tooluniverse-systems-biology

系统生物学与通路分析

整合多个经过整理的数据库，全面分析通路和系统生物学，从多个维度呈现生物系统、通路富集和蛋白质-通路关系。

何时使用此技能

触发条件： -“分析这个基因列表中的通路” -“[蛋白质] 参与了哪些通路？” -“查找与[关键词/过程]相关的通路” -“执行通路富集分析” -“将蛋白质映射到生物通路” -“查找[过程]的计算模型” -“对[基因/蛋白质]进行系统生物学分析”

用例：

1. 基因集分析：从 RNA-seq、蛋白质组学或筛选结果中识别富集通路
2. 蛋白质功能：发现蛋白质参与的通路和过程
3. 通路发现：查找与疾病、过程或表型相关的通路
4. 系统整合：关联基因 → 通路 → 过程 → 疾病
5. 模型发现：查找计算系统生物学模型（SBML）
6. 跨数据库验证：比较多个来源中的通路注释

进行计算，不要只做描述

如果分析需要计算（统计、数据处理、评分、富集分析），请通过 Bash 编写并运行 Python 代码。不要只描述打算如何操作，而要实际执行并报告结果。使用 ToolUniverse 工具检索数据，再使用 Python（pandas、scipy、statsmodels、matplotlib）进行分析。

领域推理：富集不等于因果

通路分析要回答的问题是：我的基因列表中，哪些生物过程呈现富集？但富集并不代表因果关系。通路呈现富集，意味着你的基因列表与该通路的重叠程度高于随机情况下的预期。请思考：富集是否由少数枢纽基因驱动，还是由分布在通路各处的多个基因共同驱动？输入基因中只有 3 个属于某通路（该通路注释有 200 个成员），其信息量低于输入基因中有 15 个属于某通路（该通路共有 40 个成员）的情况。

查证，不要猜测：通路成员、基因到通路的映射以及富集统计数据。不要假设某个基因属于某条通路——使用 Reactome、KEGG 或 Enrichr 进行验证。不同通路数据库对成员的定义可能不同；请至少使用两个来源交叉验证关键发现。

集成的核心数据库

数据库	优势
Reactome	详细的机制通路及反应；由人工整理
KEGG	代谢图谱、疾病通路、药物靶点
WikiPathways	新兴及社区整理的通路
Pathway Commons	汇总多个来源的元数据库
BioModels	数学/计算 SBML 模型
Enrichr	统计过度表示分析
BiGG Models	基因组规模代谢重建（涵盖 85 种以上生物）；适用于 FBA 的 COBRA 格式
Rhea	专家整理的生化反应知识库（基于 ChEBI，并交叉引用 EC）

工作流概览

Input → Phase 1: Enrichment → Phase 2: Protein Mapping → Phase 3: Keyword Search → Phase 4: Top Pathways → Report

---

阶段 1：通路富集分析

适用时机：提供了基因列表（来自实验、筛选或差异表达基因）

目标：识别基因列表中统计学显著过度表示的生物通路

工具与工作流

工具	输入	用途
ReactomeAnalysis_pathway_enrichment	identifiers（以换行符分隔的符号）、page_size	FDR 校正的 Reactome 富集分析（推荐）
enrichr_gene_enrichment_analysis	gene_list（数组）、libs（数组）	使用 KEGG/Reactome/WikiPathways 进行过度表示分析
STRING_functional_enrichment	protein_ids（数组）、species、category	基于 PPI 网络的功能富集
intact_get_interactions	identifier（UniProt 登录号）	带有证据的二元蛋白质相互作用

1. 将基因列表提交给 Enrichr/Reactome。 2. 按校正后的 p 值 < 0.05 排序。 3. 报告排名前 10–20 的通路及其 ID、p 值和重叠基因。若未发现富集，请明确说明。

---

第 2 阶段：蛋白质-通路映射

时间：提供蛋白质 UniProt ID 时

目标：将蛋白质映射到其参与的所有已知通路

使用的工具

Reactome_map_uniprot_to_pathways：

• 输入：
  • uniprot_id：UniProt 登录号（例如，"P53350"）
• 输出：包含该蛋白质的 Reactome 通路数组

Reactome_get_pathway_reactions：

• 输入：
  • stId：Reactome 通路稳定 ID（例如，"R-HSA-73817"）
• 输出：反应和子通路数组
• 用途：获取通路的机制细节

工作流

1. 将 UniProt ID 映射到 Reactome 通路
2. 获取该蛋白质出现的所有通路
3. 对于最重要的通路（或用户指定的通路）：
   • 获取详细的反应和子通路
   • 提取事件名称、类型（Reaction 或 Pathway）
   • 记录疾病关联（如有）

决策逻辑

• 多个通路：报告所有通路，并按层级排序
• 最重要通路的详情：获取 1-3 个最相关通路的详细反应
• 带版本的 ID：Reactome 使用不带版本的 ID；如有版本号，则去掉
• 结果为空：检查蛋白质 ID 是否有效；如果 Reactome 中没有结果，建议使用其他数据库

---

第 3 阶段：基于关键词的通路搜索

时间：用户提供关键词或生物过程名称时

目标：搜索多个通路数据库，查找相关通路

工具

工具	关键参数	覆盖范围
kegg_search_pathway	keyword	参考通路、代谢通路、疾病通路
kegg_get_pathway_info	pathway_id（例如，"hsa04930"）	获取某个通路的详细基因/化合物信息
WikiPathways_search	query、organism	社区整理的新兴通路
PathwayCommons_search	action="search_pathways"、keyword	汇总多个来源的元数据库
biomodels_search	query、limit	SBML 计算模型

并行搜索所有数据库。按通路概念对结果分组。BioModels 通常返回空结果，这是正常现象。

---

第 4 阶段：顶层通路目录

时间：始终包含，以提供背景信息

目标：展示该生物体的主要生物系统/通路

使用的工具

Reactome_list_top_pathways：

• 输入：species（例如，"Homo sapiens"）
• 输出：顶层通路类别数组
• 用途：提供通路的层级组织结构

工作流

1. 获取指定生物体的顶层通路
2. 展示通路类别（代谢、信号传导、疾病等）
3. 用作通路层级结构的参考

决策逻辑

• 始终展示：即使其他阶段没有结果，也能提供背景信息
• 特定生物体：按感兴趣的物种筛选
• 层级视图：这些是包含许多子通路的父级通路

---

输出结构

逐步创建 Markdown 报告：标题 → 第 1 阶段富集结果 → 第 2 阶段蛋白质映射 → 第 3 阶段关键词搜索 → 第 4 阶段顶层通路目录。明确注明空结果；绝不悄然省略。包含通路 ID，便于后续查询。

工具参数参考

关键参数说明（来自测试）：

工具	正确参数	常见错误
Reactome_map_uniprot_to_pathways	uniprot_id	id
PathwayCommons_search	action + keyword（两者均必需）	省略 action
enrichr_gene_enrichment_analysis	gene_list（数组）	字符串

响应格式说明：

• Reactome：直接返回列表（不封装在 {status, data} 中）
• Pathway Commons：返回包含 total_hits 和 pathways 的字典
• 其他：标准 {status: "success", data: [...]} 格式

---

领域推理：酶动力学与代谢分析

查询，不要猜测：特定酶的 Km 值、kcat 值、辅因子需求以及最适 pH／温度。使用 BindingDB_search_by_target、ChEMBL_get_molecule、BRENDA_get_enzyme_info （需要设置 BRENDA_EMAIL + BRENDA_PASSWORD 环境变量；可在 brenda-enzymes.org 免费注册学术账户）（如可用），或使用 EuropePMC_search_articles 检索已发表的动力学参数。不要根据第一性原理估算 Km。

米氏动力学

基础模型：v = Vmax * [S] / (Km + [S])

• Km = 反应速率达到最大值一半时的底物浓度。不是结合亲和力（Km = (koff + kcat) / kon）。
• Vmax = 最大反应速率 = kcat * [E_total]。与酶浓度成正比。
• kcat = 转换数，即每个酶分子每秒转化的底物分子数。
• 催化效率 = kcat / Km。“最佳”酶的催化效率接近扩散极限（~10^8 M^-1 s^-1）。

根据数据确定 Km 和 Vmax：使用 Lineweaver-Burk（1/v 对 1/[S]）、Eadie-Hofstee（v 对 v/[S]）或非线性回归（首选，可避免倒数变换带来的失真）。参见 skills/tooluniverse-computational-biophysics/scripts/ 中的 enzyme_kinetics.py。

变构调节与协同结合

并非所有酶都遵循米氏动力学。v 对 [S] 曲线呈 S 形，说明存在协同性。

• Hill 方程：v = Vmax * [S]^nH / (K0.5^nH + [S]^nH)
• Hill 系数（nH）：nH = 1（无协同性），nH > 1（正协同性，例如血红蛋白结合 O2 时 nH ~ 2.8），nH < 1（负协同性）。
• K0.5：反应速率达到最大值一半时的底物浓度（类似 Km，但对协同系统而言并不相同）。
• 变构激活剂使曲线左移（K0.5 降低）。变构抑制剂使曲线右移（K0.5 升高）或降低 Vmax。

酶抑制类型

类型	对 Km 的影响	对 Vmax 的影响	Lineweaver-Burk 图中的模式
竞争性	增加（Km_app = Km * (1 + [I]/Ki)）	不变	直线交于 y 轴
反竞争性	降低	降低	平行直线
非竞争性（纯）	不变	降低（Vmax_app = Vmax / (1 + [I]/Ki)）	直线交于 x 轴
混合型	改变	降低	直线交于第二或第三象限

确定 Ki：在多个 [I] 和 [S] 条件下测量 v，并拟合相应模型。enzyme_kinetics.py 脚本可进行竞争性、反竞争性和非竞争性抑制计算。

“无活性”结果的故障排查

纯化酶没有表现出催化活性时，请系统地检查：

1. 寡聚状态：许多酶必须以二聚体／四聚体形式存在。稀释的蛋白质可能会解离。使用 SEC、天然 PAGE 或 DLS 检查。浓缩样品或添加稳定剂（甘油、特定离子）。
2. 辅因子：金属离子（Zn2+、Mg2+、Mn2+）、辅酶（NAD+、FAD、PLP）或辅基可能在纯化过程中流失。查询该酶的辅因子需求，并在测定缓冲液中补充。
3. pH：大多数酶的最适 pH 范围很窄。即使 pH 偏差 1 个单位，活性也可能降低 10 倍。使用文献报道的最适 pH 配制缓冲液。
4. 温度：标准测定温度为 25C 或 37C。嗜热酶需要 50-80C。嗜冷酶在高于 30C 时会变性。
5. 还原环境：许多酶需要 DTT 或 beta-mercaptoethanol，使活性位点半胱氨酸保持还原状态。
6. 底物：异构体错误（D- 与 L-）、氧化态错误或底物已降解。使用新鲜底物，并通过阳性对照酶验证。
7. 缓冲液中的抑制剂：EDTA 会螯合必需金属。磷酸盐会竞争磷酸结合位点。去污剂可能导致变性。
8. 蛋白质折叠：即使经过复性，包涵体蛋白也可能折叠错误。使用 CD 光谱或热迁移测定进行检查。

代谢通量分析推理

代谢通量分析（MFA）用于定量分析体内代谢反应的速率，而不只是体外的酶活性。

关键概念：

• 稳态假设：在代谢稳态下，每种中间产物的生成速率等于其消耗速率。这会形成一个线性方程组：S * v = 0，其中 S 是化学计量矩阵，v 是通量向量。
• 通量平衡分析（FBA）：当系统欠定（反应数多于代谢物数）时，FBA 使用线性规划优化目标函数（例如，最大化生物量产出）。使用 biomodels_search 查找该生物的已发表 SBML 论文模型；或者，如果需要使用已整理、已版本化且可直接运行 FBA、无需进一步清理的模型，则使用 BiGG（见下文）。
• 13C-MFA：使用同位素标记在实验中约束细胞内通量。代谢物的标记模式可以揭示哪些通路承载了通量。
• 控制系数：酶活性变化 1% 会使通路通量变化多少？大多数酶的通量控制系数接近零——通量通常由少数限速步骤和底物供应共同控制。

查询，不要猜测：化学计量系数、通路拓扑结构和已发表的通量分布。使用 KEGG（kegg_get_pathway_info）、Reactome（Reactome_get_pathway_reactions）和 BioModels（biomodels_search）查询这些数据。

基因组规模代谢模型与 FBA（BiGG）

BiGG Models（bigg.ucsd.edu）是一个经过整理的数据库，包含 108 个基因组规模代谢重建模型（涵盖细菌、古菌、真核生物——包括大肠杆菌、酵母、人类 Recon3D 等），每个模型均已采用可直接用于 FBA 的 COBRA 格式：每个反应都包含通量 lower_bound/upper_bound 和 gene_reaction_rule，而 biomodels_search 的搜索结果是论文中的原始 SBML 文件，运行前可能需要清理。如果目标是实际运行 FBA，而不只是了解某条通路，请使用 BiGG。

工具（每个工具都有自己的 operation 枚举值，并在其架构中设有默认值——无需手动设置，只需调用名称与所需操作对应的工具）：

工具	关键参数	用途
BiGG_list_models	无	查找可用的生物和模型（共 108 个）
BiGG_get_model	model_id	模型元数据：反应/代谢物/基因数量、出版物 DOI、基因组登录号
BiGG_get_model_reactions	model_id	列出模型中的每个反应 ID 和名称
BiGG_get_reaction	reaction_id、model_id（或 "universal"）	完整化学计量、参与的代谢物、基因-反应规则
BiGG_get_metabolite	metabolite_id、model_id（或 "universal"）	化学式、区室、交叉引用（KEGG/MetaCyc/HMDB/ChEBI）
BiGG_search	query、search_type（models/reactions/metabolites/genes）	通过自由文本在四种实体类型中进行搜索
BiGG_get_database_version	无	检查数据时效性
BiGG_download_model	model_id、format（json/sbml）	完整的 FBA 就绪 COBRA 模型——包含每个带有边界/目标系数的反应、每种代谢物和每个基因

工作流——查找模型、检查模型并使其满足 FBA 运行条件：

1. BiGG_list_models → 每个条目包含 bigg_id、organism、reaction_count、metabolite_count、gene_count。快速或小型示例可使用 e_coli_core（大肠杆菌核心代谢模型：95 个反应、72 种代谢物、137 个基因），这是标准的教学模型；进行全基因组规模的研究时，可选择 iJO1366（大肠杆菌）或 Recon3D（人类）这类完整重建模型。
2. BiGG_get_model(model_id="e_coli_core") → 返回出版物 DOI、基因组登录号（大肠杆菌的 ncbi_accession:NC_000913.3）、文件大小和上次更新日期——引用前请核实其时效性。
3. BiGG_get_model_reactions(model_id="e_coli_core") → 返回每个反应的 {bigg_id, name, organism} 列表（例如，ACKr = “乙酸激酶”）。可用此工具查找候选反应 ID，再深入查询。
4. BiGG_get_reaction(reaction_id="ACKr", model_id="e_coli_core") → 以 metabolites 数组的形式返回完整化学计量信息（每项包含 bigg_id、name、带正负号的 stoichiometry），以及 gene_reaction_rule（某些反应为空字符串或 None——这表示确实缺失，并非获取失败）和 database_links（RHEA 等）。
5. BiGG_get_metabolite(metabolite_id="g3p_c", model_id="e_coli_core") → 返回 name、formula、compartment_bigg_id/compartment_name，以及用于交叉参照 KEGG/ChEBI 的 database_links。请注意，某些条目的部分字段（例如 formulae）会返回 None——应如实报告实际返回的内容，不要假设每个字段都有值。
6. BiGG_search(query="glucose", search_type="metabolites") → 默认返回通用命名空间（model_bigg_id: "Universal"）及特定模型 ID 中的排序结果；使用 search_type="models" 查找物种，使用 "genes" 将基因符号解析为 BiGG 基因 ID。
7. BiGG_download_model(model_id="e_coli_core", format="json") → 返回完整的 COBRA 模型：顶层包含 metabolites/reactions/genes/compartments 数组，每个反应包含 lower_bound、upper_bound、gene_reaction_rule，以及 {metabolite_id: stoichiometry} 形式的 metabolites 字典——这是应传给 COBRApy Model 以进行 FBA 的对象，而不是 BiGG_get_model 仅包含元数据的响应。format="sbml" 则会将相同模型作为 SBML XML 字符串返回，供需要该格式的工具使用。

注意事项（来自实际测试）：BiGG_get_reaction/BiGG_get_metabolite 的 model_id 默认值为 "universal"——如果需要特定模型范围内的化学计量信息或上下限，而非通用（与模型无关）的条目，请传入具体模型 ID。BiGG_search 的 search_type 默认值为 "reactions"——搜索代谢物、基因或模型时，请显式设置该参数。BiGG_get_model 仅返回计数和元数据；只有 BiGG_download_model 才会返回可实际运行的模型。

反应级生物化学（Rhea）

Rhea（rhea-db.org，SIB）是一个由专家整理的单条生化反应知识库——每条反应都有基于 ChEBI 的方程、整理状态（approved、reviewed 等）、质量／电荷平衡标记，以及交叉引用的 EC 编号。若问题涉及某一条反应的参与物、化学计量和酶分类，请使用它，而不是查询整个模型的通量（上文的 BiGG）或通路图（Reactome／KEGG）。

工具：

工具	关键参数	用途
Rhea_search_reactions	query、limit、offset	按化合物／关键词进行全文搜索。请使用单个关键词，而不是词组——query="glucose" 可返回实际结果，query="glucose oxidation" 则返回 0 个结果（已在线验证）
Rhea_search_by_ec	ec_number、limit、offset	查询由指定 EC 类别催化的所有反应
Rhea_search_by_chebi	chebi_id、limit、offset	查询特定 ChEBI 化合物参与的所有反应（作为底物、产物或二者皆是）
Rhea_get_reaction	rhea_id	完整详情：方程、status_curation、balanced／transport 标记，以及包含 ChEBI ID 和化学计量的反应物／产物
Rhea_get_reaction_participants	rhea_id	仅返回反应物／产物列表（是 Rhea_get_reaction 的子集；当不需要整理元数据时很有用）

工作流（来自在线测试的真实值）： Rhea_search_reactions(query="glucose") → RHEA:14293（“D-glucose + NAD(+) = D-glucono-1,5-lactone + NADH + H(+)”，EC 1.1.1.47/1.1.1.118/1.1.1.359 等）→ Rhea_get_reaction(rhea_id="RHEA:14293") → status_curation: "approved"、balanced: true，反应物为 [{chebi_id: "CHEBI:4167", name: "D-glucose", stoichiometry: "1"}, {chebi_id: "CHEBI:57540", name: "NAD+", ...}]。 将 Rhea 的 chebi_id 与 tooluniverse-chemical-compound-retrieval 的 PubChem／ChEBI 工具交叉引用，以查询化合物结构；将 Rhea 的 ec_numbers 值与 BRENDA（见上文的领域推理）交叉引用，以查询同一反应的动力学常数。

---

备用策略

富集分析

• 主要方法：使用 KEGG 文库的 Enrichr
• 备用方法：尝试其他文库（Reactome、GO Biological Process）
• 如果全部失败：注明“富集分析不可用”并继续

蛋白质映射

• 主要方法：Reactome 蛋白质－通路映射
• 备用方法：使用蛋白质名称进行关键词搜索
• 如果结果为空：检查蛋白质 ID 是否有效；建议检查基因符号

关键词搜索

• 主要方法：搜索所有数据库（KEGG、WikiPathways、Pathway Commons、BioModels）
• 备用方法：如果结果全部为空，则扩大关键词范围（例如，“diabetes” → “glucose”）
• 如果仍然为空：注明“未找到与 [keyword] 相关的通路”

---

局限性与已知问题

• Reactome：人类数据覆盖面广；对非模式生物的覆盖有限
• KEGG：需要匹配关键词；可能会遗漏同义词
• WikiPathways：整理质量不一；请检查通路版本日期
• Pathway Commons：聚合结果可能存在重复；请检查来源标注
• BioModels：许多过程的数据较少；通常不会返回结果
• Enrichr：需要基因符号（而非 ID）；区分大小写
• BiGG：整理后的重建模型仅适用于 108 种生物（主要是细菌／模式生物；并非所有目标物种都有对应模型）——在假定模型覆盖范围之前，请检查 BiGG_search(search_type="models")；除非显式传入 model_id，否则 BiGG_get_reaction／BiGG_get_metabolite 默认使用 "universal"（与模型无关）命名空间

---

GO 术语查询、KEGG BRITE 分类和因果陈述挖掘（GOAPI／KEGG BRITE／INDRA）

下面介绍另外 4 个此前未记录的小型工具系列，并附有在线测试结果。其中两个工具系列在用途上与 ToolUniverse 中其他地方已使用的工具有所重叠——首次使用前，请先阅读重叠说明。

GOAPI：直接查询 GO 术语／基因注释

GOAPI_get_term、GOAPI_get_gene_functions、GOAPI_get_genes_by_function（go_api_tools.json）直接调用 GO API。重叠说明：这与 GO_get_annotations_for_gene / GO_get_term_by_id / GO_get_term_details（gene_ontology_tools.json）属于不同的工具系列；其他几个技能——tooluniverse-target-research、tooluniverse-gene-enrichment、tooluniverse-structural-variant-analysis——已经记录了后者，可用于相同目的。如果你已在工作流的其他环节使用这些现有工具，优先使用它们；如果你需要其基于 CURIE 的基因寻址方式（如下所述）或反向查询“按功能查找基因”，则使用 GOAPI。

• GOAPI_get_term(go_id="GO:0006281") → 术语标签 + 完整定义 + PMID 交叉引用（已在线验证：“GO:0006281” = “DNA 修复”，返回的定义正确）。
• GOAPI_get_gene_functions(gene_id=..., rows=, aspect=) → 注意，此项已在线验证：gene_id 必须是 CURIE（"HGNC:11998"、"UniProtKB:P04637"、"MGI:MGI:98834"），不能是单独的基因符号——gene_id="TP53" 会返回 400 错误，而 gene_id="UniProtKB:P04637" 可成功，并返回真实的 GO 术语；每条注释都包含 evidence_type/evidence_label/provided_by/references（例如，p53 →“细胞群体增殖的负调控”，来自 UniProt 的 IMP 证据，PMID:10962037）。
• GOAPI_get_genes_by_function(go_id=...) → 反向查询：返回注释了某个 GO 术语的真实基因列表，每个基因都包含 gene_id（CURIE）、gene_label、taxon_id。

KEGG BRITE：分层功能分类

KEGG_list_brite_hierarchies（无参数）和 KEGG_get_brite_hierarchy(hierarchy_id=...)（kegg_brite_tools.json）——确实是全新的，没有现有内容覆盖。BRITE 是 KEGG 的分类树层（例如，酶按 EC 层级分组，药物按靶点类别分组），不同于本技能第 3 阶段中已有的 kegg_search_pathway/kegg_get_pathway_info；后者返回的是通路图谱，而非分类树。

• KEGG_list_brite_hierarchies() → 返回真实结果：156 个层级文件（例如，br08901 =“KEGG 通路图谱”）。
• KEGG_get_brite_hierarchy(hierarchy_id="ko01000") → 返回酶类别的真实嵌套 children 树（例如，“1. 氧化还原酶” → “1.1 作用于供体 CH-OH 基团” → ……）。当你需要分类结构本身时（例如，“有哪些激酶亚类”），使用此工具；如果需要的是单条通路的基因／化合物列表，则不要使用此工具。

INDRA：自动文献挖掘因果陈述

INDRA_get_statements、INDRA_get_evidence_count、INDRA_get_statement_by_hash（indra_tools.json）——真正新增的工具。INDRA 直接从 PubMed 摘要中挖掘因果关系（Activation/Inhibition/Phosphorylation/Complex 等），并汇总证据数量——这是精度不一的自动提取，而不是像 SIGNOR 那样人工整理的因果边（文档见 tooluniverse-protein-interactions）。应将 INDRA 陈述视为有待核实的文献挖掘线索，而非已确认的机制；当 evidence_shown 相对 total_evidence 较低时尤其如此。

• INDRA_get_evidence_count(agent="TP53") → 实际计数：TP53 所有陈述共计 25,846 条证据（已实时验证；响应较慢，约需 3-20 秒）。
• INDRA_get_statements(agent="EGFR", limit=3) → 注意：此调用可能需要 30-90 秒甚至更久——请设置充足的超时时间，不要因为调用似乎卡住就认定失败。实际响应：陈述类型包括 Phosphorylation/Complex 等，每条都包含 hash、evidence_shown，以及每条证据的 pmid 和来源句子（例如，一条真实的 Phosphorylation 陈述有 2 条展示的证据句，来自 PMID 31635022 和 37443708；而 EGFR 的证据总数为 74,891 条——每次调用通常不会展示大多数证据，因此请先使用 INDRA_get_evidence_count 评估某种关系的研究充分程度）。
• INDRA_get_statement_by_hash(hash=...) → 获取单条陈述的完整详情；需要先从上述调用中取得哈希值（真实示例：哈希值 -35357180905875939，对应一条含有 1,376 条证据的 EGFR Inhibition 陈述）。

已知故障工具，已实时验证：ReactomeInteractors

ReactomeInteractors_get_protein_interactors、ReactomeInteractors_get_entity_pathways、ReactomeInteractors_search_entity（reactome_interactors_tools.json）——这 3 个工具目前每次调用都会返回 HTTP 521，已通过 tu test/tu run 以及直接对 Reactome 自有的 interactors 端点（reactome.org/ContentService/interactors/...）执行独立的 curl 命令确认；该端点同样返回 521。这是 Reactome 的 interactors 服务无法从源站访问，并非 ToolUniverse 的错误——情况可能是暂时的，因此不要认定该服务已永久失效；但如果遇到同样的错误，切勿编造此工具系列的蛋白质互作或实体通路结果；请报告“ReactomeInteractors 服务目前无法访问（HTTP 521）”，并改用 STRING_functional_enrichment、intact_get_interactions，或（对于因果边）改用上文的 SIGNOR/INDRA。请注意，这与前文已记录的 Reactome_map_uniprot_to_pathways/Reactome_get_pathway_reactions（Phase 2）以及 Reactome_get_interactor（单数形式，位于 reactome_tools.json，由 tooluniverse-spatial-omics-analysis 使用）属于不同的工具系列；注册表中存在 3 个独立的 Reactome 品牌工具系列；本节仅介绍 ReactomeInteractors_* 系列。

最适合用于：基因集分析、蛋白质功能研究、通路发现、系统层面的生物学