2. 蛋白与配体数据获取
蛋白–配体图网络建模的第一步不是搭网络，而是把“节点”和“边”的原始证据取回来。这里的节点通常是蛋白（或蛋白口袋残基）与配体小分子，边则是二者之间的结合关系，其强度由亲和力数据（Kd、Ki、IC50、EC50 等）刻画。数据来源不同，语义、粒度和质量差异极大：PDB 提供三维复合物结构，UniProt 提供蛋白序列与注释，ChEMBL 与 BindingDB 提供带测量值的活性记录。若不加区分地合并，后续图网络会把“同一件事”拆成多个节点，或把不同量纲的数值当成同一种边权。
四类数据源的分工与关键字段
PDB 的核心价值是结构证据：一个条目包含蛋白链、配体杂原子（HETATM）、辅因子、水分子和金属离子，以及分辨率、R 因子等方法学信息。检索时常用 RCSB PDB 的 REST 接口或 rcsbsearch，按 rcsb_entry_info.resolution_combined、rcsb_nonpolymer_entity_container_identifiers 等字段过滤。需要注意：PDB 中的配体不都是“目标配体”，缓冲液组分、离子、去垢剂也会以 HETATM 出现，必须用 chem_comp.type 或分子量阈值剔除。
UniProt 负责把结构中的蛋白链映射到标准序列。关键字段包括 accession、sequence、reviewed（是否人工审阅）、organism 和 cross-reference 中的 PDB 映射。实践中优先使用 reviewed（Swiss-Prot）条目，因为未审阅条目存在序列冗余和注释缺失。PDB 链与 UniProt 的对应关系可通过 SIFTS 映射获得，避免仅凭序列相似度猜测。
ChEMBL 与 BindingDB 是亲和力数据的主力。ChEMBL 以 activities 表为核心，字段包括 standard_type（IC50/Ki/Kd/EC50）、standard_value、standard_units（通常为 nM）、assay_organism、target_chembl_id 与 molecule_chembl_id。BindingDB 则以 Ki、IC50、Kd 及对应靶点、物种、温度、pH 记录为主。两者都允许同一对“蛋白–配体”出现多条测量，且可能来自不同实验条件。
实体归一化：让同一对象只有一个身份
蛋白侧最常见的错误是把不同 UniProt 条目当成不同蛋白，或把同一蛋白的多个 PDB 结构当成多个节点。正确做法是：以 UniProt accession 作为蛋白主键，PDB 条目只作为结构证据挂在其下。若一个 PDB 条目包含多条链，需通过 SIFTS 或序列比对确定每条链对应的 UniProt 条目，并记录链 ID 与残基范围。对于没有 UniProt 映射的合成肽或突变体，可保留为独立节点并标注来源。
配体侧的核心是去重。同一分子可能以不同盐型、不同立体化学或不同质子化状态出现。推荐以 InChIKey 的前 14 位（骨架层）做粗去重，再以完整 InChIKey 做精确去重。SMILES 可用于快速比对，但需先标准化（去盐、中和电荷、统一互变异构体）。ChEMBL 的 molecule_chembl_id 与 BindingDB 的 monomerid 不能直接跨库对齐，必须通过 InChIKey 或结构比对建立映射。
亲和力数据的量纲统一与偏差控制
不同数据库的亲和力类型不同，直接混用会引入系统性偏差。建议统一转换为 pKd 或 pKi 形式：若原始值为 Kd（nM），则 pKd = 9 − log₁₀(Kd)；若为 IC50，需注意它受底物浓度影响，不能等同于 Kd，应单独标记为 IC50 类型并在建模时分层处理。单位换算必须显式记录，例如 1 μM = 1000 nM，1 mM = 10⁶ nM。
同一蛋白–配体对常有多条测量值，差异可能来自实验条件（温度、pH、缓冲液、物种）。处理策略有三种：取中位数、取最小值（最乐观）、或保留全部并加权。对于图网络，推荐先按 target + ligand + standard_type 分组，计算中位数与标准差；若标准差超过 1 个 log 单位，标记为“高方差边”，在训练时降权或剔除。此外，ChEMBL 中大量 IC50 记录来自高通量筛选，置信度较低，应优先保留 assay_confidence_score ≥ 8 的记录。
缺失值的识别与处理
缺失值分三类：一是配体结构缺失（只有 SMILES 无三维构象），二是蛋白序列缺失（PDB 中未解析的柔性区），三是亲和力数值缺失（有活性记录但无标准值）。第一类可用 RDKit 生成构象；第二类需在序列比对时用 X 占位并记录缺失区间；第三类若缺失比例低于 5%，可直接丢弃；若高于 20%，需检查是否因单位不统一或筛选条件过严导致，而非盲目填充。
常见陷阱：不要把 PDB 中的水分子、金属离子、缓冲液组分当作配体；不要把 ChEMBL 中 standard_relation 为 > 或 < 的截断值当作精确值；不要跨物种直接合并亲和力数据（如人源与鼠源靶点），除非明确标注并分层。
一个可复用的数据获取检查清单
| 检查项 | 判断标准 | 处理动作 |
|---|---|---|
| PDB 配体类型 | 是否为非聚合物、非水、非离子 | 剔除缓冲液与金属离子 |
| UniProt 审阅状态 | reviewed 优先 | 未审阅条目降权或仅作补充 |
| 亲和力单位 | 是否统一为 nM | 按 1 μM=1000 nM 换算 |
| 测量类型 | Kd/Ki/IC50 是否混用 | 分层标记，IC50 不直接当 Kd |
| 重复测量方差 | 标准差是否 > 1 log | 标记高方差边并降权 |
| 配体去重 | InChIKey 前 14 位是否唯一 | 合并盐型与立体异构体 |
完成上述步骤后，你会得到三张核心表：蛋白节点表（UniProt AC、序列、PDB 映射）、配体节点表（InChIKey、SMILES、分子量）、亲和力边表（蛋白 ID、配体 ID、pKd/pKi、类型、来源、置信度）。这三张表就是后续图网络构建的直接输入，其字段完整性和一致性决定了网络能否真实反映结合关系。