Oshinsu Spectres publics par espèce (Pan-ReDU)
La distinction qui fonde ce skill
Il existe deux façons différentes pour une plante d'être « connue chimiquement », et elles ne sont pas corrélées comme on l'attend :
| Porte A — décrite | Porte B — mesurée | |
|---|---|---|
| Quoi | un article dit « molécule X dans espèce Y », et quelqu'un l'a saisi en base | quelqu'un a passé un extrait au spectromètre et a déposé les données brutes |
| Sources | LOTUS, KNApSAcK, COCONUT | GNPS/MassIVE, MetaboLights, Metabolomics Workbench |
| Gardien | la publication et la curation bénévole | l'accès à un laboratoire et la culture de l'open data |
Attention au sens exact de la porte B : « un signal a été enregistré », pas « une molécule a été identifiée ». Personne ne sait ce qu'il y a dans ces spectres.
Des espèces existent en porte B sans exister en porte A : leurs données dorment dans des dépôts publics et aucune chimie n'a jamais été publiée pour elles. C'est une ressource gratuite et inexploitée.
Accès
Dump ReDU — métadonnées harmonisées de tous les dépôts, avec taxonomie NCBI :
GET https://redu.gnps2.org/dump
TSV volumineux (~844 Mo). Colonnes utiles : ATTRIBUTE_DatasetAccession, filename,
NCBITaxonomy (format 3816|Abrus precatorius), MassSpectrometer,
IonizationSourceAndPolarity, ChromatographyAndPhase. À lire en flux en filtrant
sur vos espèces cibles.
Cache de fichiers GNPS2 — chemins, tailles, comptages de spectres par fichier :
GET https://datasetcache.gnps2.org/datasette/database/filename.json
?dataset__exact=MSV000085119&_size=400
Téléchargement d'un fichier MassIVE :
GET https://massive.ucsd.edu/ProteoSAFe/DownloadResultFile
?forceDownload=true&file=f.{dataset}/{chemin}
Le seuil de robustesse
Une espèce vue dans un seul jeu de données est l'artefact d'un seul laboratoire. Une espèce vue dans deux jeux indépendants est un fait. Sur un jeu réel de 3 325 espèces végétales, seules 994 passaient le seuil de deux jeux, et 538 celui de trois.
Retenez au minimum deux jeux, et dites-le dans la méthode.
Pièges mesurés
Les fichiers sont des plaques multi-espèces. Savoir qu'une espèce est « dans le jeu » ne suffit pas — un jeu peut contenir 394 fichiers couvrant toute une famille. Seul le dump ReDU donne la correspondance fichier par fichier.
Les formats sont mélangés. mzML et mzXML coexistent dans le même dépôt et n'ont pas le même lecteur ni le même chemin d'accès au précurseur.
Les métadonnées de provenance sont quasi vides. Sur un jeu réel, 95,7 % des lignes de plantes n'avaient aucun pays renseigné. Ne construisez aucune carte géographique sur ReDU.
L'effort est extrêmement concentré. Le top 10 des espèces représentait 52,8 % de tous les runs — Lolium perenne à lui seul en pesait 27 951. Traiter chaque espèce comme un « 1 » jette l'essentiel de l'information ; sortez toujours la version pondérée en parallèle.
Les organismes modèles polluent les listes. Arabidopsis thaliana, Brachypodium distachyon, Spirodela polyrhiza apparaîtront en tête. Ils ne sont « sombres » que par artefact d'appariement de noms — excluez-les explicitement.
Utilisation
python scripts/find_spectra.py --species "Banisteriopsis harleyi" --min-datasets 2
python scripts/find_spectra.py --file especes.txt --out fichiers.json