跨数据库资料整合：共同标识符比字段拼接更重要

名称不是可靠的连接键

大小写、缩写、语言和历史命名都会造成差异。直接用名称连接数据库，容易把同名对象合并，也会漏掉别名记录。稳定标识符、命名空间和版本共同构成更可靠的连接依据。

外部标识符也会停用或被替换，因此映射需要记录来源与有效时间。一个对象同时拥有多个标识并不异常，关键是知道每个标识来自哪个系统。

冲突不能靠覆盖解决

两个数据库对同一对象给出不同属性时，应先比较发布时间、方法和适用范围。保留冲突与来源，让使用者根据任务选择，比设定一个永久优先级更符合科研资料特性。

自动化规则可以处理格式一致的多数记录，边界案例仍需人工复核。把复核决定保存为独立映射规则，下一次更新才不会重复争论。

整合结果必须能够拆回去

任何汇总记录都应能够追到原数据库、原标识和导入批次。发现问题时只重跑受影响来源，而不是重建整座资料库。

导出时附上来源清单、结构版本和查询时间，可以让下游团队判断资料是否需要更新，也能避免聚合平台被误认为唯一来源。

跨库整合在实际项目中的检查重点

建立跨库映射前，应先写清楚对象粒度。一个来源记录的是基因，另一个记录的是转录本，名称相近也不能直接合并。粒度定义明确以后，团队才能判断需要等值连接、上下位关系，还是仅仅建立参考链接。

映射表也有版本。外部数据库更新标识、拆分对象或改变命名空间时，旧映射不能悄悄被覆盖。每次发布应说明新增、失效和待复核数量，让依赖这些连接的查询知道自己使用了哪一批规则。

自动匹配可以根据名称、别名和属性提出候选，但置信分数不能替代证据。高分候选仍可能因为物种、地区或实验对象不同而错误。人工复核页面应同时展示两侧来源信息，而不是只给一个接受按钮。

整合完成后，可用逆向抽查验证可拆回性：从汇总结果随机选择对象，返回每个来源查看原值与导入时间。若无法清楚回答某个属性来自哪里，说明平台只完成了拼接，还没有完成可追溯整合。