2. 药物研发主数据全景识别
药物研发主数据治理的第一步不是建系统，而是把“有哪些主数据”看清楚。研发链条从靶点发现、先导化合物优化、临床前研究，一直延伸到临床试验与上市申报，跨越化学、生物、药理、临床、采购、法规等多个职能。每个职能都有自己的“核心对象”，但这些对象之间又通过引用关系彼此咬合。如果一开始就把所有数据都当成主数据，治理范围会失控；如果只挑一两个域，又会在跨域关联时出现断链。因此，全景识别的目标是：划定主数据域、明确每个域的边界、给出可操作的识别方法。
一、主数据域的分类逻辑
药物研发主数据可以按“研发对象—研发活动—研发资源”三条线索来划分。研发对象是研究的目标物，包括化合物、靶点、生物样本、生物标志物；研发活动是围绕对象开展的试验与项目，包括临床前研究、临床试验、申报项目；研发资源是支撑活动的人、组织与物料，包括研究者、机构、供应商、对照药与试剂。这三条线索不是并列的清单，而是有引用方向的：活动引用对象，资源被活动引用，对象之间也存在结构关系（如化合物作用于靶点）。
按此逻辑，常见主数据域可归纳为七类：化合物域、靶点域、生物样本域、临床试验域、供应商域、研究者域、机构域。其中化合物、靶点、生物样本属于“科学对象域”，临床试验属于“活动域”，供应商、研究者、机构属于“资源域”。生物标志物、对照药、试剂等可作为扩展域，在识别阶段先挂靠到最接近的主域，待边界清晰后再决定是否独立。
二、各主数据域的边界与关键属性
化合物域的边界是“可被独立标识的化学实体”。一个化合物可以有多个盐型、晶型、批次，但主数据层只保留化合物本体，盐型、晶型作为子实体或属性存在。关键属性包括内部化合物编号、CAS号、分子式、分子量、结构式、研发阶段。识别时要注意：同一化合物在不同项目中的别名必须归并到同一主数据记录，否则后续药理、毒理数据无法关联。
靶点域的边界是“被研究或干预的生物分子或通路”。靶点可以是基因、蛋白、受体、酶、离子通道或信号通路。关键属性包括靶点编号、基因名、蛋白名、UniProt ID、物种、靶点类型。边界难点在于：同一蛋白的不同亚型、突变体是否算同一靶点？通常做法是主数据层保留“靶点家族”，亚型作为变体属性，避免靶点记录爆炸。
生物样本域的边界是“从生物体采集、具有唯一标识的样本”。关键属性包括样本编号、样本类型（血、组织、细胞、尿液）、采集时间、采集地点、受试者或动物编号、存储条件。生物样本与临床试验、临床前研究强关联，识别时要区分“样本类型”这一参考数据与“具体样本”这一主数据。
临床试验域的边界是“一次有明确方案、中心、受试者范围的临床研究”。关键属性包括试验编号、方案编号、适应症、分期、申办方、研究中心、状态。临床试验是活动域，它引用化合物、靶点、生物样本、研究者、机构，因此识别时要重点梳理它的外键关系，而不是把它当成孤立主数据。
供应商域、研究者域、机构域属于资源域。供应商边界是“提供研发物料或服务的法人实体”，关键属性包括供应商编号、名称、类型（CRO、CDMO、试剂商）、资质状态。研究者边界是“参与研发活动的自然人”，关键属性包括研究者编号、姓名、所属机构、角色（PI、Sub-I）。机构边界是“承担研发活动的组织”，关键属性包括机构编号、名称、类型（医院、实验室、大学）、地址。三者之间通过“任职”“合作”“委托”关系连接，识别时要避免把同一机构的不同院区、同一研究者的不同项目角色重复建记录。
三、识别方法：从数据流反推主数据
实际识别时，建议采用“字段清单—引用频次—唯一性检验—业务确认”四步法。第一步，从LIMS、ELN、CTMS、ERP、注册申报系统中导出近12个月的字段清单，形成候选字段池。第二步，统计每个字段被引用的频次和跨系统出现次数，高频且跨系统的字段优先进入候选。第三步，对候选字段做唯一性检验：同一对象在不同系统中的编码是否一致？是否存在一物多码？第四步，与业务方逐域确认边界，输出主数据域清单和责任矩阵。
以一个教学示例说明：假设某研发企业在LIMS中发现“化合物编号”字段在合成、纯化、药理三个模块中均被引用，在ELN中用于实验记录关联，在CTMS中用于试验用药关联。该字段跨4个系统、被引用频次高、且各系统编码规则一致，则可判定为化合物域主数据。相反，“实验温度”字段仅在ELN中出现，且每次实验取值不同，则属于事务数据，不纳入主数据。
四、边界冲突的常见处理
边界冲突最常出现在三个地方：一是化合物与批次，二是靶点与生物标志物，三是机构与供应商。化合物与批次的处理原则是“主数据管本体，批次管实例”；靶点与生物标志物的处理原则是“靶点是被干预对象，生物标志物是被测量指标”，二者可关联但不应合并；机构与供应商的处理原则是“机构是执行方，供应商是提供方”，同一法人可能同时扮演两种角色，此时应保留两条主数据记录，通过角色关系关联，而不是强行合并。
全景识别的最终产出是一张主数据域地图：横轴是研发阶段，纵轴是主数据域，交叉点标注该域在哪些阶段被引用、由哪个系统承载、责任部门是谁。这张地图既是治理范围的依据，也是后续数据标准、数据质量规则的起点。