2. 药物文本数据来源与获取

药物文本与分子联合建模的第一步，不是搭模型，而是把“文本从哪来、能不能用、怎么拿到手”这三件事定清楚。药物文本数据具有明显的多源异构特征：文献讲机制与实验，专利讲权利边界与实施例，临床试验登记讲方案与结果，药品说明书讲已获批的适应症、剂量与警示。四类文本在语言风格、结构程度、更新频率和授权条件上差异很大，直接混在一起采集，往往在后期清洗和标注阶段付出成倍代价。因此本节按“来源定位—接口与字段—合规边界—落地采集”的顺序展开，并给出可直接参考的采集清单。

四类核心来源的定位与获取方式

PubMed 文献。PubMed 是生物医学文献的主入口，底层是 MEDLINE 数据库，通过 NCBI E-utilities 提供程序化访问。检索时不要只用自由词，应组合 MeSH 主题词、字段限定和布尔逻辑。例如检索某靶点与耐药相关的文献，可用：

esearch.fcgi?db=pubmed&term=(EGFR[Title/Abstract]) AND (drug resistance[MeSH Terms]) AND ("2018"[PDAT] : "2024"[PDAT])&retmax=200&retmode=json
efetch.fcgi?db=pubmed&id=...&rettype=abstract&retmode=xml

esearch 返回 PMID 列表，efetch 按 PMID 取回摘要或全文元数据。摘要可自由用于内部研究，但全文受出版社版权约束，批量下载全文需通过 PMC 开放获取子集或机构订阅，不能绕过付费墙抓取。NCBI 要求请求频率不超过每秒 3 次（无 API key）或 10 次（有 key），超限会被限流。

专利文本。专利是药物分子结构、晶型、盐型、制剂和用途信息的重要来源。常用入口包括 Google Patents、Espacenet、WIPO PATENTSCOPE 以及各国专利局公开系统。专利文本的关键字段是标题、摘要、权利要求、说明书实施例和化学结构式。采集时优先使用公开的批量数据或官方 API，注意专利文献本身属于公开文献，但大规模镜像和再分发需遵守数据提供方条款。专利中的实施例常包含具体化合物编号、活性数据和制备方法，是分子—文本对齐的高价值样本。

临床试验登记。ClinicalTrials.gov 提供 API（如 https://clinicaltrials.gov/api/v2/studies），可按干预措施、适应症、分期、状态检索，返回 JSON 结构，字段包括 NCT 号、入排标准、主要终点、不良事件等。中国药物临床试验登记与信息公示平台、EU CTR 也是重要补充。登记信息属于公开披露内容，但引用时应注意版本与更新日期，因为方案会修订，同一 NCT 号在不同时间抓取结果可能不同。

药品说明书。说明书是已获批药品的权威文本，包含适应症、用法用量、禁忌、警告、不良反应和药理毒理。美国 FDA 的 DailyMed、欧洲 EMA 的药品信息、中国国家药监局数据库均可查询。说明书结构高度模板化，适合按“章节—段落—句子”切分并抽取实体。需注意说明书受版权保护，内部建模使用通常可行，但对外发布衍生文本需评估授权。

合规使用的三条底线

第一，授权边界：区分开放获取、机构订阅和需单独授权的内容，不把“能访问”等同于“能批量使用和再分发”。第二，访问方式：优先使用官方 API 和批量下载渠道，遵守 robots.txt、速率限制和用户协议，避免高频爬取造成服务压力。第三，数据治理：记录来源、抓取时间、版本、许可类型和字段映射，形成可追溯的数据血缘。对于含患者信息的文本，即使已去标识化，也应避免与可重识别信息关联。

采集落地：从检索到入库

实际工程中，建议按“来源适配器”组织采集：每个来源一个适配器，负责认证、分页、限流、字段映射和错误重试，统一输出为带元数据的 JSONL。下面给出一个可参考的采集记录字段清单：

以 PubMed 为例，一次完整采集可拆为：构造检索式 → esearch 取 PMID → efetch 取 XML → 解析标题、摘要、MeSH、发表年份 → 写入 JSONL 并记录 license 与 fetched_at。若某条记录解析失败，应保留原始 XML 并标记错误类型，而不是直接丢弃。对于专利和说明书，重点抽取结构化段落；对于临床试验，重点抽取入排标准和终点字段。采集完成后，用少量样本人工核对字段映射是否正确，再进入清洗与标注环节。