openalex-database

OpenAlex 学術データベース

概要

OpenAlex は、2億5,000万件以上の学術論文、9,000万人以上の著者、11万以上のジャーナル、1万以上の機関を収録した、無料で利用できるオープンアクセスのインデックスです。Microsoft Academic Graph の後継として、抄録、オープンアクセスの URL、被引用数、参考文献、著者を識別する ID（ORCID）、概念タグなど、豊富なメタデータを提供します。REST API は認証なしで1日あたり最大100,000件のリクエストが可能です。メールアドレスを指定するポライトプールを利用すると、優先的に処理されます。

使用する場面

• 生物医学分野に限らず、あらゆる学術分野を横断して検索し、システマティックレビュー用の文献コーパスを構築する
• 計量書誌学的分析、共引用クラスタリング、参考文献グラフの探索のために、引用ネットワークを取得する
• ORCID/OpenAlex の著者 ID を使って、機関をまたいだ著者 ID の曖昧さを解消する
• 複数の DOI に対応するオープンアクセスの全文 URL を見つけ、ダウンロード可能な論文コーパスを構築する
• 出版年、機関、国、研究概念ごとの出版傾向を分析する
• DOI やタイトルから取得したメタデータ（被引用数、抄録、掲載誌）で論文リストを充実させる
• PubMed に収載された生物医学文献には pubmed-database を、bioRxiv のプレプリントには biorxiv-database を使用する

前提条件

• Python パッケージ：requests、pandas
• データ要件：DOI、OpenAlex の Work ID（W…）、著者名、ORCID ID、または検索語
• 環境：インターネット接続。API キーは不要です
• レート制限：匿名の場合は10リクエスト/秒です。[email protected] クエリパラメーターを追加すると、ポライトプールに参加できます（優先度が高くなりますが、上限は同じです）

pip install requests pandas

クイックスタート

import requests

BASE = "https://api.openalex.org"

# Search for works on CRISPR
r = requests.get(f"{BASE}/works",
                 params={"search": "CRISPR gene editing",
                         "filter": "publication_year:2023",
                         "per_page": 5,
                         "mailto": "[email protected]"})
r.raise_for_status()
data = r.json()
print(f"Total results: {data['meta']['count']}")
for work in data["results"][:3]:
    print(f"  {work['title'][:80]} ({work['publication_year']}) cites={work['cited_by_count']}")

コア API

クエリ 1：論文の検索

タイトルや抄録のキーワードとフィルターを使って論文を検索します。

import requests, pandas as pd

BASE = "https://api.openalex.org"

def search_works(query, filters=None, per_page=25, mailto="[email protected]"):
    params = {"search": query, "per_page": per_page, "mailto": mailto}
    if filters:
        params["filter"] = ",".join(f"{k}:{v}" for k, v in filters.items())
    r = requests.get(f"{BASE}/works", params=params)
    r.raise_for_status()
    return r.json()

# Search with filters
data = search_works("single-cell RNA sequencing",
                    filters={"publication_year": "2020-2024",
                             "open_access.is_oa": "true"},
                    per_page=10)

print(f"Open-access scRNA-seq papers 2020-2024: {data['meta']['count']}")
rows = []
for w in data["results"]:
    rows.append({
        "title": w["title"],
        "year": w["publication_year"],
        "citations": w["cited_by_count"],
        "doi": w.get("doi"),
        "oa_url": w.get("open_access", {}).get("oa_url"),
    })
df = pd.DataFrame(rows)
print(df[["title", "year", "citations"]].head())

# Paginate through all results
def paginate_works(query, filters=None, max_results=200, mailto="[email protected]"):
    """Retrieve up to max_results works, paginating automatically."""
    all_results = []
    cursor = "*"
    while len(all_results) < max_results:
        params = {"search": query, "per_page": 200,
                  "cursor": cursor, "mailto": mailto}
        if filters:
            params["filter"] = ",".join(f"{k}:{v}" for k, v in filters.items())
        r = requests.get(f"{BASE}/works", params=params)
        data = r.json()
        all_results.extend(data["results"])
        cursor = data["meta"].get("next_cursor")
        if not cursor:
            break
    return all_results[:max_results]

papers = paginate_works("transformer protein structure", max_results=100)
print(f"Retrieved {len(papers)} papers")

クエリ 2：DOI または OpenAlex ID で検索

DOI または OpenAlex ID を指定して、単一の論文を取得します。

import requests

BASE = "https://api.openalex.org"

# By DOI
doi = "10.1038/s41592-019-0458-z"  # Scanpy paper
r = requests.get(f"{BASE}/works/https://doi.org/{doi}",
                 params={"mailto": "[email protected]"})
r.raise_for_status()
work = r.json()

print(f"Title   : {work['title']}")
print(f"Year    : {work['publication_year']}")
print(f"Citations: {work['cited_by_count']}")
print(f"Journal : {work.get('primary_location', {}).get('source', {}).get('display_name')}")
abstract = work.get("abstract_inverted_index")
if abstract:
    # Reconstruct abstract from inverted index
    words = {pos: word for word, positions in abstract.items() for pos in positions}
    text = " ".join(words[i] for i in sorted(words))
    print(f"Abstract (first 200): {text[:200]}")

クエリ 3：著者の検索と ORCID の照会

著者レコードを検索し、ORCID 識別子を特定して、出版物のリストを取得します。

import requests, pandas as pd

BASE = "https://api.openalex.org"

# Search for an author
r = requests.get(f"{BASE}/authors",
                 params={"search": "Jennifer Doudna",
                         "per_page": 5,
                         "mailto": "[email protected]"})
authors = r.json()["results"]

for a in authors[:3]:
    print(f"Author: {a['display_name']}")
    print(f"  OpenAlex ID : {a['id']}")
    print(f"  ORCID       : {a.get('orcid', 'n/a')}")
    # 2024+: singular `last_known_institution` was replaced by plural list `last_known_institutions[0]`
    insts = a.get("last_known_institutions") or []
    print(f"  Institution : {insts[0]['display_name'] if insts else 'n/a'}")
    print(f"  Works count : {a['works_count']}")
    print(f"  h-index     : {a['summary_stats'].get('h_index', 'n/a')}")
    print()

# Get all papers by an author (by ORCID)
orcid = "0000-0001-9161-999X"  # Jennifer A. Doudna (correct ORCID; the 8742-3594 variant 404s)
r = requests.get(f"{BASE}/works",
                 params={"filter": f"author.orcid:{orcid}",
                         "sort": "cited_by_count:desc",
                         "per_page": 10,
                         "mailto": "[email protected]"})
papers = r.json()["results"]
for p in papers[:5]:
    print(f"  [{p['publication_year']}] {p['title'][:70]} (cites: {p['cited_by_count']})")

クエリ 4：引用ネットワークの取得

論文が引用する文献と、その論文を引用している文献を取得します。

import requests, pandas as pd

BASE = "https://api.openalex.org"

work_id = "W2018426904"  # CRISPR paper

# Get what this paper references
r = requests.get(f"{BASE}/works/{work_id}",
                 params={"select": "referenced_works,cited_by_count,title",
                         "mailto": "[email protected]"})
work = r.json()
ref_ids = work.get("referenced_works", [])
print(f"'{work['title']}' cites {len(ref_ids)} papers")
print(f"Total citations: {work['cited_by_count']}")

# Fetch metadata for references (batch)
if ref_ids:
    ids_str = "|".join(id.split("/")[-1] for id in ref_ids[:10])
    r2 = requests.get(f"{BASE}/works",
                      params={"filter": f"openalex_id:{ids_str}",
                              "per_page": 10,
                              "mailto": "[email protected]"})
    refs = r2.json()["results"]
    for ref in refs[:5]:
        print(f"  [{ref['publication_year']}] {ref['title'][:70]}")

クエリ 5：概念・トピックによるフィルタリングと傾向分析

研究概念で絞り込み、出版傾向を分析します。

import requests, pandas as pd

BASE = "https://api.openalex.org"

# Get concept ID for "Machine Learning". OpenAlex concept search is brittle for
# multi-word phrases ("machine learning biology" returns 0); use the single core term.
r = requests.get(f"{BASE}/concepts",
                 params={"search": "machine learning",
                         "per_page": 3,
                         "mailto": "[email protected]"})
concepts = r.json()["results"]
for c in concepts[:3]:
    print(f"Concept: {c['display_name']} (ID: {c['id']}, level: {c['level']})")

# Count papers per year for a concept
concept_id = "C154945302"  # Machine learning (OpenAlex ID)
r2 = requests.get(f"{BASE}/works",
                  params={"filter": f"concepts.id:{concept_id},publication_year:2015-2024",
                          "group_by": "publication_year",
                          "per_page": 200,
                          "mailto": "[email protected]"})
groups = r2.json()["group_by"]
df = pd.DataFrame(groups).rename(columns={"key": "year", "count": "papers"})
df = df.sort_values("year")
print(df.tail(5).to_string(index=False))

クエリ 6：機関と掲載媒体の検索

特定の機関、ジャーナル、または学会の論文を取得します。

import requests, pandas as pd

BASE = "https://api.openalex.org"

# Papers from a specific journal in the last year
r = requests.get(f"{BASE}/works",
                 params={
                     "filter": "primary_location.source.issn:0028-0836,publication_year:2023",
                     "per_page": 10,
                     "sort": "cited_by_count:desc",
                     "mailto": "[email protected]"
                 })
data = r.json()
print(f"Nature papers 2023: {data['meta']['count']}")
for w in data["results"][:5]:
    print(f"  [{w['cited_by_count']} cites] {w['title'][:70]}")

主要な概念

反転インデックス形式の抄録

OpenAlex は、著作権上の制約により、抄録をプレーンテキストではなく反転インデックス（単語 → 位置のリスト）として保存します。次のコードで復元できます：" ".join(words[i] for i in sorted({pos: w for w, ps in inv.items() for pos in ps}))。

カーソルベースのページネーション

OpenAlex はオフセットではなく、カーソルベースのページネーション（cursor パラメーター）を使用します。cursor="*" から開始し、各レスポンスの next_cursor を使用します。1ページあたりの最大結果数は200件です。カーソルによるページネーションでは最大10,000件を取得できます。

よくあるワークフロー

ワークフロー 1：システマティックな文献検索

目的：システマティックレビュー用に、トピック検索に一致するすべての論文をメタデータとともにダウンロードします。

import requests, time, pandas as pd

BASE = "https://api.openalex.org"
MAILTO = "[email protected]"

def systematic_search(query, year_from, year_to, max_results=500):
    """Paginate through results and return a DataFrame."""
    all_results = []
    cursor = "*"
    filters = f"publication_year:{year_from}-{year_to}"

    while len(all_results) < max_results:
        r = requests.get(f"{BASE}/works",
                         params={"search": query, "filter": filters,
                                 "per_page": 200, "cursor": cursor,
                                 "mailto": MAILTO,
                                 "select": "id,doi,title,publication_year,cited_by_count,open_access"})
        r.raise_for_status()
        data = r.json()
        all_results.extend(data["results"])
        cursor = data["meta"].get("next_cursor")
        if not cursor:
            break
        time.sleep(0.1)

    rows = []
    for w in all_results[:max_results]:
        rows.append({
            "openalex_id": w["id"],
            "doi": w.get("doi"),
            "title": w.get("title"),
            "year": w.get("publication_year"),
            "citations": w.get("cited_by_count"),
            "is_oa": w.get("open_access", {}).get("is_oa"),
            "oa_url": w.get("open_access", {}).get("oa_url"),
        })
    return pd.DataFrame(rows)

# Example: papers on drug repurposing 2019-2024
df = systematic_search("drug repurposing machine learning", 2019, 2024, max_results=200)
df.to_csv("drug_repurposing_literature.csv", index=False)
print(f"Retrieved {len(df)} papers")
print(df[["title", "year", "citations", "is_oa"]].head(5).to_string(index=False))

ワークフロー 2：著者の共同研究ネットワーク

目的：研究者の共著者を特定し、共同研究ネットワークを分析します。

import requests, time, pandas as pd
from collections import defaultdict

BASE = "https://api.openalex.org"
MAILTO = "[email protected]"

def get_author_works(orcid, max_papers=50):
    r = requests.get(f"{BASE}/works",
                     params={"filter": f"author.orcid:{orcid}",
                             "sort": "cited_by_count:desc",
                             "per_page": min(max_papers, 200),
                             "mailto": MAILTO})
    r.raise_for_status()
    return r.json()["results"]

def extract_collaborators(works):
    collab_count = defaultdict(int)
    for work in works:
        for authorship in work.get("authorships", []):
            author = authorship.get("author", {})
            name = author.get("display_name")
            if name:
                collab_count[name] += 1
    return collab_count

# Map collaborators for a researcher
orcid = "0000-0001-9161-999X"   # Jennifer A. Doudna
works = get_author_works(orcid, max_papers=50)
collabs = extract_collaborators(works)

top_collabs = sorted(collabs.items(), key=lambda x: -x[1])
df = pd.DataFrame(top_collabs, columns=["collaborator", "papers_together"])
df = df[df["collaborator"] != "Jennifer A. Doudna"]  # exclude self
print("Top collaborators:")
print(df.head(10).to_string(index=False))
df.to_csv("collaboration_network.csv", index=False)

主要なパラメーター

パラメーター	モジュール	デフォルト	範囲 / オプション	効果
search	すべて	—	テキスト文字列	タイトルと抄録を対象とした全文検索
filter	すべて	—	field:value,field:value	構造化フィルター（AND 条件）
per_page	すべて	25	1–200	1ページあたりの結果数
cursor	ページネーション	"*"	カーソル文字列	ページネーション用カーソル
sort	論文	relevance	cited_by_count:desc、publication_year:desc	結果の並べ替え
select	すべて	すべてのフィールド	カンマ区切りのフィールド名	レスポンスのフィールドを制限（高速化）
group_by	論文	—	フィールド名	フィールドごとに件数を集計
mailto	すべて	—	メールアドレス	ポライトプールへのアクセス（優先処理）

ベストプラクティス

1. 必ず mailto を含めます：すべてのリクエストに [email protected] を追加すると、丁寧な利用者向けプールに登録され、レート制限を受けずに優先処理されます。

2. 大量のページネーションには select を使います：何千件もの結果をページネーションで取得する場合は、必要なフィールドだけ（select=id,doi,title,cited_by_count）を指定して、レスポンスサイズを減らし、解析を高速化します。

3. オフセットではなくカーソルページネーションを使います：OpenAlex は 10,000 件を超えるオフセットページネーションをサポートしていません。深い階層までたどる場合は、カーソルベースのページネーション（cursor パラメーター）を使います。

4. 逆引きインデックスからアブストラクトを再構築します：アブストラクトのない論文もあります。再構築時の KeyError を避けるため、abstract_inverted_index is not None を確認してください。

5. Work ID をキーにキャッシュします：OpenAlex Work ID（W…）は安定した識別子です。プロジェクト内で同じ論文のメタデータを再取得しないよう、取得したメタデータをキャッシュします。

よく使うレシピ

レシピ：DOI からメタデータを一括検索

使用する場面：DOI のリストに、被引用数、オープンアクセス URL、アブストラクトを追加します。

import requests, pandas as pd, time

BASE = "https://api.openalex.org"

dois = [
    "10.1038/s41592-019-0458-z",
    "10.1186/s13059-021-02519-4",
    "10.1038/s41587-019-0071-9",
]

rows = []
for doi in dois:
    r = requests.get(f"{BASE}/works/https://doi.org/{doi}",
                     params={"select": "title,publication_year,cited_by_count,open_access",
                             "mailto": "[email protected]"})
    if r.ok:
        w = r.json()
        rows.append({
            "doi": doi, "title": w.get("title"),
            "year": w.get("publication_year"),
            "citations": w.get("cited_by_count"),
            "is_oa": w.get("open_access", {}).get("is_oa"),
        })
    time.sleep(0.1)

df = pd.DataFrame(rows)
print(df.to_string(index=False))

レシピ：国別の論文数を集計

使用する場面：特定のトピックに関する研究成果を地理的に分析します。

import requests, pandas as pd

r = requests.get(
    "https://api.openalex.org/works",
    params={"search": "CRISPR therapeutics",
            "filter": "publication_year:2023",
            "group_by": "authorships.institutions.country_code",
            "per_page": 200,
            "mailto": "[email protected]"}
)
df = pd.DataFrame(r.json()["group_by"]).rename(columns={"key": "country", "count": "papers"})
print(df.sort_values("papers", ascending=False).head(10).to_string(index=False))

レシピ：分野で最も引用されている論文を検索

使用する場面：背景知識を得るために、トピックに関する重要な論文を特定します。

import requests, pandas as pd

r = requests.get(
    "https://api.openalex.org/works",
    params={"search": "protein language model",
            "sort": "cited_by_count:desc",
            "per_page": 10,
            "mailto": "[email protected]"}
)
for w in r.json()["results"]:
    print(f"[{w['cited_by_count']:5d} cites] ({w['publication_year']}) {w['title'][:70]}")

トラブルシューティング

問題	原因	解決策
HTTP 429 Too Many Requests	レート制限を超過しています	リクエストの間に time.sleep(0.15) を追加します。丁寧な利用者向けプール（mailto）を使います
空の abstract_inverted_index	アブストラクトがありません	再構築する前に None かどうかを確認します。アブストラクトのない論文もあります
カーソルページネーションで重複が返される	カーソルの有効期限が切れています	cursor="*" を指定してページネーションを再開します
DOI 検索で 404 が返される	DOI が OpenAlex に登録されていません	代わりにタイトルで検索します。OpenAlex は 2 億 5,000 万件以上をインデックス化していますが、文献をすべて網羅しているわけではありません
フィルターで結果が 0 件になる	フィールド名が間違っているか、フィルター構文に誤りがあります	フィルター構文が field:value（スペースなし）であることを確認し、API ドキュメントでフィールド名を確認します
cited_by_count が最新ではない	被引用数は定期的に更新されます	被引用数は定期的に更新されますが、数日遅れる場合があります。正確な数値ではなく、傾向の把握に使ってください

関連スキル

• pubmed-database — MeSH 統制語彙を使った生物医学文献。臨床医学やライフサイエンスの分野に適しています
• biorxiv-database — OpenAlex にまだインデックス化されていない、生物医学分野のプレプリント
• scientific-brainstorming — 文献を入力として仮説を生成するワークフロー
• literature-review — OpenAlex を使ったシステマティック・レビューの設計ガイド

参考資料

• OpenAlex ドキュメント — API リファレンスとデータモデルの全体
• OpenAlex API エンドポイント — インタラクティブな API エクスプローラー
• OpenAlex 論文（Priem et al. 2022） — OpenAlex データシステムの説明
• OpenAlex エンティティの種類 — Works、Authors、Sources、Institutions、Concepts のドキュメント