METRIN-KG: A knowledge graph integrating plant metabolites, traits, and biotic interactions

本文介绍了 METRIN-KG，这是一个整合植物代谢组、性状及生物互作等多源异构数据的知识图谱，旨在通过提供交互式查询接口来促进生命科学领域的研究创新。

要点

这篇文章介绍了一个名为 METRIN-KG 的新工具，你可以把它想象成植物界的“超级维基百科”或“全能侦探助手”。

为了让你更容易理解，我们可以把植物世界想象成一个巨大的、繁忙的超级城市。在这个城市里，有三类关键信息一直分散在不同的“档案室”里，互不往来：

1. 植物的“身份证”（性状 Traits）： 比如它有多高、叶子有多大、种子多重、长得快还是慢。
2. 植物的“化学武器库”（代谢物 Metabolites）： 植物体内产生的各种化学物质。有的用来吸引蜜蜂（像香水），有的用来毒死虫子（像杀虫剂），有的用来治病（像药物）。
3. 植物的“社交网络”（生物相互作用 Biotic Interactions）： 谁吃谁、谁帮谁、谁和谁吵架。比如蝴蝶和花是好朋友，蚜虫和植物是死对头。

过去的问题：信息孤岛

以前，科学家想研究这三者之间的关系，就像是一个侦探想破案，但线索被锁在三个不同的保险柜里：

• 一个保险柜里只有“身高体重”数据。
• 一个保险柜里只有“化学配方”数据。
• 一个保险柜里只有“谁和谁打架”的记录。

而且，这些保险柜的钥匙（数据格式）还都不一样，有的用 Excel，有的用 PDF，有的用特殊的数据库。科学家想把这些线索拼在一起，就像试图把乐高积木、乐高积木和一堆散落的沙子拼成一个完整的城堡，非常困难且耗时。

现在的解决方案：METRIN-KG

这篇文章介绍的 METRIN-KG，就是那个超级连接器。它把这三个分散的“档案室”打通了，建成了一个巨大的、互联的知识图谱。

• 它是怎么做的？
  想象一下，它给城市里的每一株植物都发了一张通用的智能身份证。这张身份证上不仅写着它的名字，还自动链接了它的身高、它产生的所有化学物质，以及它和周围邻居（昆虫、真菌、其他植物）的所有关系。

  作者们使用了像“翻译官”一样的技术（本体论和人工智能），把不同来源、不同格式的数据“翻译”成同一种语言，然后编织成一张巨大的网。

这个工具能做什么？（生活中的例子）

一旦这张网织好了，科学家（甚至政策制定者）就可以像用谷歌地图一样，轻松探索植物世界：

1. 保护濒危植物（像寻找失散多年的亲人）：

   • 问题： “哪些长得像‘近危’（快灭绝）的植物，身上带有特殊的化学武器，或者和特定的昆虫有特殊的友谊？”
   • 以前： 需要翻阅成千上万篇论文，手动比对。
   • 现在： 在 METRIN-KG 里输入“近危”，系统瞬间列出所有相关植物，并展示它们的化学武器和社交圈，帮助科学家制定保护计划。

2. 发现新药物（像寻宝）：

   • 问题： “有没有哪种植物，既能抵抗干旱（性状），又能产生一种能杀死癌细胞的化学物质（代谢物）？”
   • 以前： 大海捞针，可能需要几十年。
   • 现在： 直接查询，系统会告诉你：“看！这种植物符合所有条件，快去研究它！”

3. 智慧农业（像安排邻里关系）：

   • 问题： “我想种玉米，哪种邻居植物能分泌化学物质赶走害虫，还能保护我的玉米？”
   • 现在： 系统可以立刻推荐几种“好邻居”植物，帮助农民设计“推 - 拉”种植策略，减少农药使用。

为什么这很重要？

这就好比以前我们只能分别看地图、看天气报告和看交通状况，现在 METRIN-KG 给了我们一个实时的、3D 的全景导航仪。

• 对于科学家： 他们不再需要把时间浪费在整理数据上，而是可以直接提出更深刻的问题，比如“植物的性格（性状）是如何决定它制造什么化学武器，进而影响它和昆虫的社交关系的？”
• 对于大众： 这意味着未来我们可能更快地找到治疗癌症的新药，或者通过更聪明的种植方式，让地球上的粮食更安全、更环保。

总结

METRIN-KG 就是把植物界原本散乱、孤立的“性格”、“化学”和“社交”三大块拼图，完美地拼成了一幅完整的生态全景图。它让科学家能够像侦探一样，快速解开自然界中复杂的谜题，为保护生物多样性、开发新药和可持续农业提供强大的智慧支持。

简单来说，它让植物“开口说话”，告诉我们它们是谁、它们有什么超能力、以及它们和谁在一起，从而帮助我们更好地与这个星球共处。

技术摘要

论文技术总结：METRIN-KG

1. 研究背景与问题 (Problem)

• 数据孤岛与异质性： 生物多样性数据（特别是植物学领域）分散在多个独立的数据库中，格式各异（如表格、PDF、Excel），且彼此隔离。关键数据包括：
  • 代谢组 (Metabolomes)： 植物产生的化合物（估计有 150 万至 2570 万种），数据量大且复杂。
  • 性状 (Traits)： 影响植物生长、生存和生态系统过程的可测量特征（如叶面积、种子质量）。
  • 生物相互作用 (Biotic Interactions)： 植物与其他生物（昆虫、真菌、细菌等）的关系。
• 现有资源的局限性：
  • 现有的数据库（如 ENPKG, GloBI, TRY）通常只关注单一维度（仅代谢物、仅相互作用或仅性状），缺乏跨维度的整合。
  • 缺乏能够同时关联“代谢物 - 性状 - 相互作用”的单一资源，导致难以研究生态系统功能的机制性网络（例如：某种代谢物如何通过特定性状影响特定的生物相互作用）。
  • 元数据（如生物体部位、生命阶段、性别）缺乏标准化，难以进行语义互操作。

2. 方法论 (Methodology)

METRIN-KG 通过构建一个基于本体（Ontology）的知识图谱来解决上述问题，具体技术路线如下：

• 数据源整合：
  • 代谢组数据： 来自 ENPKG (Experimental Natural Products Knowledge Graph)，包含约 1600 种植物提取物的非靶向代谢组数据；以及来自 LOTUS/Wikidata 的天然产物注释。
  • 性状数据： 来自 TRY 数据库，提取了 41 种关键功能性状（如植物高度、叶氮含量、光合速率等），涉及约 7 万种植物。
  • 相互作用数据： 来自 GloBI (Global Biotic Interactions)，包含物种间的成对相互作用记录。
• 本体构建 (EMI Ontology)：
  • 开发了 地球代谢组倡议本体 (EMI Ontology)，用于统一表示化学化合物、样本元数据、地理定位和生物相互作用。
  • 重用了多个现有本体（如 SOSA, RO, QUDT, UBERON, PO 等）并创建了 100 多个新概念，以实现语义互操作性。
• 数据映射与清洗：
  • 分类学映射： 使用 QLever 和 SPARQL 将 TRY 和 GloBI 中的物种名称统一映射到 Wikidata ID，作为连接不同数据源的“通用键”。
  • 元数据标准化： 针对 GloBI 中非标准化的文本（如身体部位、生命阶段、性别），开发了一套基于 Sentence-BERT (all-MiniLM-L6-v2) 的语义匹配脚本。该脚本将非标准术语映射到标准本体（如 UBERON, PATO），并通过人工审查确保准确性（相似度阈值 $\ge 0.7$ 需人工复核）。
  • 单位标准化： 将 TRY 数据的测量单位映射到 QUDT 词汇表。
• 知识图谱构建 (KG Construction)：
  • 工具： 使用 Ontop (用于 ENPKG 的虚拟知识图谱构建) 和 Python rdflib (用于 TRY 和 GloBI 子图构建)。
  • 流程： 将原始表格数据加载到关系型数据库，通过映射语言将关系模式转换为 RDF 三元组，最终生成符合 EMI 本体的知识图谱。
• 查询与接口：
  • 使用 Qlever 引擎对图谱进行索引。
  • 提供 SPARQL 端点和交互式编辑器，支持复杂查询。
  • 集成 ExpasyGPT (LLM 驱动工具)，允许非技术用户通过自然语言提问，自动转换为 SPARQL 查询，避免大模型的幻觉问题。

3. 关键贡献 (Key Contributions)

1. 首个跨域整合资源： 首次将植物代谢组、功能性状和生物相互作用整合到一个统一的知识图谱中，打破了数据孤岛。
2. 语义互操作性框架： 提出了 EMI 本体，并展示了如何利用本体和语义匹配技术（如嵌入模型）解决多源异构数据中的元数据标准化难题。
3. 用户友好的查询生态：
   • 提供了 12 个涵盖不同领域（保护生物学、功能生态学、农业、人类健康）的示例 SPARQL 查询。
   • 开发了自然语言查询接口 (ExpasyGPT)，降低了非专业研究人员的使用门槛。
   • 建立了用户贡献机制，允许社区提交新的查询示例。
4. 开源与可复现性： 所有代码、本体、映射数据、RDF 文件及处理脚本均在 GitHub 和 Zenodo 上开源。

4. 结果 (Results)

• 数据规模：
  • TRY 数据： 映射了 65,675 个物种，保留了约 182 万条性状记录和 1721 万条非性状记录。
  • GloBI 数据： 映射了 337,293 个唯一 Wikidata 标识符，保留了约 1287 万条相互作用记录。
  • 代谢组数据： 整合了来自 ENPKG 和 LOTUS 的化合物数据。
• 案例研究 (Case Studies) 验证：
  • CS1 (保护科学)： 查询“近危”物种的性状、相互作用和代谢物。发现 9,299 个物种，但三者数据同时存在的物种仅 37 个，揭示了数据覆盖度的不均衡。
  • CS2 (功能生态学)： 查询产生二萜类化合物的植物性状。分析了 2,131 个物种的 98 种性状，发现 Pinus sylvestris 拥有最多的性状记录。
  • CS3 (人类健康)： 查询具有抗菌/细胞毒性潜力的代谢物（Onopordopicrin）及其生产者。识别出 Eriophyllum confertiflorum 为关键节点物种。
  • CS4 (可持续农业)： 分析推 - 拉农业中的化感作用。清洗了 45% 的错误真菌分类数据，构建了 67 个三元相互作用网络。
  • CS5 (理论生态学)： 关联叶片经济谱 (LES) 性状与代谢物。发现仅有 49 个物种同时具备完整的 4 种 LES 性状和代谢物数据，突显了进一步数据整合的必要性。

5. 意义与影响 (Significance)

• 推动跨学科研究： 为生态学、药物发现、农业和生物多样性保护研究人员提供了一个统一平台，使其能够提出并验证涉及“化学 - 性状 - 生态”复杂关系的新假设。
• 加速新发现： 通过关联不同维度的数据，有助于预测天然产物的生物活性、识别具有特定生态功能的物种，以及优化农业策略（如利用化感作用控制害虫）。
• 方法论示范： 展示了如何利用现代数据科学（知识图谱、语义网、大语言模型辅助查询）来解决传统生物学中数据碎片化的问题，为构建其他领域的生物知识图谱提供了范本。
• 未来展望： 计划扩展至更多植物物种的代谢组数据，并逐步纳入其他生物界（如微生物、动物）的数据，同时持续更新 TRY 和 GloBI 的最新版本。

总结： METRIN-KG 不仅是一个数据集，更是一个连接植物化学、功能特征和生态关系的语义框架。它通过标准化的本体和先进的查询工具，极大地降低了跨学科数据整合的门槛，为理解生态系统功能和开发基于自然的解决方案提供了强有力的数据基础设施。