2. ADMET数据来源全景
构建ADMET数据集时，最先遇到的不是建模问题，而是“数据从哪里来、能不能用、怎么拿到”。ADMET数据来源大致可分为四类：公开数据库、文献数据、内部实验记录和商业数据源。它们在覆盖范围、数据质量、许可条款和获取方式上差异显著，直接决定了后续数据治理的难度与合规边界。理解这四类来源的特点，是设计数据采集与治理流程的前提。
一、公开数据库：覆盖广、获取易，但质量参差
公开数据库是ADMET数据集最常用的起点，典型代表包括ChEMBL、PubChem和DrugBank，它们各有侧重。
ChEMBL由欧洲生物信息研究所维护，以药物化学和生物活性数据为核心，收录了大量化合物对靶点的活性值（如IC50、Ki、EC50），并附带实验条件、文献来源和标准化注释。它的优势在于结构化的活性数据与明确的文献溯源，适合提取吸收、分布、代谢、排泄相关的体外参数，例如Caco-2渗透性、血浆蛋白结合率、肝微粒体清除率等。获取方式上，ChEMBL提供Web界面、批量下载（SQLite、MySQL、CSV）以及REST API，许可为CC BY-SA 3.0，允许商用但需署名并以相同方式共享。
PubChem由美国国立卫生研究院维护，规模更大、覆盖更杂，包含化合物结构、生物测定结果、毒性数据和部分ADMET相关实验。它的优势是数据量大、更新频繁，适合做结构多样性补充和阴性样本挖掘；但缺点是实验条件不统一、重复记录多、部分数据来自高通量筛选，噪声较高。PubChem同样提供下载和API，许可相对宽松，但使用具体数据集时仍需核对来源条目的授权。
DrugBank聚焦已上市药物和候选药物，整合了药物结构、靶点、代谢酶、转运体、相互作用和部分药代参数。它的ADMET信息更贴近临床和药物开发语境，例如半衰期、生物利用度、代谢途径等，适合构建与已上市药物相关的参考集。但DrugBank的完整数据需要商业许可，学术用户可申请免费账号，商用则需购买授权，这一点在数据治理中必须提前确认。
二、文献数据：信息最丰富，但提取成本最高
文献是ADMET数据的重要补充，尤其是公开数据库未收录的专有实验、特殊测定条件和最新研究成果。文献数据通常以表格、正文描述或补充材料形式存在，包含化合物结构、测定方法、实验条件、参数值和统计信息。它的优势是信息完整、上下文清晰，能够提供数据库缺失的细节，例如具体细胞系、孵育时间、底物浓度等。
但文献数据的获取和治理成本很高。首先需要检索和筛选，常用PubMed、Web of Science、Scopus等；其次需要人工或半自动提取，将非结构化文本转化为结构化记录；最后还要处理单位换算、条件归一化和重复数据。实际工作中，建议为文献提取设计统一模板，至少包含：化合物标识（SMILES或InChIKey）、测定类型、参数值、单位、实验体系、文献DOI、提取人和提取日期。这样既能保证可追溯，也便于后续与数据库数据合并。
三、内部实验记录：质量可控，但标准化是难点
企业内部实验记录是ADMET数据中最贴近项目需求的一类，通常来自公司内部的体外筛选、动物实验和临床前研究。它的优势是数据质量可控、实验条件明确、与项目目标高度相关，且不受外部许可限制。但内部记录往往分散在LIMS、电子实验记录本、Excel表格甚至纸质记录中，格式不统一、字段缺失、命名混乱是常见问题。
治理内部数据时，重点不是“有没有数据”，而是“能不能对齐”。建议先建立内部数据字典，统一化合物编号、测定方法、单位、时间点和质控标准；再通过ETL流程将不同来源的记录映射到统一schema。对于关键ADMET参数，如LogP、溶解度、Caco-2、微粒体稳定性、血浆蛋白结合率、CYP抑制等，应明确测定协议和可接受范围，避免不同批次数据直接混用。
四、商业数据源：省时省力，但成本与许可需权衡
商业数据源由专业公司整理和销售，常见形式包括数据库订阅、API访问和定制数据集。它们的优势是数据经过清洗和标准化，覆盖范围广，更新及时，部分还提供ADMET预测值和实验值对照。对于时间紧、内部数据不足的团队，商业数据源可以快速补齐数据缺口。
但商业数据源的核心限制在于许可和成本。多数商业数据禁止再分发、禁止用于模型公开训练，甚至限制衍生数据的发布。因此，在使用前必须明确：数据能否用于内部建模、能否对外发布模型、能否与公开数据合并。若涉及对外交付，建议优先选择许可宽松的公开数据，商业数据仅作为内部验证或补充。
五、四类来源的组合策略与许可检查
实际项目中，很少只依赖单一来源。更常见的做法是：以公开数据库作为基础覆盖，用文献数据补充缺失参数和特殊条件，用内部实验记录校准模型在项目相关化学空间上的表现，再用商业数据源做外部验证或盲测。这种组合能兼顾覆盖度、质量和合规性。
在组合之前，必须做许可检查。建议为每个数据源建立一张“许可与获取记录表”，至少包含：来源名称、版本或日期、许可类型、是否允许商用、是否允许再分发、是否允许用于模型训练、获取方式（下载/API/申请）、联系人及备注。对于ChEMBL，注意CC BY-SA的传染性；对于DrugBank，区分学术与商用；对于商业数据，逐条核对合同中的使用范围。只有许可清晰的来源，才能进入正式数据集。
最后，无论来源如何，进入数据集前都应经过统一的质量标记：记录数据来源、原始标识、提取方式、置信等级和审核状态。这样，当模型表现异常时，才能快速回溯到具体来源和具体记录，判断是数据问题还是模型问题。ADMET数据来源全景的价值，不在于收集了多少数据，而在于每一份数据都能说清楚“从哪来、能不能用、怎么用”。