Open-Science组学数据档案库：GEO/PRIDE/MGnify/MetaboLights新手完整实操指南-二趣网

Open-Science组学数据档案库：GEO/PRIDE/MGnify/MetaboLights新手完整实操指南

【免费下载链接】open-scienceAIPOCH Open-Science is an open-source, local-first, model-agnostic AI research workbench for macOS, Windows, and Linux, with scientific agents, Python/R notebooks, data connectors, and reproducible provenance.项目地址: https://gitcode.com/GitHub_Trending/open/open-science

Open-Science是一款开源、本地优先的 AI 科研工作台，内置Omics Archives（组学数据档案库）连接器，让你在对话中直接检索GEO、PRIDE、MGnify、MetaboLights、ArrayExpress五大组学数据库，支持按关键词、物种、仪器、疾病、样本特征查询 GSE / PXD / MTBLS / MGYS 号，并自动带回结构化元数据与补充文件清单——全程可追溯来源（provenance），数据不出本机。

为什么科研人员需要组学数据档案库

做生物信息学研究时，数据分散在各个公共档案库：

档案库	数据域	编号格式	典型用途
GEO（NCBI）	基因表达 / 转录组	GSE131907	查表达谱数据集与样本元数据
PRIDE Archive（EBI）	蛋白质组	PXD010154	查质谱蛋白组项目、蛋白↔项目互查
MGnify（EBI）	宏基因组	MGYS00000410	按自由文本或生物膜系谱查研究
MetaboLights（EBI）	代谢组	MTBLS1	查代谢组研究、原始数据文件（.mzML 等）
ArrayExpress / BioStudies（EBI）	功能基因组	E-MTAB-5061	查 ChIP-seq / 阵列实验

Open-Science 的omics-archives连接器把这 5 个库收敛为17 个工具，实现代码见 omics-archives.ts，连接器注册信息见 catalog.ts。所有分页检索都会与 API 报告的总数做计数校验，避免"少拉了几页"导致的数据缺失。

快速上手：安装与启用连接器

一键获取项目

git clone https://gitcode.com/GitHub_Trending/open/open-science cd open-science npm install

按 README.md 的指引启动应用（macOS / Windows / Linux 均支持），或直接从发布页下载安装包。

启用 Omics Archives 连接器

打开Settings → Connectors，在内置的 24 个科研连接器中找到Omics Archives并启用；
该连接器依赖 NCBI E-utilities（GEO 查询走db=gds），首次使用需在凭据设置中填入NCBI API Key（无 Key 也能访问，但速率限制更严，代码通过ncbiEtiquette自动附加）；
建议权限模式选Ask for approval，连接器调用会先征求你的批准。

实操一：GEO 检索基因表达数据集

按关键词搜索（geo_search_series）

直接用自然语言告诉 Agent：

"帮我在 GEO 里搜一下哮喘相关的表达谱数据集，只要 series 级别的"

Agent 会调用geo_search_series，查询词为完整 E-utilities 语法（如asthma AND gse[ETYP]），返回标题、摘要、物种、样本数、发布时间和 FTP 链接。

按 GSE 号拉取完整元数据（geo_get_series）

"把 GSE131907 的详细信息拉下来，包括每个样本的特征"

内部会解析 GEO 的 SOFT 文件头（仅头部，不下载数据表），返回：series 设计描述、平台、样本数、每个样本的characteristics（组织/处理/分组等标签）、文库策略、补充文件 URL。拿到supplementary_files清单后，可以直接让 Agent 写 Python 下载并做初步质控。

实操二：PRIDE 蛋白组项目检索

关键词 + 面组合并过滤（pride_search_projects）

"找一下人类磷酸化蛋白组的项目，用 Orbitrap Fusion Lumos 做的"

pride_search_projects支持keyword、organism（精确面，如Homo sapiens (human)）、instrument、disease四类条件 AND 组合，结果按 accession 升序稳定返回，api_total保证计数准确。

按 PXD 号与"蛋白反查项目"

pride_get_projects：传入['PXD010154']即可拿到项目全量元数据（物种、疾病、仪器、定量方法、提交人、文献 DOI/PubMed）；
pride_find_projects_for_protein：输入 UniProt 号（如P04637）反向查找"哪些 PRIDE 项目测过这个蛋白"，是文献调研时非常好用的冷门入口。

实操三：MGnify 宏基因组研究检索

MGnify 支持两种互斥的检索方式（源码中会强制校验二选一）：

自由文本：mgnify_search_studies传query: "coral"，找到所有珊瑚相关宏基因组研究；
生物膜系谱：传biome_lineage，如root:Engineered:Wastewater，按 GOLD 风格系谱精确圈定污水工程等环境组学数据（含子系谱）。

拿到 MGYS 号后：

mgnify_get_studies（加include_analyses: true）：附带每篇研究的分析总数，以及按流水线版本 / 实验类型的分布统计；
mgnify_get_study_analyses：列出该研究下全部 MGYA 分析记录，含流水线版本、运行/组装/样本编号，方便挑选与你自己实验匹配的分析结果。

实操四：MetaboLights 代谢组研究与原始数据文件

"MTBLS1 这个研究用了什么技术？样本表发我看看"

metabolights_get_studies：返回研究状态、发布年份、物种/组织部位、技术平台（如 LC-MS）、实验因子、描述物（descriptors）、样本数，加include_samples: true可附带每样本表格；
metabolights_get_study_files：列出研究文件夹（ISA-Tab、MAF）及递归的 FILES 数据目录完整清单；
metabolights_search_data_files：用文件名 glob 搜原始数据，如*.mzML、*.raw、*.zip，服务端匹配后还会在客户端再校验一遍，防止语义漂移。

由于 MetaboLights 没有服务端研究搜索，metabolights_list_studies会先拉回全部公开 MTBLS 编号，再按标题/描述物过滤——Agent 会自动处理这一步。

让结果可复现：数据预览与 Provenance

检索到数据只是第一步。Open-Science 的价值在于执行与证据同处一个工作区：

表格预览：返回的样本表、文件清单可内联预览，像普通 CSV 一样浏览；
Notebook 衔接：让 Agent 用 Python/R kernel 写下载、质控、分析代码，运行历史、依赖环境全部记录在案；
Provenance 溯源：生成的每个产物（表格、图、报告）都是不可变版本，附带生产者代码、执行证据与输入清单，随时可复核"这个结果是怎么来的"。

新手避坑清单 ✅

场景	建议
GEO 查询偶发变慢/限流	配置 NCBI API Key；`geo_search_series`的`retmax`默认 500，大检索注意`count`与`retrieved`是否一致
编号写错（如 GSE123 不存在）	工具会把未命中放进`not_found`/`missing`而非整体报错，注意检查返回结构
PRIDE 经典质谱项目查蛋白	用`pride_find_projects_for_protein`，`pride_search_project_proteins`仅服务 affinity-proteomics 项目
隐私与敏感数据	连接器的网络请求参数会展示给你审批；不要在不熟悉的工作流用`Full access`模式
想核对实现细节	工具定义与返回结构见 omics-archives.ts，行为回归测试见 omics-archives.test.ts

小结

Open-Science 的Omics Archives 连接器把 GEO、PRIDE、MGnify、MetaboLights、ArrayExpress 五大组学档案库统一成一套对话式检索入口：关键词找数据集、编号取元数据、glob 找原始文件、蛋白反查项目，四步走完，且每一步都有计数校验与可追溯证据。对新手来说，不必再手写 API 请求，把研究目标用一句话描述清楚，剩下的交给工作台即可 🧪

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析