《Nucleic Acids Research》：dictyBase 2026: a reimplementation of the Dictyostelium model organism database on minimal infrastructure
编辑推荐：
摘要：盘基网柄菌（Dictyostelium discoideum）是一种模式生物，用于研究包括趋化性、细胞运动、吞噬作用、多细胞发育和自噬在内的广泛生物学过程。其许多基因具有与疾病相关的人类直系同源基因（human orthologs），使该生物成为研究从癌
摘要：盘基网柄菌（Dictyostelium discoideum）是一种模式生物，用于研究包括趋化性、细胞运动、吞噬作用、多细胞发育和自噬在内的广泛生物学过程。其许多基因具有与疾病相关的人类直系同源基因（human orthologs），使该生物成为研究从癌症到神经退行性疾病等病况的有用模式生物。dictyBase 作为基因组数据、实验方案、品系资源中心和社区新闻的载体，已为该研究社区服务二十年。本文描述 dictyBase 的完全重实现，其作为自包含服务（self-contained service），使用静态数据文件（static data files）而非数据库服务器。每个基因记录在单一网页中汇集经策展的功能、人类疾病背景、发育表达和蛋白质结构。该站点还提供序列搜索（sequence search）、基因组浏览（genome browsing）、富集分析（enrichment analysis）和实验设计（experimental design）工具。完整的 Dicty Stock Center（DSC）目录包含 7055 个品系和 1265 个质粒，二者均可从该站点订购。新文献通过作者在环管线（author-in-the-loop pipeline）进行策展。语言模型（language model, LM）起草注释（annotations），论文作者对其进行更正，策展人（curator）对其进行批准。分析可仅对经策展人批准的注释运行，或扩展至包含仍待审核的注释。dictyBase 可在 https://dicty.org 免费获取。
研究背景与问题：盘基网柄菌（Dictyostelium discoideum）是社会阿米巴模式生物，摄食细菌时为单细胞阿米巴，营养缺乏后约24 h内经历聚集、丘状体、迁移蛞蝓和子实体发育，是研究趋化性、细胞运动、细胞骨架动力学、细胞间信号、自组织、细胞类型分化和形态发生的可操作体系；其较多基因具有人类直系同源基因（orthologs），可用于神经蜡样脂褐质沉积症、自噬障碍、宿主—病原互作和神经退行性疾病等研究。dictyBase 作为盘基网柄菌及相关网柄菌的中心模式生物数据库（MOD, model organism database；专门整合模式生物基因组、注释和社区资源的数据库），二十年来提供批准基因命名、专家文献策展、基因本体（GO, Gene Ontology；描述基因功能的标准词表）、品系与表型注释、基因组序列与组装，并通过 Dicty Stock Center（DSC，品系资源中心）向全球分发品系和质粒。问题在于，MOD 需在社区规模和经费不确定条件下持续维持全面且不断更新的资源，而许多现代 MOD 采用分布式、面向服务的架构，需要专门技术和持续工程支持，小型社区缺乏数百万美元预算时难以维持。因此，研究人员从头重建 dictyBase，以扩展功能并降低运行成本和技术复杂性。
研究概况与意义：研究人员将 dictyBase 重建为单一自包含服务，由静态数据文件支撑，运行系统不需要数据库服务器和分布式服务；记录涵盖基因、比较基因组与人类疾病、转录组和蛋白质组表达及分析工具，并新增人类直系同源与疾病整合、分面基因发现、分析和分子生物学设计工具及教学模块。结论是，该实现为小型团队维持全功能 MOD 提供了实用、低成本的方法；其意义在于降低运维成本和单一工程师依赖，软件与数据可检查、可独立部署，且将生物体特异来源数据与核心生成和提供流程分离后，该通用方法可能适配其他生物体数据库。论文发表在《Nucleic Acids Research》。
关键技术方法（≤250字）：以文档化脚本将 GO Consortium、NCBI、UniProt、InterPro、京都基因与基因组百科全书（KEGG）、OMA、InParanoid、人类表型本体（HPO）、AlphaFold 及旧版 dictyBase 重建为版本化 JSON/FASTA/GFF3；用 Python 标准库实现单服务，前端为 vanilla-JavaScript 单页应用，提供约40个 REST API（表述性状态转移应用程序接口）端点；分析在同一进程完成超几何检验与 Benjamini–Hochberg 控制，集成 BLAST（序列相似性搜索工具）、IGV.js（基因组浏览器组件）、向导 RNA（gRNA）脱靶筛查、定量 PCR（qPCR）引物设计和密码子优化；Claude Code（Opus 4.8）辅助起草与重构。数据来源含 DSC 目录（7055株、1265质粒）、20个基因组、Sawai 等2257个插入突变体筛选、RNA-seq 和两个蛋白质组数据集。
研究结果：Data content and sources 下，Gene records and nomenclature：基于 D. discoideum AX4 参考基因组13 892个蛋白编码基因，以稳定 DDB_G 标识（dictyBase 基因登录号）和批准基因符号为键，整合策展摘要、基因模型、外部交叉引用和可下载基因组、编码及蛋白序列，表明 dictyBase 仍是盘基网柄菌基因命名权威。Function: GO and phenotypes：导入 GO Consortium 的盘基网柄菌释放版，按分子功能、生物过程、细胞组分分组并附证据码和参考文献；13 892个基因中8659个至少有一个 GO 注释，1197个基因有策展功能缺失（loss-of-function）表型及实验条件和文献，来源徽章区分专家策展与电子推断，便于按证据质量加权。Comparative genomics and human disease：基于 OMA 浏览器和 InParanoid 推导直系同源，经人类表型本体（HPO）从 OMIM 和 Orphanet 连接疾病；3330个基因有人类直系同源、1502个连接人类疾病，3330个基因携带5176个基因—直系同源对，其中1554一对一、831一对多、221多对一、1577多对多，993个仅来自 InParanoid；疾病关联属于人类基因并经由映射到达盘基网柄菌基因，不是盘基网柄菌证据，因而这些关联是假设生成线索而非已验证疾病模型。Transcriptomics and proteomics：RNA-seq 提供聚集至子实体时程的发育表达谱，用于计算共表达关系并在基因组浏览器叠加表达轨迹；整合两个质谱（MS）蛋白质组数据集，分别覆盖五个生命周期阶段的4502个蛋白和发育及热应激不溶蛋白质组的8043个蛋白；空间表达以全 mount 原位杂交的前柄细胞亚型分配表示。Pathways：从 KEGG 导入代谢和信号通路成员关系，覆盖131条通路中的1927个基因，并作为富集分析术语集显示。Interactions：从 BioGRID 导入策展物理和遗传互作，覆盖66个基因中的85个互作；每个蛋白记录还显示 STRING 预测关联网络，但 STRING 关联不必然是直接物理互作，故作为假设生成信息并链接 STRING 查看证据。Protein structure and domains：蛋白记录显示 InterPro 结构域架构图，嵌入可用的 AlphaFold 预测结构，并呈现策展翻译后修饰（PTM）注释。Genomes：承载20个测序网柄菌基因组组装和注释，含3个盘基网柄菌野生分离株基因组；全部组装可在集成基因组浏览器查看或下载 FASTA，16个有基因模型，19个可用 BLAST 搜索，支持单参考基因组不能支持的群体基因组和菌株水平比较。The Dicty Stock Center：完整 DSC 目录直接整合，含7055个品系（其中2130个可提供）、约21 500个全基因组盘基网柄菌插入（GWDI）敲除株可经搜索获取、1265个质粒和19个细菌菌株，用户可在购物车组装订单并通过集成请求流程提交。A high-throughput developmental phenotype screen：整合 Sawai 等的时程筛选，2257个插入突变体被拍摄发育过程并按正常生长、cAMP 波传播、聚集、丘状体、蛞蝓和 culmination 等阶段评分，387株至少一个阶段有缺陷；dictyBase 承载3317次成像运行为6556个可播放电影，已知被破坏基因时记录链接到该基因，覆盖382个基因的337株，其中269个基因的1111株可订购分析。A separated machine-generated annotation layer：为定量评价机器生成注释层，将机器 GO 建议与独立策展 GO 注释比较而未用策展注释生成或重标机器预测；1363个同时有机器和策展 GO 的基因中，60%机器建议术语与策展术语完全一致，另26%为 GO 层级中直接父项或子项，即86%为精确匹配或同一 GO 谱系直接相关，9%映射到不同 GO 分支；人工检查核心层93%为精确或同谱系、2%为远缘，自动生成家族层分别为85%和10%；该层明确标为 AI 生成，未经独立评审批准不并入专家策展注释集。
Implementation and architecture 下，Design overview：dictyBase 实现为单一自包含 Web 服务，基于 Python 标准库，服务 vanilla-JavaScript 单页应用，不使用外部数据库服务器、消息代理和分布式服务，无构建步骤，核心功能唯一运行时依赖为 Python 解释器。Data as versioned static builds：不从实时数据库提供数据，而提供预计算、版本化 JSON 和标准生物信息格式文件；文档化构建脚本从 GO Consortium、NCBI、UniProt、InterPro、KEGG、OMA 浏览器、InParanoid、HPO、AlphaFold 和 dictyBase 集合再生这些文件，因而数据集可从来源复现，更新时重跑相关构建脚本并重新部署即可，应用本身无需改变。Access and computation：除网页界面外，提供约40个端点的公共 REST API，程序化访问基因记录、搜索、序列检索和各分析工具；每个分析在同一进程运行，序列检索直接读取基因组组装和基因模型，过表征分析为自包含超几何检验并用 Benjamini–Hochberg 控制错误发现率，分子生物学工具同样利用基因组数据，向导 RNA 设计筛查全组装脱靶，限制性位点作图扫描基因及侧翼常见克隆酶，引物设计和密码子优化使用同一序列数据；访问无需账户，站点不存储读者个人信息，策展人有具名账户，投稿作者提供联系方式，使用无 cookie 第一方分析计数器仅记录聚合分桶页面类别。Operational footprint：服务和静态资产运行在单台适中虚拟机上，多数内容也可作为静态文件置于小型动态后端之后；完整源代码和数据构建脚本公开，可独立部署、检查与复用；低计算和运维要求并非盘基网柄菌固有，通过分离生物体特异来源数据与核心生成和提供流程，该通用方法可能适配其他生物体数据库而无需复杂数据库服务器、分布式服务或大量专用基础设施，尤其可能有助于长期经费和专用软件开发支持有限的小型研究社区。AI-assisted software development：软件在人工智能（AI）编码助手 Anthropic’s Claude（通过 Claude Code 命令行界面，Opus 4.8）大量协助下编写，助手在作者持续指导和审查下起草与重构服务、单页应用和数据构建脚本；作者使用前审查、测试和修订每个组件，自动测试套件检查软件，构建过程对照主要来源验证提供数据，例如每个基因符号和 GO 标识均对照参考集检查有效性；因完整源代码公开，实现可独立审计，数据还对30个随机基因抽查人工验证；软件开发使用语言模型不同于上述机器生成注释层，后者单独标注、可隐藏且不作为策展证据，基因命名及构成策展记录的专家 GO 和表型注释由人类撰写，语言模型虽从新发表论文起草候选注释，但须经策展人批准。
Web interface and analysis tools 下，The gene record：每个基因有单一记录，按摘要、GO、表型、文献、蛋白结构、互作、直系同源和翻译后修饰分标签展示，各节带有外部资源交叉引用；全站基因符号链接并附悬停卡显示基因名、摘要和关键属性而无需跳转，任何基因可引用或加入个人工作区；文献节还列出已发表该基因工作的研究者，由论文资深作者识别并随新工作索引自动刷新，且有策展人审查机制供研究组自行添加。Search and discovery：提供基因和站点内容通用全文搜索，以及按策展表型、GO 术语和亚细胞定位的聚焦搜索；高级基因查找器支持按策展表型、人类直系同源存在、疾病关联和发育表达峰值等属性组合过滤整个目录并导出结果集；搜索功能可快速导航至任何基因、页面或工具。Analysis tools：提供 BLAST 序列相似性搜索，覆盖基因组组装的核苷酸和翻译搜索及参考蛋白质组的蛋白搜索，命中链接至基因记录；基于 IGV.js 的基因组浏览器显示20个网柄菌基因组组装及基因模型和发育 RNA-seq 轨迹；基因集分析包括 GO、表型和 KEGG 通路过表征检验、多基因发育表达比较和共表达基因识别；实验设计提供全基因组脱靶筛查的向导 RNA 设计、针对该生物 AT 丰富基因组调参的定量 PCR 引物设计和针对盘基网柄菌密码子用法的密码子优化；蛋白记录交互显示结构域架构、跨物种保守性和 AlphaFold 预测结构；发育表型筛选有独立浏览器，将六阶段谱呈现为聚类热图、在线播放电影并导出过滤表；基因标识转换器在基因符号、DDB_G 登录号、UniProt 登录号和 NCBI Gene 标识间映射；序列工具检索基因组区域、进行 in-silico PCR 并在承载基因组间构建多序列比对；批量注释器为基因列表返回选定注释字段的可下载表，基因集报告将富集、人类直系同源和疾病重叠及发育表达谱合并为单一摘要；dictyBase 还分发社区贡献分析软件，当前包括追踪延时系列细胞质心的 Fiji 插件和配套趋化性分析电子表格模板。From a human disease gene to a reagent：以研究神经蜡样脂褐质沉积症者查询 CLN5 至 cln5 记录为例，直系同源节报告由 OMA 和 InParanoid 共同支持的一对一分配，并经 HPO 链接至 CLN5 病的成人型、青少年型和晚婴型；发育 RNA-seq 谱显示 cln5 在生长和早期发育表达后下降，表型节列出 cln5 缺失株的四个策展功能缺失表型，包括细胞—基质黏附降低和对 cAMP 趋化降低；页面还提供相关试剂，如一个已发表策展但不在 DSC 的 cln5 缺失株和三个在库的 cln5 GWDI 插入突变体，可加入订购购物车；需要自有背景明确缺失株的实验室可在同页运行向导 RNA 设计器生成全基因组脱靶评分的酿脓链球菌 Cas9（SpCas9）向导。From a sequence to a conservation profile：用户可从序列开始，BLAST 搜索承载组装返回命中并注释其所在 D. discoideum 基因，同时在基因组浏览器中打开该位点及邻近基因和发育 RNA-seq 轨迹；从该记录可跨物种或野生分离株比较蛋白，跨测序网柄菌的翻译搜索返回各基因组最佳命中并显示一致性百分比和比对长度；野生分离株比较报告各测序分离株中的直系同源位点、一致性百分比和相对 AX4 的氨基酸替换；例如 cln5 在测序分离株中与 AX4 仅少数残基不同，符合保守持家基因模式，而自我/非自我识别基因 tgrC1 在一个分离株中差异超过二百个残基，在另一个分离株中最接近位点是旁系同源基因 tgrC5 而非等位基因；这些比较可区分保守与高变基因及等位变异与旁系同源，且每个基因记录均可使用。A personal workspace：用户可将感兴趣基因收集到每浏览器本地持久且无需账户的工作区（基因列表），收集集可直接提交至富集和表达比较工具，或导出为表格数据或蛋白 FASTA。Education：教学模块面向本科和高中教学，含连接标记基因的生命周期交互描绘、词汇表、自评测验、一套原创开放许可教学图、30个课堂实验室方案库，以及完整一学期的 D. discoideum 细胞生物学大学课程。
Curation and community 下，Curation model：dictyBase 区分五个注释层，包括 dictyBase 专家策展、新发表论文作者策展、社区贡献注释、一组人工产生的计算预测和上述分离的机器生成层；四个非专家层在策展人批准前显示为未审查或暂定，每层有单独徽章和显示控制，使用户识别每个注释的来源和证据基础。Curation interface：基于 Web 的策展人界面允许授权策展人直接添加和编辑基因及库存中心记录；除自由文本摘要外，策展人输入带证据码和参考文献的 GO 术语、带实验条件和参考文献的突变表型及批准基因命名，这些条目在记录上显示为专家策展注释；文献驱动待办视图按引用数排序显示有发表工作但无策展摘要的基因，以聚焦策展工作；编辑存储为覆盖项并在数据重建中保留，使底层资产从来源刷新时人工策展不被覆盖；社区成员可通过结构化表单提交基因注释、更正和数据集供策展人审查；站点还保存既有资源的社区材料，包括自1997年以来问答的 Dicty 电子邮件列表可搜索档案；dictyBase 维护共享社区基础设施，包括可搜索的盘基网柄菌实验室目录、年度国际盘基网柄菌会议档案、领域开放职位列表和社区获奖者记录。Author-in-the-loop literature curation：文献策展需要大量策展人时间，故 dictyBase 用语言模型生成草稿注释，由论文作者审阅和更正；新盘基网柄菌论文从 PubMed 识别，若有开放获取副本则检索全文，否则策展人可提供许可副本；语言模型随后起草论文报告的基因摘要、GO 术语、表型和互作，且限于文本中命名的基因；通讯作者收到含草稿的私人链接表单，更正或删除不准确内容并提交；策展人随后逐条接受或拒绝，或带问题退回，并可继续交流直至注释解决；提交条目立即以暂定和待策展人审查标记显示于基因记录，批准后加入策展记录；作者可用 ORCID（开放研究者与贡献者身份识别码）登录以归属贡献；该做法遵循 PomBase 通过 Canto 和 WormBase 通过作者策展管线实践的社区策展，不同在于作者从机器起草注释而非空白表单开始。Interoperability：作为盘基网柄菌 MOD，dictyBase 既消费也贡献社区数据资源；其策展 GO 注释以标准基因关联格式（GAF 2.2）导出并贡献给 GO Consortium，基因命名和记录与 NCBI 和 UniProt 交叉引用，保持这些资源间标识一致。
Sustainability and future directions 下，A low-cost model for community databases：设计目标是在保留广泛覆盖的同时降低运行成本；从单一服务提供预计算静态文件，移除数据库服务器和分布式微服务需求，所得系统较少依赖单一工程师，软件和数据均可检查并独立部署；对无大型工程团队经费的社区，该架构提供一种以适中成本维持专门资源的方式，AI 辅助开发进一步降低本案例所需投入。Limitations：该设计针对专业社区典型查询量下的读多写少资源优化，不用于支持高通量事务型负载或大型并发开发团队；依赖持久用户账户或复杂事务的功能有意保持最小化，试剂请求通过简单请求流程处理。
讨论与结论翻译：讨论部分指出，该设计在保留较广覆盖的同时降低运行成本；以单一服务提供预计算静态文件消除了数据库服务器和分布式微服务需求，使系统较少依赖单一工程师，软件与数据可检查、可独立部署；对缺乏大型工程团队经费的社区，该架构提供一种以适中成本维护专门资源的途径，AI 辅助开发进一步减少本案例所需投入。局限是：该设计针对专业社区典型查询量下的读多写少资源优化，不用于支持高通量事务型负载或大型并发开发团队；依赖持久用户账户或复杂事务的功能有意保持最小化，试剂请求通过简单请求流程处理。翻译研究结论：该实现为小型团队维持一个全功能模式生物数据库（MOD）提供了一种实用、低成本的方法；重要的是，这种架构的低计算和运维要求并非盘基网柄菌所固有，通过将生物体特异来源数据与用于生成和提供资源的核心流程分离，该通用方法可能适配其他生物体数据库，而无需复杂数据库服务器、分布式服务或大量专用基础设施；该模式可能尤其适用于长期经费和专用软件开发支持有限、但仍希望维持生物体特异资源的小型研究社区。
