3. 药物数据源调研与获取
药物知识图谱的质量上限，几乎在数据源选型阶段就已经被决定。构建者面对的不是“有没有数据”的问题，而是“哪些数据能合法、稳定、可追溯地进入图谱”的问题。本节按四类数据源展开：结构化数据库（DrugBank、PubChem、ChEMBL、TTD）、文献资源（PubMed、临床试验注册库）、专利数据、电子病历数据，重点说明各自的获取方式、接口形态与许可协议边界。
一、四类结构化数据库的定位差异
这四个库常被并列提及，但它们的知识边界并不重合，混用会导致实体对齐困难。
- DrugBank：以“药物”为中心，覆盖已上市药、临床试验药和部分撤市药，核心价值在于药物—靶点—酶—转运体—代谢通路的关系，以及 ATC、CAS、UNII 等标识符。学术用途可申请免费许可，商业用途需付费授权，下载的 XML/CSV 全量数据受其许可条款约束，不得再分发。
- PubChem：以“化学物质”为中心，包含化合物、物质、生物测定三大子库，规模最大，适合做化合物结构、同义词、CID 映射。数据大多为公共领域，但部分生物测定数据来自合作方，需逐条查看来源声明。
- ChEMBL：以“生物活性”为中心，核心是化合物—靶点—活性值（IC50、Ki、EC50）三元组，附带测定类型、细胞系、文献出处。采用 CC BY-SA 4.0，允许商用但要求署名并以相同方式共享衍生数据。
- TTD：以“治疗靶点”为中心，聚焦靶点与药物的对应关系及研发状态，适合补充靶点维度的覆盖，学术免费，再分发需遵守其使用条款。
实践中的常见做法是：以 DrugBank 或 ChEMBL 作为药物主表来源，用 PubChem 做结构标准化与同义词补全，用 TTD 校验靶点覆盖。四库的 ID 体系不同，必须建立映射表，例如 DrugBank ID ↔ ChEMBL ID ↔ PubChem CID ↔ TTD 靶点编号。
二、文献资源的获取：从检索到结构化
PubMed 是药物知识图谱中“证据链”的主要来源。获取方式以 NCBI E-utilities 为主，典型两步：先用 esearch.fcgi 按检索式拿到 PMID 列表，再用 efetch.fcgi 以 XML 格式取回摘要、MeSH 词、作者、期刊等信息。示例检索式可写为：
term = (drug interaction[Title/Abstract]) AND ("2020"[Date - Publication] : "2025"[Date - Publication])
esearch: db=pubmed&term=...&retmax=500&retmode=json
efetch : db=pubmed&id=39000001,39000002&retmode=xml需要注意三点：一是 NCBI 要求请求频率不超过每秒 3 次（无 API key）或 10 次（有 key），批量抓取必须加延时；二是摘要文本可自由使用，但全文受出版社版权保护，不能直接入库；三是 MeSH 词是很好的实体对齐锚点，例如 MeSH 中的“Drug Interactions”可直接映射到图谱的关系类型。
临床试验注册库（ClinicalTrials.gov、中国药物临床试验登记与信息公示平台）提供的是“在研药物—适应症—终点指标”的结构化记录，可通过其 API 按干预措施或适应症检索。这类数据对补充药物研发阶段信息很有价值，但注册信息由申办方自行填报，字段完整度参差，需做缺失值标记。
三、专利数据：可用但需克制
专利是药物化合物、晶型、适应症扩展的重要来源。Google Patents 提供公开检索与批量下载，国家知识产权局提供中国专利的著录项与法律状态。可安全使用的是：专利号、申请日、公开日、申请人、IPC 分类号、标题与摘要。需要谨慎的是权利要求书与说明书全文——其语言高度法律化，直接抽取“药物—靶点”关系容易产生误判，且大规模全文入库可能触及数据库服务条款。建议做法是：专利仅作为“佐证来源”记录在证据字段中，不单独作为关系断言的主依据。
四、电子病历数据：门槛最高的一类
电子病历包含真实世界的用药、诊断、检验与不良反应记录，是药物重定位和安全性信号挖掘的宝贵来源，但也是合规门槛最高的数据。获取路径通常是：医院数据平台提出申请 → 伦理委员会审批 → 签署数据使用协议 → 在院内安全环境内完成去标识化（去除姓名、身份证号、住院号、精确日期等 18 类标识符）→ 以脱敏后的结构化表或视图形式供研究使用。原始病历不得出院区，不得上传至公网环境。若涉及多中心数据，还需各中心分别审批，并明确数据不出域、只交换模型或统计结果的协作方式。
五、许可协议速查与选型建议
| 数据源 | 典型获取方式 | 许可要点 | 可否商用 |
|---|---|---|---|
| DrugBank | 注册申请后下载 XML/CSV | 学术免费，商用需授权，禁止再分发 | 需付费 |
| PubChem | PUG-REST / FTP | 多数为公共领域，部分测定数据有单独声明 | 一般可 |
| ChEMBL | REST API / FTP 快照 | CC BY-SA 4.0，需署名并相同方式共享 | 可，需合规 |
| TTD | 网页检索 / 批量导出 | 学术免费，再分发受限 | 需确认 |
| PubMed | E-utilities | 摘要可用，全文受出版社版权约束 | 摘要可 |
| 临床试验注册库 | 官方 API | 公开数据，需注明来源 | 一般可 |
| 专利 | 专利检索平台 | 著录项可用，全文使用需评估 | 谨慎 |
| 电子病历 | 院内申请 + 伦理审批 | 去标识化，不得出域，用途限定 | 严格受限 |
综合来看，药物数据源的获取不是一次性下载动作，而是一条“许可评估 → 接口调用 → 标识符映射 → 来源标注”的工程链路。把这条链路在项目初期就固定下来，后续的实体对齐、关系融合与版本更新才有稳定的基础。