KEGG、Reactome与SignaLink的资料边界

同名通路可能不是同一份成员表

通路数据库不是自然界的直接副本，而是研究证据经过策展、分类和版本管理后的知识结构。不同团队对通路起点、终点和成员范围的定义不同，同名结果出现差异很正常。

KEGG强调代谢与信号图谱的整体关系，Reactome使用较细的反应与层级事件组织知识，SignaLink历史上重视跨通路信号关系。选择资料源时，应先看研究问题需要哪种粒度。

只比较通路名称会丢失差异。更可靠的比较包括物种、版本、成员、关系方向、证据来源和上层分类。

人工策展能够保留文献语境和关系细节，但更新需要时间；自动或半自动整合覆盖更快，也可能引入映射与文本抽取误差。没有一种方式在所有任务上都更好。

研究者应记录查询日期，因为成员和层级持续变化。旧分析若需要复现，最好保存当时使用的版本或成员快照，而不是直接调用当前网页。

数据库引用应落到具体版本和用途。写“使用通路数据库”不足以解释候选如何映射、哪些类别被排除以及显著性如何计算。

模型生物与人类通路之间常通过同源关系转换。同源并不保证组织表达、调控方式和表型完全一致，一对多映射还可能扩大候选数量。

若数据库提供物种专属策展，应优先使用匹配物种；若必须转换，应保存同源映射方法和未成功转换的对象。结果正文需要把跨物种推断与直接证据分开。

同一物种的基因与蛋白标识也可能不一致。标准化过程应保留原始输入，避免后续无法解释候选为何增加或减少。

在两个适合的问题范围内运行分析，观察核心通路和关键成员是否稳定，可以帮助判断结论依赖单一分类体系的程度。结果不同不应简单合并成更长名单。

应检查差异来自成员表、层级名称还是统计背景。如果只是名称不同但核心成员重合，可以在讨论中说明；如果关键成员完全不同，就需要回到研究设计判断哪个来源更适合。

OixCloud不会提供这些历史数据库的替代接口。本站的任务是帮助读者理解资料边界，并在跨设备传递结果时保存版本和映射条件。

Reactome一类资料会把具体反应组织成多层事件。上层名称便于概览，下层事件更接近机制。分析时若同时包含父子层级，同一组基因可能反复出现在多个结果中。

汇总时应决定保留哪一层，或明确显示层级关系。删除所有上层会失去整体语境，只保留上层又会掩盖真正驱动结果的具体反应。

面向普通读者时，可以先用上层过程说明方向，再列出一至两个有主要证据的下层事件。不要把十几个近义名称堆成看似丰富的发现。

通路中的激活、抑制、转位、结合和催化不是同一种边。导出为简单节点表时，这些关系可能丢失，随后分析只剩下谁与谁连接。

蛋白复合体、异构体和修饰状态也会影响关系。把它们全部映射到基因层便于统计，却可能牺牲机制细节。研究问题若关注具体位点或复合体，应保留更细层级。

在不同数据库间转换时，先确定最小共同信息，再把无法对应的细节单独保存。强行一一映射会制造看似整齐却错误的表。

资料可以公开查询，不代表所有内容都能任意复制和重新分发。团队应阅读每个来源的使用条件，保存必要的版本和查询记录，而不是把完整数据库打包进项目。

可重复研究可以通过记录版本、参数、成员映射和访问日期实现。若来源提供稳定标识或发布包，应优先使用；只有网页查询时，则保存查询条件与结果摘要。

跨机构分享结果时，应区分原始来源内容与团队生成的分析。这样既尊重资料许可，也方便后续更新时只替换受影响部分。

代谢研究、精细反应追踪和跨通路信号观察需要的结构不同。先写出希望回答的问题，再查看哪个来源提供匹配的物种、粒度和证据字段。

团队沿用熟悉数据库没有问题，但应定期检查它是否仍覆盖当前对象。新物种、新型分子或非经典过程可能需要补充其他资料。

最终报告可以说明为什么选择某一来源，以及另一个来源会带来什么差异。这样的比较比宣称某个数据库“最好”更符合研究实际。

跨资料源比较可以先统一物种、标识与基本成员，再保留每个来源独有的层级和关系字段。共同层用于比较，专属层用于解释，不必为了表格整齐牺牲细节。

合并后的重复名称要追踪来源。两个通路名称相近，可能是同一过程的不同粒度，也可能只是文字相似。自动匹配后仍需要抽查关键结果。

项目发布时提供来源到统一名称的映射表，读者才能理解图中的一个节点对应哪些原始条目，也能在资料更新后重新建立映射。

通路资料总结多个研究条件，而当前样本只来自其中一个组织和时间点。数据库中的关系是否适用，需要结合表达、定位、扰动和实验处理判断。

网络中没有某条关系，也可能来自资料尚未收录。对新发现或低研究度对象，应把“没有记录”与“确认不存在”分开。

资料源帮助组织知识，却不能替代阅读关键原论文。对驱动主要结论的少量关系，回到原始实验核对条件通常值得投入。