Scientific Metabolic Atlas
Metabolic Atlas REST API を活用したゲノムスケール代謝モデル (GEM) 解析パイプラインを提供する。
When to Use
- •ヒト代謝反応・代謝産物を検索するとき
- •Human-GEM のコンパートメント情報を取得するとき
- •代謝経路のネットワーク構造を解析するとき
- •フラックスバランス解析 (FBA) の入力を準備するとき
- •代謝産物コネクティビティを可視化するとき
- •組織特異的代謝モデルを構築するとき
Quick Start
1. 代謝反応検索
python
import requests
import pandas as pd
import numpy as np
MA_BASE = "https://metabolicatlas.org/api/v2"
def metabolic_atlas_search_reactions(query, model="Human-GEM",
compartment=None, limit=50):
"""
Metabolic Atlas — 代謝反応検索。
Parameters:
query: str — 検索クエリ (例: "glycolysis", "citrate")
model: str — GEM モデル名
compartment: str — コンパートメント (例: "cytosol", "mitochondria")
limit: int — 最大結果数
"""
url = f"{MA_BASE}/search"
params = {
"query": query,
"model": model,
"type": "reaction",
"limit": limit,
}
resp = requests.get(url, params=params, timeout=30)
resp.raise_for_status()
data = resp.json()
results = []
for r in data.get("results", data) if isinstance(data, dict) else data:
rxn = r if isinstance(r, dict) else {}
row = {
"reaction_id": rxn.get("id", ""),
"name": rxn.get("name", ""),
"equation": rxn.get("equation", ""),
"subsystem": rxn.get("subsystem", ""),
"compartment": rxn.get("compartment", ""),
"gene_rule": rxn.get("geneRule", ""),
"lower_bound": rxn.get("lowerBound", None),
"upper_bound": rxn.get("upperBound", None),
}
if compartment and compartment.lower() not in str(
row.get("compartment", "")).lower():
continue
results.append(row)
df = pd.DataFrame(results[:limit])
print(f"Metabolic Atlas reactions: {len(df)} results "
f"(query={query})")
return df
2. 代謝産物検索
python
def metabolic_atlas_search_metabolites(query, model="Human-GEM",
limit=50):
"""
Metabolic Atlas — 代謝産物検索。
Parameters:
query: str — 検索クエリ (例: "glucose", "ATP")
model: str — GEM モデル名
limit: int — 最大結果数
"""
url = f"{MA_BASE}/search"
params = {
"query": query,
"model": model,
"type": "metabolite",
"limit": limit,
}
resp = requests.get(url, params=params, timeout=30)
resp.raise_for_status()
data = resp.json()
results = []
for m in data.get("results", data) if isinstance(data, dict) else data:
met = m if isinstance(m, dict) else {}
results.append({
"metabolite_id": met.get("id", ""),
"name": met.get("name", ""),
"formula": met.get("formula", ""),
"charge": met.get("charge", None),
"compartment": met.get("compartment", ""),
"chebi_id": met.get("chebiId", ""),
"kegg_id": met.get("keggId", ""),
})
df = pd.DataFrame(results[:limit])
print(f"Metabolic Atlas metabolites: {len(df)} results "
f"(query={query})")
return df
3. 代謝ネットワーク解析
python
import networkx as nx
def metabolic_atlas_network(subsystem, model="Human-GEM"):
"""
Metabolic Atlas — サブシステム代謝ネットワーク構築。
Parameters:
subsystem: str — サブシステム名 (例: "Glycolysis")
model: str — GEM モデル名
"""
reactions = metabolic_atlas_search_reactions(
subsystem, model=model, limit=200)
G = nx.DiGraph()
for _, rxn in reactions.iterrows():
rxn_id = rxn["reaction_id"]
equation = str(rxn.get("equation", ""))
# 簡易パーサ: "A + B => C + D"
if "=>" in equation:
substrates_str, products_str = equation.split("=>", 1)
elif "=" in equation:
substrates_str, products_str = equation.split("=", 1)
else:
continue
substrates = [s.strip() for s in substrates_str.split("+")
if s.strip()]
products = [p.strip() for p in products_str.split("+")
if p.strip()]
G.add_node(rxn_id, type="reaction",
name=rxn.get("name", ""))
for s in substrates:
G.add_node(s, type="metabolite")
G.add_edge(s, rxn_id)
for p in products:
G.add_node(p, type="metabolite")
G.add_edge(rxn_id, p)
# ネットワーク統計
n_reactions = sum(1 for _, d in G.nodes(data=True)
if d.get("type") == "reaction")
n_metabolites = sum(1 for _, d in G.nodes(data=True)
if d.get("type") == "metabolite")
print(f"Metabolic network: {n_reactions} reactions, "
f"{n_metabolites} metabolites, {G.number_of_edges()} edges")
return G
4. 代謝アトラス統合パイプライン
python
def metabolic_atlas_pipeline(query, model="Human-GEM",
output_dir="results"):
"""
代謝アトラス統合パイプライン。
Parameters:
query: str — 代謝経路/サブシステム名
model: str — GEM モデル名
output_dir: str — 出力ディレクトリ
"""
from pathlib import Path
output_dir = Path(output_dir)
output_dir.mkdir(parents=True, exist_ok=True)
# 1) 反応検索
reactions = metabolic_atlas_search_reactions(query, model=model)
reactions.to_csv(output_dir / "reactions.csv", index=False)
# 2) 代謝産物検索
metabolites = metabolic_atlas_search_metabolites(query, model=model)
metabolites.to_csv(output_dir / "metabolites.csv", index=False)
# 3) ネットワーク構築
G = metabolic_atlas_network(query, model=model)
nx.write_graphml(G, str(output_dir / "metabolic_network.graphml"))
# 4) ハブ代謝産物
met_nodes = [n for n, d in G.nodes(data=True)
if d.get("type") == "metabolite"]
hub_scores = {n: G.degree(n) for n in met_nodes}
hub_df = pd.DataFrame([
{"metabolite": k, "degree": v}
for k, v in sorted(hub_scores.items(),
key=lambda x: -x[1])[:20]
])
hub_df.to_csv(output_dir / "hub_metabolites.csv", index=False)
print(f"Metabolic Atlas pipeline: {output_dir}")
return {
"reactions": reactions,
"metabolites": metabolites,
"network": G,
"hubs": hub_df,
}
K-Dense 連携
| K-Dense Key | 参照内容 |
|---|---|
metabolic-atlas | 代謝モデル構造・反応データベース |
パイプライン統合
code
metabolic-modeling → metabolic-atlas → systems-biology
(COBRA/FBA) (Human-GEM) (統合モデリング)
│ │ ↓
pathway-enrichment ─────┘ gene-expression
(KEGG/Reactome) │ (発現データ)
↓
multi-omics
(メタボロミクス統合)
パイプライン出力
| ファイル | 説明 | 次スキル |
|---|---|---|
results/reactions.csv | 代謝反応一覧 | → metabolic-modeling |
results/metabolites.csv | 代謝産物一覧 | → pathway-enrichment |
results/metabolic_network.graphml | 代謝ネットワーク | → systems-biology |
results/hub_metabolites.csv | ハブ代謝産物 | → multi-omics |