现在在进行医学科学研究的时候，如果要研究一个方向，我们经常会去查一下网上都有哪些数据库可以让我们使用，通过数据库的预测来进行确定我们自己的方向。但是要怎么找这些数据库呢？今天就来和大家分享一下，我们是如何查找目标数据库的。
不过，有很多朋友对于向量数据库和 RAG 的关系及技术原理并不清楚，本文将带大家深入了解 RAG 时代的新向量数据库。
实验验证的数据库数据库其实和综述差不多。综述是基于一个主题检索相关文献，然后利用文字来进行来进行总结出这些文献的相关特点。而这类经过实验验证的数据库，第一步也是人工来检索相关的文献。第二步则把文献当中的相关信息，通过数据库的形式来呈现出来。这样的好处是我们可以得到作者作用检索的信息。
通过对昨天检索到的的20个得到的数据库进行整理总结，我们发现一共有19个是和m6A相关（没有关系是因为在摘要当中也提到了m6A，所以我们也就提取到了），在19个里面有一个数据库已经停止使用了，所以剩下了18个数据库和m6A相关。下面就对这18个数据库进行总结。
现在，再来了解和回顾一下Tencent Cloud VectorDB的概念，腾讯云向量数据库（Tencent Cloud VectorDB）是一款全托管的自研企业级分布式数据库服务，专用于存储、检索、分析多维向量数据，而且该数据库支持多种索引类型和相似度计算方法，单索引支持 10 亿级向量规模，可支持百万级 QPS 及毫秒级查询延迟。
我们在用图片搜索图片，或者语音搜索语音的时候，在数据库中存储和对比的并不是图片和语音片段，而是通过DL等算法提取出来的“特征”，一般是256/512个float数组，可以用数学中的向量来表示。
1、能否用最通俗的语言介绍下什么是向量，什么是向量数据库，它和传统数据库有什么区别？
腾讯云向量数据库(Tencent Cloud VectorDB)是一款专为存储、检索和分析多维向量数据而设计的全托管式企业级分布式数据库服务。其独特之处在于支持多种索引类型和相似度计算方法，拥有卓越的性能优势，包括高QPS（每秒查询率）、毫秒级查询延迟，以及单索引支持数亿级向量数据规模。通过简单易用的可视化界面，用户可以快速创建数据库实例，进行数据操作，执行查询操作，并配置嵌入式数据转换，提供更广泛的数据处理能力。该数据库适用于多种场景，如构建大型知识库、推荐系统、智能问答系统以及文本/图像检索任务，为企业提供了强大的工具，助力各种应用场景下的高效数据管理和智能应用实现。
随着大模型的爆火，向量数据库也越发成为开发者关注的焦点。为了方便大家更好地了解向量数据库，我们特地推出了《Hello, VectorDB》系列，本文将从宏观角度、向量数据库与其他算法库的区别、技术难点及如何选择向量数据库等方面，带大家认识真正的向量数据库。
重要的事情说在前面：这个网站有时候检索不了，这个时候最好科学上网。请结合自身合理选择。
基因融合指的是两个或者多个基因的部分序列结合到一起形成了一种新的基因。随着高通量测序的发展，我们可以利用二代测序的数据来鉴定出发生在不同疾病当中的融合基因，所以也就出现了很多来寻找融合基因的数据库。今天就来给大家介绍几个融合基因查询的数据库。
本页主要介绍STN指令式检索的基本功能。按您可能遇到问题的先后顺序(从登录 STN 到退出)排列信息。
许多组织依赖第三方软件存储重要数据。例如，Salesforce用于客户数据，Zendesk用于支持数据，Confluence用于内部流程数据，Google Drive用于业务文档。这些提供商通常提供REST API，使外部系统能够搜索和检索信息。
windows操作系统文件检索,word oneNote excel等等 数据 量是不大的,将文件本身加载到内存中 功能相对不算丰富。
不论是RAG，还是Agent，几乎每个LLM 驱动的应用程序都可能会用到向量数据库。那么，向量数据库是什么？与传统数据库有何不同？ 又如何选择向量数据库呢？ 本文是老码农关于向量数据库的学习笔记。
肠道菌群在最近的几年也开始成为了我们的研究热点。对于肠道菌群的研究，基本上就是先通过宏基因组测序来分析不同分组之间的肠道菌群的变化。之前刚开始研究的时候，都是自己测序自己分析的数据。随着研究进程的延长以及相关文章的发表。一些其他团队发表测序的结果也会逐渐的公开到网上。由于数据的增多，所以也就可以拿网上的数据来进行汇总分析了。这个就有了我们今天要介绍的这个数据库：gutMEGA(http://gutmega.omicsbio.info/)
之前在介绍 PubMed 检索界面的时候，提到了在检索界面可以自定义筛选项(PubMed使用指南(三): 检索界面介绍)。如果要制定筛选项的话，就需要这注册一个 PubMed 账号。这里就来介绍一下 PubMed 账号到底有什么用。
项目设计集合（人工智能方向）：助力新人快速实战掌握技能、自主完成项目设计升级，提升自身的硬实力（不仅限NLP、知识图谱、计算机视觉等领域）：汇总有意义的项目设计集合，助力新人快速实战掌握技能，助力用户更好利用 CSDN 平台，自主完成项目设计升级，提升自身的硬实力。
都说大模型带火了向量数据库，有人还把向量数据库称之为是大模型背后的“军火商”。的确，用好大模型，离不开向量数据库。在大数据中寻找有用信息，必须通过向量数据库来解决高维数据复杂的关系和模式，这也是数据库领域常说的“专库专用”。
之前我们在介绍很多转录调控相关的数据库的时候，都会提到这些数据库包含了ENCODE数据库。那么ENCODE数据库是什么样的数据库呢？
SMART是蛋白结构域的数据库，该数据库最新版本为v8,收录了1300多个蛋白结构域信息，覆盖了来自uniprot, ensembl等多个数据库的蛋白。官网如下
昨天通过岛上生活来和大家了解了一下基本的生信分析文章的思路是什么样子的从荒岛求生看公共数据库生信分析文章。今天就和大家来学习一下GEO数据库，这个存放公共高通量测序数据的地方。
miRDB通过MirTarget这个软件预测了人，小鼠等多个物种的miRNA靶基因信息，并将其整理成了数据库，网址如下
miRNA靶基因预测是研究miRNA功能机制必经的一个环节，现有的相关软件和数据库非常多，然而不同软件的算法各有优劣，在不同数据库之间的交叉检索费时费力，所以需要一个整合多个数据库和软件资源的集成型数据库，mirDIP就是在这样的驱动下产生，集成了30个来源数据库中human相关的靶基因信息，网址如下
大模型（LLM）的浪潮已经涌动一年多了，尤其是以 GPT-4、Gemini-1.5、Claude-3 等为代表的模型你方唱罢我登场，成为当之无愧的风口。在 LLM 这条赛道上，有的研究专注于增加模型参数，有的疯狂卷多模态…… 这当中，LLM 处理上下文长度的能力成为了评估模型的一个重要指标，更强的上下文意味着模型拥有更强的检索性能。例如有些模型一口气可以处理高达 100 万 token 的能力让不少研究者开始思考，RAG （Retrieval-Augmented Generation，检索增强生成）方法还有存在的必要吗？
对于医学生而言，我们要是查询文献的话，更多使用的还是pubmed而不是web of science这样的文献检测数据库。关于pubmed，这个是属于NCBI旗下的一个文献检索网站。
蛋白质相互作用的数据库非常的多，比如DIP, MINT, IntAct, BioGRID等，不同数据库中的信息存在了大量的冗余，而且在不同数据库之间进行检索也非常的费力。
Lucene不是一个完整的全文检索应用，而是一个java语言写的全文检索引擎工具包，他可以很方便的嵌入到各种应用系统中实现信息的全文检索功能。
在人工智能时代，向量数据库已成为数据管理和AI模型不可或缺的一部分。向量数据库是一种专门设计来存储和查询向量嵌入数据的数据库。这些向量嵌入是AI模型用于识别模式、关联和潜在结构的关键数据表示。随着AI和机器学习应用的普及，这些模型生成的嵌入包含大量属性或特征，使得它们的表示难以管理。这就是为什么数据从业者需要一种专门为处理这种数据而开发的数据库，这就是向量数据库的用武之地。
对于蛋白质而言，由于编码的氨基酸一个也就那些，所以总会碰到相似的氨基酸组合到一起然后发挥类似功能的这种情况。所以我们经常把那些序列和结构相似的一类蛋白质称为：蛋白家族。对于单一蛋白功能检索的数据库有很多，例如：gene、uniprot这类的。但是有时候我们需要知道一类蛋白家族的功能的话。那该怎么办的呢？所以今天就给大家推荐一个经典的蛋白家族检索数据库：pfam[http://pfam.xfam.org/]。
要进行Oracle SQL调优，您必须了解查询优化器。优化器是内置软件，用于确定语句访问数据的最有效方法。
我们使用的很多数据库，其实数据库里面的所有内容都是分析好的。我们在使用数据库的时候，其实就是在所有的结果里面去寻找我们想要的数据结果。类似于一个检索的功能。而这些分析好的数据，很多网站也都提供了下载的功能，通过下载的功能，我们就可以得到和这个数据库有关的结果结果。例如，我们在之前介绍的多基因转录因子富集的数据库当中([数据库推荐]多基因转录因子调控网络预测)，这个网站就提供了数据下载的功能。
目前大部分lncRNA相关的数据库都是依赖高通量测序，而今天我们介绍的这个数据库以实验验证为基础，收集2016年5月1日前的所有lncRNA实验数据，并整合了lncRNAdb, LncRANDisease, Lnc2Cancer 和 PLNIncRBase 三个lncRNA数据库的结果，当前版本包含来自77个物种的1543个lncRNAs，是目前为止最全面的有实验结果支持的lncRNA数据库，EVLncRNAs（http://biophy.dzu.edu.cn/EVLncRNAs/）。
在研究一个基因之前，首先还是要了解这个基因的基础表达情况的。在之前的一些推送当中，我们介绍过一些关于基因表达情况查询的数据库
我们人体的基因表达情况是会随着年龄的变化发生变化的。通过了解正常人当中那些基因随着年龄会发生变化，对于研究和年龄有关的疾病也有种重要的作用。今天就来介绍一个年龄有关基因表达数据库：ADEIP (http://gb.whu.edu.cn/ADEIP/)
gene数据库在检索上其实和我们使用pubmed是类似的。它的检索方式有多种。我们既可以检索基因名；同时也可以检索某一文献的PMID来获得这个文献的相关基因。同时也可以检索某一疾病得到和这个疾病相关的所有基因。下面的表格上是一些检索的官方例子。
点击链接--->云产品免费体验馆_云产品免费试用_个人云产品试用-腾讯云 (tencent.com)
据 IDC 预测，到 2025 年，全球数据总量中将有超过 80% 的数据是非结构化数据，而向量数据库是处理非结构化数据的重要组件。回顾向量数据库的历史，2019 年，Zilliz 首次推出了 Milvus，提出了向量数据库的概念。2023 大语言模型（LLM）的爆火，将向量数据库正式从幕后被推到了台前，也因此赶上了发展的快速列车。
答案很简单，这取决于开发者的应用场景。举个例子，晚饭选择去一家五星级餐厅用餐或是是快餐店，往往和你的胃口和期望有关。
文本、图像、音视频等海量的非结构化数据占数据总量不断上升，预计2025年，将达到八成以上。这些数据由于结构不统一，所以在计算机中通常以向量形式进行特征提取后，再进行存储、计算、应用。为了解决海量数据场景下，向量的存储、计算问题，向量数据库应运而生，其通过数据算法和计算机工程，将向量特征进行分组和索引，以实现高效的相似性搜索。《数据库发展研究报告（2023年）》显示，向量数据库作为12个数据库技术发展趋势之一，其使用场景十分广泛，包括但不限于支撑文本翻译、产品推荐、语义搜索、图像搜索、视频推荐、异常检测、欺诈检测、人脸识别等应用。
互联网时代，人类在与自然和社会的交互中生产了异常庞大的数据，这些数据中包含了大量描述自然界和人类社会客观规律有用信息。如何将这些信息有效组织起来，进行结构化的存储，就是知识图谱的内容。
全文检索是数据库的有力补充，全文检索并不能替代数据库在应用系统中的作用。当应用系统的数据以大量的文本信息为主时，採用全文检索技术能够极大的提升应用系统的价值。
关于非编码RNA的分类，之前在 [[非编码RNA分类总结]] 当中提到过里面的Long-Non Coding RNA是不编码蛋白的。但是随着研究的越来越深入，尤其是质谱技术的发展，也发现有些LncRNA可以编码肽段来发挥作用。这个也进一步丰富了LncRNA的功能。因此今天就来介绍一个用来检索肿瘤相关LncRNA编码肽段的数据库：SPENCER | A comprehensive database for small peptides encoded by ncRNA in cancer patients: http://spencer.renlab.org/#/home
之前我们推荐过一些和RNA甲基化有关的数据库。其中当时总结了四个基于测序来预测RNA甲基化靶标的数据库。前段时间想查一下相关靶标的时候，发现这四个数据库都成了这个样子了。。。。
在刚刚过去的首届 OpenAI 开发者大会上，OpenAI 不仅公布了新的 GPT-4 Turbo 模型，还推出了多项对现有功能的升级和融合，一系列新产品和新功能的发布让外界大呼过瘾。虽然其中重要内容很多，但一条具有革命性意义的消息让人很难不注意到：OpenAI消除在某些用例中对纯向量数据库的需求。换言之，OpenAI 将提供一款 Retrieval 检索工具，用户已无需创建或搜索向量。
对于pubmed检索而言，相信很多人在刚开始使用的时候，会发现，在pubmed当中检索的结果好多都不是我们想要的。感觉有时候根本就不懂我们想要什么内容。如果有这样的困扰的话，可以尝试一下litsuggest(https://www.ncbi.nlm.nih.gov/research/litsuggest/)
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
