PubTator Central (pubtator-central) — NCBI 生物医学文献自动实体与关系标注语料 — AI-Ready Wikipedia

INFOBOX — PubTator Central 一屏速览

维度	内容
本质	NCBI 对 PubMed 摘要 + PMC 全文的全自动生物概念实体与关系标注语料/服务（非人工金标准、非挑战赛）
机构	NCBI / NLM / NIH（Bethesda, MD, USA），通讯 PI Zhiyong Lu（陆志勇）
本条目论文	NAR 2019;47(W1):W587–W593（doi:10.1093/nar/gkz389；PMID 31114887）
版本链	PubTator(2013) → PubTator Central / PTC(2019, 亦称 PubTator2) → PubTator 3.0(2024)
规模（PTC 2019）	约 2900 万 PubMed 摘要 + 约 300 万 PMC 全文（PMC-TM 子集）
规模（3.0 2024）	约 3600 万摘要 + 600 万全文；超 10 亿实体+关系注释；12 类关系
六类实体	基因/蛋白、遗传变异、疾病、化学物质、物种、细胞系（归一化到 NCBI Gene / dbSNP / MeSH / NCBI Taxonomy / Cellosaurus）
获取	Web 界面 + RESTful API + FTP 批量三层；FTP ftp.ncbi.nlm.nih.gov/pub/lu/PubTator3/（全量 ~200G+）
格式	BioC-XML / JSON / tab 分隔（.gz）
许可	NCBI Public Domain Notice——美国政府作品，无使用与再复制限制（库内最宽松等级）
更新	PTC 官方页 daily / 3.0 论文 weekly / FTP README monthly（三口径并存）
任务	NER + NED（实体识别与归一化）+ RE（关系抽取，3.0 起）
库内互链	BioRED(457)、BC5CDR(415)、CHEMDNER(450)、NCBI-Disease(425)、BC2GM(434)、MedMentions(390)、CRAFT(529)、PubMedQA(49)、S2ORC(370)

PubTator Central（缩写 PTC）是生物医学文本挖掘领域最被广泛依赖的"基础设施级"资源之一：它不生产新知识，而是把 PubMed 里近三千万条摘要与 PMC 里三百万篇全文，用最先进的机器标注系统逐篇"贴上"基因、变异、疾病、化学物质、物种、细胞系六类生物概念标签，并把这些标签连同数据库登录号一起，以 Web / API / FTP 三种方式完全免费、无限制地开放给全世界。对任何做医学 NLP、临床知识图谱、或医疗大模型 grounding 的团队来说，它几乎是一个"默认起点"——你不需要自己从零构建实体识别管线，直接下载或调用即可。2019 年它把 PubTator 从"只有摘要"升级到"含全文"，2024 年又演进为 PubTator 3.0，加入了关系抽取与语义检索。理解这个条目，本质上是在理解当代生物医学 AI 的语料底座是怎么被生产、组织和分发的。

导语读法三则：

1. 只想拿数据：直奔 §6 获取与许可——记住"三层发布 + 公共领域无限制"这两个关键词，别在申请流程上浪费时间（它没有申请流程）。
2. 关心版本关系：直奔 §2 与 §7——PubTator / PubTator Central / PubTator 3.0 是同一系统的三代，数字口径极易混用，读前先定版本。
3. 做医疗 AI grounding：直奔 §5 与 §8——六类实体 + 12 类关系 + 与 ChatGPT 集成的验证，是它作为"事实锚点库"的直接证据。

§0 导读：这个数据集解决什么问题

生物医学文献的规模早已超出任何人力的处理范围。仅 PubMed 就收录了三千多万条摘要，PMC 的开放获取全文也在以每年数十万篇的速度增长；一篇临床研究里散落着基因名、变异位号、疾病术语、药物化学名、模式生物物种、实验细胞系——这些信息对药物重定位、基因优先排序、罕见病变异解读、知识图谱构建都至关重要，但它们以自由文本形式存在，机器无法直接消费。人工策展（biocuration）可以产出高质量标注，但速度远远追不上文献增长；这就是**自动文本挖掘（text mining）**登场的场景。

PubTator Central 的回答是把自动标注做成一项持续运行、全库覆盖、免费开放的公共服务，分三层。第一层是覆盖：它不止标注摘要，还把标注扩展到 PMC 的全文——全文信息量约为摘要的 40 倍，标注总量因此扩大近四倍，这是 PTC 相对 2013 原版最核心的升级。第二层是质量：它不再只用单一规则模型，而是并行部署多个专用 tagger（基因用 GNormPlus、变异用 tmVar、疾病与化学用 TaggerOne、物种用 SR4GN），再用基于深度学习的消歧模块裁决重叠与冲突标注。第三层是可达性：Web 界面给人看，RESTful API 给程序用，FTP 批量给大规模管线用，三种入口全免费、无门槛、无注册墙。

与此同时，必须诚实地给它标注定位：它是自动标注，不是人工金标准。NCBI 的免责声明白纸黑字写着不担保准确性。这决定了它的正确用法——它是"预标注 / 弱标注 / 检索索引 / grounding 素材"的最佳选择，而当你需要严格评测 NER/RE 模型的精度时，你应该用它去对照人工金标准语料（如 BioRED、BC5CDR、NCBI-Disease）。理解 PubTator Central 的价值，一半在于它提供了什么，另一半在于它明确不承诺什么。

§0 读法三则：

1. 这个条目是"语料 + 服务 + 工具链 + 版本谱系"四合一：数据是注释结果，服务是 Web/API/FTP，工具链是 GNormPlus/tmVar/TaggerOne/AIONER/BioREx 等，（三代）版本谱系是理解一切数字口径的前提。
2. 全文所有数字都标注了版本口径（PTC 2019 / 官方页 / 3.0 2024 / FTP 实测），因为同一个量在不同来源差异巨大——文档规模 29M/30M/36M、更新频率 daily/weekly/monthly 都是实例（§9 与坑点存照）。
3. 检索时若把 “PubTator Central” 和 “PubTator 3.0” 当成两个独立数据集分别搜索，会得到大量交叉引用——它们是同一系统的前后版本，官方页至今仍在 /research/pubtator/（PTC）与 /research/pubtator3/（现行）两处并存。

§1 数据集速览：十问十答

Q1：PubTator Central 到底是什么？是数据集还是网站？
两者都是。它是 NCBI 提供的一项持续运行的自动标注服务，同时产出可批量下载的标注语料。你可以把它理解为一个"文献标注工厂"：工厂本身（Web + API）实时可查，工厂的产出（FTP 全量注释）可整体打包下载。它不对应某一次性的数据发布，而是每日/每周滚动的活体资源。

Q2：它标注什么内容？
六类生物概念实体：基因/蛋白（genes/proteins）、遗传变异（genetic variants）、疾病（diseases）、化学物质（chemicals）、物种（species）、细胞系（cell lines）。每条注释 = 一段连续文本 + 一个概念类型 + 一个数据库登录号（例如基因映射到 NCBI Gene ID、疾病与化学映射到 MeSH、变异映射到 dbSNP、物种映射到 NCBI Taxonomy、细胞系映射到 Cellosaurus）。2024 年的 PubTator 3.0 又增加了 12 类实体间关系。

Q3：数据规模有多大？
按本条目主口径（PTC 2019）：约 2900 万条 PubMed 摘要 + 约 300 万篇 PMC 全文。官方当前页面写"~3000 万摘要 + ~300 万全文"。2024 年的 PubTator 3.0 已扩展到约 3600 万摘要 + 600 万全文，注释总量超过 10 亿（实体+关系）。

Q4：它是人工标注的吗？
不是。它是全自动机器标注。多个专用识别模型并行跑，再用深度学习消歧模块统一裁决。这正是它敢宣称"全库覆盖"的原因，也是它必须声明"不担保准确性"的原因。

Q5：怎么获取？
三条路，全部免费无门槛：① Web 界面（/research/pubtator/ 与 /research/pubtator3/）交互式浏览检索；② RESTful API（/research/pubtator/api）程序化访问；③ FTP 批量下载（ftp.ncbi.nlm.nih.gov/pub/lu/PubTator3/）。格式为 BioC-XML、JSON、tab 分隔。

Q6：许可是什么？能商用吗？
NCBI Public Domain Notice——它是美国政府作品（United States Government Work），不受版权保护，NLM 与美国政府未对其使用或再复制设置任何限制。这意味着在许可层面可自由使用、修改、再分发，包括商业用途（具体合规仍需使用者自判，但数据本身无许可限制）。这是库内许可最宽松的等级之一。

Q7：它和 2013 年的 PubTator 什么关系？
它是 PubTator 的升级版（第二代）。2013 年的 PubTator 只能标注 PubMed 摘要（五类概念）；2019 年的 PubTator Central 把标注扩展到 PMC 全文、增加细胞系为第六类概念、引入深度学习消歧、重写服务端架构。文献里有时称 PTC 为 PubTator2。

Q8：那 PubTator 3.0 又是什么？
是 2024 年的第三代。它用统一的 AIONER 模型做实体识别、用 BioREx 做关系抽取、支持语义与关系检索，并演示了与 ChatGPT（GPT-4）集成以提升回答的真实性与可验证性。数据规模进一步扩到 36M 摘要 / 6M 全文。

Q9：它适合做什么、不适合做什么？
适合：医学 NLP 的预标注、实体链接/归一化的候选生成、知识图谱的关系素材、文献检索的语义索引、医疗大模型的事实 grounding、生物策展的辅助线索。不适合：需要严格金标准评测标签的场景（应改用 BioRED/BC5CDR 等人工语料）、需要非 OA 全文覆盖的场景（PMC 版权限制）、需要解剖实体等未纳入概念的场景。

Q10：为什么对 AI-Ready 重要？
因为它把"高质量规模的标注语料"这一 AI 训练/评测关键要素，做成了公共领域、三层可达、持续更新的公共服务。它是库内极少数"许可零阻力 + 获取零门槛 + 规模千万级"三者兼备的资源，同时它的版本谱系与多口径数字，又是"AI-Ready 元数据治理"的典型教学样本（见 §9 双口径存照）。

§2 版本谱系：三代 PubTator 的关系必须一次讲清

PubTator Central 最容易被误读的地方，是它与"PubTator"这个名字的纠缠。市面上至少有三种说法在流通：“PubTator”“PubTator Central”“PubTator 3.0”——有人以为是三个数据集，有人以为是同一系统的别名，有人把 3.0 的数字套到 PTC 头上。正确理解是：它们是同一系统 NCBI PubTator 的三代版本，共享同一套设计哲学（把自动生物概念标注做成公共服务），但每一代在覆盖范围、概念类型、算法与服务能力上都有实质跃迁。

2.1 三代对照总表

维度	PubTator（2013，初版）	PubTator Central / PTC（2019，第二代）	PubTator 3.0（2024，第三代）
论文	NAR 41(Web Server issue):W518–W523	NAR 47(W1):W587–W593	NAR 52(W1):W540–W546
DOI	10.1093/nar/gkt441	10.1093/nar/gkz389	10.1093/nar/gkae235
PMID	23703206	31114887	38572754
文献别名	PubTator（初版）	PTC / PubTator2	PubTator3
标注范围	仅 PubMed 摘要	摘要 + PMC 全文	摘要 + PMC 全文（规模更大）
文档规模	摘要级	约 29M 摘要 + 3M 全文	约 36M 摘要 + 6M 全文
概念类型	5 类（无 cell line）	6 类（+cell line）	6 类
关系抽取	无	无	12 类关系
核心算法	规则/统计 tagger	专用 tagger + 深度学习消歧	AIONER（统一 NER）+ BioREx（RE）
服务能力	浏览 + API	全文界面 + 语义检索 + API	语义/关系/布尔检索 + ChatGPT 集成
更新频率来源	—	官方页 daily	论文 weekly / FTP README monthly
许可	公共领域	公共领域	公共领域
Europe PMC 引用数（2026-09-30）	368	279	139

一句话总结谱系：2013 解决"有没有"，2019 解决"全不全"（全文化 + 六类 + 消歧），2024 解决"关系与检索"（RE + 语义化）。 本条目以 PubTator Central（2019） 为立条主体（slug pubtator-central），PubTator 3.0 作为其直接后继在 §7 详述。

2.2 为什么以 PTC 立条，而不是 PubTator 3.0

三个理由：

1. 官方在线实体名。截至抓取时点，NCBI 官方页 https://www.ncbi.nlm.nih.gov/research/pubtator/ 的主标题与自我描述仍为 “PubTator Central (PTC)”，且明确表述其覆盖"~30 million abstracts + ~3 million full-text"——即仍以 PTC 名义提供那一代口径的服务说明。以官方在线的实体名立条，符合"以可核网址为准"的纪律。
2. 引用惯例。在生物医学 NLP 文献中，"PubTator Central"作为资源名被引用的频次最高（279 次引用，且大量下游论文以 gkz389 为方法学出处）；2013 原版（368 次）多为"该系统起源"引用，3.0（139 次）相对新。
3. 谱系叙述的自然支点。以 PTC 为支点，向前可接 2013 原版（讲清"从摘要到全文"的升级动机），向后可接 3.0（讲清"从实体到关系"的下一步），三代一条线，检索者任入一端都能顺藤摸到全貌。

2.3 名字陷阱：PubTator2 是什么

在一些论文与工具文档里，PTC 会被写成 “PubTator2” 或 “PubTator2.0”。这不是另一个系统，而是社区对"第二代 PubTator"的俗称——尤其在与 3.0 对照时（如 3.0 论文 Fig 2B 写 “compared with PubTator2 (also known as PubTatorCentral)”）。因此如果你在 3.0 论文里看到 “PubTator2”，它指的就是本条目。反之，若在 2019 论文里看到 “original PubTator”，指的是 2013 初版。这条别名链是检索与引用时最容易出错的地方（坑点 1）。

2.4 版本迁移对获取路径的实际影响

版本迭代不只是"名字变了"，它直接改变数据的存放位置。抓取时点实测：

• 旧目录 https://ftp.ncbi.nlm.nih.gov/pub/lu/PubTatorCentral/ 仍可访问（HTTP 200），但只剩一个 2020-11-06 的 PubTatorCentral_BioCXML/ 子目录，README.txt 已 404——旧版的批量出口实质已冻结为历史快照。
• 现行目录 https://ftp.ncbi.nlm.nih.gov/pub/lu/PubTator3/ 是活跃发布点，文件最后更新于 2026-08-17，总计约 200GB+。

这意味着：如果你按老教程的路径去下 PTC 的批量注释，会拿到一份 2020 年的旧快照，或直接扑空。正确的现行做法是走 PubTator3 目录（覆盖更全、更新更勤）。这一"版本迁移导致旧路径失效"的现象，是本条目给所有数据管线维护者的直接警示（坑点 5）。

§3 数据构成与规格

3.1 文档覆盖：为什么是"摘要 + 全文"两层

PTC 的文档来源有两块，理解它们的边界是正确使用的前提：

来源	规模（PTC 2019 口径）	说明
PubMed 摘要	约 2900 万条	全部 PubMed 记录的摘要部分；覆盖最广、最稳定
PMC 全文	约 300 万篇	仅限 PMC Text Mining（PMC-TM）子集：含 Open Access Subset 与 Author Manuscript Collection

关键在于"全文"的限定词：不是所有 PMC 文章都可用。只有进入 PMC-TM（可供文本挖掘）子集——即开放获取子集与作者手稿集——的文章才被标注。受出版商版权限制、未开放文本挖掘权限的全文不在覆盖范围内。论文提到当时 PMC 中"可供文本挖掘的文章比例接近 80%“，这个 80% 是按可从文本挖掘的字数/篇数统计的口径，不等于"PMC 里 80% 的文章”；使用时应理解为"绝大多数 OA 内容已覆盖，但非 OA 全文存在系统性缺口"。

为什么值得费这个力？因为摘要与全文的信息量差距巨大：论文明确指出全文长度约为摘要的 40 倍，且在摘要中常常缺失的关键知识（方法细节、实验结果、变异位点的具体语境、药物剂量关系等）大量存在于全文。把标注从摘要扩展到全文，使总标注量扩大近四倍——这是 PTC 相对 2013 原版最根本的价值增量，也是它对下游知识发现类应用（需要深挖正文关系）的直接赋能。

3.2 六类概念与归一化目标

PTC 标注六类生物概念，每类都归一化到一个权威数据库标识。这个"识别 + 归一化"的双步骤是它区别于普通 NER 的关键——它不只圈出实体词，还告诉你这个实体在数据库里是谁：

概念类型	英文	归一化目标数据库	PTC 识别/归一化工具	3.0 工具升级
基因/蛋白	gene/protein	NCBI Gene	GNormPlus	AIONER + GNorm2
遗传变异	genetic variant（mutation）	dbSNP RS ID	tmVar 2.0	tmVar 3.0
疾病	disease	MeSH	TaggerOne	AIONER + TaggerOne
化学物质	chemical	MeSH	TaggerOne（重训）	AIONER + NLM-Chem
物种	species	NCBI Taxonomy	SR4GN	AIONER + GNorm2
细胞系	cell line	Cellosaurus	TaggerOne	AIONER + TaggerOne

几个值得注意的点：

1. 疾病与化学物质共用 TaggerOne 但用不同模型，且化学 tagger 针对 PTC 用 BioCreative V CDR 语料 + CHEMDNER 语料联合重训——这说明"给全文做化学识别"比给摘要做更难，需要专门增强。
2. 细胞系是 PTC 相对原版新增的第六类，归一化到 Cellosaurus（细胞系权威库）——满足了实验生物学对"这篇论文用了哪个细胞系"的检索需求。
3. 同一 mention 可能映射到多个概念 ID（歧义），例如 “mTOR” 在不同物种语境下映射到人的 Gene ID 2475 或小鼠的 56717——这是归一化必须处理的核心难题，也是消歧模块存在的理由。
4. 概念类型有限：解剖实体（细胞组分、细胞类型、组织）等尚未纳入，论文把其列为未来工作。使用者不要假设它能提供解剖学标注。

3.3 注释的数据结构

一个 annotation 被定义为三元组：连续文本片段（span）+ 概念类型（type）+ 登录号（identifier）。落到 FTP 的 tab 分隔文件里，实体文件是五列结构：

列	含义
PMID	PubMed 摘要标识
Type	概念类型（gene / disease / chemical / species / mutation / cellline）
Concept ID	对应数据库标识（如 NCBI Gene ID、MeSH ID）
Mentions	对应该 PMID 中出现的生物概念提及文本
Resource	来源资源标记（含人工标注资源如 MeSH、gene2pubmed）

关系文件（3.0）是四列结构：

列	含义
PMID	文献标识
Type	关系类型（Association / Positive_Correlation / Negative_Correlation / Co-treatment / Drug_interaction / Comparison / Conversion / Binding 等）
概念 1	第一个实体（类型 + 标识）
概念 2	第二个实体（类型 + 标识）

"Resource"列的设计值得单独说明：它标记该注释的来源。当 Resource 是 MeSH 或 gene2pubmed 时，表示这条注释并非纯自动挖掘，而是融入了人工策展资源——这使 PTC 的注释带有"自动为主 + 少量人工锚点"的混合属性，对精度敏感的下游任务是有用的信号。

3.4 发布格式与体量

PTC / PubTator3 提供三种格式，各服务不同场景：

格式	用途	结构
PubTator tab 分隔（.gz）	大规模管线、按列解析	每行一条注释，列式；实体 5 列 / 关系 4 列
BioC-XML（tar.gz）	保留文档结构的互通	BioC 社区标准，文档 → passage → annotation 层级
JSON	Web/API 交互	结构化对象，便于程序消费

BioC 的作用常被低估：BioC 是一个社区驱动的生物医学文本处理数据格式，PTC 用它作为流水线各步骤间输入/输出的统一载体，保证各组件与外部工具之间的互操作性。使用者若想把 PTC 注释接入自己的 NLP 管线，走 BioC 是最顺滑的路径。

现网实测的 PubTator3 FTP 体量（2026-08-17 文件）：

文件	大小	内容
bioconcepts2pubtator3.gz	5.7G	全部实体注释合并
relation2pubtator3.gz	284M	BioREx 全部关系
chemical2pubtator3.gz	1.7G	化学
disease2pubtator3.gz	2.0G	疾病
gene2pubtator3.gz	721M	基因
species2pubtator3.gz	466M	物种
mutation2pubtator3.gz	111M	变异
cellline2pubtator3.gz	68M	细胞系
BioCXML.0–9.tar.gz	10 × 20G ≈ 200G	全量 BioC-XML 归档（分 10 卷）

从单体文件大小可反推各概念类型的数据密度：疾病（2.0G）与化学（1.7G）是最大的两类实体——这与生物医学文献中疾病与药物/化合物提及的高频性一致；细胞系（68M）与变异（111M）相对稀疏，反映其提及频率较低。BioC-XML 归档总量约 200GB，是"全量全格式"的完整镜像。

3.5 处理流水线架构

PTC 的服务端流水线（论文 Fig 1）三步走：

新文献（PubMed 摘要 / PMC-TM 全文）
   │
   ▼
[步骤 A] 多概念 tagger 并行识别
   ├── GNormPlus  → 基因/蛋白
   ├── tmVar 2.0  → 遗传变异
   ├── TaggerOne  → 疾病、化学、细胞系
   └── SR4GN      → 物种
   │
   ▼
[步骤 B] 消歧模块（深度学习）
   └── 裁决重叠/冲突注释，保证一致性
   │
   ▼
[步骤 C] 存入 MongoDB 数据库
   │
   ├──→ Web 界面（浏览、检索、可视化）
   └──→ RESTful API（程序化检索）

3.0 把步骤 A 统一为 AIONER（一个模型识别六类实体），步骤 B 之外新增 BioREx 做关系抽取，存储改为 MongoDB + Solr（支持语义检索）。这一架构演进的核心收益是：统一模型简化了维护、关系抽取扩展了信息维度、Solr 支撑了高级检索。

3.6 与服务/语料的边界：PubTator 不是"数据集"而是"活体系统"

最后厘清一个概念边界：PubTator 系列严格说来不是一个静态数据集，而是一个持续运行的标注系统，其"数据集"属性来自 FTP 上的定期快照。这带来三个实际差异：

1. 没有"版本号"意义上的数据发布：你下载到的是"截至某天的全量注释"，而非"v1.2 数据集"。快照日期（如 PubTator3 的 2026-08-17）就是数据的时间戳。
2. 可复现性依赖快照：若你的研究要可复现，必须锁定并归档你下载的那份 FTP 快照，否则数字会随官方更新而漂移。
3. API 与 FTP 可能不同步：Web/API 检索的是实时数据库，FTP 是定期快照，两者在更新间隔内可能存在差异——对一致性敏感的任务应以 FTP 快照为准并记录日期。

这一"活体 vs 快照"的张力，正是 PubTator 这类持续服务型资源在 AI-Ready 语境下的特殊性：它的 AI-Ready 得分在"可得性"上近乎满分，但在"版本稳定可复现"上是使用者需自行补足的一环（§6.4 详述）。

3.7 使用前的质量自检清单

由于 PubTator 是自动标注，把它接入任何严肃管线之前，建议按下表逐项自检。这张表也是本条目"理智使用"主张的浓缩：

自检项	要问的问题	处理建议
概念类型覆盖	我要的实体类型在六类里吗？	不在（如解剖实体）→ 另寻资源
文档范围	我要的文献在 PubMed 摘要 / PMC-TM 全文里吗？	非 OA 全文 → 覆盖缺口，勿声称全库
标注质量	我把它当金标准还是弱监督？	当金标准 → 改用人工语料；当弱监督 → 可用并记录噪声
归一化精度	我依赖的数据库 ID 归一是否正确？	抽取样本人工核对；关注同形异义（如 mTOR 跨物种）
关系可用性	我要关系数据吗？	要 → 用 3.0 且限于摘要；要全文关系 → 不可得
版本与时点	我引的数字是哪个版本、哪一天？	记录版本与快照日期，全篇一致
可复现性	我能复现自己的实验吗？	归档下载的 FTP 快照 + 记录 Last modified
许可合规	我的用途有许可风险吗？	公共领域无限制，商业/再分发均可（自判合规）

一句话原则：用 PubTator 的规模与覆盖，用人工语料的精度做严格评测；把它的每条输出都当作"待验证线索"而非"既定事实"。

3.8 与人工金标准语料的关系：互补而非替代

初学者常问："既然有 PubTator 自动标注，还需要人工语料吗？"答案是两者服务不同阶段，构成互补的两层：

维度	PubTator（自动层）	人工金标准（如 BioRED/BC5CDR）
规模	千万篇级	数百至数万（篇/句）
覆盖	全库（PubMed + PMC-TM）	精选子集
精度	有噪声，非金标准	高（人工双标 + 仲裁）
用途	预标注、弱监督、检索、grounding	严格评测、精度上限测量
更新	持续滚动	一次性或低频

正确的工作流是**“自动层预标注 + 人工层校准”**：用 PubTator 覆盖全库并产出候选，用人工金标准测量真实精度并做误差分析，再用人工标注微调模型。把两层混用（拿自动标注当金标准、或拿小规模金标准去覆盖全库）都会失败。这一"两层互补"的认知，是使用 PubTator 系列资源的前提。

§4 任务定义：NER / NED / RE 三件事说清楚

PubTator Central 支撑的是生物医学 NLP 的三个基础任务。理解这三个任务，才能理解它到底为下游提供了什么，以及为什么它被 BigBIO 等框架登记为标准的 NER + NED 数据集。

4.1 命名实体识别（NER）

定义：从自由文本中找出属于特定概念类型的实体文本片段（span）。例如从"BRCA1 mutations increase breast cancer risk"中识别出 “BRCA1”（基因）与 “breast cancer”（疾病）。

PubTator 的处理方式：六类实体各由专门模型识别。PTC 用 GNormPlus（基因）、tmVar 2.0（变异）、TaggerOne（疾病/化学/细胞系）、SR4GN（物种）；3.0 统一为 AIONER 单模型多类型识别。识别结果就是注释里的 span 部分。

质量背景：论文 Table 1 展示了各概念从 2013 原版到 PTC 的性能改进；全文本比摘要更难标注（“content of full text is more complex than abstracts”），因此多个 tagger 为适配全文做了修改或重训。具体的 precision/recall/F1 逐类数值在论文 Supplementary Table S1（本条目存照待核，见 §9）。

4.2 命名实体归一化 / 消歧（NED / NEN）

定义：把识别出的实体文本链接到权威数据库中的唯一标识。例如 "BRCA1""BRCA-1"“breast cancer type 1 susceptibility protein” 都应归一化到同一个 NCBI Gene ID。

PubTator 的处理方式：这是它区别于普通 NER 工具的核心能力——它输出的是登录号，不是词表。六类实体分别归一化到 NCBI Gene / dbSNP / MeSH（疾病与化学）/ NCBI Taxonomy / Cellosaurus。

难点与消歧模块：

1. 同形异义（一词多实体）：如 “mTOR” 在不同物种语境下对应人（Gene ID 2475）或小鼠（56717），必须结合上下文裁决。
2. 同实体多形（一词多写法）：同一基因有官方名、别名、缩写、蛋白名等多种形式，需归一。
3. 重叠注释冲突：多个 tagger 可能对同一 span 判出不同类型或重叠边界，需要 disambiguation 模块统一。

PTC 的消歧模块基于深度学习，是其相对原版在"准确性"上改进的关键组件。对下游知识图谱构建者而言，归一化的质量直接决定图谱节点的合并正确性——这是 PubTator 最有价值的贡献之一。

4.3 关系抽取（RE，3.0 起）

定义：识别两个实体之间存在何种语义关系。例如 “chemical X reduces expression of gene Y” 中的 chemical-gene 负相关关系。

PubTator 3.0 的处理方式：BioREx 模型抽取 12 类关系，覆盖 8 种实体对：

实体对	说明
chemical–chemical	化合物-化合物（如药物相互作用）
chemical–disease	化学-疾病（如药物诱导的疾病）
chemical–gene	化学-基因（如药物靶点、表达调控）
chemical–variant	化学-变异（如药物反应相关变异）
disease–gene	疾病-基因（如致病基因）
disease–variant	疾病-变异（如致病变异）
gene–gene	基因-基因（如相互作用、共表达）
variant–variant	变异-变异（如连锁、联合效应）

关系类型命名层包括 Association / Positive_Correlation / Negative_Correlation / Co-treatment / Drug_interaction / Comparison / Conversion / Binding 等。这个关系层是 PubTator 3.0 相对 PTC 的最大增量——它把"实体清单"升级为"实体关系图"，直接服务于药物重定位（找靶向某基因的化合物）、变异解读（变异-疾病关联）、通路组装（基因-基因网络）等知识发现任务。

已知局限（3.0 自述）：关系抽取目前仅覆盖摘要（受算力约束），全文关系抽取是未来工作；只有 12 类关系；实体与关系均为自动抽取，准确率非完美。使用者应把关系层当作"高召回线索"而非"金标准事实"。

4.4 三任务能力对照表

任务	PTC（2019）	PubTator 3.0（2024）	下游用途
NER（实体识别）	✅ 六类（多 tagger）	✅ 六类（AIONER 统一）	预标注、检索索引
NED（实体归一化）	✅ 映射数据库 ID	✅ 同（工具换新）	知识图谱节点合并、实体链接
RE（关系抽取）	❌ 无	✅ 12 类 / 8 实体对（仅摘要）	药物重定位、通路/关联发现

这张表也回答了一个常见疑问：如果你需要关系数据，必须用 3.0；如果你只需要实体标注，PTC 与 3.0 都能满足（3.0 是超集）。

§5 为什么它对医疗 AI 与生物医学 NLP 重要

PubTator 系列在生物医学 AI 生态中的位置，可以用一句话概括：它是"文献知识"通往"机器可用知识"的标准转换器。下面从五个维度说明它的价值。

5.1 作为训练/预标注语料：弱监督的规模优势

现代生物医学 NLP 模型（尤其是 BERT 类与更晚的 LLM）在预训练与微调时都需要大量标注数据。人工标注成本高昂，PubTator 提供的千万篇级、六类实体、带数据库 ID的自动标注，是弱监督/远程监督（distant supervision）的理想素材：

• 预标注加速人工：用 PubTator 输出作为初筛，人工只在机器标注上做修正，可把标注成本大幅压缩（类似主动学习范式）。
• 自动标注作训练信号：许多 NER/NED 模型直接以 PubTator 输出作为训练语料（在承认噪声的前提下），因为它规模远超任何人工语料。
• 覆盖与多样性：2900 万摘要 + 300 万全文的覆盖，使模型见到的实体上下文分布远比小规模金标准丰富。

5.2 作为知识图谱与知识发现的底座

生物医学知识图谱（如疾病-基因-化学网络）的构建，通常需要从文献中抽取实体与关系。PubTator 提供的正是这个流程的原料：

• 实体节点：六类概念 + 数据库 ID，可直接作为图谱节点骨架。
• 关系边：3.0 的 12 类关系提供带类型的边，支撑因果/关联推理。
• 典型应用（论文列举）：药物重定位（chemical-gene 检索）、基因优先排序（候选基因文献排序）、基因-表型关联、疾病共病分析、生物策展辅助。

论文明确引用了大量下游用例，从"优先排序候选基因"到"创建基因与变异资源"再到"富化疾病知识图谱"——这些都建立在 PubTator 的实体+关系抽取之上。

5.3 作为 LLM 的 grounding / 检索增强资源

这是 PubTator 3.0 最前沿、也最值得医疗 AI 团队关注的用法。大模型的"幻觉"在生物医学场景尤其危险——一个编造的基因-疾病关联或药物-靶点关系，可能直接误导研究或临床判断。PubTator 3.0 论文给出了一条明确的解决路径：

• 与 ChatGPT（GPT-4）集成：把 PubTator API 接入 ChatGPT 的回答流程，让模型基于真实文献注释作答，论文报告这显著提升了回答的真实性（factuality）与可验证性（verifiability）。
• 可验证的溯源：由于每条注释都带 PMID 与数据库 ID，模型的每个断言都能追溯到原文与权威库——这是"可验证 AI"在生物医学领域的具体落地。
• 检索质量：3.0 的检索在实体对查询下，召回文章数多于 PubMed 与 Google Scholar，且前 20 结果精度更高——这意味着它可作为 RAG（检索增强生成）系统中优于通用检索引擎的知识检索层。

对做医疗大模型 RAG / grounding 的团队，PubTator 提供的不只是数据，而是一套"实体对齐 + 关系预计算 + 可溯源注释"的现成事实层。开源代码 ncbi-nlp/pubtator-gpt 直接把这条集成路径产品化。

5.4 作为生物策展（biocuration）的辅助工具

生物数据库（如基因、变异、疾病资源）的维护依赖人工策展，而策展员面对的是海量文献。PubTator 从设计之初就服务于策展工作流：

• 文献分诊（triage）：自动标注帮策展员快速定位"哪些文章含相关基因/变异"。
• 预填充：把机器标注作为策展表单的初值，人工只需审核。
• 历史用例：2013 初版的论文即题为"a web-based text mining tool for assisting biocuration"，且有专门的案例研究（用 PubTator 策展 PubMed 摘要中的基因）；2019 PTC 论文回顾原系统已服务约 3 亿次 API 请求，用于策展支持等用例。

5.5 作为"基础设施"的稳定性价值

最后一层价值最朴素也最重要：它长期、稳定、免费、无门槛地运行。在生物医学 NLP 领域，工具与语料的生命周期往往很短——论文发表后数据库停更、链接失效是常态。PubTator 从 2013 到 2024 迭代三代，始终由美国政府机构（NCBI/NLM/NIH）维护，且：

• 许可为公共领域（无使用限制）；
• 提供 Web + API + FTP 三层入口（不依赖单一渠道）；
• 持续更新（每日/每周/每月，视版本与渠道而定）。

这种"制度性稳定 + 零许可阻力 + 多渠道可达"的组合，使它成为众多管线与工具的默认依赖——它是那种"一旦你在生产系统里用了，就几乎不用担心它明天消失或突然要收费"的资源。对于要构建长期运行的医疗 AI 基础设施的团队，这种稳定性本身就是核心竞争力。

5.6 定位的诚实边界

必须同时说清它不是什么，避免误用：

• 它不是人工金标准：自动标注带噪声，严格评测请用人工语料（BioRED/BC5CDR/NCBI-Disease 等）。
• 它不覆盖非 OA 全文：PMC 版权限制导致系统性缺口，不适合声称"覆盖全部生物医学文献"的研究。
• 它的关系层仅限摘要（3.0）：需要全文关系的任务不能依赖它。
• 它不含解剖实体等：概念类型有限，超出六类的需求需另寻资源。

把 PubTator 放在正确的位置——高覆盖、可追溯、零门槛的自动标注底座——才能最大化它的价值。

§6 获取与许可：三层入口 + 公共领域

6.1 三层获取入口总表

入口	地址	适用场景	门槛
Web 界面	https://www.ncbi.nlm.nih.gov/research/pubtator/（PTC）/ .../pubtator3/（3.0）	交互式浏览、检索、构建文档集、可视化注释	无
RESTful API	/research/pubtator/api（PTC）/ /research/pubtator3/api（3.0）	程序化访问、集成到管线、3.0 支持语义/关系查询	无
FTP 批量	https://ftp.ncbi.nlm.nih.gov/pub/lu/PubTator3/（现行）	大规模下载全量注释	无

三层入口全部免费、无注册墙、无申请流程——这是它相对库内"请求制/注册墙"型数据集最大的获取优势。

6.2 许可：NCBI Public Domain Notice（逐字存照）

PubTator 数据的许可条款写在 FTP README.txt 开头，原文关键段落如下（英文原文存照）：

“This software/database is a ‘United States Government Work’ under the terms of the United States Copyright Act. It was written as part of the author’s official duties as a United States Government employee and thus cannot be copyrighted. This software/database is freely available to the public for use. The National Library of Medicine and the U.S. Government have not placed any restriction on its use or reproduction.”

要点解读：

1. 性质：美国政府作品（United States Government Work），依美国版权法不受版权保护。
2. 权利：NLM 与美国政府未对其使用或再复制设置任何限制——可自由使用、修改、再分发。
3. 第三方归类佐证：bio.tools 将其标为 Unlicense（无许可/公共领域）、Free of charge、Open access；BigBIO/HF 打包版将其标为 license: other（对应 NCBI_LICENSE）——注意 HF 的 “other” 是平台无法归入标准 CC 协议时的兜底标记，不代表"另有更严的许可"，实际就是公共领域（坑点 3）。
4. 免责：README 同时声明 NLM/美国政府不担保数据的准确性与结果（“do not and cannot warrant the performance or results”）——这条免责与"自动标注"属性呼应，是使用者的知情前提。

在库内许可光谱上的位置：这是最宽松等级。对比 Panda-Plus（掩码请求制、论文 CC BY-NC-ND）、各类注册墙数据集，PubTator 的"公共领域 + 无限制"使其在"可再分发、可商用、可修改"上几乎无摩擦。对要构建产品级医疗 AI 管线的团队，这一点极具吸引力。

6.3 实操：怎么下、怎么调

FTP 批量下载（推荐给大规模管线）：

# 现行发布点（PubTator3）
wget https://ftp.ncbi.nlm.nih.gov/pub/lu/PubTator3/bioconcepts2pubtator3.gz   # 全部实体注释 5.7G
wget https://ftp.ncbi.nlm.nih.gov/pub/lu/PubTator3/relation2pubtator3.gz     # 全部关系 284M
wget https://ftp.ncbi.nlm.nih.gov/pub/lu/PubTator3/gene2pubtator3.gz         # 按类型分文件

# 解压（tab 分隔）
gunzip bioconcepts2pubtator3.gz
# BioC-XML 归档需 tar 解包（10 卷，各 20G）
tar -zxvf BioCXML.0.tar.gz

要点提醒：

1. 认准 PubTator3 目录：旧 PubTatorCentral/ 目录已冻结（仅剩 2020-11 的 BioCXML 快照），老教程路径会失效（坑点 5）。
2. 单文件即可上手：只需全部实体注释时，下 bioconcepts2pubtator3.gz（5.7G）一份即可；需要按类型切分再用 {type}2pubtator3.gz。
3. BioC-XML 体量极大：全量约 200GB（10×20G），非必要不下——它适合需要文档结构完整性的场景。
4. 记录快照日期：为可复现性，务必记录你下载时 FTP 上文件的 Last modified 日期（如本轮实测为 2026-08-17），并归档你下载的那份副本。

API 调用（推荐给实时/按需场景）：PTC 与 3.0 均提供 RESTful API。3.0 的 API 支持更灵活的查询，论文举例：“what chemicals are known to reduce expression of JAK1?” 这类信息需求可在单次 API 调用中回答——这是语义检索 + 关系预计算带来的能力。

BigBIO 框架加载（推荐给 datasets 生态用户）：HF 上的 bigbio/pubtator_central 把 PTC 打包为标准的 NER + NED 数据集：

# 需先 pip install bioc（BigBIO 依赖）
from datasets import load_dataset
ds = load_dataset("bigbio/pubtator_central", name="pubtator_central_bigbio_kb")
# 提供 sample 与 full 两档配置；BigBIO 版本 1.0.0，源版本 2022.01.08

注意：BigBIO 打包版基于 2022 源版本、且引用的旧 FTP 路径（PubTatorCentral/bioconcepts2pubtatorcentral.offset.gz）已冻结——用它做研究时应核对数据新鲜度，需要最新数据请直接走 PubTator3 FTP。

6.4 AI-Ready 评估：可得性满分，稳定性自负

以库内 AI-Ready 检查单过一遍：

• 机器可读元数据：✅ 论文开放获取 + FTP README（格式/引用/声明齐全）+ API 文档页。
• 公开直链：✅ FTP HTTP 直链 + RESTful API + Web——三层无障碍，AI-Ready 最大加分项。
• 许可明确性：✅ 公共领域，无限制——许可层面零歧义、零摩擦。
• 可复现性：⚠️ 作为活体系统，无静态版本号，数据随官方更新漂移；可复现依赖使用者自行归档快照（§3.6）。这是唯一需要使用者补足的环节。
• 文档自洽：⚠️ 多口径数字并存（规模、更新频率、注释总量），需按版本与时点对齐（§9 与坑点）。

综合：AI-Ready 等级"高"——三层无门槛获取 + 公共领域许可 + 持续更新，使它在"可得性"维度近乎满分；扣分点不在"能不能拿到"，而在"拿到的到底是不是同一份"（版本/快照治理），这属于使用者侧的可复现性责任，而非资源本身的缺陷。

6.5 与库内可获取性光谱的对照

库内数据集已形成可获取性光谱（注册墙 → 请求制 → Zenodo → AWS Registry → 公开直链）。本条目在光谱上的位置：

档位	库内参照	本条目对应
注册墙（最严）	少量需审批的临床数据集	—
请求制	Panda-Plus 掩码（邮件申请）	—
平台托管	Zenodo 型	—
Registry 收录	AWS Registry 型	—
公开直链	HF/Zenodo 直链型	✅ 本条目（Web + API + FTP 三层）

PubTator 的特殊性在于：它不只是"公开直链"，而是**“公开直链 + 公共领域许可 + 程序化 API”**三位一体。库内许多"公开直链"数据集仍带 CC BY-NC 等限制或需注册，而 PubTator 在许可与获取上同时到达最宽松端点——这使它在"能否无摩擦进入生产管线"这一实用维度上，是库内最具代表性的样本之一。

§7 PubTator 3.0：从实体到关系，从标注到检索

PubTator 3.0（2024）是 PubTator Central 的直接后继，也是理解 PubTator 系列"去向何方"的关键。本节点作为延伸专节，讲清它的增量。

7.1 三大增量

增量	内容	意义
AIONER 统一 NER	一个模型识别六类实体，取代 PTC 的多 tagger 并置	简化维护、统一框架、性能提升
BioREx 关系抽取	抽取 12 类关系（8 种实体对）	从"实体清单"升级为"实体关系图"
语义/关系检索	界面与 API 支持语义、关系、关键词、布尔查询	从"浏览标注"升级为"按需发现知识"

架构上，3.0 的流水线（论文 Fig 2A）：AIONER 识别六类实体 → 专用 mapper 归一化（GNorm2/tmVar3/NLM-Chem/TaggerOne）→ BioREx 抽关系 → 存 MongoDB + Solr 检索。

7.2 规模扩展

维度	PTC（2019）	PubTator 3.0（2024）
PubMed 摘要	约 29M	约 36M
PMC 全文	约 3M	约 6M
注释总量	（未单列）	超 10 亿（实体+关系）
关系类型	0	12 类
更新频率（论文口径）	daily	weekly

规模翻倍（尤其全文从 3M 到 6M）反映了 PMC 开放获取内容的持续增长与系统吞吐的提升。注释总量"超 10 亿"是一个量级标志——它意味着 PubTator 已成为生物医学文献知识规模最大的机器可读表示之一。

7.3 性能评估

3.0 论文用两组基准验证提升：

• NER（vs PubTator2/PTC，在 BioRED 语料上）：论文 Fig 2B 展示六类实体的识别性能对照，3.0 相对 PTC 有改进。
• RE（vs SemRep 及此前最优系统，在 BioCreative V CDR 语料上）：论文 Fig 2C 展示关系抽取显著优于 SemRep 与既往系统。

BioRED 是什么：600 篇 PubMed 摘要的文档级多实体、多关系语料（Luo L 等, 2022, Brief Bioinform 23(5):bbac282），是生物医学 RE 的权威基准；其自身报告 NER F-score 89.3%、新型关系 RE F-score 仅 47.7%——反映关系抽取仍是难题，也解释了为何 3.0 要专门用 BioREx 攻这一环。

7.4 检索质量与 LLM 集成

• 检索质量：在实体对查询下，PubTator 3.0 检索到的文章数多于 PubMed 与 Google Scholar，且前 20 结果精度更高——这得益于语义检索（用预计算的概念匹配替代关键词匹配，规避术语差异）。
• LLM grounding：把 ChatGPT（GPT-4）与 PubTator API 集成，显著提升回答的真实性与可验证性；开源代码 ncbi-nlp/pubtator-gpt。这是 PubTator 从"文献工具"跨入"AI 事实层"的标志性一步。

7.5 3.0 的自我设限（诚实边界）

论文明确列出三条局限，条目照录以正视听：

1. 关系抽取仅限摘要：虽能处理全文实体，但关系目前只在摘要上抽取（算力约束），全文 RE 为未来工作。
2. 关系类型有限：仅 12 类，虽为常用关系但非全部。
3. 自动抽取非完美：实体与关系均由机器产出，准确率虽高但非 100%。

这三条与 PTC 的"自动标注非金标准"一脉相承，构成 PubTator 系列一贯的诚实定位。

7.6 源码开放与可复现资产

3.0 的全部组件开源（GitHub ncbi 组织）：AIONER、GNorm2、tmVar3、NLM-Chem Tagger、TaggerOne、BioREx、pubtator-gpt；源码与训练模型归档于 Zenodo 10.5281/zenodo.10839631（CC0）。这意味着研究团队不仅能用 PubTator，还能复现其标注管线、按其架构自建领域专用标注系统——这是它作为"方法论公共资产"的价值延伸。

§8 生态：工具链、语料族与下游应用

8.1 NCBI Lu lab 的工具链生态

PubTator 不是孤立工具，它站在一条完整的 NCBI 生物医学 NLP 工具链之上（这条链本身也是理解 PubTator 能力来源的钥匙）：

PubTator 系列
   ├── 实体识别层
   │    ├── GNormPlus / GNorm2   （基因/蛋白 + 物种归一化）
   │    ├── tmVar 2.0 / 3.0      （遗传变异 → dbSNP）
   │    ├── TaggerOne            （疾病/细胞系）
   │    ├── SR4GN                （物种，PTC 阶段）
   │    ├── NLM-Chem             （化学 → MeSH，3.0 阶段）
   │    └── AIONER               （3.0 统一 NER）
   ├── 关系抽取层
   │    └── BioREx               （3.0，12 类关系）
   ├── 语料层
   │    ├── BioRED               （关系抽取基准，600 摘要）
   │    ├── BioCreative V CDR    （化学-疾病关系）
   │    ├── CHEMDNER             （化学实体）
   │    └── NCBI-Disease         （疾病实体）
   └── LLM 集成层
        └── pubtator-gpt         （ChatGPT + PubTator API）

这条工具链的共同特征是：论文发表 + 源码开源 + 数据开放 + 持续维护，构成生物医学 NLP 领域罕见的"全栈开放"生态。

8.2 与前身及旁系的关系

• 上行：2013 PubTator（起源）、2015 加入的 RESTful API（服务化起点）。
• 下行：PubTator 3.0（关系与检索）。
• 旁系：SemRep（另一生物医学关系抽取系统，3.0 的对比基线）；PubTerm、Thalia 等（同期生物医学文献工具，论文引用的同类）。

8.3 下游应用全景

应用领域	具体用法	依赖的能力
生物策展	文献分诊、预填充策展表单	NER + NED
基因优先排序	定位候选基因的文献证据	NER + NED
基因-表型关联	从文献抽取基因-疾病联系	NER + RE
疾病共病分析	疾病-疾病共现与关联	NER + RE
药物重定位	chemical-gene 关系检索	RE
知识图谱富化	实体节点 + 关系边	NER + NED + RE
变异解读	变异-疾病关联	RE
LLM grounding	检索增强 + 可溯源作答	API + 全链

8.4 生态互链点（库内条目，已核 rid）

PubTator 与库内多条生物医学 NLP 语料形成天然的对照与互补关系：

库内条目	rid	与 PubTator 的关系
BioRED	457	PubTator 3.0 的 NER 评测语料；同为 NCBI Lu lab 出品——最直接互链
BC5CDR	415	PubTator 3.0 关系抽取评测基准（BioCreative V CDR）
CHEMDNER	450	PTC 化学 tagger 重训语料之一
NCBI-Disease	425	疾病 NER 人工金标准，与 PubTator 自动疾病标注互为对照
BC2GM	434	基因 NER 人工金标准对照
MedMentions	390	UMLS 实体链接语料，对应 PubTator 的归一化（NED）任务
CRAFT	529	生物医学概念标注金标准对照
PubMedQA	49	PubMed 问答基准，PubTator 注释可支撑其检索/grounding
S2ORC	370	大规模学术全文语料，与 PMC 全文标注形成"原文 vs 标注层"互补
LitCovid	380	COVID-19 文献库，PubTator 覆盖 PubMed 时的疫情主题子集
CORD-19	104	COVID-19 开放研究语料，同上的疫情切片

互链逻辑一句话：PubTator 是"自动标注层"，库内 BioRED/BC5CDR/CHEMDNER/NCBI-Disease/BC2GM/MedMentions/CRAFT 是"人工金标准层"，S2ORC/LitCovid/CORD-19 是"原始语料层"，PubMedQA 是"下游任务层"——四层合起来构成一个完整的生物医学 NLP 数据生态面。

§9 版本口径与双口径存照

PubTator 的"活体系统"属性决定了它的数字在不同来源、不同版本、不同时点会不一致。这些不一致不是错误，而是版本演进的真实痕迹——但对自动化抽取与严格引用而言，必须逐条对齐。本节把所有冲突集中存照，并给出处理口径。

9.1 口径冲突总表

#	项	口径 A	口径 B	口径 C	处理建议
1	PubMed 摘要数	29M（PTC 2019 论文）	~30M（官方页 docsum）	36M（3.0 2024 论文）	按版本引用：PTC 条目用 29M，3.0 用 36M；官方页 30M 视为四舍五入
2	PMC 全文数	3M（PTC 2019）	~3M（官方页）	6M（3.0 2024）	同上，按版本
3	更新频率	daily（PTC 官方页）	weekly（3.0 论文）	monthly（PubTator3 FTP README）	三口径按渠道注明；页面=实时视角，论文=描述视角，FTP=批量视角
4	注释总量	over 1 billion（3.0 论文）	1.6B 实体 + 33M 关系（NIH poster 2024）	—	论文概数 vs poster 细分；条目以论文"超 10 亿"为主，poster 存照
5	概念类型数	6 类（PTC/3.0 官方）	9 个 type（2020 GitHub 快照）	—	6 类是现行口径；9 type 为旧分类残留（含 Genus/Strain/DomainMotif）
6	旧 FTP 状态	老教程引 bioconcepts2pubtatorcentral.gz	实抓仅剩 2020-11 BioCXML 目录	—	旧路径已冻结，现行走 PubTator3 目录（坑点 5）
7	BigBIO 许可标注	HF card: license: other	实际: NCBI 公共领域	—	“other” 是平台兜底标记，非更严许可（坑点 3）

9.2 为什么会有这些冲突：三个机制

1. 版本演进：三代系统覆盖的文献量本就不同（29M → 36M），把不同版本的数字混用必然冲突。对策：所有引用必须带版本标签。
2. 视角差异：同一时点的同一系统，Web 页面（实时数据库视角）、论文（发表时快照视角）、FTP（批量快照视角）三者的统计口径与更新节奏不同，数字可以同时"都对"。对策：引用时注明来源渠道。
3. 社区残留：三方工具（GitHub 脚本、BigBIO 打包）冻结在某一历史版本，其数字与路径随时间失效。对策：不盲信二手打包，回到官方 FTP/论文核对。

9.3 引用规范建议

• 引 PubTator Central 本体：用 NAR 2019;47(W1):W587–W593（doi:10.1093/nar/gkz389），规模引 29M + 3M。
• 引摘要+全文+关系综合能力：用 NAR 2024;52(W1):W540–W546（doi:10.1093/nar/gkae235），规模引 36M + 6M + 超 10 亿注释。
• 引系统起源：用 NAR 2013;41(Web Server Issue):W518–W523（doi:10.1093/nar/gkt441）。
• 引数据快照：注明下载日期与 FTP 文件 Last modified（本轮为 2026-08-17）。
• 勿混引：不要把 3.0 的 36M/6M/10 亿套到 PTC 名下，也不要把 PTC 的 29M/3M 当作当前规模。

9.4 待核遗留疑点

以下数字/信息本轮未逐点抓取，存照待后续核验：

1. PTC 2019 Table 1 与 Supplementary Table S1 的逐类 precision/recall/F1（PMC 反爬 + OUP Cloudflare 阻挡）。
2. 3.0 Fig 2B（vs PubTator2 on BioRED）与 Fig 2C（vs SemRep on CDR）的具体数值。
3. PubTator 3.0 主站实时注释计数器的当前值（NCBI 主站反爬）。
4. 旧 PubTatorCentral FTP 冻结的确切时间与官方替代公告（未见明确说明）。
5. PTC 与 3.0 的 URL 并存过渡策略（据两页并存推断，官方未明文）。

§10 避坑清单：八个已识别的坑

坑 1：PubTator / PubTator Central / PubTator 3.0 是三代，不是三个数据集。
它们在文献里会被简称成 “PubTator”“PTC”"PubTator2"“PubTator3”，极易被当作独立资源。正确认知：同一系统的 v1/v2/v3；PTC = 第二代 = PubTator2；3.0 = 第三代。把三者的数字混用是最常见的引用错误。

坑 2：文档规模有三套数字，必须带版本。
29M/3M（PTC 2019）、~30M/~3M（官方页）、36M/6M（3.0 2024）。任何"PubTator 覆盖 X 篇文献"的表述都必须先声明是哪个版本、哪个时点。自动化抽取若不加版本约束，会得到自相矛盾的结果。

坑 3：BigBIO/HF 的 license: other 不是"更严的许可"。
它是 HuggingFace 无法归入标准 CC 协议时的兜底标记，实际对应 NCBI 公共领域（bigbio_license_shortname: NCBI_LICENSE）。看到 “other” 就直接判为"许可不明/受限"会误判——本条目数据实为无限制使用。

坑 4：它是自动标注，不是金标准。
把 PubTator 标注当作人工金标准来评测模型、或直接作为问答的唯一事实源，都会引入系统性误差。NCBI 免责声明明确"不担保准确性"。正确用法：弱监督/预标注/检索线索/grounding 素材；严格评测请用人工语料。

坑 5：旧 FTP 路径已冻结，老教程会失效。
ftp.ncbi.nlm.nih.gov/pub/lu/PubTatorCentral/ 现仅剩 2020-11-06 的 BioCXML 快照，README 404；BigBIO 打包引用的 bioconcepts2pubtatorcentral.offset.gz 亦来自旧路径。现行批量下载统一走 PubTator3/ 目录。按老路径操作会拿到过时数据或扑空。

坑 6：更新频率三口径（daily/weekly/monthly），别当矛盾。
官方页说 daily（实时同步视角）、3.0 论文说 weekly（描述视角）、FTP README 说 monthly（批量快照视角）。三者服务不同场景，都对。规划数据刷新周期时应按你实际使用的渠道（FTP 快照 = monthly）设定预期。

坑 7：全文覆盖有系统性缺口。
“PMC 全文"仅指 PMC Text Mining 子集（OA Subset + Author Manuscript Collection），非 OA 的受版权全文不在内。任何声称"覆盖全部生物医学全文"的用法都会高估覆盖度。论文提到的”~80% 可文本挖掘"是按开放内容的统计口径，不等于"80% 的 PMC 文章"。

坑 8：3.0 的关系抽取仅限摘要。
PubTator 3.0 能对全文做实体标注，但关系抽取目前只在摘要上（算力约束）。需要全文级关系的研究不能依赖它；论文已把全文 RE 列为未来工作。此外 3.0 仅 12 类关系、不含解剖实体，超出范围的需求需另寻资源。

§11 总结

11.1 三句话总结

1. PubTator Central 是 NCBI 对约 2900 万 PubMed 摘要 + 300 万 PMC 全文做的全自动六类生物概念实体标注（含数据库归一化），2019 年发布，是 2013 原版 PubTator 的全文升级版，2024 年演进为含关系抽取的 PubTator 3.0。
2. 它的核心价值在三层无门槛获取（Web/API/FTP）+ 公共领域无限制许可 + 持续更新——是库内"可得性"维度近乎满分的代表，也是医学 NLP 与知识图谱的默认语料底座。
3. 它的正确定位是自动标注/弱监督/grounding 资源，不是人工金标准；用它的规模与覆盖，用人工语料（BioRED/BC5CDR 等）的精度做严格评测。

11.2 适合谁

• 生物医学 NLP 团队：需要大规模预标注/弱监督语料做 NER/NED/RE。
• 医疗知识图谱构建者：需要六类实体 + 12 类关系作为图节点与边的原料。
• 医疗大模型 / RAG 团队：需要可溯源、可验证的事实层做 grounding（3.0 + pubtator-gpt）。
• 生物策展工作者：需要文献分诊与预填充工具。
• 数据工程师：需要"公共领域 + API + FTP"零摩擦接入的语料源。

11.3 不适合谁

• 需要严格金标准评测标签的团队（应改用人工语料）。
• 需要覆盖非 OA 全文的研究（PMC 版权缺口）。
• 需要解剖实体等未纳入概念的场景。
• 需要全文级关系抽取的任务（3.0 RE 仅限摘要）。

11.4 30 秒决策卡

你的情况	行动
要立刻拿一批实体标注	FTP 下 PubTator3/bioconcepts2pubtator3.gz（5.7G，公共领域）
要程序化按需查询	调 pubtator3/api（支持语义/关系查询）
要关系数据	用 3.0 的 relation2pubtator3.gz（284M，仅摘要关系）
要严格评测 NER/RE 模型	用库内 BioRED(457)/BC5CDR(415)/NCBI-Disease(425) 等人工语料，不要用 PubTator 当金标准
要 LLM grounding	参考 ncbi-nlp/pubtator-gpt + 3.0 API
要引用本资源	本体引 gkz389（PTC），关系/检索引 gkae235（3.0），起源引 gkt441

FAQ（高频问答 32 问）

A. 基础认知

Q1：PubTator Central 是数据集还是工具？
两者兼有。它是一个持续运行的自动标注系统（工具/服务），其产出（批量注释）可下载，因而也具备数据集属性。它不对应一次性发布，而是活体资源。

Q2：它和 PubTator 什么关系？
PTC 是 PubTator 的第二代（升级版）。2013 原版只标摘要（5 类概念），2019 的 PTC 扩到全文、加细胞系、加深度学习消歧。文献中 PTC 亦称 PubTator2。

Q3：它和 PubTator 3.0 什么关系？
3.0 是第三代（2024），在 PTC 基础上加关系抽取（12 类）、语义/关系检索、AIONER/BioREx 新算法，规模扩到 36M 摘要 / 6M 全文。

Q4：谁做的、谁在维护？
NCBI / NLM / NIH 的文本挖掘研究组（Lu lab），通讯 PI Zhiyong Lu（陆志勇）。美国政府机构维护，自 2013 年持续至今。

Q5：发表在哪、怎么引？
PTC 引 NAR 2019;47(W1):W587–W593（doi:10.1093/nar/gkz389，PMID 31114887）；3.0 引 NAR 2024;52(W1):W540–W546（doi:10.1093/nar/gkae235）；起源引 NAR 2013;41:W518–W523（doi:10.1093/nar/gkt441）。

Q6：最大的卖点一句话？
把近三千万摘要 + 三百万全文的生物概念，做成了免费、无门槛、可程序化、公共领域的标注服务——医学 NLP 的默认语料底座。

Q7：它自己有什么局限？
自动标注非金标准；全文覆盖仅限 PMC 可文本挖掘子集；3.0 关系仅限摘要；概念类型有限（6 类实体/12 类关系）；多口径数字需按版本对齐。

Q8：开源吗？
数据公共领域（无限制）；3.0 全部组件源码开源（AIONER/GNorm2/tmVar3/BioREx/pubtator-gpt），归档 Zenodo CC0。

Q9：现在还能用 2019 的 PTC 吗？
能。Web 页 /research/pubtator/ 仍在线；但批量下载应走 PubTator3 目录（旧 PubTatorCentral FTP 已冻结）。

Q10：它是"活的"还是"静态的"？
活的。每日/每周/每月更新（视渠道）。正因如此，引用时须记录时点，复现时须归档快照。

B. 数据与获取

Q11：规模到底多大？
分版本：PTC 29M 摘要 + 3M 全文；官方页 ~30M + ~3M；3.0 36M + 6M；3.0 注释超 10 亿。按你要引的版本选择。

Q12：数据有哪几种格式？
BioC-XML（tar 归档）、JSON、PubTator tab 分隔（.gz）。大规模管线用 tab；要文档结构用 BioC-XML。

Q13：怎么下载全量？
ftp.ncbi.nlm.nih.gov/pub/lu/PubTator3/：全部实体 bioconcepts2pubtator3.gz（5.7G），关系 relation2pubtator3.gz（284M），BioC-XML BioCXML.0-9.tar.gz（10×20G）。

Q14：有 API 吗？
有。/research/pubtator/api（PTC）与 /research/pubtator3/api（3.0）。3.0 支持语义/关系/布尔查询。

Q15：HF 上能加载吗？
能，bigbio/pubtator_central（BigBIO 框架，需 pip install bioc）。但注意其基于 2022 源版本、引用旧 FTP 路径，数据新鲜度需自查。

Q16：能商用吗？
许可层面：可以。公共领域，NLM/美国政府未设使用与再复制限制。具体产品合规仍需使用者自判，但数据本身无许可阻力。

Q17：旧 PTC 的批量文件去哪了？
旧 PubTatorCentral/ 目录现仅剩 2020-11 的 BioCXML 快照，README 404。历史文件已由 PubTator3 目录取代。

Q18：怎么保证可复现？
下载时记录 FTP 文件 Last modified 日期（本轮 2026-08-17），归档你下载的那份副本，并在论文中声明快照时点。

C. 任务与质量

Q19：它做哪些任务？
NER（实体识别）+ NED（归一化到数据库 ID）+（3.0）RE（关系抽取）。BigBIO 登记为 NER + NED。

Q20：六类实体是什么、归一化到哪？
基因→NCBI Gene；变异→dbSNP；疾病→MeSH；化学→MeSH；物种→NCBI Taxonomy；细胞系→Cellosaurus。

Q21：它是人工标注的吗？
不是，全自动。多模型并行 + 深度学习消歧。故 NCBI 声明不担保准确性。

Q22：能当金标准用吗？
不能。它是弱监督/自动标注资源。严格评测请用 BioRED/BC5CDR/NCBI-Disease 等人工语料。

Q23：同一实体有多种写法怎么办？
这正是归一化（NED）解决的问题——不同写法映射到同一数据库 ID。反之同形异义（如 mTOR 人/鼠）由消歧模块按上下文裁决。

Q24：3.0 的关系有哪些？
12 类，覆盖 8 种实体对（chem-chem/chem-disease/chem-gene/chem-variant/disease-gene/disease-variant/gene-gene/variant-variant）。

Q25：关系能覆盖全文吗？
不能。3.0 关系抽取仅限摘要（算力约束），全文 RE 是未来工作。

D. 生态与应用

Q26：谁在用、用来干什么？
生物策展、基因优先排序、基因-表型关联、疾病共病、药物重定位、知识图谱富化、变异解读、LLM grounding。

Q27：和 ChatGPT 怎么结合？
把 PubTator API 接入 ChatGPT（GPT-4），让回答基于真实文献注释，显著提升真实性与可验证性；开源代码 ncbi-nlp/pubtator-gpt。

Q28：检索比 PubMed/Google Scholar 好吗？
3.0 论文报告：实体对查询下，PubTator 3.0 检索文章数更多、前 20 结果精度更高（语义检索优势）。

Q29：和 BioRED 什么关系？
BioRED 是 3.0 评测 NER 的人工语料（同为 NCBI Lu lab）；也独立是生物医学 RE 基准（NER F1 89.3%，新型关系 RE F1 仅 47.7%）。

Q30：库内还有哪些相关条目？
BioRED(457)、BC5CDR(415)、CHEMDNER(450)、NCBI-Disease(425)、BC2GM(434)、MedMentions(390)、CRAFT(529)、PubMedQA(49)、S2ORC(370)、LitCovid(380)、CORD-19(104)。

Q31：本条目为什么叫 pubtator-central 而不是 pubtator3？
以官方在线实体名立条（NCBI 官方页至今主名仍为 PubTator Central），并以 PTC 为谱系支点；3.0 作为直接后继以专节（§7）收录。

Q32：只记住一件事的话？
PubTator Central = NCBI 的全自动生物医学文献实体标注公共服务，公共领域、三层可达、持续更新——是医学 AI 最省事的语料与 grounding 起点，但它是自动标注，不是金标准。

---

事实清单（硬事实 40 条）

1. PubTator Central（PTC）是 NCBI 对 PubMed 摘要 + PMC 全文做全自动生物概念标注的服务/语料。
2. 组织：NCBI / NLM / NIH（Bethesda, MD, USA）；通讯作者 Zhiyong Lu（zhiyong.lu@nih.gov）。
3. 三代谱系：PubTator(2013) → PubTator Central/PTC(2019, 亦称 PubTator2) → PubTator 3.0(2024)。
4. 2013 论文：NAR 41(Web Server Issue):W518–W523，doi:10.1093/nar/gkt441，PMID 23703206，Europe PMC 引用 368。
5. 2019 PTC 论文：NAR 47(W1):W587–W593，doi:10.1093/nar/gkz389，PMID 31114887，Europe PMC 引用 279。
6. PTC 论文作者：Chih-Hsuan Wei*, Alexis Allot*, Robert Leaman, Zhiyong Lu（*共同一作）。
7. PTC 论文时间：Received 2019-02-17 / Accepted 2019-04-30 / Published 2019-05-22 / Issue 2019-07-02。
8. 2024 论文：NAR 52(W1):W540–W546，doi:10.1093/nar/gkae235，PMID 38572754，Europe PMC 引用 139。
9. 3.0 论文作者：Wei CH, Allot A, Lai PT, Leaman R, Tian S, Luo L, Jin Q, Wang Z, Chen Q, Lu Z。
10. PTC 规模：约 2900 万 PubMed 摘要 + 约 300 万 PMC 全文（PMC-TM 子集）。
11. 官方页当前口径：~30M 摘要 + ~3M 全文。
12. 3.0 规模：约 3600 万摘要 + 600 万全文；注释总量超 10 亿；12 类关系。
13. 全文长度约为摘要的 40 倍；全文标注使总量扩大近四倍。
14. 六类实体：基因/蛋白、遗传变异、疾病、化学物质、物种、细胞系。
15. 归一化目标：NCBI Gene / dbSNP / MeSH / NCBI Taxonomy / Cellosaurus。
16. PTC 工具：GNormPlus（基因）、tmVar 2.0（变异）、TaggerOne（疾病/化学/细胞系）、SR4GN（物种）。
17. 3.0 工具：AIONER（统一 NER）、GNorm2、tmVar3、NLM-Chem、TaggerOne、BioREx（RE）。
18. PTC 处理流水线：多 tagger 并行 → 深度学习消歧 → 存 MongoDB（Fig 1）。
19. 3.0 处理流水线：AIONER → 专用 mapper → BioREx → MongoDB + Solr（Fig 2A）。
20. 注释结构：span + 概念类型 + 登录号；实体文件 5 列（PMID/Type/Concept ID/Mentions/Resource）。
21. 关系文件 4 列（PMID/Type/概念1/概念2）。
22. 发布格式：BioC-XML / JSON / PubTator tab 分隔（.gz）。
23. 许可：NCBI Public Domain Notice——United States Government Work，无使用与再复制限制。
24. bio.tools 标为 Unlicense / Free of charge / Open access。
25. PTC 更新：官方页 daily；3.0 论文 weekly；PubTator3 FTP README monthly。
26. 原 PubTator 累计服务约 3 亿次 API 请求（2019 口径）。
27. 3.0 关系 8 种实体对：chem-chem / chem-disease / chem-gene / chem-variant / disease-gene / disease-variant / gene-gene / variant-variant。
28. 3.0 关系类型命名层含 Association / Positive_Correlation / Negative_Correlation / Co-treatment / Drug_interaction / Comparison / Conversion / Binding。
29. 3.0 自述局限：关系仅限摘要、仅 12 类、自动抽取非完美。
30. 3.0 检索：实体对查询下召回多于 PubMed/Google Scholar，前 20 精度更高。
31. 3.0 集成 ChatGPT(GPT-4) 显著提升回答真实性与可验证性；代码 ncbi-nlp/pubtator-gpt。
32. 3.0 源码归档 Zenodo 10.5281/zenodo.10839631（CC0）。
33. PubTator3 FTP 实测（2026-08-17）：bioconcepts2pubtator3.gz 5.7G；relation2pubtator3.gz 284M；BioCXML.0-9.tar.gz 10×20G（~200G）；README.txt 6.9K（2023-09-09）。
34. 各类型文件大小：chemical 1.7G / disease 2.0G / gene 721M / species 466M / mutation 111M / cellline 68M。
35. 旧 PubTatorCentral FTP 现仅剩 PubTatorCentral_BioCXML/ 子目录（2020-11-06），README 404。
36. NIH Research Festival 2024 poster 口径：1.6 billion entity + 33 million relation annotations。
37. 第三方 2020 GitHub 快照：pmid 23,148,838；Disease 96.98M > Chemical 89.11M > Gene 50.09M > Species 36.15M > Mutation 2.75M > CellLine 1.94M 注释。
38. BioRED（3.0 的 NER 评测语料）：600 摘要，Brief Bioinform 2022;23(5):bbac282；NER F1 89.3%，新型关系 RE F1 47.7%。
39. BigBIO/HF 打包 bigbio/pubtator_central：源版本 2022.01.08，BigBIO 版本 1.0.0，license: other(=NCBI_LICENSE)，任务 NER+NED。
40. 库内互链 rid：BioRED(457)、BC5CDR(415)、CHEMDNER(450)、NCBI-Disease(425)、BC2GM(434)、MedMentions(390)、CRAFT(529)、PubMedQA(49)、S2ORC(370)、LitCovid(380)、CORD-19(104)。

---

术语表（30 条）

术语	释义
PubTator	NCBI 生物医学文献自动标注系统系列的统称
PubTator Central（PTC）	第二代，2019 发布，扩到全文，亦称 PubTator2
PubTator 3.0	第三代，2024 发布，加关系抽取与语义检索
NER	Named Entity Recognition，命名实体识别——从文本找出实体 span
NED / NEN	Named Entity Disambiguation/Normalization，实体消歧/归一化——链接到数据库标识
RE	Relation Extraction，关系抽取——识别实体间的语义关系
Bioconcept	生物概念（基因/疾病/化学等）
Mention	文本中对某实体的提及片段
Span	连续文本片段，注释的定位范围
Concept ID	概念在权威库中的登录号（如 NCBI Gene ID、MeSH ID）
PMID	PubMed 文献唯一标识
PMC	PubMed Central，生物医学全文数据库
PMC-TM	PMC Text Mining 子集（可文本挖掘的 OA 与作者手稿）
OA Subset	PMC Open Access Subset，开放获取子集
GNormPlus / GNorm2	基因/物种识别与归一化工具（NCBI）
tmVar / tmVar 2.0 / 3.0	遗传变异识别与归一化工具（映射 dbSNP）
TaggerOne	疾病/细胞系识别与归一化工具（NCBI）
SR4GN	物种识别工具（PTC 阶段使用）
NLM-Chem	化学实体识别工具（3.0 阶段使用）
AIONER	3.0 的统一多类型 NER 深度学习模型
BioREx	3.0 的关系抽取系统
BioC	生物医学文本处理社区数据格式（互操作载体）
BioC-XML	BioC 格式的 XML 表示
MeSH	Medical Subject Headings，医学主题词表（疾病/化学归一化目标）
Cellosaurus	细胞系权威数据库（细胞系归一化目标）
NCBI Taxonomy	NCBI 物种分类数据库
dbSNP	NCBI 单核苷酸多态性数据库（变异归一化目标）
Disambiguation	消歧——裁决重叠/冲突标注
Weak supervision	弱监督——用自动/远程标注替代人工标注
Grounding	接地/事实锚定——让 LLM 输出基于可验证的真实来源
RAG	Retrieval-Augmented Generation，检索增强生成
BioRED	生物医学关系抽取人工基准语料（600 摘要，NCBI）
BC5CDR	BioCreative V 化学-疾病关系语料
CHEMDNER	化学实体识别语料（BioCreative）
Public Domain	公共领域——不受版权保护，可自由使用

附录

附录 A：条目信息速查卡

项	值
条目名	PubTator Central
url_name	pubtator-central
类型	生物医学文献自动实体/关系标注语料与在线服务（活体系统）
本条目论文	NAR 2019;47(W1):W587–W593（doi:10.1093/nar/gkz389）
团队	NCBI / NLM / NIH（Lu lab，通讯 Zhiyong Lu）
规模（PTC）	约 29M 摘要 + 3M 全文
许可	NCBI 公共领域（无使用与再复制限制）
获取	Web + RESTful API + FTP（ftp.ncbi.nlm.nih.gov/pub/lu/PubTator3/）
抓取时点	2026-09-30
库内互链	biored(457)/bc5cdr(415)/chemdner(450)/ncbi-disease(425)/bc2gm(434)/medmentions(390)/craft(529)/pubmedqa(49)/s2orc(370)/litcovid(380)/cord-19(104)

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	9	三代论文 OA + 官方页 + bio.tools + FTP 目录可索引；但版本多、名称近易混淆
A 可获取性	10	Web + API + FTP 三层无门槛、无注册、公共领域——本条目最强项
I 可互操作	9	BioC-XML/JSON/tab 多格式 + 标准数据库 ID（Gene/MeSH/dbSNP/Taxonomy/Cellosaurus）；有 BigBIO 包装
M 元数据质量	7	README/论文表格完备；但多口径数字（规模/频率/总量）需按版本对齐，无统一版本号
S 可持续性	9	NCBI/NIH 政府机构长期维护，2013 至今持续更新；风险主要是自动标注随算法版本漂移
综合评级	8.8/10（高）	可得性与许可近乎满分；扣分在版本治理（活体系统的可复现性依赖使用者归档）

附录 C：逐项证据链自证

关键数字	来源	位置
29M 摘要 / 3M 全文	NAR 2019 摘要 + 正文	Europe PMC / PMC6602571
六类实体 + 工具名	NAR 2019 正文	PMC6602571
40 倍长度 / 4 倍标注	NAR 2019 正文	PMC6602571
~30M / ~3M 官方页口径	NCBI 官方 docsum 页	ncbi.nlm.nih.gov/research/pubtator/
36M / 6M / 超 10 亿 / 12 关系	NAR 2024 摘要	Europe PMC（DOI:10.1093/nar/gkae235）
8 种实体对 / AIONER / BioREx	Zenodo 10839631 描述	beta.explore.openaire.eu
1.6B + 33M 注释	NIH Research Festival 2024 poster	researchfestival.nih.gov
FTP 文件清单与大小	实抓	ftp.ncbi.nlm.nih.gov/pub/lu/PubTator3/（2026-09-30）
公共领域声明	FTP README.txt 原文	ftp.ncbi.nlm.nih.gov/pub/lu/PubTator3/README.txt
Unlicense	bio.tools 条目	bio.tools/PubTator_Central
BioRED 数字	Brief Bioinform 2022;23(5):bbac282	PubMed 35849818 / OUP
BigBIO 打包	HF card + pubtator_central.py	huggingface.co/datasets/bigbio/pubtator_central
旧 FTP 冻结	实抓目录	ftp.ncbi.nlm.nih.gov/pub/lu/PubTatorCentral/（仅 2020-11 BioCXML）

附录 D：数据获取决策树

需求是什么？
├── 要立刻拿一批实体标注
│   └── FTP PubTator3/bioconcepts2pubtator3.gz（5.7G，公共领域，直接下）
├── 要程序化按需查询
│   └── 调 pubtator3/api（支持语义/关系/布尔查询）
├── 要关系数据
│   └── FTP PubTator3/relation2pubtator3.gz（284M，仅摘要关系）
├── 要文档结构完整的标注
│   └── FTP PubTator3/BioCXML.0-9.tar.gz（10×20G，~200G）
├── 要严格评测 NER/RE 模型
│   └── 用库内人工语料 BioRED(457)/BC5CDR(415)/NCBI-Disease(425)，勿用 PubTator 当金标准
├── 要 LLM grounding
│   └── pubtator3/api + 参考 ncbi-nlp/pubtator-gpt
└── 要引用本资源
    └── 本体 gkz389 / 关系检索 gkae235 / 起源 gkt441

附录 E：六类实体与下游用法

实体类型	归一化目标	典型下游用法
基因/蛋白	NCBI Gene	基因优先排序、靶点识别
遗传变异	dbSNP	变异解读、精准医学
疾病	MeSH	疾病共病、基因-表型关联
化学物质	MeSH	药物重定位、药物相互作用
物种	NCBI Taxonomy	模式生物筛选、物种特异性分析
细胞系	Cellosaurus	实验可复现性、细胞模型检索

附录 F：PubTator 数据处理骨架（代码）

# 示例：解析 PubTator tab 分隔实体文件
# 实体文件 5 列：PMID  Type  Concept_ID  Mentions  Resource
def parse_pubtator_entities(path):
    """逐行解析 PubTator tab 实体文件（gz 可先 gunzip）。"""
    records = {}
    with open(path, encoding="utf-8") as f:
        for line in f:
            cols = line.rstrip("\n").split("\t")
            if len(cols) < 5:
                continue
            pmid, ctype, cid, mentions, resource = cols[:5]
            records.setdefault(pmid, []).append({
                "type": ctype,            # gene/disease/chemical/species/mutation/cellline
                "concept_id": cid,        # NCBI Gene / MeSH / dbSNP / Taxonomy / Cellosaurus
                "mentions": mentions.split("|"),
                "resource": resource,     # 来源资源（如 MeSH、gene2pubmed）
            })
    return records

# 注意：BioC-XML 格式需用 bioc 库解析；API 交互建议走 pubtator3/api

附录 G：关系类型与实体对对照

实体对	关系语义示例
chemical–chemical	药物-药物相互作用
chemical–disease	化学诱导疾病 / 治疗
chemical–gene	药物靶点 / 表达调控
chemical–variant	药物反应相关变异
disease–gene	致病基因 / 关联
disease–variant	致病变异
gene–gene	相互作用 / 共表达
variant–variant	连锁 / 联合效应

附录 H：三代版本引用规范

引用目的	推荐文献	DOI
引 PTC 本体与全文升级	NAR 2019;47(W1):W587–W593	10.1093/nar/gkz389
引关系抽取与语义检索	NAR 2024;52(W1):W540–W546	10.1093/nar/gkae235
引系统起源	NAR 2013;41(Web Server Issue):W518–W523	10.1093/nar/gkt441
引数据快照	注明 FTP Last modified 日期	—

附录 I：口径冲突登记表（与 §9 对照）

#	项	口径 A	口径 B	口径 C	处理
1	摘要数	29M（PTC）	~30M（页）	36M（3.0）	按版本
2	全文数	3M（PTC）	~3M（页）	6M（3.0）	按版本
3	更新频率	daily（页）	weekly（论文）	monthly（FTP）	按渠道
4	注释总量	>1B（论文）	1.6B+33M（poster）	—	论文为主
5	概念类型	6 类（现行）	9 type（2020 快照）	—	6 类为准
6	旧 FTP	老教程路径	实抓已冻结	—	走 PubTator3
7	HF 许可	other	实为公共领域	—	other=兜底

附录 J：与其他 NLP 语料的定位对照

语料	性质	规模	用途定位
PubTator Central	自动标注	千万篇级	弱监督/预标注/grounding
BioRED	人工金标准	600 摘要	RE/NER 严格评测
BC5CDR	人工金标准	1,500 篇	化学-疾病关系评测
NCBI-Disease	人工金标准	793 摘要	疾病 NER 评测
BC2GM	人工金标准	20,000 句	基因 NER 评测
MedMentions	人工金标准	4,392 摘要	实体链接（NED）评测
S2ORC	原始语料	千万篇级	全文检索/预训练

附录 K：检索路径示范

目标	推荐查询式	预期命中
PTC 论文	“PubTator central” AND “full text”	NAR 47(W1):W587
3.0 论文	“PubTator 3.0” AND “relation”	NAR 52(W1):W540
官方数据	NCBI PubTator official site	ncbi.nlm.nih.gov/research/pubtator/
批量数据	PubTator3 FTP	ftp.ncbi.nlm.nih.gov/pub/lu/PubTator3/
许可条款	PubTator3 README public domain	ftp README.txt
下游用例	PubTator biocuration / gene prioritization	引用 PTC 的论文

附录 L：缩写速查

缩写	全称
PTC	PubTator Central
NCBI	National Center for Biotechnology Information
NLM	National Library of Medicine
NIH	National Institutes of Health
NER	Named Entity Recognition
NED/NEN	Named Entity Disambiguation/Normalization
RE	Relation Extraction
PMC	PubMed Central
PMC-TM	PMC Text Mining subset
OA	Open Access
MeSH	Medical Subject Headings
BioC	Biomedical text processing community format
DAIMS	Discoverability/Accessibility/Interoperability/Metadata/Sustainability
RAG	Retrieval-Augmented Generation
GPT	Generative Pre-trained Transformer

附录 M：FAIR/AI-Ready 检查单

检查项	状态	说明
F1 全局唯一标识	✅	DOI（三代论文）+ PMID + FTP URL
F2 富元数据	✅	论文表格 + FTP README + API 文档
A1 可访问协议	✅	Web + API + FTP，全部无门槛
A2 元数据可访问	✅	论文 OA + README 公开
I1 互操作格式	✅	BioC-XML / JSON / tab + 标准库 ID
I2 词汇表引用	✅	MeSH / NCBI Gene / dbSNP / Cellosaurus 等标准词表
R1 来源溯源	✅	注释带 PMID + Resource 来源标记
R3 可复现流程	⚠️	活体系统无版本号，需使用者归档快照
AI-Ready 综合	高	可得性与许可满分；可复现性依赖快照管理

附录 N：本地快照与归档建议（代码骨架）

# 1) 记录下载时点与文件清单（可复现性关键）
curl -sL https://ftp.ncbi.nlm.nih.gov/pub/lu/PubTator3/ > snapshot_listing_$(date +%Y%m%d).html

# 2) 下载所需文件
wget https://ftp.ncbi.nlm.nih.gov/pub/lu/PubTator3/bioconcepts2pubtator3.gz
wget https://ftp.ncbi.nlm.nih.gov/pub/lu/PubTator3/relation2pubtator3.gz

# 3) 校验并归档（保留原始压缩包 + 时点记录）
md5sum bioconcepts2pubtator3.gz relation2pubtator3.gz > checksums_$(date +%Y%m%d).txt

附录 O：本条目生产档案

• 生产通道：教训 12 存在性核验（三轮精确搜索 + NCBI/Europe PMC/bio.tools/FTP 实抓，均证实）
• 事实研究：WebSearch×6 + WebFetch + Europe PMC API×4 + FTP 实抓×3（PubTator3/PubTatorCentral/README）
• FACTS.md：writing/pubtator-central/FACTS.md 九节
• 成稿方式：五块直写拼接（part1-5），每 part 尾留空行，cat 连接
• 坑点：§10 八则（坑 1-8"坑 N："编号制）
• description：成稿时即 ≤170 字符（140 字符）
• title：带站点后缀 | 千方病案医数集（91 字符）
• 互链计划：新篇正文内链 11 处（BioRED/BC5CDR/CHEMDNER/NCBI-Disease/BC2GM/MedMentions/CRAFT/PubMedQA/S2ORC/LitCovid/CORD-19）

附录 P：维护计划与触发点

触发点	条件	动作	优先级
新版本发布	PubTator 4.0 / 重大算法更新	更新版本谱系与规模	1
主站数字更新	官方页/API 计数显著变化	更新规模口径与时点	2
旧 FTP 恢复/迁移	PubTatorCentral 目录状态变化	更新获取路径	3
关系统计更新	3.0 关系抽取扩展到全文	更新 §7.5 局限	4
库内新互链	新增相关 NLP 语料条目	补互链	5

附录 Q：引文规范

@article{wei2019pubtatorcentral,
  title   = {PubTator central: automated concept annotation for biomedical
             full text articles},
  author  = {Wei, Chih-Hsuan and Allot, Alexis and Leaman, Robert and Lu, Zhiyong},
  journal = {Nucleic Acids Research},
  volume  = {47},
  number  = {W1},
  pages   = {W587--W593},
  year    = {2019},
  doi     = {10.1093/nar/gkz389}
}

@article{wei2024pubtator3,
  title   = {PubTator 3.0: an AI-powered literature resource for unlocking
             biomedical knowledge},
  author  = {Wei, Chih-Hsuan and Allot, Alexis and Lai, Po-Ting and Leaman, Robert
             and Tian, Shubo and Luo, Ling and Jin, Qiao and Wang, Zhizheng
             and Chen, Qingyu and Lu, Zhiyong},
  journal = {Nucleic Acids Research},
  volume  = {52},
  number  = {W1},
  pages   = {W540--W546},
  year    = {2024},
  doi     = {10.1093/nar/gkae235}
}

@article{wei2013pubtator,
  title   = {PubTator: a web-based text mining tool for assisting biocuration},
  author  = {Wei, Chih-Hsuan and Kao, Hung-Yu and Lu, Zhiyong},
  journal = {Nucleic Acids Research},
  volume  = {41},
  number  = {Web Server issue},
  pages   = {W518--W523},
  year    = {2013},
  doi     = {10.1093/nar/gkt441}
}

---

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-09-30，抓取与核验时点见附录 A。事实陈述以 NAR 2019（PTC 本体）、NAR 2024（PubTator 3.0）、NAR 2013（起源）、NCBI 官方页、PubTator3 FTP README 与实抓、bio.tools 条目为源；多口径数字（文档规模 29M/30M/36M、更新频率 daily/weekly/monthly、注释总量 1B/1.6B）已在 §9 与附录 I 逐条存照，引用前须按版本与时点对齐。条目与库内 BioRED（rid 457）、BC5CDR（rid 415）、CHEMDNER（rid 450）、NCBI-Disease（rid 425）、BC2GM（rid 434）、MedMentions（rid 390）、CRAFT（rid 529）、PubMedQA（rid 49）、S2ORC（rid 370）、LitCovid（rid 380）、CORD-19（rid 104）等条目互链，构成生物医学 NLP 语料与知识图谱家族的完整检索面。后续维护触发点见附录 P。

---

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：

• biored — 共享标签：医疗NLP / 生物医学文献 / 命名实体识别 / 关系抽取 / 知识图谱
• craft — 共享标签：医疗NLP / 生物医学文献 / 命名实体识别 / 知识图谱 / 评测基准
• genia — 共享标签：医疗NLP / 生物医学文献 / 命名实体识别 / 关系抽取 / 评测基准
• medmentions — 共享标签：医疗NLP / 生物医学文献 / 命名实体识别 / 知识图谱
• bc5cdr — 共享标签：医疗NLP / 生物医学文献 / 命名实体识别 / 关系抽取
• chemprot — 共享标签：医疗NLP / 生物医学文献 / 关系抽取
• s2orc — 共享标签：医疗NLP / 生物医学文献 / 知识图谱
• cometa — 共享标签：医疗NLP / 命名实体识别 / 知识图谱
• ncbi-disease — 共享标签：医疗NLP / 生物医学文献 / 命名实体识别
• jnlpba — 共享标签：医疗NLP / 生物医学文献 / 命名实体识别

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。