2. 分子图的数据来源与获取

分子图数据工程的第一步不是建模，而是把“分子从哪来、以什么形式来、能不能用”这三件事弄清楚。分子图通常表示为 G = (V, E)：原子是节点，化学键是边，节点和边各自携带特征（元素类型、电荷、杂化、芳香性、键级、立体标记等）。因此，数据源的质量直接决定了后续特征工程与表示学习的上限。本节围绕常见分子数据库、下载接口、许可限制和真实项目采集流程展开。

一、常见分子数据库的定位差异

PubChem、ChEMBL、ZINC 是最常用的三类来源，但它们的定位并不相同，混用前必须理解差异。

• PubChem：由 NCBI 维护，是覆盖面最广的公共化学信息库，包含化合物、物质和生物测定三大子库。它适合做结构检索、属性查询和活性数据补充，但同一化合物可能存在多条记录（不同盐型、立体异构、来源），需要按 CID 去重与规范化。
• ChEMBL：由 EMBL-EBI 维护，核心是“药物化学活性数据”，以靶点—化合物—活性值（如 IC50、Ki、EC50）为核心组织。它适合构建“分子—靶点—活性”监督信号，但活性值单位、测定条件、置信度差异大，必须做标准化与筛选。
• ZINC：面向虚拟筛选的可购买化合物库，强调“可获取、可购买、已去重、已生成多种质子化/互变异构形式”。它适合做大规模筛选与生成模型训练，但活性标签通常缺失。

此外还有 DrugBank（药物与靶点）、PDB（大分子结构）、BindingDB（结合亲和力）、MoleculeNet（基准数据集）等，实际项目常按“结构来源 + 标签来源”组合使用。

二、下载接口与获取方式

三类库都提供批量下载与程序化接口，工程上应优先使用可复现的脚本化方式，而不是手工点击。

# PubChem：按 CID 批量获取 SDF（3D/2D 可选）
https://pubchem.ncbi.nlm.nih.gov/rest/pug/compound/cid/2244,5090/SDF?record_type=2d

# ChEMBL：REST API 获取某靶点下的活性记录
https://www.ebi.ac.uk/chembl/api/data/activity?target_chembl_id=CHEMBL203&format=json

# ZINC：按子集下载（如 drug-like、lead-like）
https://files.docking.org/zinc22/2d/  # 按 tranche 分片下载

PubChem 的 PUG-REST 适合小批量精确查询，PUG-View 适合属性获取；ChEMBL 提供 REST API 与批量 FTP 转储（chembl_XX_mysql.tar.gz、chembl_XX_sqlite.tar.gz），大批量场景应下载转储而非逐条请求；ZINC 以分片文件形式发布，需按 tranche 规则拼接。无论哪种方式，都应记录下载日期、版本号、URL 与校验和，保证数据可追溯。

三、数据许可与使用限制

许可是分子数据工程中最容易被忽视、却最容易在发布或商用阶段出问题的环节。

实践原则是：先确认许可，再决定是否入库；对 CC BY-SA 类数据，若与自有数据混合，需明确区分“原始数据”与“衍生数据”的边界；对外发布模型或数据集时，保留来源清单与许可声明。

四、真实项目中的数据采集流程

一个可复现的采集流程通常包含六个环节：需求定义、来源选择、批量获取、清洗规范化、去重与标签对齐、版本固化。下面给出一个面向“靶点活性预测”的示例流程，参数为教学假设值。

1. 需求定义：目标为“预测化合物对某激酶的抑制活性”，需要 SMILES 与 IC50 标签，规模约 1 万条。
2. 来源选择：结构来自 PubChem，活性来自 ChEMBL，按 InChIKey 对齐。
3. 批量获取：ChEMBL 下载 SQLite 转储，筛选 standard_type = 'IC50'、standard_units = 'nM'、standard_relation = '=' 的记录。
4. 清洗规范化：用 RDKit 解析 SMILES，去除盐、标准化电荷、生成标准 InChIKey。
5. 去重与标签对齐：按 InChIKey 去重，同一分子多条活性取中位数或几何均值，并记录离散度。
6. 版本固化：输出 dataset_v1.parquet，附带来源、日期、过滤条件与统计摘要。

五、采集流程的可视化

下图把上述流程中的关键对象、输入输出与判断关系集中呈现，便于对照执行。

六、工程实践中的关键判断

采集完成后，至少要做三项检查：一是结构有效性，统计 RDKit 解析失败率，通常应低于 1%；二是标签一致性，检查同一分子多条活性的离散程度，若数量级差异过大应剔除或降权；三是覆盖度，确认目标靶点、化学空间与预期分布是否匹配。只有这三项通过，数据才适合进入分子图构建与表示学习阶段。

总结来说，分子图数据获取的核心是：理解各库定位差异，用脚本化接口保证可复现，用许可条款约束使用边界，用清洗、去重与版本固化保证数据可追溯。这四件事做好，后续的图构建与模型训练才有可靠基础。