Hmdb Metabolome Database

何时使用

在 HMDB（人类代谢组数据库，22 万+ 代谢物条目）中查询信息时使用。HMDB 无编程用 REST API，全部访问靠解析本地下载的 XML。典型场景：

• 按 HMDB ID 或名称查代谢物（描述、化学分类、细胞定位）。
• 取理化性质：分子式、平均/单同位素分子量、SMILES、InChI、InChIKey、状态。
• 找代谢物的通路关联与关联酶/蛋白（含 UniProt ID）。
• 定位代谢物的生物体液/组织（血、尿、脑脊液 CSF、唾液）。
• 查疾病关联与正常/异常浓度参考范围，用于生物标志物发现。
• 提取 NMR（¹H/¹³C 化学位移）或 MS/MS 峰列表做代谢物鉴定。
• 把 HMDB ID 转到 KEGG、PubChem、ChEBI、DrugBank、CAS 等。

不该用本技能的边界：

• 免下载的在线化合物理化查询 → 用 pubchem-compound-search（PubChemPy REST）。
• 药物专属数据（相互作用、靶点、药理）→ 用 DrugBank 本地 XML（同类解析模式）。
• 完整 LC-MS/MS 处理管线（特征检测、去卷积）→ 用 pyopenms-mass-spectrometry，HMDB 只做鉴定这一步。
• 谱库相似度打分 → 交 matchms 等，HMDB 仅提供参考谱图。

步骤 / 指令

1. 拿数据：在 https://hmdb.ca/downloads 注册后下载 hmdb_metabolites.xml.zip（解压 6 GB）。另有 structures.sdf(200 MB，仅结构)、hmdb_proteins.fasta(~50 MB)。
2. 装依赖：pip install lxml pandas（lxml XPath 更快；标准库 xml.etree.ElementTree 也可）。本地解析无速率限制。
3. 命名空间是头号坑：每个 find()/findall() 都要传 NS = {'hmdb': 'http://www.hmdb.ca'}，漏了一律返回空。
4. 一次解析建索引，绝不在循环里重解析：全量解析需 60–120s、占 ~8–12 GB 内存。解析一次后建 dict（HMDB ID + 小写名 → 元素）。
5. 内存吃紧用 iterparse：流式遍历，提完字段后 elem.clear() 释放，避免 MemoryError。只在取完该条目全部字段后再 clear。
6. 守空值：很多可选字段缺失，访问前判 el is not None and el.text。
7. 质谱匹配用单同位素质量：monisotopic_molecular_weight 才对；average_molecular_weight 留给其他计算。常用加合物：[M+H]+ = +1.00728、[M+Na]+ = +22.9892、[M-H]- = -1.00728。
8. 大规模搜索先按化学类预筛：用 taxonomy（ClassyFire 本体）的 super_class 收窄，再遍历 22 万+ 条目。
9. 认准主登录号：去重时用 accession（主键），不用 secondary_accessions。

条目结构速查（XPath，均带 hmdb: 前缀）：

字段覆盖率（不是每条都全）：ID/名/式 ~100%；SMILES/InChI/MW ~90%；分类 ~85%；体液 ~60%；通路 ~40%；蛋白关联 ~35%；疾病 ~25%；正常浓度 ~20%；MS/MS ~15%；NMR ~10%。

示例

建索引 + 按 ID/名查（一次解析，全程复用 root/NS）：

import xml.etree.ElementTree as ET
NS = {'hmdb': 'http://www.hmdb.ca'}
tree = ET.parse('hmdb_metabolites.xml')        # 60–120s
root = tree.getroot()

metabolite_index = {}
for met in root.findall('hmdb:metabolite', NS):
    acc = met.find('hmdb:accession', NS); nm = met.find('hmdb:name', NS)
    if acc is not None and acc.text: metabolite_index[acc.text] = met
    if nm is not None and nm.text:  metabolite_index[nm.text.lower()] = met

def find_metabolite(q):                          # 按 HMDB ID 或名（不分大小写）
    return metabolite_index.get(q) or metabolite_index.get(q.lower())

met = find_metabolite('HMDB0000122')             # 葡萄糖
print(met.find('hmdb:name', NS).text, met.find('hmdb:chemical_formula', NS).text)
# Glucose C6H12O6

内存受限 — iterparse 流式提取：

met_names = {}
for event, elem in ET.iterparse('hmdb_metabolites.xml', events=('end',)):
    if elem.tag == '{http://www.hmdb.ca}metabolite':
        acc = elem.find('{http://www.hmdb.ca}accession')
        nm  = elem.find('{http://www.hmdb.ca}name')
        if acc is not None and nm is not None and acc.text and nm.text:
            met_names[acc.text] = nm.text
        elem.clear()                             # 取完字段后再释放

理化性质 / 分类 / 通路 / 体液 / 酶（统一守空 + 命名空间）：

def txt(el, path):
    x = el.find(path, NS); return x.text if x is not None and x.text else None

def get_props(m):
    return {t: txt(m, f'hmdb:{t}') for t in
            ['accession','name','chemical_formula','average_molecular_weight',
             'monisotopic_molecular_weight','smiles','inchi','inchikey','state']}

def get_pathways(m):
    return [{'name': txt(pw,'hmdb:name'), 'smpdb_id': txt(pw,'hmdb:smpdb_id'),
             'kegg_map_id': txt(pw,'hmdb:kegg_map_id')}
            for pw in m.findall('hmdb:pathways/hmdb:pathway', NS)]

def get_biofluids(m):
    bp = 'hmdb:biological_properties/hmdb:'
    return [e.text for e in m.findall(f'{bp}biospecimen_locations/hmdb:biospecimen', NS) if e.text]

def get_enzymes(m):
    return [{'gene': txt(p,'hmdb:gene_name'), 'uniprot': txt(p,'hmdb:uniprot_id'),
             'name': txt(p,'hmdb:name')}
            for p in m.findall('hmdb:protein_associations/hmdb:protein', NS)]

g = find_metabolite('HMDB0000122')
print(get_props(g)['average_molecular_weight'], get_biofluids(g))

跨库 ID 映射：

def get_external_ids(m):
    fields = {'kegg_id':'KEGG','pubchem_compound_id':'PubChem','chebi_id':'ChEBI',
              'drugbank_id':'DrugBank','cas_registry_number':'CAS','foodb_id':'FooDB','metlin_id':'METLIN'}
    return {lab: txt(m, f'hmdb:{tag}') for tag, lab in fields.items() if txt(m, f'hmdb:{tag}')}

print(get_external_ids(find_metabolite('HMDB0000122')))
# {'KEGG': 'C00031', 'PubChem': '5793', 'ChEBI': '17234', ...}

工作流 1 — 质谱代谢物鉴定（实测 m/z → 候选）：

import pandas as pd
observed_mz, adduct, tol = 180.063, 1.00728, 0.01     # [M+H]+，葡萄糖
target = observed_mz - adduct
rows = []
for met in root.findall('hmdb:metabolite', NS):
    mw = txt(met, 'hmdb:monisotopic_molecular_weight')   # 用单同位素质量
    if not mw: continue
    d = abs(float(mw) - target)
    if d <= tol:
        rows.append({'hmdb_id': txt(met,'hmdb:accession'), 'name': txt(met,'hmdb:name'),
                     'mw': float(mw), 'delta': d, 'formula': txt(met,'hmdb:chemical_formula')})
print(pd.DataFrame(rows).sort_values('delta').head(10).to_string(index=False))

工作流 2 — 某疾病的生物标志物（遍历找疾病关联 + 异常浓度计数）：

q = 'diabetes'; biomarkers = []
for met in root.findall('hmdb:metabolite', NS):
    for d in met.findall('hmdb:diseases/hmdb:disease', NS):
        dn = txt(d, 'hmdb:name')
        if not dn or q.lower() not in dn.lower(): continue
        ab = sum(1 for c in met.findall('hmdb:abnormal_concentrations/hmdb:concentration', NS)
                 if (txt(c,'hmdb:subject_condition') or '').lower().find(q) >= 0)
        biomarkers.append({'hmdb_id': txt(met,'hmdb:accession'),
                           'metabolite': txt(met,'hmdb:name'), 'abnormal': ab})
print(pd.DataFrame(biomarkers).drop_duplicates('hmdb_id')
        .sort_values('abnormal', ascending=False).head(15).to_string(index=False))

谱图提取（MS/MS 峰、NMR 位移）：

def get_ms_peaks(m):
    out = []
    for s in m.findall('hmdb:spectra/hmdb:spectrum', NS):
        if 'MS' not in (txt(s,'hmdb:type') or ''): continue
        peaks = [{'mz': float(txt(p,'hmdb:mass_charge')), 'intensity': float(txt(p,'hmdb:intensity') or 0)}
                 for p in s.findall('hmdb:ms_ms_peaks/hmdb:ms_ms_peak', NS) if txt(p,'hmdb:mass_charge')]
        out.append({'type': txt(s,'hmdb:type'), 'num_peaks': len(peaks), 'peaks': peaks})
    return out

注意事项

• 漏命名空间 → find() 恒返回 None：每次调用都带 NS = {'hmdb': 'http://www.hmdb.ca'}。
• MemoryError：全量入内存需 ~8–12 GB；改用 ET.iterparse() + elem.clear() 增量处理。
• 启动慢（>120s）：只解析一次、建索引字典，循环里禁止重解析。
• 按名查不到：大小写或同义词问题——统一转小写，或直接用 HMDB ID。
• 谱图为空属正常：MS/MS ~15%、NMR ~10% 覆盖；缺谱时找 METLIN/MassBank 补。
• 浓度数据稀疏：仅 ~20% 临床代谢物有参考范围；可交叉 MetaboAnalyst 或文献。
• 重复条目：同化合物可能有次级登录号（HMDB00XXXXX vs HMDB0000XXXX）——用主 accession 去重。
• iterparse 丢数据：elem.clear() 调早了——务必在提完该元素全部字段之后再清。
• MS 匹配别用平均分子量：必须用 monisotopic_molecular_weight。
• 格式选型：全字段访问用全量 XML；只要结构+基本属性可用 structures.sdf（~200 MB），更省内存。

互见

• requires：无。
• related：pubchem-compound-search —— 免下载的在线化合物理化查询；kegg-database、uniprot-protein-database —— 用 HMDB 外部 ID（kegg_id/uniprot_id）下钻通路与蛋白；chembl-bioactivity-database、opentargets-database —— 经 ID 桥接生物活性与疾病-靶点证据。
• combines_with：pyopenms-mass-spectrometry —— LC-MS/MS 全管线在前，HMDB 做代谢物鉴定步；kegg-database —— 用 kegg_id 接 KEGG 取通路背景；gene-set-enrichment-analysis —— 命中代谢物的通路集供富集分析。

参考：HMDB 主站 https://hmdb.ca/ ｜ 下载页 https://hmdb.ca/downloads ｜ Wishart DS et al. (2022) HMDB 5.0, Nucleic Acids Res. 50(D1):D801-D816, https://doi.org/10.1093/nar/gkab1062 ｜ MetaboAnalyst（互补工具）https://www.metaboanalyst.ca/

采编自 jaechang-hits/SciAgent-Skills（CC-BY-4.0）。