1. 药物研发数据检索与服务工程导论

药物研发是一个高度依赖信息决策的长周期过程。从靶点发现、化合物筛选、临床前研究，到临床试验设计、注册申报与上市后监测，每一个阶段都需要在大量已有知识中定位可靠证据。数据检索在这里不是"查资料"的辅助动作，而是研发决策链上的基础能力：它决定了团队能否在正确的时间拿到正确的数据，并以可复用的方式把数据转化为服务。

本课程把"数据检索"与"服务工程"放在同一框架下讨论。前者关注如何从异构数据源中准确、完整、可追溯地获取信息；后者关注如何把这些检索能力封装成稳定、可维护、可被他人调用的服务。两者结合，才构成药物研发信息基础设施的完整形态。

课程定位与核心问题

本课程面向药物研发中的数据检索与服务构建场景，核心问题可以归纳为四个：查什么、去哪查、怎么查、查完怎么用。

• 查什么：明确信息需求，例如某靶点的已知配体、某化合物的专利与文献覆盖、某适应症的临床试验进展。
• 去哪查：识别权威数据源，如 PubMed、ChEMBL、PubChem、ClinicalTrials.gov、DrugBank、专利数据库等，并理解各源的覆盖范围与更新频率。
• 怎么查：掌握检索语法、字段限定、布尔逻辑、同义词扩展与结果筛选策略。
• 查完怎么用：把检索结果结构化、去重、标注来源，并封装为可重复调用的查询接口或数据服务。

这四个问题贯穿全课程。后续章节会分别展开数据源特性、检索语法、API 调用、数据清洗、服务封装与质量评估等内容。

数据检索在药物研发全生命周期中的价值

在靶点发现阶段，检索帮助研究者确认靶点的可成药性、已有抑制剂或抗体信息，以及相关动物模型数据。在化合物筛选阶段，检索用于排除已知活性化合物、评估专利风险、寻找结构类似物。在临床前阶段，检索支持毒理、药代、安全性数据的横向对比。在临床阶段，检索用于试验方案设计参考、竞品试验进度跟踪、入排标准借鉴。在注册与上市后阶段，检索支撑法规文件、审评报告、不良反应信号的收集。

这些环节的共同点是：检索质量直接影响决策质量。漏检一个关键专利可能导致项目风险，漏检一篇关键文献可能重复已有研究，漏检一条临床试验信息可能误判竞争格局。因此，检索不是一次性动作，而是需要持续维护、可追溯、可复现的工程能力。

服务工程视角

把检索能力工程化，意味着要回答几个问题：检索逻辑是否可版本化？结果是否可缓存？调用是否可监控？异常是否可回退？服务工程视角要求我们不仅会"手动查"，还要会"自动查、稳定查、批量查"。

例如，一个典型的化合物专利检索服务，输入是化合物结构或 SMILES，输出是相关专利号、权利要求摘要、法律状态与命中片段。服务内部需要完成结构标准化、同义词扩展、多源查询、结果合并与去重、置信度排序等步骤。这些步骤的稳定性、响应时间与错误处理方式，都属于服务工程范畴。

学习路径与工具栈概览

本课程的学习路径按"数据源认知 → 检索语法 → API 与自动化 → 数据清洗与结构化 → 服务封装与质量评估"逐步推进。每一层都建立在前一层之上，最终形成可交付的检索服务。

工具栈方面，基础检索需要掌握各数据源的 Web 界面与高级检索语法；自动化检索需要掌握 HTTP 请求、JSON/XML 解析、Python 的 requests 与 pandas 等库；服务封装需要了解 Flask/FastAPI 等轻量框架、缓存机制与日志记录；质量评估则需要设计命中率、召回率、响应时间等指标。