2. 药物活性数据获取

QSAR建模的第一步不是算法，而是数据。一个活性预测模型的上限，几乎在数据获取阶段就已经被决定：靶点是否明确、活性指标是否一致、单位是否统一、重复记录是否被正确合并，都会直接影响后续特征工程与模型评估的可信度。本章围绕三个主流公共数据源——ChEMBL、PubChem、BindingDB——讲清它们各自的数据组织方式、适用场景，以及从下载到清洗形成建模可用数据集的完整操作路径。

一、三大数据源的定位与差异

ChEMBL由欧洲生物信息研究所维护，以“文献提取+人工审编”为核心，围绕靶点—化合物—活性测定三元关系组织数据。它的优势在于活性记录附带标准化的靶点标识（如单蛋白、蛋白复合物、细胞系）、测定类型（assay type）和标准活性单位，非常适合做靶点特异的QSAR建模。缺点是覆盖的化合物数量相对有限，且部分活性值来自不同实验条件，需要按测定类型筛选。

PubChem由美国NCBI维护，体量最大，包含大量高通量筛选（HTS）结果和供应商化合物。它的BioAssay模块以AID（Assay ID）为单位组织实验，同一化合物可能出现在成百上千个AID中。PubChem适合做大规模虚拟筛选、活性富集分析或补充ChEMBL未覆盖的化合物，但数据噪声较大，活性终点不统一，直接用于QSAR需要严格筛选AID。

BindingDB聚焦于结合亲和力数据，主要收录Ki、Kd、IC50、EC50等定量指标，来源包括文献和专利。它的特点是亲和力数据集中、单位规范，适合做靶点—配体结合亲和力预测。但BindingDB的靶点注释粒度不如ChEMBL统一，部分记录缺少标准化的靶点ID，需要借助UniProt或PDB进行映射。

二、活性指标的选择与统一

不同数据源使用的活性指标不同，常见的有IC50、EC50、Ki、Kd以及% Inhibition。IC50表示抑制50%活性所需的浓度，EC50表示产生50%最大效应所需的浓度，Ki是抑制常数，Kd是解离常数。这些指标物理含义不同，不能直接混用。工程上通常统一转换为对数尺度：pIC50 = -log10(IC50[M])，pKi = -log10(Ki[M])。转换后数值越大表示活性越强，便于回归建模。

选择指标时遵循三条原则：第一，同一靶点的建模数据集尽量只保留一种指标类型，优先IC50或Ki；第二，若必须混合，应记录指标来源并考虑分层建模；第三，% Inhibition属于分类或半定量数据，通常只用于初筛，不直接进入回归模型。单位换算必须统一到摩尔浓度（M），常见换算关系为：1 mM = 10⁻³ M，1 μM = 10⁻⁶ M，1 nM = 10⁻⁹ M。

三、数据下载的实际操作

ChEMBL提供Web界面和REST API两种方式。以靶点EGFR（UniProt P00533）为例，可通过API获取活性数据：

https://www.ebi.ac.uk/chembl/api/data/activity.json?target_chembl_id=CHEMBL203&standard_type=IC50&limit=1000

返回的JSON中每条记录包含molecule_chembl_id、canonical_smiles、standard_value、standard_units、standard_type等字段。实际使用时建议用Python的chembl_webresource_client或直接requests分页抓取，并保存为CSV。

PubChem通过PUG-REST接口按AID下载。例如获取AID 1234的活性结果：

https://pubchem.ncbi.nlm.nih.gov/rest/pug/assay/aid/1234/CSV

BindingDB提供批量下载页面，可按靶点或按亲和力类型筛选，下载格式包括TSV和SDF。下载后需检查Ki、IC50列的单位是否已统一为nM。

四、数据清洗的关键步骤

下载得到原始数据后，需要经过以下清洗流程才能用于建模：

• 去重与合并：同一化合物可能有多条活性记录。使用InChIKey作为化合物唯一标识，对同一化合物—靶点对的多个活性值取中位数或几何均值，避免极端值主导。
• 单位统一：将所有活性值转换为nM或M，再计算pIC50。检查standard_units字段，剔除单位缺失或无法识别的记录。
• 异常值剔除：pIC50合理范围通常在2～12之间。低于2可能表示无活性或数据错误，高于12可能超出实验检测上限，应结合原始记录判断。
• 缺失值处理：SMILES缺失的记录直接删除；活性值缺失但化合物结构完整的记录可用于无监督预训练，但不进入监督回归。
• 靶点映射：将不同数据源的靶点名称统一映射到UniProt ID，确保同一靶点的数据可以合并。

五、清洗结果检查清单