PrimeKG Knowledge Graph

Quando usar

Use para reproduzir análises do PrimeKG, resolver entidades em um artefato de grafo específico ou explorar associações registradas de genes, drogas, doenças, fenótipos, anatomia e vias. Um caminho suporta uma hipótese de pesquisa; ele não estabelece causalidade, eficácia de tratamento, uma recomendação de prescrição ou uma conclusão diagnóstica.

O PrimeKG upstream agora recomenda o OptimusKG para novos trabalhos. Esta habilidade permanece limitada a CSVs do PrimeKG; o helper não é um cliente OptimusKG. O PrimeKG publicado integra 20 recursos, com aproximadamente 129.000 nós e 4,05 milhões de relacionamentos não direcionados. CSVs contêm linhas reversas, então as contagens de linhas diferem das contagens de relacionamentos não direcionados distintos. Conte o artefato fixado real.

1. Fixar e verificar a entrada

O conjunto de dados oficial permaneceu V2.1, publicado em 02/05/2022, na revisão de 01/10/2026. Seu kg.csv tem ID de arquivo Dataverse 6180620, tamanho 981751236 bytes e MD5 do provedor aac8191d4fbc5bf09cdf8c3c78b4e75f. O registro declara CC0 1.0; o código de construção upstream é MIT. Estes são distintos da declaração de licença retida desta habilidade e dos termos de recursos de origem individuais usados em uma reconstrução.

Use o referência de artefato e API para obter metadados, verificar o checksum do arquivo ou distinguir kg.csv, kg_grouped.csv, features e PyTDC. As atualizações de construção/OMIM de 2023 no GitHub não tornam o artefato publicado de 2022 um conjunto de dados de 2023. Registre DOI, versão, nome do arquivo, ID do arquivo, checksum, data de recuperação e quaisquer etapas de subconjunto/reconstrução com cada resultado.

O helper não faz consultas de grafo remotas. Baixe o CSV deliberadamente após verificar o armazenamento e a RAM. Este exemplo de download completo é ilustrativo; a validação usou pequenos intervalos de bytes HTTP e dados sintéticos, não o arquivo de 982 MB:

curl --fail --location --output kg.csv \
  'https://dataverse.harvard.edu/api/access/datafile/6180620'
export PRIMEKG_DATA="$PWD/kg.csv"

PRIMEKG_DATA é lido quando o módulo é importado; o padrão é data/PrimeKG/kg.csv. O módulo lê todo o CSV para cada consulta pública. O parsing low_memory não é um motor de grafo com memória limitada. Para muitas consultas ou RAM limitada, construa um armazenamento local indexado a partir do arquivo fixado e valide suas chaves de nó, multiplicidades de arestas e contagens.

2. Resolver uma entidade tipada antes da travessia

Execute a partir do diretório desta habilidade com pandas instalado, para que scripts.query_primekg seja importável. A seguir está uma consulta ilustrativa de dados reais; nenhum resultado de doença ou ID é prometido sem inspecionar o arquivo fixado:

from scripts.query_primekg import search_nodes, get_neighbors

candidates = search_nodes("Alzheimer", node_type="disease", limit=None)
for node in candidates:
    print(node)  # id, type, name, source, and index when present

# Review the candidates and select the intended disease before calling:
# get_neighbors(selected["id"], node_type=selected["type"],
#               node_source=selected["source"])

A pesquisa é literal, insensível a maiúsculas e minúsculas e retorna no máximo 20 correspondências por padrão; limit=None remove esse limite. Preserve os IDs como strings, incluindo IDs que parecem numéricos e unidos por sublinhado. Nós de drogas usam identificadores DrugBank; doenças podem usar MONDO ou MONDO_grouped, incluindo IDs que unem várias doenças. Não invente IDs EFO, ChEMBL, Wikidata ou MONDO prefixados a partir de rótulos. x_index/y_index são índices de lançamento local, não acessos de ontologia e não são estáveis entre reconstruções.

O helper identifica um nó por (id, type, source) e rejeita IDs nus ambíguos ou uma chave que mapeia para vários índices de lançamento. Forneça node_type e node_source do resultado da pesquisa. IDs numéricos iguais de namespaces diferentes são nós diferentes.

3. Recuperar associações sem perder seu significado

get_neighbors(node_id, relation_type=None, *, node_type=None, node_source=None) coleta ambas as orientações armazenadas. Linhas reversas são consolidadas em uma adjacência por identidade/nome vizinho, relation e display_relation; todas as linhas originais permanecem em edge_rows. Colunas de evidência CSV extras e índices de lançamento são preservados. Não multiplique as contagens de evidências pelo número de cópias reversas.

Use nomes de relação armazenados exatos. Relações publicadas comuns incluem: