📚 课程目录第4章药物与靶点数据获取

4. 药物与靶点数据获取

药物重定位的第一步不是建模，而是把“药—靶—疾病”三类实体及其证据从多个公共数据源中稳定地取回来。不同数据源的定位差异很大：DrugBank 偏药物与靶点的机制注释，ChEMBL 偏活性测定与化合物结构，TTD 偏已知和潜在的治疗靶点关系，PubChem 偏化合物身份、生物测定与文献关联。若把它们当成同质数据直接拼接，后续会出现 ID 冲突、活性单位混乱、靶点命名不一致等问题。因此本节的核心任务是：理解各源的数据模型与接口，设计可复现的采集流程，并在入库前完成标识归一与证据标注。

一、四个数据源的角色分工

DrugBank 以 DrugCard 为中心，提供药物通用名、商品名、CAS、适应症、作用靶点、酶、转运体和通路信息，其 drug_target 关系带有作用类型（激动、拮抗、抑制剂等）和已知/预测标记，适合构建药物—靶点机制边。ChEMBL 以化合物（molecule_chembl_id）和靶点（target_chembl_id）为核心，通过 activities 表记录 standard_type、standard_value、standard_units、pChEMBL 等标准化活性，是定量证据的主要来源。TTD 聚焦药物—靶点—疾病三元关系，区分“已上市”“临床”“研究”等开发阶段，适合补充治疗方向。PubChem 则以 CID 为化合物主键，提供 BioAssay 活性结果和 Substance 来源信息，常用于结构去重与活性交叉验证。

二、采集前的关键约定

在写采集脚本之前，先固定三件事。第一是主键策略：药物以 InChIKey 为结构主键、CAS 为化学主键、通用名为展示名；靶点以 UniProt AC 为蛋白主键、基因名为常用别名。第二是活性单位：ChEMBL 的 standard_units 常见为 nM，若出现 µM 或 mg/mL，需统一换算为 nM 后再比较，并保留原始值。第三是证据等级：把“已上市药物的已知靶点”与“细胞实验预测靶点”分开标注，避免后续把弱证据当成强证据。

三、以 ChEMBL 为例的采集实现

ChEMBL 提供 REST API，适合按靶点或按化合物增量拉取。下面示例按靶点拉取其活性记录，并只保留人源、结合实验、有标准值的数据。示例参数为教学假设，实际使用时需替换为真实靶点 ID。

import requests, time

BASE = "https://www.ebi.ac.uk/chembl/api/data"
target_id = "CHEMBL203"   # 示例：EGFR

def fetch_activities(target_id, limit=1000):
    url = f"{BASE}/activity.json"
    params = {
        "target_chembl_id": target_id,
        "standard_type__in": "IC50,Ki,Kd",
        "standard_units": "nM",
        "assay_organism": "Homo sapiens",
        "limit": limit,
        "offset": 0
    }
    rows = []
    while True:
        r = requests.get(url, params=params, timeout=30)
        r.raise_for_status()
        data = r.json()
        rows.extend(data["activities"])
        if not data["page_meta"]["next"]:
            break
        params["offset"] += limit
        time.sleep(0.3)   # 限速，避免触发封禁
    return rows

acts = fetch_activities(target_id)
print(len(acts), acts[0]["molecule_chembl_id"], acts[0]["standard_value"])

返回记录中需要重点保留的字段包括：molecule_chembl_id、target_chembl_id、standard_type、standard_value、standard_units、pchembl_value、assay_chembl_id、document_chembl_id。其中 pchembl_value 是 ChEMBL 已按 -log10(mol/L) 换算的负对数活性，可直接用于跨实验比较；若为空，则用 standard_value 自行换算。

四、多源合并时的冲突处理

同一药物—靶点对可能同时出现在多个源中，且活性值不同。常见处理顺序是：先按 drug_uid + target_uid + relation_type 分组；组内优先保留 ChEMBL 的定量活性，DrugBank 提供机制类型，TTD 提供疾病方向，PubChem 用于结构确认。若同一组内出现多个活性值，取中位数或最优值，并记录来源数量作为置信度。对于只有 DrugBank 预测关系、没有实验活性的边，标记为低证据等级，不参与定量排序。

采集时务必保存原始响应快照（JSON/XML）与采集时间戳。公共数据库会更新，保留快照才能在结果异常时回溯是数据变化还是解析逻辑变化。

五、采集结果的自检清单

药物主键是否可解析：InChIKey 缺失时能否回退到 CAS 或名称匹配。
靶点主键是否唯一：同一 UniProt AC 是否被不同基因名重复映射。
活性单位是否统一：是否存在 µM、mg/mL 未换算的记录。
证据来源是否可追溯：每条边是否保留 source 与原始记录 ID。
重复边是否已合并：同一药物—靶点对是否因不同实验被重复计数。

完成上述步骤后，得到的 drug_target_evidence 表即可作为后续重定位打分的基础输入。下一阶段将在此基础上引入疾病关联与网络传播，但前提是本节的数据采集与归一化已经稳定、可复现。