原文地址:https://itxiaozhang.com/filter-kidney-related-compounds-from-hmdb-dataset
如果您需要远程电脑维修或者编程开发,请加我微信咨询。

背景与目标

目标是把 Excel 里“与肾脏相关(Kidney)”的化合物筛出来,要求:

  • 只删除行,不改任何列结构与列顺序
  • 支持一个目录下批量处理多个 .xlsx
  • 输出可追溯(统计信息、未命中列表、汇总文件)

核心思路

这类任务最容易踩坑的点是:Excel 行数可能很大,而 XML 也很大,如果每一行都去 XML 里“现查现找”,性能会非常差。

更高效的做法是两步走:

  1. 流式解析 XML:扫描每个 metabolite 的 tissue_locationsontology,只要文本里包含 kidney(大小写不敏感),就把该 metabolite 的主 accession 与 secondary accessions 统一归一化后放进一个 kidney_hit_set
  2. 过滤 Excel:遍历每个工作表的每一行,读取 HMDB ID 并做归一化,如果在 kidney_hit_set 里就写入 CSV,否则跳过,从而实现“保留命中、删除未命中”

代码要点

  • ID 归一化:支持严格/宽松两种匹配,最终统一成 HMDB0000123 这种 7 位格式,避免因为前导 0 或大小写导致误判
  • XML 流式解析:使用 lxml.etree.iterparse 按需扫描并 elem.clear() 释放节点,适合超大 XML
  • 命中范围更全:同时检查 biological_properties/tissue_locations 里的 tissue 与 ontology 的 term
  • 保持列结构:读取 Excel 行时保留原列数,写 CSV 时对齐长度,不会打乱列顺序或丢列
  • 批量与多工作表:同一 .xlsx 多个 sheet 会分别输出 CSV(文件名带 sheet 序号和安全化名称)
  • 输出可追溯:会生成 stats.txtunmatched_hmid.txt 与目录级 summary.txt,方便核对筛选比例和排查漏筛

常用参数:

  • --xlsx-out-suffix .kidney:输出文件名后缀
  • --xlsx-only a.xlsx,b.xlsx:只处理指定文件(逗号分隔)
  • --progress-every 5000:XML 扫描进度输出间隔
  • --xlsx-progress-every 50000:Excel 行处理进度输出间隔
  • --strict / --no-strict:严格/宽松 HMDB ID 匹配

输出说明

  • *.csv:过滤后的结果(保留表头 + 命中行),列顺序与原表一致
  • *.unmatched_hmid.txt:当前文件中出现但未命中的 HMDB ID(去重并排序)
  • *.stats.txt:行数统计(输入/输出/删除数量、命中/未命中/无效 ID 数量)
  • kidney_filter_summary*.txt:目录级汇总,便于快速对比每个文件的筛选情况

部分代码

  1
  2
  3
  4
  5
  6
  7
  8
  9
 10
 11
 12
 13
 14
 15
 16
 17
 18
 19
 20
 21
 22
 23
 24
 25
 26
 27
 28
 29
 30
 31
 32
 33
 34
 35
 36
 37
 38
 39
 40
 41
 42
 43
 44
 45
 46
 47
 48
 49
 50
 51
 52
 53
 54
 55
 56
 57
 58
 59
 60
 61
 62
 63
 64
 65
 66
 67
 68
 69
 70
 71
 72
 73
 74
 75
 76
 77
 78
 79
 80
 81
 82
 83
 84
 85
 86
 87
 88
 89
 90
 91
 92
 93
 94
 95
 96
 97
 98
 99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
HMDB Kidney 代谢物筛选工具
作者:IT小章
时间:2026年4月8日
网站:itxiaozhang.com

功能:从HMDB XML数据库中筛选与肾脏相关的代谢物,并过滤Excel文件
"""

import argparse
import csv
import os
import re
import time
from lxml import etree

# 默认XML路径
DEFAULT_XML_PATH = r"C:\Users\Administrator\Documents\HMDB离线数据库\hmdb_metabolites\hmdb_metabolites.xml"


def normalize_hmdb_id(raw: str) -> str | None:
    """标准化HMDB ID格式为 HMDB0000001"""
    if not raw:
        return None
    s = raw.strip().upper()
    m = re.match(r"^HMDB(\d+)$", s)
    if not m:
        return None
    return "HMDB" + m.group(1).zfill(7)


def detect_namespace(xml_file: str) -> str:
    """检测XML命名空间"""
    with open(xml_file, "rb") as f:
        context = etree.iterparse(f, events=("start",))
        _, root = next(context)
        if "}" in root.tag:
            return root.tag.split("}", 1)[0][1:]
        return ""


def has_kidney_keyword(elem, ns: str) -> bool:
    """检查代谢物是否包含kidney关键词"""
    tag = lambda local: f"{{{ns}}}{local}" if ns else local
    
    # 检查组织位置
    bio = elem.find(tag("biological_properties"))
    if bio is not None:
        tissues = bio.find(tag("tissue_locations"))
        if tissues is not None:
            for t in tissues.findall(tag("tissue")):
                if "kidney" in (t.text or "").lower():
                    return True
    
    # 检查本体论
    ontology = elem.find(tag("ontology"))
    if ontology is not None:
        for t in ontology.iter(tag=tag("term")):
            if "kidney" in (t.text or "").lower():
                return True
    return False


def build_kidney_set(xml_file: str) -> set[str]:
    """构建肾脏相关代谢物ID集合"""
    print(f"正在解析 XML: {xml_file}")
    ns = detect_namespace(xml_file)
    tag = lambda local: f"{{{ns}}}{local}" if ns else local
    
    kidney_ids = set()
    count = 0
    start = time.time()
    
    context = etree.iterparse(xml_file, events=("end",), tag=tag("metabolite"))
    
    for _, elem in context:
        count += 1
        if count % 5000 == 0:
            rate = count / (time.time() - start)
            print(f"  已扫描 {count} 条,命中 {len(kidney_ids)} 条 ({rate:.0f} 条/秒)")
        
        if has_kidney_keyword(elem, ns):
            # 提取主ID
            acc = elem.find(tag("accession"))
            if acc is not None and acc.text:
                if (nid := normalize_hmdb_id(acc.text)):
                    kidney_ids.add(nid)
            # 提取次要ID
            sec = elem.find(tag("secondary_accessions"))
            if sec is not None:
                for a in sec.findall(tag("accession")):
                    if (nid := normalize_hmdb_id(a.text)):
                        kidney_ids.add(nid)
        
        # 释放内存
        elem.clear()
        while elem.getprevious() is not None:
            del elem.getparent()[0]
    
    print(f"XML解析完成: 共 {count} 条代谢物,{len(kidney_ids)} 条与肾脏相关")
    return kidney_ids


def find_hmdb_column(headers: list) -> int:
    """查找HMDB ID所在列索引(从1开始)"""
    norm = lambda x: str(x).lower().replace("_", " ").replace("-", " ")
    candidates = {"hmdb id", "hmdbid", "compound id", "compoundid"}
    
    for i, h in enumerate(headers, 1):
        if norm(h) in candidates:
            return i
    return 2  # 默认第2列


def filter_excel(src_path: str, out_path: str, kidney_set: set) -> dict:
    """过滤Excel文件,只保留肾脏相关行"""
    import openpyxl
    
    wb = openpyxl.load_workbook(src_path, read_only=True, data_only=False)
    stats = {"in": 0, "out": 0, "removed": 0}
    
    with open(out_path, "w", encoding="utf-8-sig", newline="") as f:
        writer = csv.writer(f, lineterminator="\n")
        
        for sheet in wb.sheetnames:
            ws = wb[sheet]
            hmdb_col = find_hmdb_column([c.value for c in next(ws.iter_rows(max_row=1))])
            max_col = ws.max_column or 0
            
            print(f"  处理工作表 '{sheet}' (HMDB列: {hmdb_col})")
            
            for i, row in enumerate(ws.iter_rows(values_only=False)):
                stats["in"] += 1
                
                # 保留表头
                if i == 0:
                    writer.writerow([c.value for c in row])
                    stats["out"] += 1
                    continue
                
                # 检查HMDB ID
                try:
                    raw_id = row[hmdb_col - 1].value
                except IndexError:
                    raw_id = None
                
                nid = normalize_hmdb_id(str(raw_id)) if raw_id else None
                
                # 匹配则保留,否则跳过
                if nid and nid in kidney_set:
                    writer.writerow([c.value for c in row])
                    stats["out"] += 1
                else:
                    stats["removed"] += 1
    
    return stats


def main():
    parser = argparse.ArgumentParser(description="HMDB肾脏代谢物筛选工具")
    parser.add_argument("--xml", default=DEFAULT_XML_PATH, help="HMDB XML文件路径")
    parser.add_argument("--xlsx-dir", default="data", help="输入Excel目录")
    parser.add_argument("--suffix", default=".kidney", help="输出文件后缀")
    args = parser.parse_args()
    
    if not os.path.exists(args.xml):
        raise SystemExit(f"错误: 找不到XML文件 {args.xml}")
    if not os.path.isdir(args.xlsx_dir):
        raise SystemExit(f"错误: 找不到目录 {args.xlsx_dir}")
    
    # 步骤1: 构建肾脏代谢物集合
    kidney_set = build_kidney_set(args.xml)
    
    # 步骤2: 处理Excel文件
    print(f"\n开始处理Excel文件 (目录: {args.xlsx_dir})")
    
    for name in sorted(os.listdir(args.xlsx_dir)):
        if not name.endswith(".xlsx") or args.suffix in name:
            continue
        
        src = os.path.join(args.xlsx_dir, name)
        out = os.path.join(args.xlsx_dir, name[:-5] + args.suffix + ".csv")
        
        print(f"\n处理: {name}")
        start = time.time()
        stats = filter_excel(src, out, kidney_set)
        
        print(f"完成: 输入 {stats['in']} 行, 输出 {stats['out']} 行, 跳过 {stats['removed']} 行")
        print(f"输出: {out} ({time.time()-start:.1f}s)")
    
    print("\n全部完成!")


if __name__ == "__main__":
    main()

视频版本