SRAscout:基于标准化整合的 SRA 和 BioProject 元数据实现公开测序数据的语义发现

由 root 提交于 周三, 11/18/2026 - 12:47
摘要

公共测序数据的迅速增长为生命科学领域的数据驱动型发现创造了巨大机遇,但也使查找相关数据集变得更加困难。NCBI 序列读段档案(SRA)收录了逾 4,500 万个高通量测序运行记录;由 NCBI、欧洲核苷酸档案(ENA)和日本 DNA 数据库共同维护的 BioProject 数据库则记录了这些数据背后的研究项目。然而,这些数据库的元数据往往不完整、注释不一致,且仅凭关键词难以有效检索。我们介绍 SRAscout,这是一个基于 Web 的平台,通过整合 SRA 运行记录元数据与相应的 BioProject 记录,实现语义数据集检索。SRAscout 收集并索引了约 714,000 个 BioProject 的元数据,并将细胞系、组织、年龄、性别和处理等样本属性规范化为精简且一致的模式。在语义嵌入方面,SRAscout 采用基于 BioBERT 的生物医学句子嵌入模型,根据每个项目的标题、名称、物种和描述生成稠密向量表示。用户可通过三种模式进行搜索:输入论文的 DOI 或 PubMed ID、输入自由文本,或输入 BioProject 和 SRA 研究登录号;SRAscout 会据此查找最相关的项目。自由文本查询采用语义搜索与全文搜索相结合的混合方式,即使描述同一生物学现象时使用了不同术语,也能找到概念相关的研究,同时仍可匹配基因名称等精确术语。结构化筛选器支持按物种、检测类型(例如 RNA-seq 和 miRNA-seq)、规范化后的样本属性(如组织、细胞类型和疾病)、标签词及其他多种属性进一步筛选。对于每次搜索,用户均可下载一份规范化的】【。元数据表以及可直接使用的脚本,用于从 ENA 获取测序文件。SRAscout 还提供公共 API,支持程序化访问。通过在统一界面中整合标准化元数据与上下文感知搜索,SRAscout 有助于数据集发现、荟萃分析和数据复用。该应用可通过 www.srascout.com 免费访问。

SRAscout:通过统一的 SRA 和 BioProject 元数据,实现对公共测序数据的语义发现 | bioRxiv

跳转至主要内容

首页

关于

投稿

提醒 / RSS

搜索关键词

高级搜索

最新结果

SRAscout:通过统一的 SRA 和 BioProject 元数据,实现对公共测序数据的语义发现

查看 ORCID 个人资料

Dimitris Grigoriadis、Nikos Perdikopanis、Candace SY Chan、Georgios Pavlopoulos、Ilias Georgakopoulos-Soares

doi:https://doi.org/10.64898/2026.11.15.766670

Dimitris Grigoriadis¹

德克萨斯大学奥斯汀分校;

在 Google Scholar 中查找此作者

在 PubMed 中查找此作者

在本站搜索此作者

Dimitris Grigoriadis 的 ORCID 记录

通讯作者:jim.grigor{at}gmail.com

Nikos Perdikopanis²

雅典国立卡波季斯特里亚大学信息学与电信系,希腊雅典;

在 Google Scholar 中查找此作者

在 PubMed 中查找此作者

在本站搜索此作者

Candace SY Chan¹

德克萨斯大学奥斯汀分校;

在 Google Scholar 中查找此作者

在 PubMed 中查找此作者

在本站搜索此作者

Georgios Pavlopoulos³

BSRC Alexander Fleming;

在 Google Scholar 中查找此作者

在 PubMed 中查找此作者

在本站搜索此作者

Ilias Georgakopoulos-Soares⁴

德克萨斯大学奥斯汀分校戴尔医学院

在 Google Scholar 中查找此作者

在 PubMed 中查找此作者

在本站搜索此作者

Ilias Georgakopoulos-Soares 的 ORCID 记录

摘要

信息 / 历史

指标

补充材料

数据 / 代码

预览 PDF

摘要

公共测序数据的快速增长,为生命科学领域的数据驱动发现带来了巨大机遇,但也使相关数据集的查找变得更加困难。NCBI 序列读段……

序列读档案库(SRA)收录了超过 4500 万个高通量测序数据运行;由美国国家生物技术信息中心(NCBI)、欧洲核苷酸档案库(ENA)和日本 DNA 数据库共同维护的 BioProject 数据库则描述了这些数据背后的项目。然而,这些数据库的元数据往往不完整、标注不一致,且仅凭关键词难以检索。我们推出了 SRAscout,这是一个基于网页的平台,通过整合 SRA 运行元数据与相应的 BioProject 记录,实现语义化数据集检索。SRAscout 收集并索引了约 714,000 个 BioProject 的元数据,并将细胞系、组织、年龄、性别和处理条件等样本属性统一整理为精简且一致的模式。

在语义嵌入方面,SRAscout 采用基于 BioBERT 的生物医学句子嵌入模型,根据每个项目的标题、名称、物种和描述生成稠密向量表示。用户可通过三种模式进行搜索:输入文章的 DOI 或 PubMed ID、输入自由文本,或输入 BioProject 和 SRA 研究登录号;SRAscout 会在每种模式下查找关联度最高的项目。自由文本查询采用语义搜索与全文搜索相结合的混合方式,即使描述同一生物学概念时使用了不同术语,也能找到概念相关的研究,同时仍可匹配基因名称等精确术语。结构化筛选器支持按物种、测定类型(例如 RNA-seq 和 miRNA-seq)、经过统一整理的样本属性(如组织、细胞类型和疾病)、标签词及其他多种属性进一步筛选。对于每次搜索,用户均可下载经过统一整理的元数据表,以及用于从 ENA 获取测序文件的即用型脚本。SRAscout 还提供公共 API,以支持程序化访问。通过将统一整理的元数据与具备上下文感知能力的搜索相结合,……

通过单一界面,SRAscout 可助力数据集发现、荟萃分析与数据再利用。该应用可在 www.srascout.com 免费使用。

利益冲突声明

作者声明不存在利益冲突。

脚注

https://www.srascout.com

已申报的资助信息

美国国立卫生研究院国家普通医学科学研究所

Fulcrum Science 翻译资助

希腊研究与创新基金会

,23592-EMISSION

欧洲地平线计划研究与创新项目

版权

本预印本的版权归作者/资助方所有;其已授予 bioRxiv 永久展示该预印本的许可。

本文依据

CC-BY 4.0 国际许可协议

公开。

返回顶部

上一篇

下一篇

发布于 2026 年 11 月 17 日。

下载 PDF

补充材料

数据/代码

电子邮件

感谢您有意传播 bioRxiv 上的内容。

注意:我们索取您的电子邮件地址仅用于确认您是本文的发送者。

您的电子邮件地址

*

您的姓名

*

收件人

*

请输入多个地址,每行一个,或用逗号分隔。

您即将通过电子邮件发送以下内容:

SRAscout:通过整合并协调 SRA 与 BioProject 元数据,实现公共测序数据的语义化发现

邮件主题

(您的姓名)向您转发了 bioRxiv 上的一个页面

邮件正文

(您的姓名)认为您可能有兴趣查看 bioRxiv 网站上的此页面。

您的个人留言

验证码

此问题用于确认您是真实访客,并防止自动垃圾信息提交。

分享

SRAscout:通过整合并协调 SRA 与 BioProject 元数据,实现公共测序数据的语义化发现

Dimitris

Grigoriadis

,

Nikos

Perdikopanis

,

Candace SY

Chan

,

Georgios

Pavlopoulos

,

Ilias

Georgakopoulos-Soares

bioRxiv

2026.11.15.766670;

doi:

SRAscout:通过协调统一的 SRA 和 BioProject 元数据,语义化发现公开测序数据

Dimitris Grigoriadis、Nikos Perdikopanis、Candace SY Chan、Georgios Pavlopoulos、Ilias Georgakopoulos-Soares

bioRxiv

2026.11.15.766670

doi:https://doi.org/10.64898/2026.11.15.766670

主题领域

生物信息学

主题领域

所有文章

动物行为与认知(8164)

生物化学(19027)

生物工程(15171)

生物信息学(46057)

生物物理学(22958)

癌症生物学(20331)

细胞生物学(27616)

临床试验(138)

发育生物学(14286)

生态学(21620)

流行病学(2067)

进化生物学(26035)

遗传学(16479)

基因组学(24080)

免疫学(19260)

微生物学(43684)

分子生物学(18570)

神经科学(96239)

古生物学(718)

病理学(3077)

药理学与毒理学(5278)

生理学(8377)

植物生物学(16451)

科学传播与教育(2126)

合成生物学(4697)

系统生物学(10486)

动物学(2441)

关键词:公共测序数据 · 元数据标准化 · 语义检索 · 生物医学文本嵌入 · 混合检索 · 数据复用

原文链接:https://www.biorxiv.org/content/10.64898/2026.11.15.766670v1?rss=1