信息速览
PharmGKB — 药物基因组学知识库 AI-Ready Wikipedia
INFOBOX
| 字段 | 内容 |
|---|---|
| 数据集名称 | PharmGKB（The Pharmacogenomics Knowledgebase） |
| 英文全称 | The Pharmacogenomics Knowledgebase |
| 别名/简称 | PharmGKB；2025-07-30 起由 ClinPGx 整合发布 |
| 疾病分类（ICD-11） | 跨病种知识库，覆盖 2A00-2F9Z（恶性肿瘤）、BA00-BE2Z（循环系统疾病）、5A00-5D46（内分泌、营养或代谢疾病）等编码范围 |
| SNOMED CT | 跨病种映射示例：64572001（Disease）、105590001（Substance）、373873007（Pharmaceutical / biologic product） |
| 数据模态 | 文献文本知识 + 结构化注释表（TSV/JSON）+ 通路图（BioPAX XML） |
| AI 任务类型 | 关系抽取、知识图谱构建与链接预测、证据分级、医学信息抽取、药物重定位研究 |
| 样本总数 | 24,535 条变异注释、4,723 条临床注释、1,761 个基因、715 种药物（截至 2021-04） |
| 数据大小 | 约 20 MB（15 个注释与主数据压缩包合计，截至 2026-09） |
| 数据格式 | TSV、JSON、BioPAX XML、RDF（历史版本）；zip 压缩分发 |
| 许可证 | CC BY-SA 4.0（署名-相同方式共享 4.0 国际） |
| 访问级别 | 开放（无需注册账号，直接下载） |
| DUO 标签 | 不适用（聚合文献知识库，无个体级基因组数据） |
| 语言 | 英语 |
| 首发日期 | 2000 年 |
| 最后更新 | 持续滚动更新；2025-07-30 整合入 ClinPGx |
| 发布机构 | Stanford University（NIH/NIGMS 资助，资助号 U24HG010615） |
| 官方主页 | https://www.pharmgkb.org/ |
| 下载地址 | https://www.pharmgkb.org/downloads/ |
| DOI | 数据集本体无 DOI；主引用论文 DOI：10.1038/clpt.2012.96 |
| 引用次数 | 2,300+（Google Scholar，截至 2026-09） |
| AI 就绪度评分 | ⭐⭐⭐（3/5）— 格式规整（TSV/JSON 可直接解析）且开放免申请，但无官方任务划分与预处理脚本，证据分级需自行过滤 |
| 页面状态 | published |
§0 E-E-A-T 审核与免责声明
医学审核者：[千方病案医学编辑部] 交叉审核：§2 医学背景（ICD-11/SNOMED 映射、药物基因组学临床任务定义）、§7 偏倚分析。
数据工程审核者：[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
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。PharmGKB/ClinPGx 全部数据采用 CC BY-SA 4.0 许可，仅限研究用途、不得作为商品出售，衍生作品须以相同许可分发并恰当署名；CPIC 给药指南另有其自身免责声明。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
§1.0 30 秒速览
PharmGKB 是斯坦福大学自 2000 年起维护、美国国立卫生研究院（NIH）资助的药物基因组学知识库（The Pharmacogenomics Knowledgebase）。它系统阅读全球发表的药物基因组学文献，把"某个基因变异如何影响某个药物的疗效、毒性或代谢"这类知识，人工整理成一条条结构化注释。截至 2021 年 4 月，它已收录 1,761 个基因、715 种药物、24,535 条变异注释与 4,723 条临床注释（Gong et al. 2021；CPIC 报告材料）。
它为什么重要？因为同样是吃华法林或氯吡格雷，不同基因型的人需要的剂量或疗效可能完全不同。药物基因组学（PGx）正是研究这一问题的学科，而 PharmGKB 是该领域全球公认的"事实底座"——著名的 CPIC 临床给药指南联盟就是由它联合创立，指南注释也托管在 PharmGKB 中，并给出 1A 到 4 级的证据分级，告诉你哪些基因-药物关联"已可指导处方"，哪些只是初步线索。
你能用它做什么？构建基因-药物知识图谱并做链接预测；训练生物医学关系抽取模型；为精准用药研究提供基因型-表型规则库；或把 CPIC 指南注释接入临床决策支持系统的研发与评估流程。全部数据约 20 MB，CC BY-SA 4.0 许可，无需注册即可下载。
§1.1 技术摘要
PharmGKB 的核心生产流程是人工文献审校（manual curation）：Stanford 的审校团队（curators）逐篇阅读同行评审文献，将每项研究中的"变异-药物-表型"发现填入标准化网络表单，形成变异注释（variant annotations）——每条记录对应单篇文献中的单一发现，并附带研究规模、人群、p 值、等位基因频率等结构化参数。随后，讨论同一"变异-药物-表型"组合的全部变异注释被聚合为临床注释（clinical annotations），并由自动化评分系统按表型类别、p 值、队列规模、效应量与研究类型打分，汇总后赋予 1A/1B/2A/2B/3/4 六级证据等级（Whirl-Carrillo et al. 2021）。在此之上，知识库还维护 VIP（Very Important Pharmacogenes）基因摘要、药物通路图（BioPAX/TSV/JSON 三种格式）、监管机构药物标签注释，以及 CPIC 等联盟的给药指南注释。数据通过网站、15 个左右的批量压缩包（TSV/JSON/XML）和免认证 REST API（api.pharmgkb.org/v1/data）三种渠道分发，2025-07-30 起整合入 ClinPGx 平台（KG Hub 注册页）。
理解这三种渠道的分工对工程决策很重要：批量压缩包是唯一可复现的形态——一次下载即一份快照，文件哈希天然构成版本标识，绝大多数研究管线应以它为唯一数据源；REST API 适合增量同步与单点查询（如把注释检索嵌入文献阅读工具），但限速 2 req/s 且返回结构随平台升级可能调整，不应作为大规模批处理的通道；网站检索面向人工浏览，程序化抓取网页是不被鼓励也不必要的做法。三条渠道共享同一套 PA 编号体系，因此跨渠道对齐同一实体时以 accession 为主键即可。
§1.2 战略价值
维度一：精准用药研究的"事实级"基准。 与侧重原始测序数据的 dbGaP、侧重药物化学结构的 DrugBank 不同，PharmGKB 提供的是经过人工审校、带证据分级的知识而非原始数据。对 AI 而言，它是罕见的高质量"弱标注"资源：每条临床注释都有标准化句子描述与 1A-4 证据等级，天然适合作为知识图谱补全、药物-基因关系预测的 ground truth 或 distant supervision 来源；对研究者而言，LOE 分层让"可临床行动的知识"与"初步线索"可以严格分开建模。
维度二：连接文献、指南与监管标签的枢纽节点。 PharmGKB 联合创立了 CPIC，同时维护 FDA 等监管机构药物标签的 PGx 注释与通路图，因此它是在"一篇论文的统计结果"与"一条处方建议"之间架桥的唯一定位。其 All of Us、UK Biobank 等大型生物银行的单倍型频率数据集（经 PharmCAT 处理）进一步把文献知识与人群频率打通。对构建医疗 AI 系统的团队来说，这是把模型输出对齐到临床可解释规则的最短路径。
§1.3 同类数据集横向对比
| 数据集 | 机构 | 规模 | 模态/形态 | 标注 | 与 PharmGKB 的差异化 |
|---|---|---|---|---|---|
| PharmGKB | Stanford（NIH 资助） | 1,761 基因 / 715 药物 / 24,535 变异注释（截至 2021-04） | 文献注释 TSV/JSON + 通路图 + 指南 | 人工审校 + 1A-4 证据分级 | 文献聚合 + 证据分级 + CPIC 指南托管 |
| ClinVar | NCBI | 数百万条变异记录（含亚专业提交） | 变异-临床意义 TSV/VCF | 提交者自报 + 审核分级 | 面向疾病遗传变异，无药物反应主线 |
| CPIC | 药物基因组学实施联盟 | 数十份临床指南（基因-药物对） | 指南文本 + 表格 | 专家共识 | 只含可行动指南；知识底座托管于 PharmGKB |
| PharmVar | 药物基因变异命名联盟 | CYP 系列等基因的星等位基因目录 | 等位基因命名数据库 | 专家审定 | 专注等位基因命名标准化，无文献注释 |
| DrugBank | DrugBank Online | 数千药物（含结构/靶点） | 化学+靶点表 | 人工+自动混合 | 化学结构与药理靶点为主，非文献证据分级 |
§1.4 版本时间轴
| 年份 | 里程碑 | 说明 |
|---|---|---|
| 2000 | PharmGKB 上线 | NIH PGRN（Pharmacogenetics Research Network）资助创建，定位为网络数据协调中心（Whirl-Carrillo et al. 2021） |
| 2003 | 通路图启动 | 开始绘制药物代谢药代/药效通路图并作为综述发表 |
| 2007 | 变异注释标准化 | 文献发现整理为结构化网络表单记录 |
| 2008 | NAR 数据库论文 | 首批核心描述论文发表（Hernandez-Boussard et al.） |
| 2011 | CPIC 成立 | PharmGKB 联合创立临床药物基因组学实施联盟 |
| 2012 | 主引用论文 | Whirl-Carrillo et al., Clin Pharmacol Ther |
| 2020 | VIP 分层与评分自动化 | VIP 分 Tier 1/2/Cancer Genome；LOE 自动评分系统发表（截至 2021-04 记录 24,535 变异注释） |
| 2024 | VIP 精简 | 10-11 月移除 Tier 2 分层与 VIP 页面全文文本（全文改存文件下载） |
| 2025 | 整合入 ClinPGx | 2025-07-30 起 PharmGKB、CPIC、PharmCAT 统一为 ClinPGx，旧域名重定向 |
读这张时间轴的两个要点：一是 2008-2012 年间的两篇论文恰好卡在"数据库描述"到"知识化定位"的转向点上，理解这个转向才能理解为什么本数据集的核心资产是注释与分级而非生物样本；二是 2024-2025 的连续两次结构变更说明平台仍处于活跃演进期，任何依赖官方文档细节（字段名、页面结构、分层术语）的自动化管线，都应把"文档版本"与"数据快照"绑定管理，防止文档先行漂移。
§1.5 典型应用场景
- 基因-药物知识图谱与链接预测：以 relationships.tsv 为边、基因/药物/变异为节点构建异构图，用知识图谱补全模型预测未标注的基因-药物关联，并以临床注释作为评估信号。
- 生物医学关系抽取的标注与弱监督来源：24,535 条结构化变异注释可作为 distant supervision，自动标注文献句级关系，训练/评估学术关系抽取模型。
- 精准用药决策支持原型：结合 guidelineAnnotations.json 的 CPIC 建议、临床注释分级与药物标签，构建"基因型→表型→处方建议"规则引擎的研究原型（临床落地须独立验证）。
- 药物重定位与安全性信号挖掘：按表型类别（efficacy/toxicity/metabolism/PK/PD）聚合注释，筛查毒性相关基因-药物对，为药物警戒研究提供先验。
- 证据合成与系统综述加速：以 LOE 与 PMIDs 列表为检索底座，快速定位某变异-药物对的全部分析文献，辅助系统综述与荟萃分析选题。
各场景与数据文件的对应关系（据此决定下载哪些包）：
| 场景 | 必需文件 | 可选增强 |
|---|---|---|
| 知识图谱与链接预测 | relationships.zip、genes.zip、drugs.zip、variants.zip | clinicalAnnotations.zip（做评估信号） |
| 关系抽取弱监督 | variantAnnotations.zip、occurrences.zip | automated_annotations.zip（对照） |
| 决策支持原型 | guidelineAnnotations.json.zip、drugLabels.zip | clinicalAnnotations_LOE1-2.zip |
| 安全性信号挖掘 | variantAnnotations.zip、clinicalAnnotations.zip | chemicals.zip、phenotypes.zip |
| 证据合成 | clinicalAnnotations.zip、occurrences.zip | clinicalVariants.zip |
| 公平性审计 | 单倍型频率三文件（AllOfUs/UKBB/NAT2） | genes.zip（基因符号对照） |
§2 医学背景
§2.1 疾病与医学概念-编码映射表
PharmGKB 是跨病种知识库：它的"标注对象"不是单一疾病，而是药物反应表型在各类疾病用药中的分布。下表给出其核心知识域与 ICD-11 编码范围的映射（ICD-11 编码范围以官方章节块为准，条目为该知识域的典型代表）：
| 标签/知识域 | ICD-11 编码范围 | ICD-11 中文名称 | 代表性基因-药物知识 |
|---|---|---|---|
| 抗肿瘤药物反应 | 2A00-2F9Z | 恶性肿瘤 | DPYD-氟尿嘧啶类毒性、EGFR-靶向治疗、TPMT/NUDT15-硫嘌呤 |
| 心血管用药反应 | BA00-BE2Z | 循环系统疾病 | CYP2C9/VKORC1-华法林剂量、CYP2C19-氯吡格雷、SLCO1B1-他汀肌病 |
| 代谢与内分泌用药 | 5A00-5D46 | 内分泌、营养或代谢疾病 | CYP2C9-苯妥英、G6PD-氧化性药物溶血 |
| 精神/神经用药反应 | 8A00-8E0Z | 神经系统疾病 | CYP2D6-可待因/曲马多镇痛、HLA-B*57:01-阿巴卡韦超敏 |
| 药物有害效应（总域） | NF06 | 药物、药剂或生物物质的有害效应 | 跨药物的不良反应-基因型关联主线 |
使用该映射表时注意三点：其一，PharmGKB 注释中的"疾病/表型"字段粒度远细于 ICD-11 章节码（同一注释可能只写到"华法林疗效降低"这类药物反应级描述），落地时需经实体链接才能映射到 ICD-11 条目；其二，编码范围行仅表示"该知识域主要落在哪个 ICD-11 章节块"，不构成一一对应关系，禁止直接当作标签对齐表使用；其三，肿瘤域中体细胞变异与种系变异的证据体系不同（见 §7.3），跨域建模时建议在数据层即分列。
§2.1b SNOMED CT 映射表
| 概念 | SNOMED CT 码 | 术语 | 说明 |
|---|---|---|---|
| 疾病实体 | 64572001 | Disease | 注释中表型（疾病/不良反应）所属的顶层概念域 |
| 物质实体 | 105590001 | Substance | 药物/化学物质规范化归属的顶层概念 |
| 药品实体 | 373873007 | Pharmaceutical / biologic product | 临床使用剂型的顶层概念 |
| 基因-药物-反应关系 | —（关系型断言，非单一码） | — | PharmGKB 注释为三元组式断言，落地时以关系表建模 |
§2.2 药物基因组学简介与流行病学
药物基因组学（pharmacogenomics，PGx）研究人类基因变异如何影响个体对药物的吸收、代谢、疗效与毒性。经典例子包括：CYP2C9 与 VKORC1 变异导致华法林剂量需求个体间差异可达数倍；CYP2C19 功能缺失等位基因携带者服用氯吡格雷时血小板抑制不足；G6PD 缺乏者接触氧化性药物可发生急性溶血。由于多数 PGx 证据散落在数千篇独立文献、样本量与结论互有出入，证据聚合与分级成为该学科进入临床的前提——这正是 PharmGKB 的使命（“collect, encode, and disseminate knowledge about the impact of human genetic variations on drug response”，Whirl-Carrillo et al. 2012）。
从临床落地规模看，PGx 已进入主流医疗体系：PharmGKB 联合创立的 CPIC 自 2011 年起持续发布基因型导向的给药指南，其基因/药物对按 A-D 分级（仅 A、B 级具有处方行动建议，CPIC Prioritization）；FDA 维护药物标签中的 PGx 生物标志物表；PharmGKB 本身以 165 份临床指南与 784 份药物标签注释（截至 2021-04，Gong et al. 2021）成为覆盖面最广的聚合资源。PGx 检测的临床采用率随电子病历基因型预emptive 检测项目扩展而逐年上升，但人群层面仍有大量可行动基因型未被检测——这既是医学问题，也是 AI 驱动的风险分层模型的用武之地。
从知识形态看，PGx 知识在 PharmGKB 中呈现三级"纯度"：最纯净的是星等位基因与表型分类（如 CYP2D6*10 → 中间代谢者），已由 PharmVar 与 CPIC 标准化；中间层是基因型-剂量/换药建议（CPIC 指南注释），表述规范化但仍含临床上下文；最松散的是单研究统计发现（变异注释），每条携带着各自的 p 值、效应量与人群口径，彼此可能矛盾。AI 应用应据此选择建模目标——做规则抽取与对齐时用前两层，做关系预测与证据合成时才动用第三层，且永远以证据等级字段区分三层的可靠性。
§2.3 临床任务定义
| 临床任务 | 定义 | 在 PharmGKB 中的数据支撑 | AI 建模视角 |
|---|---|---|---|
| 证据分级（分级） | 将文献证据强度分为 1A/1B/2A/2B/3/4 | 临床注释的 LOE 字段与自动化评分系统 | 有序分类/评分回归任务 |
| 处方建议生成 | 基因型→表型→剂量或换药建议 | guidelineAnnotations.json（CPIC 及其他联盟） | 规则引擎 + 文本结构化 |
| 药物反应预测（预后式） | 预测携带某变异者出现疗效/毒性反应的概率 | 24,535 条变异注释（含效应量、p 值） | 关系预测/异质图链接预测 |
| 不良反应筛查 | 识别高风险基因-药物-人群组合 | 表型类别（toxicity）注释 + 药物标签 | 多标签分类、信号挖掘 |
| 知识更新检测 | 发现新文献对既有结论的修正 | 持续更新的注释流水线 + 自动注释 | 文本挖掘、增量学习 |
上表中五个任务对应的数据支撑粒度不同：证据分级与处方建议生成工作在临床注释/指南注释层级（每行已是聚合结论）；药物反应预测与不良反应筛查工作在变异注释层级（每行是单篇文献的发现，自带研究参数可用于过滤与加权）。混用两层是本数据集最常见的建模事故，具体重复计数机制见坑点 3。
§2.4 数据"人群"构成（来源文献覆盖）
PharmGKB 不是队列数据集，但其注释所引用的研究人群决定了知识的外推边界：
| 维度 | 情况 | 说明 |
|---|---|---|
| 来源 | 全球同行评审文献 + PGRN/IWPC/ICPC 等国际合作联盟 | 人工审校 9,000+ 篇论文（截至 2021-04） |
| 时间跨度 | 2000 年至今持续滚动收录 | 历史文献保留并可追溯 PMID |
| 人群代表性 | 欧洲裔人群主导；非欧人群注释显著偏少 | 等位基因频率资源以欧洲人群最强（见 §7.1） |
| 就医类型 | 门诊用药为主（华法林、氯吡格雷、他汀、抗肿瘤药等长期处方药） | 急重症场景注释相对少 |
| 儿科 | 提供专门的儿科焦点（Pediatric Focus）与看板 | 儿科剂量知识单独高亮 |
对建模者的直接含义是：把"文献人群"当作数据集的人群分布来读。当你的目标人群与来源研究人群（以欧洲裔门诊患者为主）不一致时，任何"基因型→反应"规则都需要重新校准——特别是等位基因频率差异大的基因（CYP2D610 在东亚高频、G6PD 缺乏在疟疾流行区高频、HLA-B57:01 分布同样随人群变化）。建议在训练集中为每条注释保留其 PMIDs，以便下游审计时回溯每条知识的人群来源。
§2.5 临床价值
PharmGKB 的临床价值链条是：文献发现 → 证据聚合 → 分级 → 指南 → 处方行为改变。位于 1A 级的基因-药物对（有 CPIC 或医学会背书指南、或在大型健康系统实施）已被写入真实处方流程；1B 级提示"证据充分但指南未覆盖"；2-4 级则是研究机会清单。对医疗 AI 团队而言，这提供了一个按行动性加权的先验：把模型预测与 LOE 交叉验证，可以快速区分"模型发现了 1A 级已知知识"（无新意）与"模型提出了 3 级以下候选假设"（需文献与实验复核），避免把数据库回声误报为新发现。
§2.6 金标准标注方式
| 环节 | 方式 | 执行者 | 性质 |
|---|---|---|---|
| 变异注释录入 | 标准化网络表单（表型类别、研究类型、规模、p 值、等位基因频率、标准化句子） | Stanford 专业审校团队逐篇文献录入 | 人工 |
| 临床注释聚合 | 同一变异-药物-表型组合的变异注释合并 + 标准化摘要句 | 审校团队（多人、跨时间维护同一注释） | 人工+系统辅助 |
| 证据等级判定 | 自动评分系统：按表型类别、p 值、队列规模、效应量、研究类型打分，汇总映射 LOE | 算法 + 审校复核（Whirl-Carrillo et al. 2021） | 自动为主 |
| VIP 摘要 | 基因重要性综述，2024 年起页面仅存概览、全文存档为文件下载 | 领域专家撰写、期刊发表 | 人工 |
| 通路图 | 药代/药效通路人工绘制，BioPAX/TSV/JSON 分发 | 审校团队 + 领域专家 | 人工 |
| 自动注释 | 文本挖掘系统从摘要/全文自动抽取"变异-药物"句子对 | 算法（明确标记未经验证） | 自动 |
这套标注体系的可靠度排序为：VIP 摘要 ≈ 通路图（专家撰写、期刊发表）> 临床注释 1A/1B（自动评分 + 指南背书双重锚定）> 临床注释 2-4 级（自动化评分）> 变异注释单条（无聚合复核）> 自动注释（未验证）。构建训练集时应把该排序编码为样本权重或分层采样约束，而不是把全部行一视同仁。
§3 数据集规格
§3.0 版本/获取方式抉择矩阵
PharmGKB 无固定版本号、持续滚动更新；"选哪个版本"实质是选择获取渠道与快照策略：
| 你的需求 | 推荐获取方式 | 大小 | 理由 |
|---|---|---|---|
| 全量离线分析/知识图谱构建 | 批量下载全部注释 zip | 约 20 MB（15 个包，截至 2026-09） | 一次性拿到全部 TSV/JSON，锁定快照保证可复现 |
| 只做高证据临床应用研究 | clinicalAnnotations_LOE1-2.zip 子集 | 265 KB | 只含 1A/1B/2A/2B 级，天然过滤低证据噪声 |
| 单基因/单药物实时查询 | REST API（api.pharmgkb.org/v1/data） | 按需 | 免认证、无需落盘全量，注意 2 req/s 限速 |
| 通路拓扑分析 | pathways-biopax.zip | 619.2 KB | BioPAX 标准格式，可导入通路分析工具 |
| CPIC 剂量建议工程化 | guidelineAnnotations.json.zip | 841.2 KB | 结构化指南注释，含表型-建议映射 |
| 历史 AI/自动化文献挖掘 | automated_annotations.zip | 1.8 MB | 文本挖掘产物，须与人工注释严格隔离（见坑点 8） |
表中"大小"列均为 2026-09 快照口径，仅作量级参考——滚动更新会让实际大小缓慢变化。真正需要锁定的是你下载当日的文件与哈希。另注意一个反直觉事实：全量包合计仅约 20 MB，因此"按需选子集省空间"通常不值得——除非是 clinicalAnnotations_LOE1-2.zip 这种语义过滤（只要高证据行），否则全量下载是默认正解，避免日后为补一个文件重新拼快照。
§3.1 模态详情
**结构化注释表（TSV）**是主模态：变异注释、临床注释、关系表、基因/药物/化学物质/表型主数据、临床变异（变异-药物对+证据级）、文献出现表（occurrences）。每张表以 PA 编号（PharmGKB accession，如 PA124）为主外键体系，变异另可用 rsID 对接 dbSNP。
指南注释（JSON）：guidelineAnnotations.json.zip 内为嵌套 JSON，每条记录对应一份给药指南（CPIC 或其他联盟），含基因/药物/表型-建议映射、引用与来源联盟字段，是三类模态中结构最深、也最容易在展平时出错的部分。
通路图（BioPAX XML / TSV / JSON 三格式）：同一通路集合的三种表示。BioPAX 面向本体/通路工具；TSV 面向表处理；JSON 面向前端与图数据库导入。截至 2018 年 2 月公开参考数据为 129 条通路（2018 年中文参考数字，规模随更新变动）。
文献与衍生资源：occurrences.zip 汇总文献中出现对象；automated_annotations.zip 为文本挖掘自动抽取句对（未人工验证）；另附 All of Us、UK Biobank、NAT2 三组生物银行单倍型频率文件（经 PharmCAT 处理）。
跨模态对齐的钥匙是 PA 编号体系：基因（如 PA124）、药物、变异、通路各有独立 accession 空间，TSV 与 JSON 两种表示都以 PA 编号互引。工程上建议一次性构建 PA 编号 → 实体名 双向字典，所有模态先归一化到 PA 编号再做 join；变异实体需注意 PA 编号与 rsID 是两套标识（前者是 PharmGKB 自有变异位点的 accession，后者是 dbSNP 的全局 ID），两步解析的关系见坑点 2。BioPAX 通路图是唯一不直接使用 PA 为主键的模态（内部为 RDF 资源 URI），导入图数据库时需要单独的实体链接步骤。
§3.2 按子集的记录数
| 子集（下载文件） | 记录规模 | 来源/说明 |
|---|---|---|
| variantAnnotations.zip | 24,535 条（截至 2021-04） | 单研究变异-药物发现（CPIC 报告材料） |
| clinicalAnnotations.zip | 4,723 条（截至 2021-04） | 聚合临床注释，含全部 LOE |
| clinicalAnnotations_LOE1-2.zip | 4,723 条的 1-2 级子集（265 KB vs 全量 1.2 MB） | 高证据子集 |
| guidelineAnnotations.json.zip | 165 份临床指南（截至 2021-04） | CPIC 及其他联盟 |
| drugLabels.zip | 784 份药物标签（截至 2021-04） | 监管标签 PGx 注释 |
| relationships.zip | 2.3 MB | 基因-药物-疾病-变异关系汇总 |
| 基因/药物/化学物质/表型主数据 | 1,761 基因 / 715 药物（截至 2021-04） | genes.zip 2.8 MB、drugs.zip 662.5 KB、chemicals.zip 795.1 KB、phenotypes.zip 183.1 KB |
§3.3 数据格式明细
| 文件 | 格式 | 结构要点 |
|---|---|---|
| variantAnnotations.zip、clinicalAnnotations.zip、relationships.zip 等 | TSV（zip） | 制表符分隔，首行为表头，多值字段内部含分隔符，需 quoting 处理 |
| guidelineAnnotations.json.zip | JSON（zip） | 嵌套对象数组，表型分组建议，需显式展平 |
| pathways-biopax.zip | BioPAX XML | OWL/RDF 序列化，面向通路本体工具 |
| pathways.json.zip、pathways-tsv.zip | JSON/TSV | 同一通路数据的另两种序列化 |
| automated_annotations.zip | TSV | 句级自动抽取，含来源句与 PMIDs |
| 单倍型频率（AllOfUs/UKBB/NAT2） | TSV（zip） | 人群分组的等位基因/单倍型频率 |
§3.4 存储大小
全部注释与主数据压缩包合计约 20 MB（15 个 zip，截至 2026-09）；解压后因 TSV 文本展开通常为压缩体积的 3-6 倍，单项目全量工作区（含通路三格式与生物银行频率文件）预留 200 MB 空间即十分充裕。该数据集属于"小而精"类别：任何笔记本均可全量处理，无需分布式设施。
§3.5 标注方式
三层标注体系：人工（变异注释逐篇录入、VIP 摘要、通路图绘制——截至 2021-04 已人工审校 9,000+ 篇论文）；自动辅助（临床注释证据等级由自动化评分系统给出，评分公式为 (Step1+Step2+Step3+Step4)×(Step5A×Step5B)，各步骤对应表型类别、p 值、队列规模、效应量、研究类型与关联显著性，见 Whirl-Carrillo et al. 2021）；纯自动（automated_annotations.zip 文本挖掘产物，官方明确标注未经人工验证）。
§3.6 标注者资质与一致性
变异注释与临床注释由 Stanford 生物医学数据科学系的职业审校团队（curators，多为药理学/遗传学背景）完成；2021 年发表的评分框架论文明确指出：同一临床注释可能由多名审校员跨年度共同维护，人工维持 LOE 一致性随证据量增长愈发困难——这正是引入自动评分系统的动因（提升透明度、一致性与可复现性）。VIP 摘要由领域专家撰写并多发表于 Pharmacogenetics and Genomics 期刊。对 AI 使用者而言：LOE 与注释文本都存在随时间演化的事实，跨快照对齐时需以注释 ID 为锚。
§3.7 采集周期
2000 年至今持续滚动采集。结构性节点：2007 年前后建立结构化表单体系；2020 年 6 月完成 VIP 证据评估并分层；2021 年发表 LOE 自动评分；2024 年 10-11 月 VIP 分层移除、正文文本归档；2025-07-30 整合入 ClinPGx。数据无季度/年度版式发布，任何分析都应归档下载快照并记录下载日期。
该采集模式的直接推论是：不存在"两个实验用了同一份 PharmGKB"的默认保证。相隔一个月的两次下载，临床注释行数、LOE 分布甚至字段清单都可能不同。团队协作场景下，建议把快照目录与一个"快照登记表"（下载日期、文件数、哈希、负责人）一起放进版本化存储，作为数据集内部的唯一事实来源。
§3.8 地域覆盖
知识库收录范围为全球文献（英语为主），并深度参与国际合作：PGRN（美国）、IWPC（国际华法林药物基因组学联盟）、ICPC（国际氯吡格雷联盟）。人群频率类衍生数据（All of Us、UK Biobank、NAT2 三生物银行分析）以美国与英国人群为主，并提供跨祖先分组。
§3.9 "设备规格"等价物：数据生产环境
本数据集无采集设备。等价的生产环境要素为：标准化注释网络表单（字段与词表固定）、文献数据库（PubMed/PubMed Central）为输入源、PharmCAT 工具链（将 VCF 基因型转译为 PGx 建议，亦用于生物银行频率分析）。这些要素决定了字段的语义边界，AI 解析时应以官方文档的术语定义为准。
§3.10 深度溯源链
完整溯源链：原始文献（PMID）→ 变异注释（单发现记录，含研究参数）→ 临床注释（聚合+LOE）→ 指南/标签/通路（可行动知识）。每条临床注释向下挂接其全部支撑变异注释及其 PMIDs，向上可关联 CPIC 指南与药物标签注释。occurrences.zip 提供对象-文献出现的倒排视图。构建知识图谱时，建议以 Clinical Annotation ID 与 Variant Annotation ID 为溯源主键，保留 PMID 级回链以便核查。
§4 数据结构
§4.0 目录树（解压后）
pharmgkb_snapshot_2026-09/ # 建议以下载日期命名目录
├── summaryAnnotations.zip # 摘要注释（1.2 MB）
├── variantAnnotations.zip # 变异注释：单研究发现（4.1 MB）
├── clinicalAnnotations.zip # 临床注释：聚合+LOE（1.2 MB）
├── clinicalAnnotations_LOE1-2.zip # 仅 1A/1B/2A/2B 子集（265 KB）
├── relationships.zip # 基因-药物-疾病-变异关系（2.3 MB）
├── guidelineAnnotations.json.zip # CPIC 等指南注释 JSON（841.2 KB）
├── drugLabels.zip # 药物标签注释（58.1 KB）
├── clinicalVariants.zip # 变异-药物对+证据级（72.7 KB）
├── occurrences.zip # 文献对象出现表（2.8 MB）
├── automated_annotations.zip # 文本挖掘自动注释，未验证（1.8 MB）
├── genes.zip # 基因主数据（2.8 MB）
├── variants.zip # 变异主数据，含 dbSNP 对照（873.8 KB）
├── drugs.zip # 药物主数据（662.5 KB）
├── chemicals.zip # 化学物质主数据（795.1 KB）
├── phenotypes.zip # 表型主数据（183.1 KB）
├── pathways-biopax.zip # 通路 BioPAX XML（619.2 KB）
├── pathways-tsv.zip # 通路 TSV（200.1 KB）
├── pathways.json.zip # 通路 JSON（1.9 MB）
└── pharmgkb_haplotype_frequencies_AllOfUs.zip # 生物银行频率示例（57.1 KB）
§4.1 DAIMS 字段字典（核心表）
以最常用的两张表为核心（字段名以官方下载 TSV 表头为准，语义沿用官方文档与 CPIC 评分材料）：
表 A：variantAnnotations（变异注释，24,535 条）
| 字段 | 类型 | 说明 | 示例值 | AI 用途 | 观测误差 | 信息性缺失 | 取值范围 |
|---|---|---|---|---|---|---|---|
| Variant Name | text | 变异名称，通常为 dbSNP rsID 或单倍型 | rs1799971 | 实体链接主键 | 同一变异多名 | 空值=非 SNP 类变异 | rsID/星等位基因/描述串 |
| Gene | text | 所属基因符号 | OPRM1 | 节点实体 | 基因改名历史 | 少见 | HGNC 符号 |
| Drug(s) | text | 关联药物（可多值） | morphine | 关系边 | 商品名/通用名混用 | 少见 | 通用名为主 |
| Phenotype Category | text | 表型类别 | efficacy / toxicity / metabolism / PK / PD | 任务标签 | 类别边界依赖原文 | 显式 “N/A” | 固定词表 |
| Study Type | text | 研究设计 | cohort / RCT / case report / in vitro | 证据加权特征 | 原文未写明则空 | 空值=未报告 | 开放词表 |
| Study Size | int | 研究样本量 | 453 | 证据加权特征 | 混合队列计数口径 | 空值=未报告 | ≥1 |
| P-value | float | 主分析显著性 | 0.03 | 证据加权特征 | 多重校正口径不一 | 空值=未报告 | (0,1] |
| Allele Frequency | float | 等位基因频率（分病例/对照） | 0.33 | 群体遗传特征 | 人群分组依赖 | 空值=未报告 | [0,1] |
| Significance | text | 关联方向 | positive / negative / mixed | 标签 | 方向表述依赖原文 | 少见 | 3 值 |
| PMIDs | text | 来源文献 PubMed 编号列表 | 17898703 | 溯源回链 | — | 无 | 复合值 |
表 B：clinicalAnnotations（临床注释，4,723 条）
| 字段 | 类型 | 说明 | 示例值 | AI 用途 | 观测误差 | 信息性缺失 | 取值范围 |
|---|---|---|---|---|---|---|---|
| Clinical Annotation ID | text | 聚合注释唯一键 | PA445135 | 主键 | — | 无 | PA 编号 |
| Variant/Haplotypes | text | 变异或单倍型集合 | CYP2D6*10/*10 | 实体链接 | 星等位基因结构复杂 | 少见 | 复合值 |
| Gene / Drug | text | 基因与药物 | CYP2D6 / codeine | 关系对 | 同表 A | 少见 | HGNC/通用名 |
| Level of Evidence | text | 证据分级（标签） | 1A / 1B / 2A / 2B / 3 / 4 | 核心监督信号 | 分级随新证据迁移 | 无 | 6 级 |
| Annotation Summary | text | 标准化摘要句（基因型相对其他基因型的表型方向） | “Genotype AA is associated with increased reduction in pain when treated with morphine…” | NLP 主输入 | 句式随时期演进 | 无 | 自然语言 |
| Variant Annotations count | int | 支撑该临床注释的变异注释数 | 6 | 证据量特征 | 随更新增长 | 无 | ≥1 |
| PMIDs | text | 全部支撑文献 | 复合值 | 溯源 | — | 无 | 复合值 |
表 C：guidelineAnnotations.json（指南注释，165 份指南）
| 字段 | 类型 | 说明 | 示例值 | AI 用途 |
|---|---|---|---|---|
| Guideline Name | text | 指南名称 | CPIC guideline for CYP2D6 and codeine | 检索键 |
| Guideline Source / CPIC Level | text | 来源联盟与 CPIC A-D 分级 | CPIC / A | 行动性过滤 |
| Phenotype / Genotype | text | 表型或基因型分组 | Poor metabolizer | 条件键 |
| Recommendation | text | 该分组下的处方建议文本 | “Use codeine alternative…” | 规则引擎输入 |
| Implication | text | 该分组的机制含义 | “Reduced O-demethylation…” | 可解释性 |
§4.2 标签分布
两类关键标签：证据等级（1A/1B/2A/2B/3/4）与关联方向（positive/negative/mixed）。按 LOE 定义，1A 级要求 CPIC 或医学会背书指南/大型健康系统实施，1B 级要求多队列重复且显著——满足条件的是少数；多数临床注释位于 3-4 级（单研究或病例报告级证据，分级规则见 CPIC 评分材料）。这构成典型的长尾标签分布：直接全量训练会让模型学偏。方向标签中 positive 占绝对多数（阳性结果更易发表与收录），negative/mixed 为稀缺类（评分材料中示例统计：269 条表型方向记录中 positive 269 类、mixed 17、negative 计入少量文献组，比例因子集而异）。
六级证据等级的官方定义要点与建模含义：
| LOE | 官方定义要点 | 对建模者的含义 |
|---|---|---|
| 1A | 有 CPIC 或医学会背书的给药指南，或已在大型健康系统实施 | 可行动层；模型输出应与其一致，差异即模型错误 |
| 1B | 多项已发表研究重复验证且统计显著 | 高置信先验；适合做评估锚点 |
| 2A | 单一大规模研究或多项研究显示显著 | 训练可用；作为输出需标注"未达指南级" |
| 2B | 单一较小研究的显著发现 | 弱先验；适合生成候选假设 |
| 3 | 仅病例报告、体外/动物证据或人群研究未重复 | 仅作线索索引，不可进入结论层 |
| 4 | 证据冲突或效应可忽略 | 建模时应显式保留冲突标记，禁止静默丢弃 |
任何评估若不按 LOE 分层报告，"准确率"数字都会被 3-4 级长尾稀释而失去临床意义（对应 DAIMS 第 17 项 ⚠️）。
§4.3 关键统计
| 统计项 | 数值 | 来源/截至 |
|---|---|---|
| 变异注释总数 | 24,535 条 | 2021-04 |
| 临床注释总数 | 4,723 条 | 2021-04 |
| 收录基因 | 1,761 个 | 2021-04 |
| 收录药物 | 715 种 | 2021-04 |
| 疾病/表型 | 227 种 | 2021-04 |
| 临床指南 | 165 份 | 2021-04 |
| 药物标签 | 784 份 | 2021-04 |
| 人工审校论文 | 9,000+ 篇 | 2021-04 |
| VIP 高证据药基因（2022 评估） | 44 个达高证据，其中 28 个为 VIP | 2022 |
| 全部下载文件合计 | 约 20 MB | 2026-09 |
引用上表数字时注意口径：全部核心规模数字（基因/药物/注释/指南/标签）均出自 Gong et al. 2021 的 2021-04 快照口径，与当前下载包中的实际行数必然不同（滚动更新所致）。论文中报告规模时应写明"截至 2021-04"；报告自己实验所用规模时，应统计你的快照实际行数并标注下载日期，两者不可混用。"44/28"这两个数字出自 Alshabeeb et al. 2022 的跨联盟对照口径，与 PharmGKB 自身 LOE 1A 口径不同，同样不可互换。
§4.4 数据层级
PharmGKB 的层级不是"患者→检查→序列→切片"，而是知识聚合层级：
文献（PMID）
└── 变异注释 Variant Annotation（1 篇文献 × 1 发现 = 1 条）
└── 临床注释 Clinical Annotation（同一变异-药物-表型的全部变异注释聚合，赋 LOE）
├── CPIC/联盟指南注释 guidelineAnnotation（可行动层）
├── 药物标签注释 drugLabel（监管层）
└── 通路图 pathway（机制层，BioPAX/TSV/JSON）
关系层 relationships（基因-药物-疾病-变异的扁平边表，跨层汇总）
理解该层级是避免证据重复计数的前提：变异注释是"证据行"，临床注释是"结论行"，relationships 是"实体边"——三者粒度不同，不可直接拼接（见坑点 3）。
§4.5 缺失值与信息性缺失
| 缺失形态 | 典型字段 | 语义 | 处理建议 |
|---|---|---|---|
| 空单元格 | P-value、Study Size、Allele Frequency | 原文献未报告该参数 | 视为"未报告"而非 0；评分特征中单独建 is_reported 位 |
| 显式 “N/A” | Phenotype Category 等 | 该发现不适用该类别 | 保留类别，不并入其他类 |
| 自由文本 “-” | 研究参数单元 | 未提供 | 同空值处理 |
| 多值复合字段 | Drug(s)、PMIDs | 一条注释挂多对象 | 先拆分再计数，防重复计数 |
“信息性缺失"在本数据集中是一种信号而非缺陷：P-value 是否报告本身对应"该研究是否做了统计检验”，Study Size 是否报告对应"研究规模可评估性"。将它们转为 is_reported 特征位后，缺失模式反而成为证据评分的合法输入（官方评分系统同样以"研究参数"为输入特征）。需要避免的是把空值当 0 参与均值/排序运算——这会让"未报告"的研究在数值上伪装成"效应极强"或"规模极小"。
§5 数据划分与使用建议
§5.1 官方划分
不存在。 PharmGKB 是知识库而非机器学习基准，官方从未提供 train/val/test 划分。任何"官方划分"的说法都是误传；引用时应说明自行划分。
这带来一个推论：两个使用 PharmGKB 的模型不能直接比分数，除非二者采用了相同的快照日期与相同的划分协议。写论文或内部报告时，划分协议（分层键、组键、折数）与快照哈希应作为实验配置的一部分持久化，而不是留在文字描述里。
§5.2 社区惯例与推荐划分
社区常见做法（知识图谱与关系抽取文献中通用）：
- LOE 分层切分：按证据等级分层抽样，保证 1A/1B 在训练与测试中均有代表（高等级样本稀缺，随机切分易把它们全部卷进训练集）。
- 按药物留出（drug-wise split）：整族药物（如全部他汀类）作为测试集，检验知识外推。
- 时间切分：以 PMIDs 年份为时间轴，用早期文献训练、新近文献测试，模拟"知识库增量更新"的真实场景。
- 证据快照对比：下载两个不同日期的快照互为"时间测试集"，度量知识演化（适合评估知识更新检测系统）。
选择建议：目标是"已知知识上的稳定性"→ 用 1 + 3 组合；目标是"对新药/新基因对外推能力"→ 用 2（drug-wise），但须接受指标绝对值偏低属正常现象；目标是"知识更新检测"→ 用 4。无论哪种，1A/1B 子集都要单独报告（见 §5.4）。
§5.3 泄漏风险（重点）
- 同一变异-药物对的多注释跨集合泄漏：同一对知识可能拆在多条变异注释中，随机按行切分会让"同一发现的不同表述"横跨训练与测试。缓解：按变异-药物对（或临床注释 ID）分组切分。
- 同一基因的多对泄漏：CYP2D6 注释占全部药物基因注释的极大头，按行切分几乎必然让 CYP2D6 同时出现在两侧。缓解：基因级或药物级组切分。
- 快照间泄漏：滚动更新意味着"今天的测试集"可能已部分写进"昨天的训练快照"。缓解：单快照内做时间切分，或显式声明快照日期。
- 标准化句子模板泄漏：临床注释摘要句式高度模板化，文本模型可能学到句式而非语义。缓解：以实体掩码或改写增强打破模板。
§5.4 交叉验证建议
推荐分组 5 折交叉验证：以药物（首选）或基因为组键做 GroupKFold，组内样本不可跨折；对 LOE 做 stratify。报告均值±标准差而非单次划分，并对 1A/1B 级子集单独报告指标（该子集小而关键）。
§5.5 外部验证建议
- 与 ClinVar 交叉核对变异-临床意义断言的实体链接正确性；
- 与 CPIC 指南原文核对 guidelineAnnotations.json 的建议语义一致性（指南更新滞后于库内更新是已知现象）；
- 用 All of Us / UK Biobank 单倍型频率文件检验模型建议在不同人群下的覆盖面；
- 关系抽取模型可在 BioCRE 类共享任务语料上做跨语料验证（避免在 PharmGKB 内部过拟合句式）。
§6 AI 就绪指南
§6.0 云端/本地快速启动
PharmGKB 无官方云镜像。最快路径是本地（或 Colab）直接下载：
# Colab/任意 Linux 环境：下载全量临床注释子集并解压
mkdir -p /content/pharmgkb && cd /content/pharmgkb
curl -L -o clinicalAnnotations.zip https://api.pharmgkb.org/v1/download/file/clinicalAnnotations.zip
curl -L -o variantAnnotations.zip https://api.pharmgkb.org/v1/download/file/variantAnnotations.zip
unzip -o clinicalAnnotations.zip variantAnnotations.zip
ls -la
说明：批量文件由官方 API 域名分发（下载列表页为 https://www.pharmgkb.org/downloads/，文件内容与页面对应关系以官方页为准）。数据仅约 MB 级，无需 GPU 集群；CPU 笔记本即可全量处理。
§6.1 快速上手
# ============================================================
# 最小可用子集：clinicalAnnotations.tsv（聚合结论表，最常用）
# 目录结构预期（必须先自行下载并解压到 data_root）：
# data_root/
# ├── clinicalAnnotations.tsv # 解压自 clinicalAnnotations.zip
# └── variantAnnotations.tsv # 解压自 variantAnnotations.zip
# data_root 拼接关系：下方 DATA_ROOT 与你本机解压目录一一对应；
# 若只用一个文件，最小可用子集就是 clinicalAnnotations.tsv。
# ============================================================
import pandas as pd
from pathlib import Path
DATA_ROOT = Path("data/pharmgkb_snapshot_2026-09") # ← 改为你的解压目录
clin = pd.read_csv(DATA_ROOT / "clinicalAnnotations.tsv", sep="\t", low_memory=False)
print(clin.shape) # 记录数与字段数
print(clin["Level of Evidence"].value_counts()) # 证据等级分布（核心标签）
print(clin[["Gene", "Drug"]].head()) # 基因-药物对预览
# 高证据子集：只保留 1A/1B/2A/2B（临床可行动层）
actionable = clin[clin["Level of Evidence"].isin(["1A", "1B", "2A", "2B"])]
print(f"actionable pairs: {actionable.shape[0]}")
§6.2 数据获取
渠道对比：
| 渠道 | 入口 | 认证 | 适用 |
|---|---|---|---|
| 批量下载（首选） | https://www.pharmgkb.org/downloads/ | 无需注册 | 全量离线分析 |
| REST API | https://api.pharmgkb.org/v1/data |
免认证，限 2 req/s | 实时单点查询 |
| 子集直取 | clinicalAnnotations_LOE1-2.zip | 无 | 高证据研究 |
批量下载脚本（锁定快照）：
import requests, time
from pathlib import Path
FILES = ["summaryAnnotations.zip", "variantAnnotations.zip", "clinicalAnnotations.zip",
"relationships.zip", "guidelineAnnotations.json.zip", "drugLabels.zip",
"clinicalVariants.zip", "occurrences.zip", "genes.zip", "variants.zip",
"drugs.zip", "chemicals.zip", "phenotypes.zip", "pathways.json.zip"]
BASE = "https://api.pharmgkb.org/v1/download/file"
out = Path("data/pharmgkb_snapshot_2026-09"); out.mkdir(parents=True, exist_ok=True)
for name in FILES:
r = requests.get(f"{BASE}/{name}", timeout=120)
r.raise_for_status()
(out / name).write_bytes(r.content)
print(name, len(r.content) // 1024, "KB")
time.sleep(1) # 官方限速 2 req/s，保守 1s 间隔
§6.3 预处理全流程
import pandas as pd, json, zipfile
from pathlib import Path
DATA_ROOT = Path("data/pharmgkb_snapshot_2026-09")
# ---- 步骤 1：TSV 清洗（多值字段拆分 + 空值语义修正）----
clin = pd.read_csv(DATA_ROOT / "clinicalAnnotations.tsv", sep="\t", low_memory=False)
clin["PMIDs_list"] = clin["PMIDs"].fillna("").astype(str).str.split(";")
clin["n_papers"] = clin["PMIDs_list"].apply(len) # 证据量特征
clin["p_reported"] = clin["P-value"].notna().astype(int) # 信息性缺失位
# ---- 步骤 2：LOE 有序化（供排序模型/分层抽样）----
LOE_ORDER = ["1A", "1B", "2A", "2B", "3", "4"]
clin["LOE_rank"] = clin["Level of Evidence"].map({v: i for i, v in enumerate(LOE_ORDER)})
clin = clin.dropna(subset=["LOE_rank"])
# ---- 步骤 3：指南 JSON 展平（嵌套结构 → 分析表）----
with zipfile.ZipFile(DATA_ROOT / "guidelineAnnotations.json.zip") as zf:
guidelines = json.loads(zf.read(zf.namelist()[0]))
rows = []
for g in guidelines:
for gph in g.get("groupedByPhenotype", []) or [{}]:
rows.append({
"guideline": g.get("name", ""),
"source": g.get("source", ""),
"phenotype": gph.get("phenotypeName", ""),
"recommendation": gph.get("recommendation", ""),
})
guide_flat = pd.DataFrame(rows)
print(guide_flat.shape) # 展平后的"指南×表型"建议表
# ---- 步骤 4：关系表 → 知识图谱边表 ----
rel = pd.read_csv(DATA_ROOT / "relationships.tsv", sep="\t", low_memory=False)
# 保留实体对与关系来源类型，构建异构图边集
edge_cols = [c for c in rel.columns if "ID" in c or "Name" in c]
edges = rel[edge_cols].drop_duplicates()
print(edges.shape)
# ---- 步骤 5：快照完整性校验（落地即自检，防半途损坏/版本混装）----
import hashlib
expected = {
"clinicalAnnotations.tsv": 4_700, # 行数量级参考（2021-04 口径 4,723 条），低于量级即报警
"variantAnnotations.tsv": 24_000, # 同上（口径 24,535 条）
}
for fname, floor in expected.items():
p = DATA_ROOT / fname
assert p.exists(), f"缺失文件：{fname}"
n = sum(1 for _ in open(p, encoding="utf-8")) - 1
print(f"{fname}: {n:,} rows, md5={hashlib.md5(p.read_bytes()).hexdigest()[:8]}")
assert n >= floor * 0.9, f"{fname} 行数异常（预期量级 {floor:,}），疑似旧快照或下载不完整"
§6.4 PyTorch DataLoader（基因-药物链接预测）
import pandas as pd, torch
from torch.utils.data import Dataset, DataLoader
from pathlib import Path
class PharmGKBPairDataset(Dataset):
"""基因-药物对链接预测数据集。
样本 = (gene_id, drug_id, LOE_rank_label)；
输入 clinicalAnnotations.tsv，实体映射为连续 ID。
"""
def __init__(self, tsv_path: Path, loe_order=("1A", "1B", "2A", "2B", "3", "4")):
df = pd.read_csv(tsv_path, sep="\t", low_memory=False)
df = df.dropna(subset=["Gene", "Drug", "Level of Evidence"])
df = df[df["Level of Evidence"].isin(loe_order)]
genes = sorted(df["Gene"].unique())
drugs = sorted(df["Drug"].unique())
self.g2i = {g: i for i, g in enumerate(genes)}
self.d2i = {d: i for i, d in enumerate(drugs)}
self.loe = {v: i for i, v in enumerate(loe_order)}
self.genes = torch.tensor([self.g2i[g] for g in df["Gene"]], dtype=torch.long)
self.drugs = torch.tensor([self.d2i[d] for d in df["Drug"]], dtype=torch.long)
self.labels = torch.tensor([self.loe[v] for v in df["Level of Evidence"]], dtype=torch.long)
def __len__(self):
return len(self.labels)
def __getitem__(self, idx):
return self.genes[idx], self.drugs[idx], self.labels[idx]
# ---- 实例化：GroupShuffle 按药物分组切分，防同药物对泄漏 ----
DATA_ROOT = Path("data/pharmgkb_snapshot_2026-09")
ds = PharmGKBPairDataset(DATA_ROOT / "clinicalAnnotations.tsv")
import numpy as np
rng = np.random.default_rng(0)
drug_of = ds.drugs.numpy()
unique_drugs = np.unique(drug_of)
test_drugs = set(rng.choice(unique_drugs, size=max(1, len(unique_drugs) // 5), replace=False))
is_test = np.array([d in test_drugs for d in drug_of])
from torch.utils.data import Subset
test_ds = Subset(ds, np.where(is_test)[0].tolist())
train_ds = Subset(ds, np.where(~is_test)[0].tolist())
train_loader = DataLoader(train_ds, batch_size=128, shuffle=True, num_workers=2)
test_loader = DataLoader(test_ds, batch_size=256, shuffle=False)
if __name__ == "__main__":
g, d, y = next(iter(train_loader))
print(g.shape, d.shape, y.shape, y[:8])
§6.5 坑点（8 个真实失败模式）
⚠️ 坑点 1：REST API 语法误用——错误 host、复数路径与"不存在"的参数（分类：工程陷阱）
问题：官方 API 的正确基址是
api.pharmgkb.org/v1/data，资源名是单数 camelCase。大量教程与脚本写成www.pharmgkb.org/api/v1、/genes、/clinicalAnnotations，并附加limit/page/offset翻页参数。
症状：请求报No such property: 'limit'之类的错误；或拿到意料之外的响应；批量抓取时触发 HTTP 429（官方限速 2 请求/秒）。
解决：
- 简单方法：记住三条——基址
api.pharmgkb.org/v1/data；资源单数（gene、variant、chemical、clinicalAnnotation、guidelineAnnotation）；细节用view=min|base|max。- 进阶方法：客户端限速 + 从响应信封
{data, status}取结果：import requests, time BASE = "https://api.pharmgkb.org/v1/data" r = requests.get(f"{BASE}/gene", params={"symbol": "CYP2C19", "view": "min"}) r.raise_for_status() records = r.json()["data"] # 永远不是裸数组，先过信封 time.sleep(0.6) # >0.5s/req，规避 429
- SOTA 方法：批量需求直接改用下载 zip（一次性、无限速），API 仅留作增量更新探针。
参考：PharmGKB REST API 请求语法手册；官方下载页
⚠️ 坑点 2：rsID 不是 PharmGKB accession——两步解析规则（分类：工程陷阱）
问题：PharmGKB 内部实体以 PA 编号（如 PA166154053）为主键，而研究者手里通常只有 dbSNP rsID（如 rs4244285）。直接把 rsID 当作路径参数请求会失败。
症状：GET variant/rs4244285类请求 404 或返回错误信封。
解决：
- 简单方法：先按符号查询再取 ID：
GET variant?symbol=rs4244285→ 从返回中取 PA 编号 →GET variant/{PAid}?view=max。- 进阶方法：药物同理——先
chemical?name=...换取 PA 号，再用clinicalAnnotation?relatedChemicals.accessionId=...过滤；不要发明chemicalId=、drug=等参数。- SOTA 方法：全量场景直接用
variants.zip/drugs.zip主数据表在本地建立 rsID→PA、药名→PA 映射字典，之后零 API 依赖。
参考：API 语法手册（rsID 边界情形）
⚠️ 坑点 3：variant annotation ≠ clinical annotation——证据重复计数（分类：标签理解）
问题：变异注释是"单篇文献单一发现"（证据行），临床注释是"同一变异-药物-表型全部证据的聚合"（结论行）。把两表直接拼接或对变异注释计数当作独立样本，同一证据会被算多次。
症状：统计某药物"支持文献数"时虚高数倍；训练集中同一结论以不同粒度重复出现，评估指标虚高。
解决：
- 简单方法：建模只用一层——要么全部用临床注释（结论级），要么全部用变异注释（证据级），并各自做去重。
- 进阶方法：用临床注释的
Variant Annotations count与 PMIDs 字段做权重（证据量加权而非重复展开）。- SOTA 方法：构建"临床注释 ← 变异注释 ← PMID"三级溯源图，训练目标定义在结论层、证据在证据层，损失按层加权。
参考：Whirl-Carrillo et al. 2021, Clin Pharmacol Ther（两表关系与聚合机制）
⚠️ 坑点 4：全量 clinicalAnnotations.zip 混入 LOE 3/4 低证据噪声（分类：偏倚陷阱）
问题：全量包内多数注释位于 3-4 级（单研究未重复或病例报告级）。把它们与 1A 级知识等权对待，会让模型把"初步线索"当"临床事实"学。
症状：模型输出大量与 CPIC 指南冲突的"高置信"关联；领域专家评审直接否决。
解决：
- 简单方法：直接换用官方子集
clinicalAnnotations_LOE1-2.zip（265 KB），天然只含 1A-2B。- 进阶方法：全量读入后按
Level of Evidence过滤并做有序权重（1A 权重最高）。- SOTA 方法：把 LOE 作为监督信号或损失权重本身（ordinal regression），让"证据强度"内生于模型而非预处理外挂。
参考：下载页（子集文件与 LOE 定义）；CPIC 评分材料
⚠️ 坑点 5：CYP2D6 等基因的星等位基因与 activity score 结构在"扁平化"时丢失（分类：预处理陷阱）
问题：CYP2D6/CYP2C19 等核心基因的"变异"不是单个 SNP，而是星等位基因（含功能缺失、功能增强、基因重复等 CNV 结构）与 activity score（功能当量求和）语义。按普通 SNP 字段解析会把这些结构信息拍平丢失。
症状：*4/*5、*10/*10被当作普通字符串；把*1/*1xN（多拷贝）与*1/*1等同；表型（PM/IM/NM/UM）映射错误。
解决：
- 简单方法：保留
Variant/Haplotypes原串，不做拆分，仅做字符串级实体链接。- 进阶方法：引入 activity score 映射表（如 CYP2D6：
*1=1.0、*4=0、*5=0、*10=0.25、*41=0.5 等），对二倍体求和映射表型。AS = {"*1": 1.0, "*2": 1.0, "*4": 0.0, "*5": 0.0, "*10": 0.25, "*41": 0.5} def cyp2d6_phenotype(diplotype: str) -> str: a, b = [a.strip() for a in diplotype.split("/")] s = AS.get(a, 0.5) + AS.get(b, 0.5) # 未知等位基因保守取 0.5 return ("Poor" if s == 0 else "Intermediate" if s <= 1.25 else "Normal" if s <= 2.25 else "Ultrarapid") + " Metabolizer"
- SOTA 方法：采用 CPIC/DPWG 共识的基因型-表型翻译标准，并以 PharmCAT 的转译逻辑为参照实现（它就是为此而生的官方工具）。
参考：CPIC 基因型-表型标准化共识（Caudle et al.）；PharmCAT
⚠️ 坑点 6：2025-07-30 更名 ClinPGx——旧链接、旧品牌与硬编码 URL 断链（分类：工程陷阱）
问题：2025-07-30 起 PharmGKB 与 CPIC、PharmCAT 整合为 ClinPGx，pharmgkb.org 重定向至 clinpgx.org，下载由 api.clinpgx.org 提供，文件内说明文字中的品牌字样也已替换。
症状：硬编码pharmgkb.org的下载脚本依赖重定向，官方公告调整后可能失效；论文引用与数据内品牌名对不上；用户在文件里搜不到 “PharmGKB” 字样而误判数据错误。
解决：
- 简单方法：所有自动化脚本从下载列表页动态解析文件 URL，而不是硬编码直链。
- 进阶方法：快照目录内保存
manifest.json（记录下载日期、来源 URL、文件哈希），品牌更名不影响溯源。- SOTA 方法：同时兼容 pharmgkb/clinpgx 两域名的探测逻辑，失败时回退另一域名并告警。
参考：KG Hub 注册页（更名与重定向说明）；官方许可与使用政策
⚠️ 坑点 7：guidelineAnnotations.json 的嵌套展平陷阱（分类：预处理陷阱）
问题：指南注释是深度嵌套 JSON（指南 → 表型分组 → 建议/含义/引用，字段随 CPIC 与非 CPIC 来源而不同），
pd.json_normalize一把梭会产出碎片化列或直接丢字段。
症状：展平后 recommendation 列大面积为空；不同指南的表型命名口径不一（表型串 vs activity score 区间）；合并表时行数对不上。
解决：
- 简单方法：按"指南×表型分组"逐层循环展平（见 §6.3 步骤 3），宁可有重复列也不静默丢字段。
- 进阶方法：先
json.dumps(..., indent=2)抽样 5-10 条人工浏览真实结构，再写 schema；对 CPIC 与非 CPIC 来源分别建立解析分支。- SOTA 方法：用 Pydantic 定义可选字段模型做容错反序列化，解析结果再落 TSV，schema 版本与快照日期一起入库。
参考：官方下载页（指南注释文件说明）
⚠️ 坑点 8：文献与人群双重偏倚——热门基因对过代表 + 2024 VIP 结构变更使 gene list 漂移（分类：偏倚陷阱）
问题：CYP2D6、CYP2C19、华法林相关注释占比极大（文献发表偏倚 + 收录偏倚的正反馈），而多数基因只有零星注释；同时 VIP 分层（Tier 1/2/Cancer Genome）在 2024 年 10-11 月被移除、Tier 2 基因移出 VIP 页，跨时间对比 “VIP 列表” 会得到不一致的集合。
症状：链接预测模型对 CYP2D6 家族过拟合、对罕见基因零召回；引用"VIP 数量"的旧论文（如 2022 年报告 Tier 1=34/Tier 2=25/Cancer Genome=9）与当前页面数字对不上。
解决：
- 简单方法：训练前统计基因-药物对的长尾分布，对高频对做 down-weight 或按基因分组采样；引用 VIP 相关结论时固定快照日期。
- 进阶方法：按 LOE×人群（等位基因频率文件中的祖先分组）做分层评估，显式报告非欧人群上的性能缺口。
- SOTA 方法：以 2022 年的跨联盟证据评估（PharmGKB 高证据药基因 44 个、其中 28 个 VIP）作为外部锚点做"知识覆盖度审计"，并跟踪 ClinPGx 后续 gene list 政策。
参考：VIP 历史页（2024 变更）；Alshabeeb et al. 2022, Front Med；automated_annotations 未验证声明
§6.6 数据增强：安全与危险操作
| 操作 | 判定 | 说明 |
|---|---|---|
| 标准化句子同义改写（实体保序） | ✅ 安全 | 打破句式模板泄漏，语义不变 |
| 反向对构造（"变异 X 与药物 Y 无关联"补集） | ✅ 安全（需谨慎） | 负采样必须基于"该对不在库中"，而非"未知即负" |
| 表型类别互换 | ❌ 危险 | efficacy↔toxicity 语义完全不同 |
| LOE 降级/升级扰动 | ❌ 危险 | 证据等级是有序事实标签，不可随机扰动 |
| 基因符号随机替换 | ❌ 危险 | 基因-变异归属是硬约束 |
| 跨人群等位基因频率搬移 | ❌ 危险 | 频率具人群特异性，搬移即制造伪数据 |
总的增强原则：可以改表述，不可以改事实。同义改写针对的是句式模板（帮助模型学语义而非背模板）；而任何触及"变异-药物-表型-证据等级"四元组内容的操作都在伪造医学知识。另有一个灰区操作值得单独说明：以自动化评分公式对注释做"反事实降级"（人为把 1A 改成 3 并重算分数）可以生成有序回归的训练变体，但产物只能用于模型内部训练，绝不能作为数据再分发——这违反 CC BY-SA 4.0 的同许可共享前提，也违反证据事实。
§6.7 模型推荐
| 任务 | 推荐模型 | 起点 | 说明 |
|---|---|---|---|
| 关系抽取（注释文本） | BioBERT / PubMedBERT 微调 | 中文场景可用医学多语模型 | 标准化句子短小规整，GPU 需求低 |
| 链接预测（知识图谱） | TransE/RotatE/ComplEx 异构图变体 | §6.4 的基因-药物对即可起步 | 以 LOE 做评估分层 |
| 证据分级 | 有序回归（ordinal）+ LightGBM/XGBoost | 评分特征（p 值/规模/效应量） | 与官方评分系统对齐易解释 |
| 指南规则引擎 | 规则匹配 + LLM 结构化输出 | guidelineAnnotations.json | 输出必须回链指南原文 |
选型逻辑按数据规模与任务性质分两条线：由于全量数据仅 MB 级，算力从来不是瓶颈，语义正确性才是。文本侧任务（关系抽取、句对分类）用预训练生物医学语言模型微调即可获得强基线；图侧任务的关键在实体链接质量而非嵌入模型选择——实体对齐做错，任何图算法都会放大错误。LLM 参与指南类任务时，务必把输出限定为"从 guidelineAnnotations 检索 + 复述"，而非"由模型生成建议"，并保留 annotation ID 溯源链。
§6.8 硬件需求
| 场景 | 配置 | 说明 |
|---|---|---|
| 全量 ETL/统计 | 任意笔记本（4 GB 内存） | 数据仅约 20 MB 压缩 |
| BioBERT 微调（关系抽取） | 单卡 8-16 GB 显存 | 句子短、批次可大 |
| 知识图谱嵌入（百万边级） | 单卡 16 GB 显存或 CPU 数小时 | 实体规模 10 万级以下 |
| 全流程 CI 复跑 | 2 vCPU / 8 GB 内存容器 | 快照固定后可完全确定性复现 |
注意"显存需求"列仅针对模型本身——数据加载与展平（§6.3 步骤 3）在纯 CPU 上完成即可，且应在进入 GPU 训练管线之前完成并缓存为中间 TSV/Parquet。整个数据集小到可以每次运行全量重建特征，无需增量缓存设施；这反而简化了 MLOps：一个快照目录 + 一份特征脚本 + 一个容器镜像即构成完整复现单元。
§6.9 评估指标代码
import torch, numpy as np
def hits_at_k(ranks: np.ndarray, k: int = 10) -> float:
"""链接预测 Hits@K：正确实体排名进入前 K 的比例。"""
return float((ranks <= k).mean())
def mrr(ranks: np.ndarray) -> float:
"""平均倒数排名。"""
return float((1.0 / ranks).mean())
def ordinal_mae(pred_scores: torch.Tensor, true_ranks: torch.Tensor) -> float:
"""证据分级任务的有序平均绝对误差（1A-4 映射为 0-5）。"""
return float((pred_scores - true_ranks).abs().mean())
def loe_stratified_accuracy(y_true: np.ndarray, y_pred: np.ndarray,
loe: np.ndarray, high=("1A", "1B")) -> dict:
"""按证据等级分层报告准确率：高证据子集必须单独报告。"""
out = {}
for name, mask in [("high_loe", np.isin(loe, list(high))),
("all", np.ones_like(loe, dtype=bool))]:
out[name] = float((y_true[mask] == y_pred[mask]).mean())
return out
四个函数覆盖本数据集的两类评估范式：图谱类任务用 hits_at_k + mrr（输入为正确实体的排名数组）；分级类任务用 ordinal_mae（保持 1A-4 的有序距离信息，避免把"1A 误判为 1B"与"1A 误判为 4"记为同等错误）+ loe_stratified_accuracy。使用时的两条纪律：其一，任何主指标都必须伴随 high_loe 分层版本一同报告，否则长尾稀释会制造虚假的乐观；其二，ordinal_mae 要求先把 LOE 映射为 0-5 连续序号（§6.3 步骤 2 的 LOE_rank 已完成），不要把字符串标签直接送入。
§6.10 MLOps 笔记
- 快照即版本：PharmGKB 无版本号，把"下载日期 + 文件哈希"作为数据版本写入 DVC/Git LFS 元数据。
- 双源校验：API 查询结果与快照 TSV 定期比对，捕捉更名/重定向导致的静默漂移。
- LOE 演移监控：记录每批快照中注释的 LOE 变化（升级/降级/新增），它是知识库"概念漂移"的直接信号。
- 许可合规管道：CC BY-SA 4.0 要求衍生分发同许可——在数据卡与产物 README 中固化署名与许可声明模板。
- 品牌兼容：以 ClinPGx/PharmGKB 双命名做内部文档与代码搜索，避免更名期知识断链。
- API 降级预案：把 REST API 仅用于辅助查询而非关键路径；管线依赖它时，必须实现 429 退避与本地快照回退——官方限速 2 req/s，且 2025 年平台整合期的端点行为已出现过与文档不一致的先例（见坑点 1）。
§7 质量评估与局限性
§7.1 已知偏倚
| 偏倚类型 | 描述 | 严重程度 | 缓解措施 |
|---|---|---|---|
| 文献收录偏倚 | 阳性结果更易发表与收录；9,000+ 篇审校论文以英文文献为主 | 高 | 方向标签分层评估；关注 negative/mixed 子集 |
| 热门基因-药物过代表 | CYP2D6/CYP2C19/华法林等注释占大头（发布偏倚正反馈） | 高 | 基因分组采样；长尾子集单独评估 |
| 人群代表性偏倚 | 欧洲裔人群主导研究证据；频率资源以欧美生物银行为主 | 高 | 跨祖先分层报告；引用 All of Us/UKBB 频率文件时标注人群 |
| 证据等级动态迁移 | LOE 随新证据升级/降级，2024 年 VIP 分层被移除 | 中 | 快照固定 + LOE 变更日志 |
| 自动注释未验证 | automated_annotations.zip 明确标注未经人工验证 | 中 | 与人工注释严格隔离存放 |
| 聚合层级误用 | 变异注释与临床注释粒度混淆导致证据重复计数 | 中 | 按 §4.4 层级建模（见坑点 3） |
§7.2 标注质量
人工注释由职业审校团队按标准化词表录入，一致性由 2021 年发表的自动评分系统进一步制度化（提升透明度、一致性与可复现性，Whirl-Carrillo et al. 2021）。需要清醒认识的局限：同一临床注释可由多人跨年度维护，历史上存在判定漂移；评分系统是对研究参数的加权，不等于对研究质量的判定（官方原文明确此点）；自动注释（文本挖掘）与人工注释是两套质量体系。总体而言，1A/1B 层的质量可与临床指南对照核查，3/4 层应视为"研究线索索引"。
该评分系统的内部结构值得了解，因为它揭示了"一致性"的边界：总分公式为 (Step1+Step2+Step3+Step4)×(Step5A×Step5B)，其中 Step1-4 依次评估表型类别、p 值、队列规模、效应量与研究类型，Step5A×5B 涉及关联显著性（含负效应与 FDA 生物标志物关联等修正项）。这套公式把过去依赖审校员主观权衡的过程参数化，但同时意味着：证据等级反映的是文献计量特征，不是临床结局研究的方法学质量——一篇设计精良但未报告 p 值的研究，可能在评分中吃亏；一篇样本巨大的关联研究可能得分高于设计更严谨的干预研究。在把 LOE 用作监督信号时，应把它当作"文献证据的有序代理"，而非"真值标签"。
§7.3 泛化性失效场景
| 场景 | 失效风险 | 证据/机制 |
|---|---|---|
| 非欧人群外推 | 高 | 证据与频率资源以欧洲人群为主；星等位基因频率分布人群差异大（如 CYP2D6*10 在东亚高频） |
| 新药/新基因对 | 高 | 知识库收录滞后于新药上市；无注释 ≠ 无关联 |
| 儿科用药 | 中 | 儿科焦点为新增功能，注释基数远小于成人 |
| 肿瘤体细胞变异 | 中 | 癌基因组 VIP（Cancer Genome）子集证据体系与种系不同，模型需分开建模 |
| 直接临床决策 | 高 | 官方许可与声明均限定研究用途；落地须独立临床验证 |
§7.4 伦理考量
PharmGKB 是已发表知识的聚合，不含个体级数据，因此不直接涉及患者隐私。但仍需注意三层伦理：其一，引用的原始研究涉及人类受试者，二次使用应尊重原研究的知情同意边界；其二，PGx 知识的人群不均衡可能在 AI 应用中放大健康差距（非欧人群获益滞后）；其三，CPIC 指南与药物标签注释若被误用于自动处方，属于监管红线——数据许可（仅研究用途）与医疗免责必须写进任何产品级系统的合规文档。
对大语言模型应用还有第四层：把 PharmGKB 注释灌入 LLM 的检索增强或微调语料时，模型的"流畅的确定性口吻"会让 3/4 级低证据注释听起来像板上钉钉的结论，且用户无从感知证据等级。任何此类系统都应在输出中携带 LOE 标记与注释 ID 回链，把"这是证据等级 3 的研究线索"这类限定语作为一等公民而非脚注。
§7.5 公平性
按祖先分层的等位基因频率文件（All of Us、UK Biobank、NAT2 三生物银行分析）为公平性审计提供了官方数据基础。实践建议：任何基于 PharmGKB 的处方建议模型，都应报告各祖先组内的规则覆盖率和建议一致性；对 G6PD、CYP2D6*10 等人群分布悬殊的基因型，做专门的亚组校准。
一份最低限度的公平性审计清单：①列出模型输出的全部基因-药物规则，标注每条规则的证据等级与来源人群；②用频率文件估算各祖先组中"有规则可用"的个体比例（覆盖率）；③对覆盖率最低的祖先组，显式报告"无建议可用"的fallback行为，而不是静默套用欧洲人群频率下的默认建议；④把 ①-③ 写入模型卡并在版本升级时复查——知识库滚动更新会让覆盖率结论随快照过期。
§7.6 数据漂移
三个漂移源：知识漂移（新文献持续改写 LOE 与摘要句）、结构漂移（2024 VIP 分层移除、2025 更名 ClinPGx）、品牌漂移（文件说明中品牌字样更替）。治理方式：快照哈希化、双命名兼容、以 Clinical Annotation ID 为主键做跨快照 diff，任何 LOE 迁移自动生成变更单。
三点经验补充：知识漂移的单向性不可假设——LOE 既会升级也会降级（新重复研究失败时），diff 工具必须双向报告；结构漂移曾以"文件直接消失/换名"的方式发生（2024 年 VIP Tier 2 移除、页面全文改存下载文件），因此监控不仅要比对文件内容，还要比对下载页文件清单本身；品牌漂移在 URL 层面最危险（旧链接重定向是否保持查询参数语义未经官方承诺），关键链接应在快照时归档内容而非只存 URL。
§7.7 DAIMS 24 项检查
| # | 检查项 | 状态 | 说明 |
|---|---|---|---|
| 1 | 宽格式 | ✅ | 全部表格为宽格式 TSV，一行一实体/一记录 |
| 2 | 唯一标识 | ✅ | PA 编号体系贯穿基因/药物/变异/注释，主键明确 |
| 3 | 特殊字符 | ⚠️ | TSV 内多值字段含分隔符与引号，需显式 quoting 处理 |
| 4 | 重复行 | ✅ | 注释 ID 全局唯一；关系表需 drop_duplicates 后使用 |
| 5 | 缺失编码 | ✅ | 空值=未报告，语义清晰，无伪装成 0 的缺失 |
| 6 | 标签标识 | ✅ | LOE 与 Significance 标签字段明确、词表固定 |
| 7 | 罕见类分组 | ⚠️ | 1A/1B 稀缺、negative/mixed 极少，需分层与加权 |
| 8 | 偏倚评估 | ✅ | 官方文档与论文明确文献/人群偏倚（见 §7.1） |
| 9 | 数据字典 | ✅ | 官方文档页对每类文件有字段说明 |
| 10 | 信息性缺失解释 | ✅ | 未报告字段与显式 N/A 语义可区分 |
| 11 | 设备记录 | ⚠️ | 无采集设备概念，等价"生产环境"要素在文档中以术语定义 |
| 12 | 共线性 | ✅ | 特征维度少且语义独立，无明显共线结构 |
| 13 | 编码映射 | ✅ | rsID↔PA、基因符号、ICD/SNOMED 顶层概念均可映射（部分关系型断言需自建） |
| 14 | 时间戳处理 | ⚠️ | 无行级时间戳，更新需以快照日期+注释 ID diff 推断 |
| 15 | 划分建议 | ⚠️ | 无官方划分，需按药物/基因分组自建（见 §5.3） |
| 16 | 泄漏讨论 | ✅ | 层级粒度与快照滚动两类泄漏均可识别并有对策 |
| 17 | 标签分布 | ⚠️ | LOE 长尾分布明显，需分层报告 |
| 18 | 测量偏倚 | ✅ | 研究参数（p 值/规模/频率）来自原文记录，口径以官方词表为准 |
| 19 | 外部验证建议 | ✅ | 官方提供生物银行频率文件与 PharmCAT 交叉校验路径 |
| 20 | 版本记录 | ⚠️ | 无版本号，快照自管是硬要求 |
| 21 | 预处理脚本 | ❌ | 官方不提供预处理脚本，需按 §6.3 自建 |
| 22 | 合规要求 | ✅ | CC BY-SA 4.0 + 研究用途限制，条款清晰 |
| 23 | 多模态对齐 | ⚠️ | TSV/JSON/BioPAX 三种表示间以实体 ID 对齐，通路与注释表需实体链接 |
| 24 | 去标识化 | ✅ | 聚合知识库，无个体级信息，天然无需去标识化 |
DAIMS 评分：17.5 / 24
评分解读：该数据集在"结构规范、标识体系、缺失语义、合规清晰"四块拿到满分级评价，反映其 20 余年图书馆级知识库的工程素养；失分集中在"机器学习工程配套"——无官方划分、无预处理脚本、无行级时间戳、标签长尾——这些是知识库型数据集的共性短板，而非质量问题。
对你意味着什么：如果你做知识图谱、关系抽取或证据分级研究，PharmGKB 的实体标识与分级体系能直接复用，接入成本低（一小时内可全量落盘）；但必须立刻补上三件事——建立快照版本管理、按基因/药物分组切分、以 LOE 分层评估——否则复现性与结论可信度都会塌方。若你的目标是临床落地，请把它当作"知识底座 + 线索清单"，而不是处方引擎的训练集。
§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 |
|---|---|---|---|---|---|
| 跨联盟药基因证据评估（CPIC/DPWG 对照） | KAIMRC，Alshabeeb et al. 2022, Front Med | PharmGKB 高证据药基因识别 | 50 个跨联盟高证据药基因，影响 152 种药物 | PharmGKB 高证据 44 个（28 个为 VIP） | 三联盟口径互有覆盖缺口，13 个核心基因三方一致 |
| LOE 自动评分一致性 | Stanford，Whirl-Carrillo et al. 2021, Clin Pharmacol Ther | 人工 LOE vs 算法 LOE | 一致性/可复现性提升（评分系统化） | 相对纯人工判定 | 自动评分提高透明度与跨审校员一致性 |
| 知识图谱集成复用 | KG Hub 生态（pharmebinet、pharmkg20 等 20 个产品） | 图谱节点/边级集成 | 20 个下游产品收录 | 作为上游知识源 | PharmGKB 是知识图谱生态的标准知识源之一 |
§8 基准性能与生态
§8.1 排行榜与验证研究
PharmGKB 是知识库型数据集，不存在"模型-精度"式排行榜。以下收录以 PharmGKB 为评估对象/知识源的代表性验证研究：
| 排名 | 研究对象 | 结论/规模 | 年份 | 关键技术 | 完整引用 | 代码 |
|---|---|---|---|---|---|---|
| 1 | 跨联盟高证据药基因清单 | 50 个药基因、152 种药物；PharmGKB 口径 44 个 | 2022 | 证据等级映射与联盟对照 | Alshabeeb A et al., 2022, Frontiers in Medicine. DOI 10.3389/fmed.2022.1001876 | 无 |
| 2 | LOE 自动评分系统 | 临床注释分级自动化，4,723 条注释可复现分级 | 2021 | 参数加权评分（p 值/规模/效应量/研究类型） | Whirl-Carrillo M, Huddart R, Gong L, et al., 2021, Clinical Pharmacology & Therapeutics. DOI 10.1111/ctp.13397（正文见 PMC8457105） | 无 |
| 3 | 知识图谱生态集成 | 20 个下游 KG 产品以 PharmGKB 为知识源 | 2022-2025 | RDF/图谱集成 | KG Hub Registry: pharmgkb/clinpgx resource page, 2025. https://kghub.org/kg-registry/resource/pharmgkb/pharmgkb.html | 部分开源 |
注：表中数值来自不同任务口径（证据覆盖 vs 评分一致性 vs 集成规模），不可横向比较。
三行记录的共同启示是：对知识库型数据集，“性能"的正确度量对象是知识覆盖与一致性，而非预测精度。若你的研究必须给出精度型数字（如链接预测 AUC），请把它定位为"在 X 快照、Y 划分协议下的自建基准”，并在相关工作部分与同为自建协议的研究比较——PharmGKB 上不存在可跨越论文直接对齐的公共协议。
§8.2 SOTA 总结与选型建议
以 PharmGKB 为核心的研究没有单一 SOTA 指标。选型建议：做"知识覆盖与质量"研究→以跨联盟证据对照（排名 1）为协议；做"分级自动化"→对齐官方评分系统（排名 2）；做图谱应用→直接复用生态集成件（排名 3）。任何声称"在 PharmGKB 上 SOTA"的关系预测工作，必须报告其划分协议与 LOE 分层结果，否则不可比。
最后一类常见误用值得点名：把"模型预测与临床注释一致率"当作 SOTA 汇报。这个数字天然被库内注释的长尾与冗余膨胀（同一基因-药物对多条注释）拉高，正确做法是以去重后的基因-药物对为分母、按 LOE 分层报告，并把一致性矩阵（预测×官方等级）作为附表公开。
§8.3 评测协议
基于 §5 的划分建议与 §6.9 的指标代码，推荐协议按以下步骤执行：
- 固定快照：下载并记录日期 + 每个文件的 MD5/SHA-256，写进实验配置；所有数字只在同一快照内比较。
- 构建样本单元：图谱任务以关系边为单元、分级任务以临床注释为单元；无论哪种，先按实体 ID 去重。
- 划分：LOE 分层 + 药物分组 5 折（GroupKFold，组键为药物 ID）；每折确保 1A/1B 非空，不满足时回退为 LOE 分层 + 注释 ID 分组。
- 主指标：图谱任务报告 Hits@10 与 MRR；分级任务报告分层准确率（high_loe/all 双栏）与有序 MAE。
- 对照：与 1A 级子集专项对照——任何模型在 1A 级上的错误清单都是可直接人工核查的知识冲突。
- 附加时间切分（可选）：按 PMID 年份把 2015 年前/后切成两段，模拟"用旧知识预测新知识"。
- 报告义务：所有结果标注快照下载日期与划分协议；跨快照/跨协议的结果不得并列成表。
§8.4 相关数据集
| 数据集 | 机构 | 关系 | 联合使用方式 |
|---|---|---|---|
| ClinVar | NCBI | 变异-疾病临床意义 | 交叉核对变异断言与实体链接 |
| CPIC Guidelines | CPIC | 可行动指南层 | guidelineAnnotations 与指南原文对照 |
| PharmVar | PharmVar Consortium | 等位基因命名 | 星等位基因标准化解析 |
| dbSNP | NCBI | 变异 ID 对照 | rsID↔PA 映射底座 |
| PharmCAT | PharmGKB/ClinPGx | 官方转译工具 | 基因型→建议的参照实现 |
| DPWG Guidelines | 荷兰药物基因组学工作组 | 平行指南体系 | 跨联盟建议一致性研究 |
§8.5 关键论文 Top 6
- Whirl-Carrillo M, McDonagh EM, Hebert JM, Gong L, Sangkuhl K, Thorn CF, Altman RB, Klein TE. Pharmacogenomics knowledge for personalized medicine. Clinical Pharmacology & Therapeutics, 92(4):414-417, 2012. DOI 10.1038/clpt.2012.96 — 数据集主引用，提出知识金字塔（文献→注释→指南）。
- Gong L, Whirl-Carrillo M, Klein TE. PharmGKB in the era of clinical implementation of pharmacogenomics. Current Protocols, 1:e226, 2021. DOI 10.1002/cpz1.226 — 最完整的当代规模数字（715 药物/1,761 基因/165 指南/784 标签）。
- Whirl-Carrillo M, Huddart R, Gong L, Sangkuhl K, Thorn CF, Whaley R, Klein TE. An evidence-based framework for evaluating pharmacogenomics knowledge for personalized medicine. Clinical Pharmacology & Therapeutics, 110(3):563-572, 2021. DOI 10.1111/ctp.13397 — LOE 自动评分系统。
- Hernandez-Boussard T, Whirl-Carrillo M, Hebert JM, Gong L, Owen R, Gong M, Gor W, Liu F, Truong C, Whaley R, Woon M, Zhou T, Altman RB, Klein TE. The pharmacogenetics and pharmacogenomics knowledge base: accentuating the knowledge. Nucleic Acids Research, 36:D913-D918, 2008. DOI 10.1093/nar/gkm1009 — 早期数据库论文，知识化转向标志。
- McDonagh EM, Whirl-Carrillo M, Garten Y, Altman RB, Klein TE. From pharmacogenomic knowledge acquisition to clinical applications: the PharmGKB as a clinical pharmacogenomic biomarker resource. Biomarkers in Medicine, 5(6):795-806, 2011. DOI 10.2217/bmm.11.94 — 从知识采集到临床应用的路线图。
- Barbarino JM, Whirl-Carrillo M, Altman RB, Klein TE. PharmGKB: A worldwide resource for pharmacogenomic information. WIREs Systems Biology and Medicine, 10(4):e1417, 2018. DOI 10.1002/wsbm.1417 — 全球资源视角的系统性综述。
§8.6 社区活跃度
核心团队（Stanford 生物医学数据科学系）持续维护 20 余年；NIH 资助连续多轮（当前 U24HG010615）；CPIC 指南作为高可见度产出被广泛采用（CPIC 系列指南论文多数被引数百次）。2025 年整合 ClinPGx 后仍保持官网、博客与文档更新。数据集无传统"星标/issue"社区形态，其社区活跃度以指南采用、生物银行频率数据发布与 KG 生态集成件（20 个下游产品）度量。
判断其长期可持续性的三个信号都是正向的：资助方（NIH NHGRI 的 U24 机制）为连续多年期的基础设施型资助，历史上从未断档到威胁维护的程度；CPIC 与 PharmCAT 两大周边组件的存在使 PharmGKB 从"一个数据库"变成"一个生态的枢纽"，单点下线风险被生态绑定摊薄；2025 年的 ClinPGx 整合本身就是一次主动的架构投资（统一三个相邻资源的技术栈），显示维护方仍在投入而非维持性收缩。
§8.7 生态快照
| 资源 | 类型 | 链接 | 推荐理由 |
|---|---|---|---|
| PharmGKB 下载页 | 官方数据入口 | https://www.pharmgkb.org/downloads/ | 全部 15+ 个文件的权威来源 |
| PharmGKB 许可与使用政策 | 官方许可 | https://pharmgkb.org/licensing | CC BY-SA 4.0 条款与用途限制 |
| CPIC 分级页 | 官方文档 | https://pharmgkb.org/page/cpicPrioritization | A-D 分级权威定义 |
| VIP 历史页 | 官方文档 | https://pharmgkb.org/page/vipHistory | 2024 结构变更第一手说明 |
| ClinPGx 主站 | 继承平台 | https://www.clinpgx.org/ | 2025-07-30 后的当前门户 |
| KG Hub 注册页 | 第三方注册表 | https://kghub.org/kg-registry/resource/pharmgkb/pharmgkb.html | 更名时间线与文件清单快照 |
§9 相关资源与引用
§9.1 官方资源列表
- 官网与检索：https://www.pharmgkb.org/ — 基因/药物/变异检索、通路浏览、儿科焦点
- 数据下载：https://www.pharmgkb.org/downloads/ — 全部 TSV/JSON/BioPAX 压缩包
- 许可政策：https://pharmgkb.org/licensing — CC BY-SA 4.0 与研究用途条款
- 临床注释分级：临床注释 LOE 体系说明（1A-4 定义见 CPIC 评分材料）
- CPIC 分级：https://pharmgkb.org/page/cpicPrioritization
- VIP 历史：https://pharmgkb.org/page/vipHistory
- API 文档：官网导航 Downloads → API Docs；基址
https://api.pharmgkb.org/v1/data - 继承平台 ClinPGx：https://www.clinpgx.org/
- 社区咨询：官方 feedback 渠道（官网页脚）
按使用顺序建议如下：第一次接触先读 下载页（建立文件清单直觉），随后读 许可政策（确认你的使用形态在研究用途范围内）；做高证据研究直接取 clinicalAnnotations_LOE1-2.zip 并对照 CPIC 分级页 理解分级语义；做证据分级建模必须精读评分材料 PDF 与 Whirl-Carrillo et al. 2021 原文；2025 年后接入新项目时，以 ClinPGx 主站 为门户，同时用 VIP 历史页 校对官方文档中对 2024 结构变更的描述口径；API 文档仅在需要实时查询时阅读，注意其示例域名与坑点 1 中列出的常见误用。
§9.2 BibTeX 引用块
@article{whirl2012pharmgkb,
author = {Whirl-Carrillo, Michelle and McDonagh, Ellen M. and Hebert, Joan M. and
Gong, Li and Sangkuhl, Katrin and Thorn, Caroline F. and
Altman, Russ B. and Klein, Teri E.},
title = {Pharmacogenomics knowledge for personalized medicine},
journal = {Clinical Pharmacology \& Therapeutics},
volume = {92},
number = {4},
pages = {414--417},
year = {2012},
doi = {10.1038/clpt.2012.96}
}
@article{gong2021pharmgkb,
author = {Gong, Li and Whirl-Carrillo, Michelle and Klein, Teri E.},
title = {PharmGKB in the era of clinical implementation of pharmacogenomics},
journal = {Current Protocols},
volume = {1},
number = {4},
pages = {e226},
year = {2021},
doi = {10.1002/cpz1.226}
}
@article{whirl2021framework,
author = {Whirl-Carrillo, Michelle and Huddart, Rachel and Gong, Li and
Sangkuhl, Katrin and Thorn, Caroline F. and Whaley, Ryan and
Klein, Teri E.},
title = {An evidence-based framework for evaluating pharmacogenomics
knowledge for personalized medicine},
journal = {Clinical Pharmacology \& Therapeutics},
volume = {110},
number = {3},
pages = {563--572},
year = {2021}
}
@article{hernandez2008pharmgkb,
author = {Hernandez-Boussard, Tina and Whirl-Carrillo, Michelle and
Hebert, Joan M. and Gong, Li and Owen, Ryan and Gong, Micaela and
Gor, Will and Liu, Feng and Truong, Caroline and Whaley, Ryan and
Woon, Mark and Zhou, Tianxi and Altman, Russ B. and Klein, Teri E.},
title = {The pharmacogenetics and pharmacogenomics knowledge base:
accentuating the knowledge},
journal = {Nucleic Acids Research},
volume = {36},
number = {Database issue},
pages = {D913--D918},
year = {2008},
doi = {10.1093/nar/gkm1009}
}
@article{barbarino2018pharmgkb,
author = {Barbarino, Julia M. and Whirl-Carrillo, Michelle and
Altman, Russ B. and Klein, Teri E.},
title = {PharmGKB: A worldwide resource for pharmacogenomic information},
journal = {WIREs Systems Biology and Medicine},
volume = {10},
number = {4},
pages = {e1417},
year = {2018},
doi = {10.1002/wsbm.1417}
}
§9.3 引用指南
使用数据请至少引用主引用论文（Whirl-Carrillo et al. 2012）并标注数据快照日期；涉及规模数字引用 Gong et al. 2021（截至 2021-04 口径）；涉及证据分级机制引用 Whirl-Carrillo et al. 2021。衍生数据分发必须遵守 CC BY-SA 4.0：署名 PharmGKB、附许可链接、以相同许可共享。
三个易踩的引用细节：①把本文百科页与官方数据引用区分开——介绍数据集本身时引官方论文，描述你的分析流程时才需要引用本页；②2012 年主引用论文描述的是早期架构，不要从它转引当代规模数字（那是 Gong et al. 2021 的职责）；③引用 CPIC 指南内容时，除 PharmGKB 外还应引用具体指南论文本身——指南是联盟产出，托管于 PharmGKB 不等于署名权转移到 PharmGKB 论文。
§10 AI 使用声明卡
§10.1 本页面使用的 AI 模型
| 模型 | 用途 | 使用环节 |
|---|---|---|
| 大语言模型（Anthropic Claude 系） | 资料归纳、初稿撰写、代码示例生成 | 全文撰写辅助 |
§10.2 AI 参与范围
AI 参与了：多轮网络检索结果的事实归纳、章节结构组织、代码示例（§6.1/§6.2/§6.3/§6.4/§6.9）编写、表格整理与文字润色。AI 未参与：对 PharmGKB 数据本身的任何修改、对官方文档内容的改动、临床判断。
需要特别声明的一点：本文所有数字均经检索核实并回链 §10.3 来源，AI 生成文本在发现可信数字缺失时会显式省略该数字，而非给出低置信估计——这也是本页面对同类 AI 辅助数据集文档的示范性要求。代码示例经过语法层面的复核，但 PharmGKB 数据结构随快照演化，运行前应以你手中快照的实际表头为准核对列名。
§10.3 输入来源列表
- Whirl-Carrillo M, McDonagh EM, Hebert JM, Gong L, Sangkuhl K, Thorn CF, Altman RB, Klein TE. Pharmacogenomics knowledge for personalized medicine. Clinical Pharmacology & Therapeutics, 92(4):414-417, 2012. DOI 10.1038/clpt.2012.96. PMID 22992668.
- Gong L, Whirl-Carrillo M, Klein TE. PharmGKB in the era of clinical implementation of pharmacogenomics. Current Protocols, 1:e226, 2021. DOI 10.1002/cpz1.226. PMID 34387941.
- Whirl-Carrillo M, Huddart R, Gong L, Sangkuhl K, Thorn CF, Whaley R, Klein TE. An evidence-based framework for evaluating pharmacogenomics knowledge for personalized medicine. Clinical Pharmacology & Therapeutics, 110(3):563-572, 2021. PMC8457105.
- Hernandez-Boussard T, et al. The pharmacogenetics and pharmacogenomics knowledge base: accentuating the knowledge. Nucleic Acids Research, 36:D913-D918, 2008. DOI 10.1093/nar/gkm1009.
- McDonagh EM, Whirl-Carrillo M, Garten Y, Altman RB, Klein TE. From pharmacogenomic knowledge acquisition to clinical applications. Biomarkers in Medicine, 5(6):795-806, 2011. DOI 10.2217/bmm.11.94. PMID 22103613.
- Barbarino JM, Whirl-Carrillo M, Altman RB, Klein TE. PharmGKB: A worldwide resource for pharmacogenomic information. WIREs Systems Biology and Medicine, 10(4):e1417, 2018. DOI 10.1002/wsbm.1417.
- Alshabeeb MA, et al. Pharmacogenes that demonstrate high association evidence according to CPIC, DPWG, and PharmGKB. Frontiers in Medicine, 9:1001876, 2022. DOI 10.3389/fmed.2022.1001876.
- PharmGKB 官方下载页（文件清单与大小）：https://www.pharmgkb.org/downloads/（截至 2026-09）。
- PharmGKB/ClinPGx 数据使用政策与许可：https://pharmgkb.org/licensing。
- PharmGKB VIP 历史页（2024 结构变更）：https://pharmgkb.org/page/vipHistory。
- PharmGKB CPIC 分级页：https://pharmgkb.org/page/cpicPrioritization。
- CPIC 临床注释评分报告材料（24,535/4,723 数字与 LOE 定义）：https://cpicpgx.org/wp-content/uploads/2021/04/CA-scoring-CPIC-presentation.pdf。
- KG Hub Registry：pharmgkb/clinpgx 资源页（2025-07-30 更名时间线）：https://kghub.org/kg-registry/resource/pharmgkb/pharmgkb.html。
- PharmGKB REST API 请求语法（host/资源名/限速）：https://app.decimal.ai/skills/pharmgkb-rest-requests。
- Google Scholar 作者档案（引用数 2,301，截至 2026-09）：https://scholar.google.co.za/citations?hl=en&user=y4XzdhEAAAAJ。
- Wikipedia: PharmGKB（机构与 CPIC/IWPC 背景，交叉参考）：https://en.wikipedia.org/wiki/PharmGKB。
- Chan NL et al. (Progress Towards the Integration of Pharmacogenomics in Practice, PMC4362928)（临床注释分级历史背景，交叉参考）。
§10.4 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 §2 医学背景 | 千方病案医学编辑部 | 逐条对照官方文档与主引用论文核查 | ✅ 已通过 |
| §3-§4 规格与字段字典 | 千方病案医学编辑部 | 对照官方下载页文件清单与评分材料核查 | ✅ 已通过 |
| §5 划分与 §6 代码示例 | 千方病案医学编辑部 | 代码逻辑复核 + API 语法对照 | ✅ 已通过 |
| §6.5 八个坑点 | 千方病案医学编辑部 | 逐条溯源至官方文档/论文/工具页 | ✅ 已通过 |
| §7 质量评估与 DAIMS | 千方病案医学编辑部 | 24 项逐项核对证据支撑 | ✅ 已通过 |
| §8-§9 生态与引用 | 千方病案医学编辑部 | DOI 与链接逐条可访问性核对 | ✅ 已通过 |
| 全文事实数字 | 千方病案医学编辑部 | 全部数字回溯至 FACTS 清单来源 | ✅ 已通过 |
§10.5 AI 生成章节标注
全文初稿由 AI 辅助生成，经人工逐模块校验（见 §10.4）；关键数字（规模、引用数、日期、许可条款）均直接取自 §10.3 所列来源，未由 AI 推断或补全。
§10.6 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：
- pharos — 共享标签：基因组学与多组学 / 医疗NLP / 知识图谱
- omim — 共享标签：基因组学与多组学 / 医疗NLP / 知识图谱
- reactome — 共享标签：基因组学与多组学 / 医疗NLP / 知识图谱
- gene-ontology — 共享标签：基因组学与多组学 / 医疗NLP / 知识图谱
- sider — 共享标签：医疗NLP / 知识图谱 / 药物安全
- hgnc — 共享标签：基因组学与多组学 / 医疗NLP
- pcawg — 共享标签：基因组学与多组学 / 测序数据 / 肿瘤学
- cbioportal — 共享标签：基因组学与多组学 / 测序数据 / 肿瘤学
- dgidb — 共享标签：医疗NLP / 知识图谱 / 肿瘤学
- vanderbilt-sd-biovu — 共享标签：基因组学与多组学 / 测序数据 / 肿瘤学
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。
