
| ENPKG | RDF 知识图谱（kg-enp），LOTUS 为 primary source | 环境/天然产物组学的知识图谱层 |
| SLING | 生物医学知识图谱集成 | 药物-生物关系推理 |
| Plant Humanities Lab | 植物人文数字研究平台 | 人文与植物化学的跨界使用 |
7.2 衍生库的谱系
LOTUS 衍生出的资源里，两个最值得单独记：
- ISDB-LOTUS：in silico spectral database，把 LOTUS 的结构集批量做出预测质谱（用 ISDB 工具），供 LC-MS/MS 分子网络注释直接匹配。这是 LOTUS 从「结构-来源库」跨到「谱库」的关键一步。
- ENPKG：以 LOTUS 为 primary source 构建的 RDF 知识图谱，把天然产物、生物体、地理、文献组织成可 SPARQL 查询的图，服务于环境与药食同源研究。
7.3 与商业库的关系
在天然产物信息生态里，LOTUS 的互补对象是商业库 DNP（Dictionary of Natural Products）：DNP 结构覆盖深但闭源收费、不可再发布；LOTUS 免费开放、可再发布，但覆盖偏植物且以文献回溯为限。二者不是替代关系——学术与工业实践里，常见做法是用 LOTUS 做开放分析、用 DNP 做深度查证。
7.4 对「开放知识管理」范式的影响
LOTUS 的论文本身是一篇知识管理方法论文献：它示范了如何把一个学科的文献记忆（几十个孤岛资源）搬进协作知识图谱（Wikidata），并保持持续更新与社区纠错。论文评审框架把它当作「开放知识管理在学科尺度上的样板」。后续一批植物化学、民族药物学资源开始仿照 LOTUS 的做法（挂 Wikidata、发 Zenodo 快照、附 exporter），这条范式正在扩散。
7.5 影响面的两点提醒
- LOTUS 的价值随 Wikidata 社区活跃度浮动：社区修正越多，下一次导出越准——这意味着「用最新版」有时比「用冻结版」质量更高，但复现性下降（一次真实的取舍）。
- 衍生的 ISDB-LOTUS/ENPKG 不是 LOTUS 本体，引用时须分别引其各自的论文与许可，不可混称（坑 1）。
7.6 为什么学界把 LOTUS 当方法论文而非单纯数据库
LOTUS 的论文被广泛引用，一半是因为数据，另一半是因为它把「如何把学科文献搬进知识图谱」写成了可复制的方法。论文回答的其实是三个通用问题：
- 整合什么：如何从几十个异构资源里识别出「有价值且可再发布」的输入源（三条筛选标准：有结构-生物体对、有文献引用、有可用许可）。
- 怎么连接：如何用标准标识符（InChIKey + Wikidata QID）替代脆弱的字符串匹配。
- 如何持续：如何用「协作知识图谱托管 + 冻结快照 + 可复演脚本」实现持续更新与可复现的平衡。
对做数据基础设施的人，这三问的答案比 75 万条记录本身更有迁移价值——任何「把多源文献整合成结构化知识」的项目都绕不开同样的选题。
7.7 影响力的事实边界（不夸大）
为避免把 LOTUS 讲成「无所不能」，这里明确它的边界：它不是实验数据库（无实测数据）、不是谱库（无谱图）、不是全领域覆盖（偏植物）、不是商业级查证工具（DNP 仍更全）。它是一个开放、可再发布、带引用链的天然产物关联知识底座——这个定位精确且有价值，但不宜外延。
§8 方法学启示：四条可迁移的经验
LOTUS 虽属化学/生药领域，但它作为「知识整合工程」的方法论对本库读者有普适价值。
8.1 选「协作知识图谱」做主托管，而不是自有数据库
LOTUS 最关键的架构决策是把主托管放在 Wikidata，而非自建一个网站。这一个决定连锁带来四重收益：稳定 QID 标识符体系（跨资源引用不再依赖字符串匹配）、SPARQL 端点上的即时联合查询、社区纠错通道（任何人改 Wikidata，下次导出即带上）、以及零运维托管（不必自己承担数据库服务器与可用性）。代价是受 Wikidata 建模规范约束、导出需周期性重建。对任何「整合多源文献」的项目，这套取舍值得照抄。
8.2 用标准标识符做连接键，别用字符串
LOTUS 的整个整合建立在两个稳定键上：化学侧 InChIKey、生物与文献侧 Wikidata QID。字符串名（化合物俗名、生物俗名/异名）一律只作展示、不作键。这是数据整合工程的铁律——用字符串连接多源数据几乎必然引入拼写变体、同物异名、同名异物的错误。LOTUS 把「生物名挂 Wikidata 分类学实体」这一步显式化，正是为了避免这层噪声。
8.3 「被拒条目不丢弃」的诚实设计
把验证失败的条目整包发布，而不是悄悄删掉——这个看似多余的工程动作带来两个好处：一是可审计（使用者能查误杀），二是可迭代（后续版本能重审被拒池）。凡是做过数据清洗的人都知道，「删掉的东西最容易被忘记」，LOTUS 把它留在阳光下的做法值得所有清洗管线学习。
8.4 冻结快照 + 可复演脚本 = 可复现性双保险
只发 CSV 快照，复现性依赖「打包那一刻」；附上 lotus_exporter.py 让它可自 Wikidata 现场复演，复现性就升级为「过程可检验」。对本库的 AI-Ready 读者，这条经验可直接映射到模型数据集：给数据的同时给出生成数据的过程，比多给几个 GB 更有价值。
8.5 四条经验的迁移清单
| 经验 | 适用场景 | 迁移动作 |
|---|---|---|
| 选协作知识图谱托管 | 多源整合项目 | 找领域内已有社区图谱，别自建孤岛 |
| 用标准标识符连接 | 跨库数据融合 | 选领域标准键（化学 InChIKey / 基因 Ensembl / 蛋白 UniProt） |
| 被拒池公示 | 任何数据清洗 | 保留 rejected 出参，供审计与迭代 |
| 快照 + 复演脚本 | 需复现的研究数据 | 附生成脚本/notebook，不只发结果文件 |
8.6 一条反直觉的经验：开放不是牺牲质量
很多人默认「开放数据 = 质量不如商业库」。LOTUS 提供了一个反例：它以 CC0 全开放，却通过「双轨验证 + 被拒池公示 + 社区纠错托管」把质量维持在可用水平，且在「结构-生物体-文献」完整引用链上超越了多数商业库。开放性在此不但没损害质量，反而借 Wikidata 社区之力提升了纠错能力——这是知识管理范式层面最值得记下的一点。
§9 与库内条目的关系：化学-生物医学知识库家族
LOTUS 不是孤岛，它在本库的知识图谱家族里有一批近邻。以下互链点均给出库内条目与 rid（依据 DB url_name 反查）。
9.1 家族图谱
| 库内条目 | rid | 与 LOTUS 的关系 |
|---|---|---|
| COCONUT | 304 | 同领域最大近亲：COCONUT 是 LOTUS 的主要输入源之一，二者同为开放天然产物库；LOTUS 在 COCONUT 的结构-来源对基础上附加文献引用链与 Wikidata 托管 |
| ChEMBL | 85 / 572 | 生物活性库交叉：天然产物来源化合物可经结构键在 ChEMBL 查活性（ChEMBL 有两处记录） |
| DrugBank | 89 / 571 | 药物交叉：天然产物来源药物的结构与适应症对照 |
| Hetionet | 832 | 同谱系 CC0 开放生物医学知识图谱：Hetionet 是药物-疾病-基因异质网络，LOTUS 的天然产物节点可并入其化学-生物关系层 |
| DRKG | 834 | 同为开放知识图谱（Drug Repurposing Knowledge Graph，含化合物-基因-疾病关系），与 LOTUS 共享「化合物作图谱节点」的建模范式 |
| MetaboLights | 477 | 下游代谢组学注释交叉：LOTUS 的结构-来源对为 MetaboLights 的 LC-MS 谱图注释提供生源佐证 |
| TDC（Therapeutics Data Commons） | 131 | 药物发现基准生态：天然产物结构可作 TDC 分子性质/对接任务的候选来源 |
9.2 检索路径建议
- 要天然产物结构-来源对 → LOTUS 本体（本条目）为主，COCONUT（rid 304）为对照。
- 要天然产物 vs 合成药的活性对照 → LOTUS 供给结构，ChEMBL（rid 85/572）/ DrugBank（rid 89/571）供给活性。
- 要做知识图谱嵌入 → LOTUS + Hetionet（rid 832）+ DRKG（rid 834），三者许可均为开放谱系，可拼接。
- 要做代谢组学注释 → LOTUS 供给生源佐证，MetaboLights（rid 477）供给谱图。
9.3 消歧声明（正文，不进 frontmatter）
LOTUS 与以下名称不是同一个东西，检索时务必区分：lotus 作为普通词（植物莲/其他项目）无独立库内条目；ISDB-LOTUS 与 ENPKG 是本条目的衍生库，不单独建条；旧域名 lotus.nprod.net 与现门户 lotus.naturalproducts.net 指向同一 LOTUS、只是访问入口不同（见 §10 坑 1）。
§10 避坑清单：八个已踩过的坑
坑 1：把衍生库名当主数据集名。
ISDB-LOTUS（in silico 谱库）、ENPKG（RDF 知识图谱）、LNPN 门户都是 LOTUS 的衍生或访问入口，不是主体。引用数据时若写「ISDB-LOTUS 数据集」去指整个 LOTUS，会让溯源出错。同理旧域名 lotus.nprod.net 与现域名 lotus.naturalproducts.net 是同一数据的两个门。对策：主数据集一律称 LOTUS（naturaL prOducTs occUrrence databaSe），衍生库分别引其各自出处。
坑 2：把 75 万「对」和 95 万「行」混为一谈。
SPARQL 全量导出是 951,800 行（2021-12-20），但去重后的「引用的结构-生物体对」约 75 万+。行数 > 对数，因为同一对可对应多条文献引用。对策：做对级统计前先按 (structure_inchikey, organism_qid) 去重；引用规模时明确说是「行」还是「对」。
坑 3：把 75 万「对」当成 7.5 万「文献」。
75,000+ 是文献引用条目数（去重文献），750,000+ 是结构-生物体对。两者差 10 倍，常被混写。对策：数字后紧跟口径词（对/条/篇）。
坑 4：用 InChIKey 主层去重，误合并立体异构体。
InChIKey 第一段（14 字符主层）不区分立体化学，第二层才区分。只用主层做键会把立体异构体当成同一结构合并。对策：需要立体保真时用完整 InChIKey（含第二层）或 isomeric SMILES；LOTUS 元数据表保留 isomeric 信息，别丢掉。
坑 5：把「Wikidata 实时查询」和「某版冻结快照」混进同一分析。
Wikidata 持续更新，Zenodo 快照滞后（v11=2026-04-13）。两套结果的规模会随时间漂移，混用会造成内部不一致。对策：复现研究固定版本号；若必须用实时数据，全程用实时，别中途切快照。
坑 6：忽视类群采样偏差，把文献史当生物学。
植物占 79% 的对（342,891），细菌仅 23,198。若不做类群自检就直接比较「植物 vs 细菌的化学多样性」，得到的多半是文献采样量差异而非真实生物信号。对策：跨类群分析前先报各类群样本量，必要时按类群分层或加权。
坑 7：以为 LOTUS 含光谱数据。
LOTUS 主体是结构-生物体-文献三元组，不含实测质谱。要看谱需走衍生库 ISDB-LOTUS（in silico 预测谱）或第三方谱库。对策：代谢组学注释时把 LOTUS 定位为「生源佐证表」，谱匹配另寻谱库。
坑 8：把 CC0 数据许可误读为「引用文献也可自由复制」。
数据（三元组）是 CC0，但 Wikidata 上作为来源的原始论文正文受各自版权约束。对策：引用某条文献的观点时另循该文献许可；LOTUS 只提供文献元数据（DOI/标题）与指向，不复制正文。
10.1 坑点速查与自检脚本
| 坑 | 自检动作 | 通过标准 |
|---|---|---|
| 坑 1 | `grep -i "isdb\ | enpkg" 你的稿件` |
| 坑 2 | 报数前问「行还是对」 | 明确写出口径词 |
| 坑 3 | 对数与文献数分别列 | 75 万 ≠ 7.5 万 |
| 坑 4 | len(inchikey) ≥ 25 且取第二层 |
立体敏感分析不用主层去重 |
| 坑 5 | 检查数据来源列 | 同一分析不含两种时点 |
| 坑 6 | value_counts() 各类群 |
跨类群前先看样本量 |
| 坑 7 | 确认谱来源 | LOTUS 定位为生源佐证表 |
| 坑 8 | 引用规约 | 数据引 CC0，观点引文献 |
10.2 三类使用者的避坑优先级
- 做代谢组学注释：优先坑 7（谱数据另寻）+ 坑 6（类群自检）——你要的是「生源佐证」，别指望 LOTUS 给谱。
- 做知识图谱/训练：优先坑 4（立体保真）+ 坑 5（时点一致）——模型会放大结构合并与时点混乱的噪声。
- 做数据复现研究：优先坑 2/3（口径）+ 坑 5（版本）——复现的成败全在口径与版本是否钉死。
FAQ（高频问答 30 问）
A. 基础认知
A1：LOTUS 是什么的缩写？
naturaL prOducTs occUrrence databaSe——用大小写拼出的首字母缩略（LOTUS 本身也呼应「莲」这个意象）。
A2：它和 COCONUT 有什么区别？
COCONUT 是开放天然产物结构集合（以结构为主）；LOTUS 在此之上强调结构-生物体对 + 文献引用，并把主托管放在 Wikidata。COCONUT 是 LOTUS 的重要输入源之一（库内 ridge 304）。
A3：LOTUS 是影像/序列数据集吗？
都不是。它是化学-生物关系的知识图谱型数据集，粒度是「三元组」而非像素或碱基。
A4：谁在做 LOTUS？
LOTUS Initiative——UIC 药学院、日内瓦大学、弗里堡大学等联合，15 位作者，通讯作者 Jonathan Bisson 与 Pierre-Marie Allard，一作 Adriano Rutz。
A5：正式论文发在哪？
eLife 2022;11:e70780（doi:10.7554/eLife.70780），2022-05-26 发表；预印本 2021-02-28 bioRxiv（doi:10.1101/2021.02.28.433265）。
A6：数据冻结在什么时点？
论文口径为 2021-12-20；最新 Zenodo 冻结快照为 v11（2026-04-13）。
A7：LOTUS 会持续更新吗？
会。主托管在 Wikidata 持续更新，Zenodo 周期性发冻结快照。
B. 数据规模与组织
B1：有多少条结构-生物体对？
75 万+（论文口径；去重后的「引用的对」）。
B2：有多少独特结构？
290,000+ 独特化学结构。
B3：有多少独特生物体？
40,000+ 独特生物体。
B4：有多少文献引用？
75,000+ 条（去重文献）。
B5：物种/结构密度怎样？
平均每结构对应约 3 个生物体，每生物体对应约 11 个结构。
B6：类群怎么分布？
植物 342,891 对、真菌 36,950、动物 24,114、细菌 23,198（论文 Table 3）。
B7：每条记录有哪些字段？
核心表：结构 InChIKey、生物 Wikidata QID、文献 Wikidata QID、验证状态；元数据表：SMILES/InChI、分子式、精确质量、立体中心、NPClassifier、ClassyFire、Open Tree of Life 分类、PubChem 物性、DOI/PMID/PMCID。
B8：LOTUS 用的是哪套化学分类？
NPClassifier（天然产物专用）+ ClassyFire（通用化学）双分类。
B9：生物分类用哪套？
Open Tree of Life 提供分类路径，生物实体挂 Wikidata QID。
C. 数据来源与整合
C1：数据从哪来？
扫描 40+ 公开资源，识别出 36 个有价值的输入源整合而成。
C2：主要输入源有哪些？
COCONUT 及其底层资源、KNApSAcK、NAPRALERT 子集、Dr. Duke（USDA）、Cyanometdb、Datawarrior、Wakankensaku、DiaNat-DB 等。
C3：为什么不整合 FooDB 和 DNP？
FooDB 有对但许可不允许再发布；DNP 是商业库仅可内部使用。LOTUS 只整合「可自由再发布」的源。
C4：整合管线分几步？
五段：资源扫描遴选 → 结构规范化（转 InChIKey）→ 生物体规范化（挂 Wikidata/OTL）→ 文献挂接（DOI+QID）→ 验证与发布。
C5：管线的代码开放吗？
开放，在 GitHub lotusnprod 组织，含 wikidata-interact 工具集；v11 起随版发 lotus_exporter.py。
D. 质量与验证
D1：数据可靠吗？
论文报告自动验证通过条目抽样复核真阳性率 97%。
D2：人工验证了多少条？
420 条结构-生物体对做了完整人工核验。
D3：验证失败的条目去哪了？
整包发布为独立 rejected 数据集（Zenodo 10.5281/zenodo.5794597），可查误杀。
D4：清洗有哪些已知风险？
盐类/电荷态归一、二聚体/加合物、立体化学合并三类，论文自曝。
D5：有偏差吗？
有，类群偏植物（79%），源于天然产物文献的采样历史。
E. 获取与许可
E1：怎么下载？
三通道：Wikidata SPARQL（实时）、LNPN 门户（检索）、Zenodo 冻结快照（复现）。
E2：冻结快照的 DOI？
concept DOI 10.5281/zenodo.5794106；最新版 v11 记录 6148914。
E3：快照里有什么文件？
frozen.csv.gz（20.6 MB）、frozen_metadata.csv.gz（90.3 MB）、changes_report、lotus_exporter.py。
E4：许可是什么？
CC0-1.0，公有领域贡献，无使用限制。
E5：能商用吗？
能，CC0 允许商业应用、再分发、训练模型。
E6：要署名吗？
法律上不强制（CC0），但学术惯例鼓励引用论文与数据集。
F. 使用与下游
F1：AI/ML 怎么用？
四类：分子网络注释佐证、分类学-化学多样性分析、结构-来源预测模型、知识图谱嵌入。
F2：有光谱数据吗？
没有，需走衍生库 ISDB-LOTUS（in silico 谱）。
F3：和 PubChem 什么关系？
PubChem 集成了 LOTUS 的生物/化学分类树视图。
F4：和代谢组学怎么接？
作 LC-MS/MS 注释的生源佐证表，配合谱库匹配。
F5：库内哪些条目可互链？
COCONUT（304）、ChEMBL（85/572）、DrugBank（89/571）、Hetionet（832）、DRKG（834）、MetaboLights（477）、TDC（131）。
G. 工程与复现细节
G1：frozen.csv.gz 和 frozen_metadata.csv.gz 怎么连？
按结构键（InChIKey）连接。核心表给三元组，元数据表给全字段；做「结构→来源→文献」全链分析必须两表 join。
G2：怎么做对级去重？
df.drop_duplicates(subset=["structure_inchikey","organism_wikidata_qid"])——把同对多文献的重复行合成一行。忘做这一步会把对数高估。
G3：v11 的文件为什么元数据表比核心表大 4 倍多？
因为每个结构携带 SMILES/InChI/分子式/精确质量/立体中心/NPClassifier/ClassyFire/OTL 路径/PubChem 物性/DOI/PMID/PMCID 十余个字段，字段宽导致体积膨胀——正常现象，不是数据冗余。
G4：lotus_exporter.py 能做什么？
它是 marimo 笔记本，可从 Wikidata 现场重建 Zenodo 冻结快照的全部输出文件。等于把「快照打包」变成「可复演的过程快照」，是做数据审计与版本核对的利器。
G5：changes_report 怎么用？
它记录相对上一版的增删摘要。做增量研究或追查「某条记录何时进入/离开数据集」时用它。
G6：SPARQL 查询有现成模板吗？
有。LOTUS 团队维护的 wikidata-interact 工具集提供现成查询模板，不必从零写谓词。
G7：怎么验证我拿到的快照与 Wikidata 当前态是否一致？
复跑 lotus_exporter.py，把它的输出与你手上的冻结快照比对 changes_report 即可看到差异规模。
G8：实时通道和冻结通道的数据模型一样吗？
底层建模一致（同一套 Wikidata 语句），差别只在时点：实时通道反映查询瞬间的图，冻结通道固定在某版本。模型一致意味着查询式可复用，只需注意时点。
G9：v11 精确有多少行？
未在条目生产时抓取（避免大文件解压预算）；文件大小为 20.6 MB / 90.3 MB。下载后可直接对 frozen.csv.gz 行数计数验证（遗留疑点，低风险，见附录 S）。
G10：如果我只做结构层面分析，要不要元数据表？
若只看结构-来源对，核心表够；但凡涉及分类（NPClassifier/ClassyFire）、分类学路径、物性、文献元数据，就需 join 元数据表。
事实清单（硬事实 36 条）
- LOTUS 全称 naturaL prOducTs occUrrence databaSe，开放天然产物结构-生物体对数据库。
- 正式论文：Rutz A, Sorokina M, Galgonek J, et al. eLife 2022;11:e70780，doi:10.7554/eLife.70780。
- 论文发表日：2022-05-26；预印本 2021-02-28，bioRxiv doi:10.1101/2021.02.28.433265。
- 通讯作者：Jonathan Bisson 与 Pierre-Marie Allard；一作 Adriano Rutz。
- 团队含 15 位作者，跨 UIC/日内瓦大学/弗里堡大学/Jena-IOCB/OICR 等机构。
- 论文引用口径：750,000+ 引用的结构-生物体对（referenced structure-organism pairs）。
- 独特化学结构：290,000+。
- 独特生物体：40,000+。
- 文献引用：75,000+。
- 论文数据冻结时间戳：2021-12-20。
- SPARQL 全量查询（2021-12-20）：951,800 行（含冗余引用）。
- 类群分布：植物 342,891 对 / 真菌 36,950 / 动物 24,114 / 细菌 23,198（论文 Table 3）。
- 密度：平均每结构约 3 个生物体，每生物体约 11 个结构。
- 输入资源：扫描 40+ 公开资源，识别 36 个有价值输入源。
- 输入源举例：COCONUT 系、KNApSAcK、NAPRALERT 子集、Dr. Duke（USDA）、Cyanometdb、Datawarrior、Wakankensaku、DiaNat-DB。
- 排除资源：FooDB（许可不许再发布）、DNP（商业库仅内部使用）。
- 质量：420 条对人工验证；100 条自动验证条目抽样复核真阳性率 97%。
- 被拒条目数据集：Zenodo 10.5281/zenodo.5794597。
- Wikidata 查询结果集：Zenodo 10.5281/zenodo.5793224。
- 数据集 concept DOI：10.5281/zenodo.5794106。
- 最新冻结版：Zenodo record 6148914（v11），发布 2026-04-13。
- v11 文件：260413_frozen.csv.gz（20.6 MB）+ 260413_frozen_metadata.csv.gz（90.3 MB）+ changes_report + lotus_exporter.py。
- 结构标识：InChIKey 作主键，另有 canonical/isomeric SMILES、InChI。
- 化学分类：NPClassifier + ClassyFire。
- 生物分类：Open Tree of Life 路径 + Wikidata QID。
- 文献元数据：DOI/PMID/PMCID（v11 metadata 表全量携带）。
- 三元组结构：(structure_inchikey, organism_wikidata_qid, reference_wikidata_qid) + manual validation status。
- 许可：CC0-1.0（公有领域贡献）。
- 获取三通道：Wikidata SPARQL（实时）/ LNPN 门户 lotus.naturalproducts.net / Zenodo 冻结快照。
- 门户域名：lotus.naturalproducts.net（旧 lotus.nprod.net）。
- 管线开源：GitHub lotusnprod 组织；v11 起附 lotus_exporter.py（marimo 笔记本，可自 Wikidata 重建全部输出）。
- 版本管理：Zenodo「Is new version of」自链，每版附 changes_report。
- 下游集成：PubChem（分类树视图）、ISDB-LOTUS（in silico 谱库）、ENPKG（RDF 知识图谱）、SLING、Plant Humanities Lab。
- 资助：Swiss National Science Foundation MetaboLinkAI 10002786（新版 Zenodo 记录披露）。
- TMAP 化学多样性可视化存于 OSF（kqa8b）；示例：quassinoid 高特异性 vs carotenoid 泛在性。
- 库内可互链条目（rid）：COCONUT 304、ChEMBL 85/572、DrugBank 89/571、Hetionet 832、DRKG 834、MetaboLights 477、TDC 131。
术语表（30 条）
| 术语 | 英文/缩写 | 释义 |
|---|---|---|
| 天然产物 | Natural Product (NP) | 生物体产生的次级代谢物，是药物与化学多样性的重要来源 |
| 结构-生物体对 | structure-organism pair | 一条「结构 X 被报道存在于生物 Y」的记录 |
| 三元组 | triplet | (结构 InChIKey, 生物 QID, 文献 QID) 的组合 |
| InChIKey | International Chemical Identifier Key | IUPAC 化学结构标识符的哈希形式，25 字符，作结构主键 |
| InChI | International Chemical Identifier | IUPAC 标准化化学结构字符串 |
| SMILES | Simplified Molecular-Input Line-Entry System | 线性化学结构表示法，分 canonical（唯一）与 isomeric（含立体） |
| Wikidata QID | Wikidata Item ID | Wikidata 实体的稳定编号（如 Q 开头） |
| SPARQL | SPARQL Protocol and RDF Query Language | RDF/知识图谱的查询语言 |
| Wikibase | — | Wikidata 的底层软件，支持结构化语句托管 |
| NPClassifier | — | 天然产物专用的层级化学分类体系 |
| ClassyFire | — | 通用的化学结构层级分类体系 |
| Open Tree of Life | OTL | 全球生物系统发育树，提供分类路径 |
| LNPN | LOTUS Natural Products portal | LOTUS 的官方门户，提供检索与导出 |
| ISDB | In Silico DB | 预测质谱数据库工具；ISDB-LOTUS 为其对 LOTUS 的衍生 |
| ENPKG | — | 以 LOTUS 为 primary source 的 RDF 知识图谱 |
| 分子网络 | Molecular Networking | 基于谱相似性把分子组织成网络的分析方法 |
| feature-based molecular networking | FBMN | 结合特征检测的分子网络工作流 |
| CC0 | Creative Commons Zero | 公有领域贡献许可，放弃全部权利、无使用限制 |
| DAIMS | Discoverability/Accessibility/Interoperability/Metadata/Sustainability | 本库的数据 AI 就绪度评估框架 |
| TMAP | Tree MAP | 把高维分子指纹降到二维树的化学空间可视化方法 |
| 苦木素 | quassinoid | 苦木科特征性的高特异性三萜类骨架 |
| 类胡萝卜素 | carotenoid | 广泛分布的泛在类色素/萜类，特异性低 |
| 生药学 | pharmacognosy | 研究天然药物（尤其植物）的学科 |
| 民族植物学 | ethnobotany | 研究人群与植物传统利用关系的学科 |
| 代谢组学 | metabolomics | 全面测量生物样本小分子的学科 |
| 非靶向分析 | untargeted analysis | 不预设目标、全面采集的分析模式 |
| LC-MS/MS | Liquid Chromatography–Tandem Mass Spectrometry | 液相色谱-串联质谱，代谢组学主力手段 |
| 去重 | deduplication | 合并重复记录的过程 |
| 冻结快照 | frozen snapshot | 固定时间点的可复现数据打包 |
| 拒绝池 | rejected set | 验证未通过、单独发布的条目集合 |
附录
附录 A：条目信息速查卡
| 项 | 内容 |
|---|---|
| 条目名 | LOTUS（lotus-ref） |
| 类别 | 化学-生物关系知识图谱 / 开放天然产物库 |
| 论文 | eLife 2022;11:e70780 |
| 数据 DOI | 10.5281/zenodo.5794106（concept） |
| 最新快照 | Zenodo 6148914（v11，2026-04-13） |
| 门户 | lotus.naturalproducts.net |
| 许可 | CC0-1.0 |
| 规模 | 75 万+ 结构-生物体对；29 万+ 结构；4 万+ 生物体；7.5 万+ 文献 |
| 冻结时点 | 论文 2021-12-20；快照 v11 2026-04-13 |
附录 B：DAIMS 评估全表
| 维度 | 评级 | 关键证据 | 短板 |
|---|---|---|---|
| D 可发现性 | 强 | 论文 DOI + concept DOI + KG Hub + bio.tools | — |
| A 可访问性 | 强 | 三通道全开放无门槛 | — |
| I 可互操作 | 强 | InChIKey + Wikidata QID + 标准分类词表 | — |
| M 机器可读 | 强 | CSV.gz/TSV/SPARQL JSON + exporter | — |
| S 可持续性 | 中强 | 开源管线 + 社区托管 | 依赖 SNSF 资助延续 |
| 综合 | 强（内容侧需注意偏差） | — | 类群偏植物；实时 vs 冻结口径 |
附录 C：逐项证据链自证
| 事实 | 来源 |
|---|---|
| 论文与 DOI | eLife 2022;11:e70780 |
| 规模 750,000+/290,000+/40,000+/75,000+ | eLife 论文正文 |
| 951,800 行 SPARQL | eLife 论文（2021-12-20 查询） |
| 类群分布 342,891/36,950/24,114/23,198 | eLife 论文 Table 3 |
| 真阳性率 97%、420 条人工验证 | eLife 论文 |
| 36 输入源、排除 FooDB/DNP | eLife 论文 Methods |
| concept DOI、rejected 集、查询集 | Zenodo 记录页 |
| v11 文件与大小 | Zenodo record 6148914（2026-04-13） |
| CC0 许可 | eLife 论文 + LNPN 门户 |
| 库内 rid | DB url_name 反查 |
附录 D：数据获取决策树
你要 LOTUS 数据做什么？
├── 要最新、要 SPARQL 联合查询
│ └── query.wikidata.org（通道①）
├── 要交互检索 / 结构/子结构搜索
│ └── lotus.naturalproducts.net（通道②）
├── 要固定版本、要复现、要批量下载
│ └── Zenodo concept DOI 10.5281/zenodo.5794106
│ └── 取最新版 record 6148914（v11，2026-04-13）
└── 要看谱数据
└── 不是 LOTUS 本体 → ISDB-LOTUS（in silico 谱）
附录 E：版本链登记表
| 版本 | Zenodo record | 发布时点 | 备注 |
|---|---|---|---|
| concept（首版） | 5794106 | 2021-12 | 论文冻结口径对应版 |
| 中间版本 | 7534071 等 | 2022-2025 | 「Is new version of」自链 |
| v11（最新） | 6148914 | 2026-04-13 | 附 lotus_exporter.py |
注：中间版本号仅举一例（7534071），完整链条见 Zenodo concept 页的 version 列表；每条引用建议固定到具体版本。
附录 F：v11 文件清单与用途
| 文件 | 大小 | 用途 |
|---|---|---|
| 260413_frozen.csv.gz | 20.6 MB | 核心三元组表，做对级统计的起点 |
| 260413_frozen_metadata.csv.gz | 90.3 MB | 富元数据表，按结构键连接核心表 |
| changes_report | 小 | 相对上一版增删摘要，做变更追踪 |
| lotus_exporter.py | 小 | marimo 笔记本，自 Wikidata 重建全部输出 |
附录 G：核心表字段字典
| 字段 | 类型 | 语义 |
|---|---|---|
| structure_inchikey | str | 结构 InChIKey（主键之一） |
| organism_wikidata_qid | str | 生物 Wikidata QID（主键之二） |
| reference_wikidata_qid | str | 文献 Wikidata QID（主键之三） |
| organism_name | str | 生物名（展示用） |
| reference_doi | str | 文献 DOI |
| manual_validation_status | str | 人工验证状态 |
附录 H：元数据表字段分组
| 字段组 | 内容 |
|---|---|
| 结构描述符 | canonical/isomeric SMILES、InChI、InChIKey、分子式、精确质量、立体中心数 |
| 化学分类 | NPClassifier、ClassyFire |
| 生物分类 | Open Tree of Life 路径、Wikidata 分类学 QID |
| 文献引用 | DOI、PMID、PMCID、标题 |
| PubChem 物性 | 分子量等计算性质 |
附录 I：DAIMS 与 FAIR 对照
| FAIR 原则 | LOTUS 对应 |
|---|---|
| F1 全局唯一标识 | DOI + Wikidata QID + InChIKey |
| F2 富元数据 | frozen_metadata.csv.gz 全字段 |
| A1 可访问协议 | HTTPS 直链（Zenodo/门户）+ SPARQL 端点 |
| A2 元数据可访问 | 即便不批量下载，SD 页与门户始终开放 |
| I1 互操作格式 | CSV/TSV/JSON + 标准化学标识符 |
| I2 词汇表引用 | NPClassifier/ClassyFire/OTL |
| R1 来源溯源 | 每条对附文献引用 |
| R1.1 许可 | CC0-1.0 |
附录 J：SPARQL 检索骨架（示例）
# 目标：列出某生物（Wikidata QID 替换为具体值）中被报道的全部结构
SELECT ?structure ?inchikey WHERE {
?pair wdt:P0000 wd:Q_BIO_ENTITY . # 占位谓词，实际以 LOTUS 数据模型为准
?pair wdt:P0001 ?structure .
?structure wdt:P0002 ?inchikey .
}
注：上式为结构示意骨架，真实谓词与 LOTUS 在 Wikidata 上的建模一致，使用前请核对属性编号；LOTUS 团队维护的 wikidata-interact 工具集提供现成查询模板。
附录 K：Python 加载骨架（示例）
# Zenodo 冻结快照加载骨架（v11）
import pandas as pd
core = pd.read_csv("260413_frozen.csv.gz", compression="gzip")
meta = pd.read_csv("260413_frozen_metadata.csv.gz", compression="gzip")
# 对级去重（避免同对多文献重复计数）
pairs = core.drop_duplicates(subset=["structure_inchikey", "organism_wikidata_qid"])
# 按结构键连接元数据
merged = pairs.merge(meta, on="structure_inchikey", how="left")
# 类群自检：先看样本量再谈跨类群比较
print(core["organism_wikidata_qid"].value_counts().head(20))
附录 L：类群分布重算表（论文 Table 3 转）
| 类群 | 对数 | 占比 |
|---|---|---|
| 植物 Plantae | 342,891 | ≈ 79.0% |
| 真菌 Fungi | 36,950 | ≈ 8.5% |
| 动物 Animalia | 24,114 | ≈ 5.6% |
| 细菌 Bacteria | 23,198 | ≈ 5.3% |
| 四类合计 | ≈ 427,153 | 100% |
注：四类合计落在 75 万+ 的总对内，差额来自多文献引用计数与其他类群。
附录 M：与库内 COCONUT 条目的关系声明
COCONUT（库内 rid 304）与 LOTUS 同属开放天然产物库，且 COCONUT 系 LOTUS 的主要输入源之一。二者的差别不是「谁的覆盖更大」，而是侧重不同：COCONUT 以结构集合为中心，LOTUS 以「结构-生物体-文献」关联为中心并托管于 Wikidata。使用者若只需结构列表可选 COCONUT；若需来源与文献链则选 LOTUS。两库结构高度重叠，交叉使用时以 InChIKey 为连接键。
附录 N：天然产物开放资源景观总表
| 资源 | 类型 | 许可 | 与 LOTUS 关系 |
|---|---|---|---|
| LOTUS | 结构-生物体-文献库 | CC0 | 本条目 |
| COCONUT | 结构集合 | 开放 | LOTUS 输入源（库内 rid 304） |
| KNApSAcK | 物种-代谢物库 | 开放 | LOTUS 输入源 |
| NAPRALERT | 民族药物学库 | 子集开放 | LOTUS 输入源 |
| Dr. Duke | 植物化学库（USDA） | 开放 | LOTUS 输入源 |
| DNP | 商业天然产物库 | 商业 | 仅内部比较 |
| FooDB | 食物成分库 | 受限 | 未整合（不许再发布） |
| NPAtlas | 微生物天然产物库 | 开放 | 对比资源 |
附录 O：许可条款细读
- 数据本体：CC0-1.0，公有领域贡献，商业/再分发/衍生/训练均无限制，署名非法律义务。
- Wikidata 承载层：继承 Wikidata CC0 贡献模型。
- 源文献：作为引用来源的原始论文受各自版权约束，LOTUS 只存元数据与指向，不复制正文。
- 衍生库：ISDB-LOTUS、ENPKG 各有其许可，须分别核对。
- 引用优先级：用数据引数据（CC0），引观点引文献（各自许可）。
附录 P：引用规范
@article{rutz2022lotus,
title = {The LOTUS initiative for open knowledge management in natural products research},
author = {Rutz, Adriano and Sorokina, Maria and Galgonek, Jakub and others},
journal = {eLife},
volume = {11},
pages = {e70780},
year = {2022},
doi = {10.7554/eLife.70780}
}
@dataset{lotus2026frozen,
title = {LOTUS: naturaL prOducTs occUrrence databaSe (frozen dataset v11)},
year = {2026},
doi = {10.5281/zenodo.6148914},
note = {concept DOI: 10.5281/zenodo.5794106}
}
附录 Q：坑点档案（与 §10 对照）
| 坑 | 一句话档案 | 触发场景 |
|---|---|---|
| 坑 1 | ISDB-LOTUS/ENPKG 是衍生库非本体 | 引用/溯源 |
| 坑 2 | 95 万行 ≠ 75 万对 | 规模统计 |
| 坑 3 | 75 万对 ≠ 7.5 万文献 | 数字抽取 |
| 坑 4 | InChIKey 主层不区分立体 | 去重/构型分析 |
| 坑 5 | 实时查询 vs 冻结快照混用 | 复现研究 |
| 坑 6 | 类群偏植物，勿当生物信号 | 跨类群比较 |
| 坑 7 | LOTUS 不含实测谱 | 代谢组学注释 |
| 坑 8 | CC0 数据 ≠ 源文献可复制 | 引用规范 |
附录 R：检索决策树
你想找什么？
├── LOTUS 本体论文
│ └── doi:10.7554/eLife.70780（eLife open access）
├── LOTUS 冻结数据
│ └── Zenodo concept 10.5281/zenodo.5794106 → v11 6148914
├── LOTUS 交互检索
│ └── lotus.naturalproducts.net
├── 结构与来源对照
│ └── COCONUT（库内 rid 304）+ LOTUS
└── "ISDB-LOTUS 数据集"？
└── 那是衍生谱库，不是 LOTUS 本体（坑 1）
附录 S：双口径登记表
| # | 项 | 口径 A | 口径 B | 处理 |
|---|---|---|---|---|
| 1 | 对数演进口径 | 500,000+（早期摘要） | 750,000+（eLife 正文） | 非冲突，时间演进；正文采 750,000+ |
| 2 | Zenodo license | CC0-1.0（KG Hub/论文/LNPN） | CC-BY-4.0（个别记录页标签） | 采 CC0，Zenodo 页标为元数据瑕疵 |
| 3 | v11 精确行数 | 20.6 MB（文件大小已抓） | 精确行数未抓 | 遗留疑点，下载后可自算 |
| 4 | v11 当前总量 | 论文 2021 冻结口径可用 | 官方页未给最新对数 | 采论文口径并注明持续托管 |
| 5 | KNApSAcK 输入地位 | 列为先驱对比资源 | 是否在输入管道未明列 | 存照为背景资源，地位存疑 |
附录 T：维护计划与触发点
| 触发点 | 条件 | 动作 | 优先级 |
|---|---|---|---|
| 新冻结版发布 | Zenodo 出现 v12 | 更新 §5、附录 E/F | 1 |
| 新论文 | LOTUS 团队发方法/更新论文 | §2 时间线追记 | 2 |
| 下游新集成 | 新平台接入 LOTUS | §7.1 表扩行 | 3 |
| 许可变更 | CC0 改为其他 | §5.4/附录 O 改写 | 4 |
| 规模更新 | 官方披露最新对数 | §4/附录 L 更新 | 5 |
附录 U：缩写速查
| 缩写 | 全称 |
|---|---|
| LOTUS | naturaL prOducTs occUrrence databaSe |
| NP | Natural Product（天然产物） |
| LNPN | LOTUS Natural Products portal |
| ISDB | In Silico DB（谱库） |
| ENPKG | Environmental/Natural Products Knowledge Graph |
| OTL | Open Tree of Life |
| QID | Wikidata Item ID |
| DAIMS | Discoverability/Accessibility/Interoperability/Metadata/Sustainability |
| TMAP | Tree MAP（化学空间可视化） |
| FBMN | Feature-Based Molecular Networking |
| CC0 | Creative Commons Zero |
| DNP | Dictionary of Natural Products |
附录 V：AI-Ready 检查单
| 检查项 | 状态 | 说明 |
|---|---|---|
| F1 全局唯一标识 | ✅ | DOI + Wikidata QID + InChIKey |
| F2 富元数据 | ✅ | frozen_metadata 全字段 |
| A1 可访问协议 | ✅ | HTTPS 直链 + SPARQL |
| A2 元数据可访问 | ✅ | 门户/SD 页始终开放 |
| I1 互操作格式 | ✅ | CSV/TSV/JSON |
| I2 词汇表引用 | ✅ | NPClassifier/ClassyFire/OTL |
| R1 来源溯源 | ✅ | 每条对附文献 |
| R1.1 许可 | ✅ | CC0-1.0 |
| R3 可复现流程 | ✅ | lotus_exporter.py 可自重建 |
| AI-Ready 综合 | 强 | 短板在内容偏差与时效口径 |
附录 W：基于本数据集的研究检查清单（12 项）
- 口径核对：引用规模数字时先确认是「行（951,800）」「对（75 万+）」还是「文献（7.5 万+）」。
- 版本固定：复现研究固定 Zenodo 版本号（如 v11），同时给 concept DOI。
- 通道一致：实时查询与冻结快照不得混入同一分析。
- 对级去重：做对级统计前按 (structure_inchikey, organism_qid) 去重。
- 立体保真：需要构型区分时用完整 InChIKey 或 isomeric SMILES，勿只用主层。
- 类群自检：跨类群分析前先报各类群样本量（植物 79%）。
- 谱数据另寻：LOTUS 无实测谱，谱匹配走 ISDB-LOTUS 或第三方库。
- 被拒池回查：怀疑漏数据时查 rejected 数据集（5794597）。
- 许可分层：数据 CC0，源文献各自许可，分别核对。
- 衍生库区分：ISDB-LOTUS/ENPKG 各有出处，勿混称 LOTUS。
- 引用完整：用数据引数据集 DOI + 论文 DOI，衍生库引其自身。
- 时点存照：记录抓取/查询时点，尤其用实时通道时。
附录 X：本条目生产档案
- 生产通道：LOTUS 条目（slug lotus-ref），代理 agent-e-lotusref
- 事实研究：FACTS.md 九节（writing/lotus-ref/FACTS.md，抓取时点 2026-10-13）
- 复用情况：前次中断遗留 p1/p2 草稿经 10 秒 md5 稳定性采样确认后规整复用，续写 p3/p4/p5 后 cat 拼接
- 成稿方式：五块直写拼接（part1-5），每 part 尾留空行
- 坑点：§10 八则（坑 1-8「坑 N：」编号制）
- description：成稿时即 ≤170 字符
- 互链计划：正文内链 COCONUT（304）/ChEMBL（85/572）/DrugBank（89/571）/Hetionet（832）/DRKG（834）/MetaboLights（477）/TDC（131）
附录 Y：检索路径示范（关键词组合与查询式）
| 目标 | 推荐查询式 | 预期命中 |
|---|---|---|
| 本体论文 | “LOTUS” AND “natural products” AND “knowledge management” | eLife 2022;11:e70780 |
| 冻结数据 | Zenodo 5794106 / 6148914 | v11 快照 |
| 交互检索 | site:lotus.naturalproducts.net | LNPN 门户 |
| 输入源 | “LOTUS” AND (KNApSAcK OR NAPRALERT OR “Dr. Duke”) | 论文 Methods |
| 代谢组学应用 | “LOTUS” AND (“molecular networking” OR metabolomics) | feature-based 注释文献群 |
| 反例（勿混） | “ISDB-LOTUS dataset”（作 LOTUS 本体） | 应为衍生谱库（坑 1） |
检索卫生两条：一、凡命中「ISDB-LOTUS」「ENPKG」字样，读的是衍生库语境，引用时分别溯源；二、门户数据随 Wikidata 更新而变，引用具体数字时注明查询时点。
附录 Z：常见误用与纠正
| 误用 | 问题 | 纠正 |
|---|---|---|
| 「LOTUS 有 95 万条结构-生物体对」 | 混行与对 | 951,800 是导出行，对约 75 万+ |
| 「LOTUS 有 7.5 万条结构-生物体对」 | 漏一个数量级 | 7.5 万是文献数，对是 75 万+ |
| 「用 LOTUS 做谱库匹配」 | 定位错误 | LOTUS 无实测谱，谱走 ISDB-LOTUS |
| 「LOTUS 覆盖所有已知天然产物」 | 夸大 | 仅文献回溯 + 偏植物，DNP 覆盖更深 |
| 「ISDB-LOTUS 就是 LOTUS」 | 混衍生库 | 两者分别引用、分别许可 |
| 「LOTUS 数据可商用，所以引用的论文也能抄」 | 许可越界 | 数据 CC0，源文献各自版权 |
| 「实时查询结果可复现」 | 时点漂移 | 复现须固定 Zenodo 版本号 |
附录 AA：数据规模一览（多口径并列）
| 指标 | 数值 | 口径/来源 |
|---|---|---|
| 引用的结构-生物体对 | 750,000+ | eLife 论文正文（2021-12-20 冻结） |
| SPARQL 全量导出行 | 951,800 | eLife 论文（含冗余引用） |
| 独特化学结构 | 290,000+ | eLife 论文 |
| 独特生物体 | 40,000+ | eLife 论文 |
| 文献引用（去重） | 75,000+ | eLife 论文 |
| 植物对 | 342,891 | 论文 Table 3 |
| 真菌对 | 36,950 | 论文 Table 3 |
| 动物对 | 24,114 | 论文 Table 3 |
| 细菌对 | 23,198 | 论文 Table 3 |
| 输入源总数 | 36（自 40+ 扫描） | 论文 Methods |
| 人工验证条目 | 420 | 论文 |
| 抽样真阳性率 | 97% | 论文（n=100） |
| v11 核心表大小 | 20.6 MB | Zenodo 6148914 |
| v11 元数据表大小 | 90.3 MB | Zenodo 6148914 |
附录 AB：一条记录的全生命周期（举例）
以一条假设的「结构 A 来自植物 B，见文献 C」记录为例，走一遍 LOTUS 全流程：
- 输入：某资源（如 COCONUT 系）已记录「结构 A 在植物 B 中被报道」，附文献线索。
- 结构规范化：A 的 SMILES/Molfile 被统一转为 InChIKey，盐/电荷/二聚体按保守原则处理。
- 生物体规范化：植物 B 的学名挂到 Wikidata 分类学 QID，并连 Open Tree of Life 得分类路径。
- 文献挂接：文献 C 经 DOI 解析到 Wikidata 学术条目 QID，v11 补全 PMID/PMCID。
- 验证：自动规则确认 A 的 InChIKey 有效、B 的 QID 存在、C 的引用可解析；若抽中则人工回查原文。
- 发布：记录进入主数据集 → 上 Wikidata → 镜像 LNPN → 打包进 Zenodo 冻结快照。
- 使用：研究者用 SPARQL 或下载快照，join 元数据表拿到 A 的分类与物性、B 的分类学、C 的引用信息。
这条链路的关键在于每一步都用稳定标识符锚定：InChIKey 锚住结构、QID 锚住生物与文献——这正是 LOTUS 区别于「一堆 CSV 拼凑」的本质。
附录 AC：与 COCONUT 的字段级对照
| 维度 | COCONUT | LOTUS |
|---|---|---|
| 核心对象 | 结构集合 | 结构-生物体-文献三元组 |
| 主标识符 | 结构标识符为主 | InChIKey + Wikidata QID 三层 |
| 文献引用 | 有限 | 每条对必附引用 |
| 托管 | 自有平台 | Wikidata 主托管 + Zenodo 快照 |
| 许可 | 开放 | CC0-1.0 |
| 关系 | LOTUS 的输入源之一 | COCONUT 的下游整合者 |
两库结构高度重叠，交叉使用时以 InChIKey 连接；若只需结构列表用 COCONUT，需要来源与文献链用 LOTUS。
尾注
本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-13，抓取与核验时点见 FACTS.md。事实陈述以 eLife 论文（eLife 2022;11:e70780）、Zenodo 冻结快照记录页与 LNPN 门户为源；对数演进口径（50 万→70 万→75 万）、Zenodo license 页标（CC0 vs CC-BY-4.0）、v11 精确行数等原始文档差异已在附录 S 与坑点存照。条目与库内 COCONUT（rid 304）、ChEMBL（rid 85/572）、DrugBank（rid 89/571）、Hetionet（rid 832）、DRKG（rid 834）、MetaboLights（rid 477）、TDC（rid 131）等条目互链，构成开放天然产物与生物医学知识图谱家族的完整检索面。后续维护触发点见附录 T。
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：
- chebi — 共享标签：药物发现与化学 / 化学信息学 / 知识图谱 / 代谢组学
- ctrp-v2 — 共享标签：药物发现与化学 / 化学信息学 / 分子性质预测
- ttd — 共享标签：药物发现与化学 / 化学信息学 / 知识图谱
- hmdb — 共享标签：药物发现与化学 / 化学信息学 / 代谢组学
- dgidb — 共享标签：药物发现与化学 / 化学信息学 / 知识图谱
- aqsoldb — 共享标签：药物发现与化学 / 化学信息学 / 分子性质预测
- chembl — 共享标签：药物发现与化学 / 化学信息学 / 分子性质预测
- moleculenet — 共享标签：药物发现与化学 / 化学信息学 / 分子性质预测
- iuphar-bps — 共享标签：药物发现与化学 / 化学信息学 / 知识图谱
- mdad — 共享标签：药物发现与化学 / 化学信息学 / 知识图谱
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。
