hmdb-database

HMDB データベース — ローカル XML アクセス

概要

Python の ElementTree でローカルにダウンロードした XML を解析し、Human Metabolome Database（HMDB、22 万件以上の代謝物エントリ）を検索します。代謝物の検索、化学的特性、生物学的背景（経路、酵素、生体液）、疾患／バイオマーカーとの関連、代謝物の同定に使うスペクトルデータ、KEGG、PubChem、ChEBI、DrugBank へのデータベース間 ID マッピングに対応しています。

使用する場面

• HMDB ID または名前から代謝物の情報（説明、化学クラス、細胞内局在）を調べる場合
• メタボロミクス解析用に化学的特性（分子量、化学式、SMILES、InChI、logP、PSA）を取得する場合
• 一連の代謝物について、経路との関連や酵素とのリンクを確認する場合
• 代謝物の生体液／組織内での局在（血液、尿、CSF、唾液）を特定する場合
• バイオマーカーの発見に向けて、疾患との関連や正常／異常濃度範囲を検索する場合
• 代謝物の同定に使う NMR または MS のスペクトルピークリストを抽出する場合
• HMDB ID を KEGG、PubChem、ChEBI、DrugBank、その他のデータベースに対応付ける場合
• 医薬品に特化したデータ（相互作用、標的、薬理学）には、代わりに drugbank-database-access を使用してください
• ダウンロードせずに化合物の特性をリアルタイムで検索する場合は、代わりに pubchem-compound-search を使用してください

前提条件

• HMDB XML のダウンロード：https://hmdb.ca/downloads で登録し、hmdb_metabolites.xml.zip（展開後約 6 GB）をダウンロードします
• Python パッケージ：lxml（より高速な XPath）または標準の xml.etree.ElementTree、pandas
• パブリック REST API なし：HMDB にはプログラムから利用できる REST API がありません。アクセスはすべて、ローカル XML の解析またはウェブインターフェース経由です
• R パッケージ（任意）：CRAN の hmdbQuery は一部のクエリ用ラッパーを提供しますが、機能が限られており、古くなっています
• レート制限：ローカル XML の解析には該当しません。ウェブインターフェースには公表されたレート制限はありませんが、スクレイピング用ではありません

pip install lxml pandas

クイックスタート

import xml.etree.ElementTree as ET

NS = {'hmdb': 'http://www.hmdb.ca'}

tree = ET.parse('hmdb_metabolites.xml')  # 60-120s for full XML
root = tree.getroot()

# Build lookup index (HMDB ID + lowercase name -> element)
metabolite_index = {}
for met in root.findall('hmdb:metabolite', NS):
    accession = met.find('hmdb:accession', NS)
    name = met.find('hmdb:name', NS)
    if accession is not None and accession.text:
        metabolite_index[accession.text] = met
    if name is not None and name.text:
        metabolite_index[name.text.lower()] = met

def find_metabolite(query):
    """Find metabolite by HMDB ID or name (case-insensitive)."""
    return metabolite_index.get(query) or metabolite_index.get(query.lower())

met = find_metabolite('HMDB0000122')  # Glucose
name = met.find('hmdb:name', NS).text
formula = met.find('hmdb:chemical_formula', NS).text
print(f"{name}: {formula}")
# Glucose: C6H12O6

コア API

1. XML のセットアップと代謝物の検索

import xml.etree.ElementTree as ET

NS = {'hmdb': 'http://www.hmdb.ca'}
tree = ET.parse('hmdb_metabolites.xml')
root = tree.getroot()
print(f"Total metabolite entries: {len(root.findall('hmdb:metabolite', NS))}")
# Total metabolite entries: ~220000+

メモリに制約のある環境では、iterparse を使用します。

met_names = {}
for event, elem in ET.iterparse('hmdb_metabolites.xml', events=('end',)):
    if elem.tag == '{http://www.hmdb.ca}metabolite':
        acc = elem.find('{http://www.hmdb.ca}accession')
        name = elem.find('{http://www.hmdb.ca}name')
        if acc is not None and name is not None and acc.text and name.text:
            met_names[acc.text] = name.text
        elem.clear()
print(f"Parsed {len(met_names)} metabolites via iterparse")

2. 化学的特性

def get_chemical_properties(met_element):
    """Extract chemical properties from a metabolite entry."""
    def txt(path):
        el = met_element.find(path, NS)
        return el.text if el is not None and el.text else None
    # Fields: accession, name, chemical_formula, average_molecular_weight,
    # monisotopic_molecular_weight, smiles, inchi, inchikey, state, iupac_name
    return {tag: txt(f'hmdb:{tag}') for tag in [
        'accession', 'name', 'chemical_formula', 'average_molecular_weight',
        'monisotopic_molecular_weight', 'smiles', 'inchi', 'inchikey', 'state']}

props = get_chemical_properties(find_metabolite('HMDB0000158'))  # L-Tyrosine
print(f"{props['name']}: MW={props['average_molecular_weight']}, SMILES={props['smiles']}")

# Extract taxonomy / chemical classification (ClassyFire ontology)
def get_classification(met_element):
    tax = met_element.find('hmdb:taxonomy', NS)
    if tax is None:
        return {}
    def txt(tag):
        el = tax.find(f'hmdb:{tag}', NS)
        return el.text if el is not None and el.text else None
    return {'kingdom': txt('kingdom'), 'super_class': txt('super_class'),
            'class': txt('class'), 'sub_class': txt('sub_class'),
            'direct_parent': txt('direct_parent')}

print(get_classification(find_metabolite('HMDB0000122')))
# {'kingdom': 'Organic compounds', 'super_class': 'Organooxygen compounds', ...}

3. 生物学的背景

def get_pathways(met_element):
    """Extract metabolic pathway associations."""
    pathways = []
    for pw in met_element.findall('hmdb:pathways/hmdb:pathway', NS):
        name = pw.find('hmdb:name', NS)
        smpdb_id = pw.find('hmdb:smpdb_id', NS)
        kegg_id = pw.find('hmdb:kegg_map_id', NS)
        pathways.append({
            'name': name.text if name is not None else None,
            'smpdb_id': smpdb_id.text if smpdb_id is not None else None,
            'kegg_map_id': kegg_id.text if kegg_id is not None else None,
        })
    return pathways

for pw in get_pathways(find_metabolite('HMDB0000122'))[:5]:
    print(f"  {pw['smpdb_id']}: {pw['name']}")

def get_biolocations(met_element):
    """Extract biofluid, tissue, and cellular locations."""
    bp = 'hmdb:biological_properties/hmdb:'
    def texts(path):
        return [el.text for el in met_element.findall(path, NS) if el.text]
    return {'biofluids': texts(f'{bp}biospecimen_locations/hmdb:biospecimen'),
            'tissues': texts(f'{bp}tissue_locations/hmdb:tissue'),
            'cellular': texts(f'{bp}cellular_locations/hmdb:cellular')}

locs = get_biolocations(find_metabolite('HMDB0000122'))
print(f"Glucose biofluids: {locs['biofluids']}")

def get_enzymes(met_element):
    """Extract associated enzymes/proteins with UniProt IDs."""
    return [{'name': (p.find('hmdb:name', NS).text
                      if p.find('hmdb:name', NS) is not None else None),
             'uniprot_id': (p.find('hmdb:uniprot_id', NS).text
                            if p.find('hmdb:uniprot_id', NS) is not None else None),
             'gene_name': (p.find('hmdb:gene_name', NS).text
                           if p.find('hmdb:gene_name', NS) is not None else None)}
            for p in met_element.findall('hmdb:protein_associations/hmdb:protein', NS)]

enz = get_enzymes(find_metabolite('HMDB0000122'))
print(f"Glucose-associated proteins: {len(enz)}")
for e in enz[:3]:
    print(f"  {e['gene_name']} ({e['uniprot_id']}): {e['name']}")

4. 疾患とバイオマーカーの検索

def get_diseases(met_element):
    """Extract disease associations with OMIM IDs and PubMed references."""
    diseases = []
    for d in met_element.findall('hmdb:diseases/hmdb:disease', NS):
        name = d.find('hmdb:name', NS)
        omim = d.find('hmdb:omim_id', NS)
        pmids = [r.find('hmdb:pubmed_id', NS).text
                 for r in d.findall('hmdb:references/hmdb:reference', NS)
                 if r.find('hmdb:pubmed_id', NS) is not None and r.find('hmdb:pubmed_id', NS).text]
        diseases.append({'name': name.text if name is not None else None,
                         'omim_id': omim.text if omim is not None else None,
                         'pubmed_ids': pmids})
    return diseases

diseases = get_diseases(find_metabolite('HMDB0000122'))
print(f"Glucose disease associations: {len(diseases)}")
for d in diseases[:3]:
    print(f"  {d['name']} (OMIM: {d['omim_id']})")

def get_concentrations(met_element, biospecimen='Blood'):
    """Extract normal/abnormal concentration data filtered by biospecimen."""
    result = {'normal': [], 'abnormal': []}
    for ctype, key in [('normal_concentrations', 'normal'),
                       ('abnormal_concentrations', 'abnormal')]:
        for c in met_element.findall(f'hmdb:{ctype}/hmdb:concentration', NS):
            bio = c.find('hmdb:biospecimen', NS)
            if bio is None or bio.text != biospecimen:
                continue
            def txt(tag):
                el = c.find(f'hmdb:{tag}', NS)
                return el.text if el is not None else None
            result[key].append({'value': txt('concentration_value'),
                                'units': txt('concentration_units'),
                                'condition': txt('subject_condition')})
    return result

conc = get_concentrations(find_metabolite('HMDB0000122'), 'Blood')
print(f"Glucose blood: {len(conc['normal'])} normal, {len(conc['abnormal'])} abnormal")

5. スペクトルデータ

def get_ms_spectra(met_element):
    """Extract MS/MS spectral peak lists (m/z + intensity)."""
    spectra = []
    for spec in met_element.findall('hmdb:spectra/hmdb:spectrum', NS):
        stype = spec.find('hmdb:type', NS)
        if stype is None or 'MS' not in (stype.text or ''):
            continue
        peaks = [{'mz': float(p.find('hmdb:mass_charge', NS).text),
                  'intensity': float(p.find('hmdb:intensity', NS).text or 0)}
                 for p in spec.findall('hmdb:ms_ms_peaks/hmdb:ms_ms_peak', NS)
                 if p.find('hmdb:mass_charge', NS) is not None
                 and p.find('hmdb:mass_charge', NS).text]
        spectra.append({'type': stype.text, 'num_peaks': len(peaks), 'peaks': peaks})
    return spectra

spectra = get_ms_spectra(find_metabolite('HMDB0000122'))
print(f"Glucose MS spectra: {len(spectra)}")

def get_nmr_spectra(met_element):
    """Extract NMR spectral peak lists (1H, 13C). Same pattern as MS above."""
    spectra = []
    for spec in met_element.findall('hmdb:spectra/hmdb:spectrum', NS):
        stype = spec.find('hmdb:type', NS)
        if stype is None or 'NMR' not in (stype.text or ''):
            continue
        nucleus = spec.find('hmdb:nucleus', NS)
        shifts = [float(p.find('hmdb:chemical_shift', NS).text)
                  for p in spec.findall('hmdb:nmr_one_d_peaks/hmdb:nmr_one_d_peak', NS)
                  if p.find('hmdb:chemical_shift', NS) is not None
                  and p.find('hmdb:chemical_shift', NS).text]
        spectra.append({'type': stype.text,
                        'nucleus': nucleus.text if nucleus is not None else None,
                        'num_peaks': len(shifts), 'chemical_shifts': shifts})
    return spectra

nmr = get_nmr_spectra(find_metabolite('HMDB0000122'))
print(f"Glucose NMR spectra: {len(nmr)}")

6. データベース間マッピング

def get_external_ids(met_element):
    """Extract cross-database identifiers (KEGG, PubChem, ChEBI, DrugBank, CAS, etc.)."""
    fields = {'kegg_id': 'KEGG', 'pubchem_compound_id': 'PubChem', 'chebi_id': 'ChEBI',
              'drugbank_id': 'DrugBank', 'chemspider_id': 'ChemSpider',
              'cas_registry_number': 'CAS', 'biocyc_id': 'BioCyc', 'pdb_id': 'PDB',
              'foodb_id': 'FooDB', 'metlin_id': 'METLIN'}
    ids = {}
    for tag, label in fields.items():
        el = met_element.find(f'hmdb:{tag}', NS)
        if el is not None and el.text:
            ids[label] = el.text
    return ids

ids = get_external_ids(find_metabolite('HMDB0000122'))
print(f"Glucose cross-refs: {ids}")
# {'KEGG': 'C00031', 'PubChem': '5793', 'ChEBI': '17234', ...}

# Build cross-reference table for a metabolite list
import pandas as pd

queries = ['HMDB0000122', 'HMDB0000158', 'HMDB0000167', 'HMDB0000148']
rows = []
for q in queries:
    m = find_metabolite(q)
    if m is None: continue
    ids = get_external_ids(m)
    rows.append({'name': m.find('hmdb:name', NS).text, 'hmdb_id': q,
                 'kegg': ids.get('KEGG'), 'pubchem': ids.get('PubChem'),
                 'chebi': ids.get('ChEBI')})
print(pd.DataFrame(rows).to_string(index=False))

主な概念

HMDB XML エントリの構造

セクション	XPath	内容
ID 情報	hmdb:accession、hmdb:name、hmdb:iupac_name	主な識別子
化学情報	hmdb:chemical_formula、hmdb:smiles、hmdb:inchi	構造記述子
特性	hmdb:average_molecular_weight、hmdb:state	物理的特性
分類	hmdb:taxonomy/hmdb:kingdom、class など	化学分類
生物学的情報	hmdb:biological_properties	生体液、組織、細胞内局在
経路	hmdb:pathways/hmdb:pathway	SMPDB および KEGG の経路リンク
酵素	hmdb:protein_associations/hmdb:protein	関連するタンパク質／酵素
疾患	hmdb:diseases/hmdb:disease	疾患との関連および OMIM ID
濃度	hmdb:normal_concentrations、hmdb:abnormal_concentrations	バイオマーカーの基準範囲
スペクトル	hmdb:spectra/hmdb:spectrum	NMR、MS/MS ピークリスト
外部 ID	hmdb:kegg_id、hmdb:pubchem_compound_id など	データベース間の識別子
オントロジー	hmdb:ontology	生理学的役割／排出・分布／プロセス上の役割

データフィールドの充足状況

すべてのエントリに、すべてのフィールドが入力されているわけではありません。充足状況は代謝物のクラスによって異なります。

フィールドカテゴリ	おおよその充足率	備考
アクセッション、名称、分子式	~100%	常に存在します
SMILES、InChI、MW	~90%	一部の脂質や複雑な代謝物では欠落しています
分類・分類体系	~85%	ClassyFire による化学オントロジー
生体液中の所在	~60%	一般的なヒト代謝物で最も充実しています
経路	~40%	厳選された SMPDB + KEGG リンク
タンパク質との関連	~35%	酵素と代謝物の関係
疾患との関連	~25%	主にバイオマーカー代謝物を対象とします
正常濃度	~20%	臨床代謝物の基準範囲
MS/MS スペクトル	~15%	実験的なスペクトルライブラリ
NMR スペクトル	~10%	1H および 13C の化学シフトデータ

ファイル形式の比較

形式	ファイル	サイズ	最適な用途
Full XML	hmdb_metabolites.xml	~6 GB	完全なデータへのアクセス（すべてのフィールド）
SDF	structures.sdf	~200 MB	化学構造 + 基本的な特性
CSV	各種エクスポート	~50-500 MB	表形式のデータ（特性、濃度）
FASTA	hmdb_proteins.fasta	~50 MB	タンパク質配列の検索

一般的なワークフロー

ワークフロー 1：質量分析による代謝物の同定

目的：分子量を使って、観測された m/z 値を候補代謝物に照合します。Quick Start で定義した root と NS を使用します。

import pandas as pd

observed_mz = 180.063  # [M+H]+ for glucose
adduct_mass = 1.00728  # H+ adduct
target_mw = observed_mz - adduct_mass
tolerance_da = 0.01

candidates = []
for met in root.findall('hmdb:metabolite', NS):
    mw_el = met.find('hmdb:monisotopic_molecular_weight', NS)
    if mw_el is None or not mw_el.text:
        continue
    mw = float(mw_el.text)
    if abs(mw - target_mw) <= tolerance_da:
        candidates.append({
            'hmdb_id': met.find('hmdb:accession', NS).text,
            'name': met.find('hmdb:name', NS).text,
            'mw': mw, 'delta_da': abs(mw - target_mw),
            'formula': (met.find('hmdb:chemical_formula', NS).text
                        if met.find('hmdb:chemical_formula', NS) is not None else None),
        })

df = pd.DataFrame(candidates).sort_values('delta_da')
print(f"Candidates within {tolerance_da} Da of {target_mw:.3f}: {len(df)}")
print(df.head(10).to_string(index=False))

ワークフロー 2：疾患のバイオマーカー探索

目的：疾患に関連するすべての代謝物と、その濃度変化を見つけます。Quick Start で定義した root と NS を使用します。

import pandas as pd

disease_query = 'diabetes'
biomarkers = []
for met in root.findall('hmdb:metabolite', NS):
    for d in met.findall('hmdb:diseases/hmdb:disease', NS):
        dname = d.find('hmdb:name', NS)
        if dname is None or not dname.text:
            continue
        if disease_query.lower() not in dname.text.lower():
            continue
        abnormal = [c for c in met.findall(
            'hmdb:abnormal_concentrations/hmdb:concentration', NS)
            if c.find('hmdb:subject_condition', NS) is not None
            and disease_query.lower() in
            (c.find('hmdb:subject_condition', NS).text or '').lower()]
        biomarkers.append({
            'hmdb_id': met.find('hmdb:accession', NS).text,
            'metabolite': met.find('hmdb:name', NS).text,
            'disease': dname.text,
            'abnormal_measurements': len(abnormal),
        })

df = pd.DataFrame(biomarkers).drop_duplicates(['hmdb_id', 'disease'])
print(f"Metabolites linked to '{disease_query}': {len(df)}")
print(df.sort_values('abnormal_measurements', ascending=False).head(15).to_string(index=False))

ワークフロー 3：代謝物リストからの経路エンリッチメント解析

目的：同定済み代謝物のリストから、過剰に存在する経路を見つけます。Quick Start で定義した metabolite_index を使用します。

from collections import Counter
import pandas as pd

hit_ids = ['HMDB0000122', 'HMDB0000158', 'HMDB0000167',
           'HMDB0000148', 'HMDB0000064', 'HMDB0000161']

hit_pathways = Counter()
for hid in hit_ids:
    met = metabolite_index.get(hid)
    if met is None:
        continue
    for pw in met.findall('hmdb:pathways/hmdb:pathway', NS):
        pw_name = pw.find('hmdb:name', NS)
        if pw_name is not None and pw_name.text:
            hit_pathways[pw_name.text] += 1

enriched = [(pw, count) for pw, count in hit_pathways.most_common() if count >= 2]
df = pd.DataFrame(enriched, columns=['Pathway', 'Hit_Count'])
print(f"Pathways with 2+ hits from {len(hit_ids)} metabolites:")
print(df.to_string(index=False))

主要なパラメーター

パラメーター	関数／エンドポイント	デフォルト	説明
NS（名前空間の辞書）	すべての XPath クエリ	{'hmdb': 'http://www.hmdb.ca'}	すべての find／findall 呼び出しに必要です
tolerance_da	MW 照合	0.01	代謝物 ID の質量許容差（ダルトン）
biospecimen	get_concentrations()	'Blood'	フィルター：Blood、Urine、Cerebrospinal Fluid (CSF)、Saliva など
events	ET.iterparse()	('end',)	解析イベント。閉じタグで実行するには ('end',) を使用します
付加体の質量	MS による同定	変動します	1.00728 [M+H]+、22.9892 [M+Na]+、-1.00728 [M-H]-
target_type	スペクトルクエリ	'MS' または 'NMR'	型文字列でスペクトルをフィルターします

ベストプラクティス

1. 起動時にメモリー内インデックスを構築します：一度だけ解析し（60～120 秒）、HMDB ID と小文字の名称で辞書を構築します。ループ内で再解析しないでください
2. 名前空間の辞書を必ず渡します：すべての find()／findall() に NS = {'hmdb': 'http://www.hmdb.ca'} が必要です。省略すると、結果は空になります
3. メモリーに制約がある場合は iterparse を使用します：Full XML には約 8～12 GB の RAM が必要です。iterparse で段階的に処理するには elem.clear() を使用します
4. None と空のテキストに備えます：省略可能なフィールドの多くは存在しません。アクセスする前に、必ず el is not None and el.text を確認してください
5. MS 照合にはモノアイソトピック質量を使用します：質量分析には monisotopic_molecular_weight が適切です。それ以外の計算には average_molecular_weight を使用します
6. 大規模な検索では、化学クラスで事前に絞り込みます：220K 件を超えるすべてのエントリを反復処理する前に、分類・分類体系を使って検索範囲を絞り込みます

よく使うレシピ

レシピ：すべての代謝物の特性を CSV にエクスポートする

使用する場面：主要な特性を含む、すべての代謝物のフラットテーブルを作成します。

import pandas as pd
records = []
for met in root.findall('hmdb:metabolite', NS):
    def txt(p):
        el = met.find(p, NS)
        return el.text if el is not None and el.text else None
    records.append({'hmdb_id': txt('hmdb:accession'), 'name': txt('hmdb:name'),
                    'formula': txt('hmdb:chemical_formula'),
                    'avg_mw': txt('hmdb:average_molecular_weight'),
                    'smiles': txt('hmdb:smiles')})
pd.DataFrame(records).to_csv('hmdb_properties.csv', index=False)
print(f"Exported {len(records)} metabolites")

レシピ：生体液から代謝物を検索する

使用する場面：特定の生体液で検出されたすべての代謝物を取得します（例：臨床スクリーニングのために尿中の代謝物を取得する）。

biofluid = 'Urine'
urine_mets = []
for met in root.findall('hmdb:metabolite', NS):
    for bf in met.findall(
            'hmdb:biological_properties/hmdb:biospecimen_locations/hmdb:biospecimen', NS):
        if bf.text and bf.text == biofluid:
            urine_mets.append({
                'hmdb_id': met.find('hmdb:accession', NS).text,
                'name': met.find('hmdb:name', NS).text,
            })
            break
print(f"Metabolites in {biofluid}: {len(urine_mets)}")

レシピ：化学クラスの分布

使用する場面：ヒットリストまたはデータベース全体について、代謝物の化学クラスを要約します。

from collections import Counter
class_counts = Counter()
for met in root.findall('hmdb:metabolite', NS):
    tax = met.find('hmdb:taxonomy', NS)
    if tax is not None:
        sc = tax.find('hmdb:super_class', NS)
        if sc is not None and sc.text:
            class_counts[sc.text] += 1
print(dict(class_counts.most_common(10)))

トラブルシューティング

問題	原因	解決策
find() が既知の要素に対して None を返す	XML 名前空間が指定されていない	常に NS = {'hmdb': 'http://www.hmdb.ca'} を渡します
XML 全体の解析時に MemoryError が発生する	メモリに約8～12 GB必要	ET.iterparse() と elem.clear() を使用します
起動が遅い（120秒超）	6 GBのXMLを解析している	解析は一度だけ行い、インデックス辞書を作成します。再解析は避けます
名前で代謝物が見つからない	大文字と小文字の区別、または同義語	小文字に正規化し、HMDB IDを直接試します
代謝物のスペクトルが空	すべてのエントリにスペクトルがあるわけではありません（カバー率は約10～15％）	カバー率の表を確認し、より多くのスペクトルが必要な場合はMETLINまたはMassBankを使用します
濃度データがない	十分に研究された臨床代謝物に限られます（約20％）	MetaboAnalystまたは文献と照合します
同じ化合物に重複エントリがある	セカンダリアクセッション（HMDB00XXXXXとHMDB0000XXXX）	secondary_accessions ではなく、accession（プライマリ）を使用します
ET.iterparse でデータが欠落する	elem.clear() が早すぎる	要素から必要なフィールドをすべて抽出した後にのみ、クリアします

同梱リソース

自己完結型のエントリです。元の参照ファイル hmdb_data_fields.md（268行、XML要素名と説明を含むフィールドカタログ）は、上記の「主要な概念」の「HMDB XML エントリ構造」表と「データフィールドの網羅性」表に統合されています。フィールドカタログの各要素のXMLタグ名は、コアAPIのコードブロックで示されています。元の内容から省略したもの：ウェブインターフェースの説明（プログラムからの利用には該当しないため）。

関連スキル

• drugbank-database-access -- 薬物固有のデータ（相互作用、標的、薬理学）。同様のローカルXML解析パターンを使用します
• pubchem-compound-search -- ダウンロードせずに化合物の特性をリアルタイムで検索します。PubChemPy REST APIを使用します
• kegg-database -- HMDBの経路検索結果との相互参照に使えるREST APIを備えた経路・化合物データベース
• matchms-spectral-matching -- 参照ライブラリに対するスペクトル類似性マッチング。HMDBのスペクトルデータを補完します
• pyopenms-mass-spectrometry -- LC-MS/MSの全処理パイプライン。代謝物の同定段階でHMDBを使用します

参考資料

• HMDBのウェブサイトとダウンロード：https://hmdb.ca/
• Wishart DS et al. (2022). HMDB 5.0: the Human Metabolome Database for 2022. Nucleic Acids Res. 50(D1):D801-D816. https://doi.org/10.1093/nar/gkab1062
• HMDBのデータダウンロードページ：https://hmdb.ca/downloads
• MetaboAnalyst（補完的なツール）：https://www.metaboanalyst.ca/