元数据目录：Metadata Catalog¶

本章所属 DDA 层：Metadata Catalog

问题¶

湖仓解决数据进得去。进去之后还得能找到：这张表是什么、谁拥有、从哪条流水线来、这份 ELN 对应哪个候选药、这篇 CSR 登记了没有。

目录管企业数据上下文。它不是第二套图谱。常见翻车有两种。一种是把公开词表全量灌进 Glossary，目录变成术语海。另一种是用目录 SQL 查「ASH-001 作用于哪个靶点」，跟科学知识图谱抢活。

本层只回答资产在哪。关系真相不在这里。

传统方案¶

传统元数据是给人看的。表注释写在数仓工具里，血缘图挂在治理平台上，术语散在 Confluence。阿斯利华早期把 dwd_compound 的字段说明写进 wiki，ELN 编号只在实验室系统里，文档在电子文档系统里各登各的。

对人够用。找不到表就问人，找不到 ELN 就找实验员。

为什么失效¶

机器要的是可程序消费的资产身份，不是一张给人浏览的血缘海报。

湖表有物理名，ELN 有实验号，CSR 有文档号，三套互不认识。问「ASH-001 最近一次酶活实验在哪」，目录若没有企业主键，只能靠人拼。

UMLS、ChEBI 全量打进 Glossary，目录会变成第二套图谱。「谁是谁」应走身份服务。

用目录 SQL 查治疗关系，短期好看。目录没有 PROV，也没有 extracted / validated，追责时说不清。

flowchart LR
    subgraph wrong [常见混层]
        G[公开词表灌Glossary] ~~~ S[目录SQL查关系]
    end
    subgraph right [本层职责]
        A[资产身份] --- O[归属与血缘]
        O --- E[企业主键锚点]
    end
    wrong -.不该由目录做.-> right

图：目录管资产在哪，不管世界是什么（DDA 层：Metadata Catalog）

新的设计思想¶

目录登记湖表、文档对象、证据集合、ELN/LIMS 资产，并尽量挂上企业主键。

Glossary 只放企业术语，比如「在研」「内部研发代号」。公开药理概念留在公开层，用 xref 挂到企业实体。

文档 Asset 是数据身份。登记「有这份 CSR」，不等于承认里面每一句结论。

能买现成目录就买。本层值钱的是纪律，不是再造一套 Catalog。

架构设计¶

flowchart TB
    ICE[湖表] --> CAT[MetadataCatalog]
    DOC[文档对象] --> CAT
    ELN[ELN_LIMS_assay] --> CAT
    CAT --> OWN[owner_SLA_lineage]
    CAT --> ANK[ASH_ENT锚点]
    CAT -.不承担.-> REL[药靶关系推理]

图：目录汇聚资产身份，关系查询不走这里（DDA 层：Metadata Catalog）

Ontology 用目录确认绑的是真资产。图谱用目录确认实验记录在哪。消费方经上下文接口查资产，不直连目录后台。

工程实践¶

决策表¶

决策	选择	放弃
目录职责	资产、归属、血缘、企业术语	生物医学关系推理
公开词表	不进 Glossary 全量	把 UMLS/ChEBI 灌成第二图谱
外部系统	ELN/LIMS/assay 先登记再深挖	未登记就全量同步实验明细
文档	Asset ≠ claim	登记文档即承认知识
产品	复用成熟目录	自建第二套 Catalog

阿斯利华可走通的例子¶

compound_active 在目录里应能看到 owner、契约版本、上游作业、下游消费者。CSR 资产 csr_ash001_phase1_v3 挂 ASH:ENT:DC:savolitinib，并指向对象存储里的原文。ELN 实验 eln_asy_2025_441 先作为资产出现，标注对应候选药。曲线要不要抽成 claim，是知识腿的事。

「这份酶活实验在哪」走目录。「该化合物是否作用于 c-Met」走科学知识图谱。「CSR 3.2 节怎么写」走证据索引。

失败模式¶

Glossary 被当成公开本体副本。检索命中外部 CUI，企业主键对不上。
未登记的 ELN 被全量拉取。许可和归属还没建，存在性已经泄漏。
文档 Asset 被同步成 knowledge 边。登记被当成策展。
消费方拿目录 SQL 当主契约。换产品或改 FQN，调用方一起崩。

业界路线对照¶

头部药企把临床、组学、影像、样本分成不同数据产品域，先在目录里可发现，再决定哪一层值得深挖。Open PHACTS 把公开源放进整合缓存，企业资产不混进那一层。目录管企业资产发现，公开药理空间另挂。

最佳实践¶

先登记，再深挖。assay 没有目录身份，就不要先做全量同步。

Glossary 保持小。企业术语进目录，公开概念进公开层。

存在不等于为真。

消费方依赖上下文接口里的资产形态，不依赖某个目录产品的查询语言。

延伸阅读¶

开放元数据目录里 Glossary、Lineage、Ownership 的职责边界。
FAIR 的 Findable：持久标识和资产登记。

Checklist¶

目录是否只回答资产在哪，不承担药靶关系推理？
Glossary 是否只锚企业术语？
ELN / LIMS / assay 是否先登记再深挖？
文档 Asset 和 claim 是否分开？
消费方是否经上下文接口查资产？

可发现是 FAIR 的第一项，也最容易和图谱混在一起。目录把已有治理技能收窄成企业数据上下文：表、文档、实验记录要能被程序找到。