2. 药物重定位数据生态

药物重定位的核心命题是：一个已经上市或进入临床阶段的药物，是否可能对新的适应症产生治疗作用。要回答这个问题，计算与实验都需要证据支撑，而证据来自数据。因此，重定位项目的成败，很大程度上取决于能否在正确的时间拿到正确类型、正确质量的数据。本节从数据来源、数据类型、数据规模与可用性评估四个维度，勾勒药物重定位的数据生态全貌。

一、数据来源：四类主要供给方

药物重定位的数据来源可以按“产生方式”划分为四类，它们各自承担不同角色。

• 公共数据库与知识库：如 DrugBank、ChEMBL、PubChem、UniProt、Reactome、Open Targets、DisGeNET、TTD 等。它们提供药物身份、靶点、通路、疾病关联等结构化信息，是大多数项目的起点。优点是免费、覆盖广、可批量下载；缺点是更新滞后、注释标准不统一、部分字段缺失严重。
• 文献与专利文本：PubMed、Europe PMC、专利数据库蕴含大量未结构化的药物—疾病、药物—靶点、靶点—疾病关系。它们往往是最新证据的唯一来源，但需要 NER（命名实体识别）与关系抽取才能进入计算流程。
• 组学与实验数据：包括转录组（GEO、ArrayExpress）、蛋白组、代谢组、LINCS L1000 扰动数据、CCLE 细胞系数据等。这类数据能刻画药物扰动后的分子表型变化，是“基于表达特征的重定位”的核心输入。
• 真实世界数据（RWD）：电子病历、医保理赔、药品不良反应上报（FAERS）、处方与随访记录。它们反映真实用药人群中的疗效与安全性信号，适合做药物流行病学层面的重定位假设生成，但存在混杂、缺失与隐私合规问题。

二、数据类型：从结构化到非结构化

从数据形态看，重定位数据可分为结构化、半结构化和非结构化三类。结构化数据以表格、图数据库形式存在，字段明确，可直接用于计算，例如 DrugBank 的药物条目、ChEMBL 的活性值（IC50、Ki、EC50）。半结构化数据包括 XML、JSON、RDF 三元组，需要解析后使用。非结构化数据主要是文献全文、专利权利要求、临床笔记，必须经过文本挖掘才能转化为可计算的关系。

按语义层次，又可分为：药物本体数据（名称、结构、靶点、代谢、剂型）、疾病本体数据（ICD、MeSH、OMIM、HPO）、靶点与通路数据、药物—靶点—疾病关联数据、以及药代动力学与安全性数据。理解这些层次，有助于在整合时判断哪些字段可以对齐、哪些需要映射。

三、数据规模：量级与增长

以常见资源为例：DrugBank 收录超过 1.6 万条药物条目，其中已上市药物约 4000 余种；ChEMBL 拥有超过 2000 万个生物活性数据点，覆盖 1 万余个靶点；PubChem 化合物条目超过 1 亿；LINCS L1000 包含数十万条扰动表达谱；FAERS 累计报告数千万份。这些数字说明：数据并不稀缺，稀缺的是高质量、可对齐、可解释的数据。规模越大，实体消歧、版本管理和计算成本问题越突出。

四、可用性评估：五个必须回答的问题

拿到数据不等于能用。可用性评估应围绕五个维度展开，每个维度都有可操作的判断方法。

覆盖度：目标药物、靶点、疾病是否在数据源中出现？例如要研究“二甲双胍—肿瘤”关系，需确认 DrugBank 有该药条目、DisGeNET 有相关疾病关联、ChEMBL 有活性记录。若某关键实体缺失，需寻找替代源或接受覆盖缺口。

一致性：同一实体的标识是否统一？药物常用 DrugBank ID、PubChem CID、ChEMBL ID；疾病常用 ICD-10、MeSH、OMIM。不同源之间必须建立映射表。实践中常见问题是同一药物在不同库中名称拼写不同，或同一疾病在 MeSH 与 ICD 中粒度不一致。

时效性：数据最后更新时间是什么？药物重定位常关注新适应症，若数据库滞后两年以上，可能错过最新临床试验与文献证据。建议记录每个源的版本号与抓取日期。

可对齐性：跨源连接的成功率。可先抽样 100 个药物，统计其在各源中的 ID 映射成功率。若低于 80%，说明需要额外的实体消歧工作。

合规性：数据许可是否允许再分发与商用？RWD 涉及患者隐私，需确认脱敏与授权状态。公共数据库也需查看 license，例如 ChEMBL 采用 CC BY-SA。

五、一个可执行的数据源登记表示例

下表为示例结构，字段可根据项目调整。假设我们要做一个“老药新用”的初步筛选，登记四个核心源。

登记完成后，下一步是确定整合策略：以哪个源为主键、哪些字段需要映射、冲突时如何裁决。这些决策直接决定后续分析的可重复性。数据生态不是静态清单，而是一个需要持续维护的工程对象——版本会变、链接会失效、新源会出现。把数据源当作代码一样管理，是药物重定位数据整合工程的基本素养。