2. 药物研发数据生态与数据源图谱
药物研发从靶点发现到上市后再评价，跨越十余年周期，每个阶段都在产生和消费不同类型的数据。理解这些数据的类型边界、来源渠道与授权规则，是构建检索与服务系统的前提。本节先建立“数据类型—数据源—授权边界”三层认知框架，再落到可操作的选源与合规判断。
一、九类核心数据类型及其在研发链条中的位置
药物研发数据可按对象与用途划分为九类，它们并非孤立存在，而是沿研发链条形成上下游依赖：
- 化学数据：化合物结构（SMILES、InChI）、分子式、分子量、理化性质（logP、pKa、溶解度）、结构活性关系（SAR）。是苗头化合物筛选与先导优化的基础。
- 生物数据：基因、蛋白序列、表达谱、蛋白互作、生物标志物。支撑靶点验证与机制研究。
- 靶点数据：靶点身份、家族分类、可成药性、与疾病的关联证据等级。
- 通路数据：信号通路、代谢通路、通路上下游关系，用于解释药物作用机制与脱靶效应。
- 临床数据：临床试验注册信息、方案、入排标准、终点、不良事件、试验结果。是转化研究与注册申报的关键证据。
- 毒性数据：急性/慢性毒性、致突变、致癌、生殖毒性、器官特异性毒性，直接决定候选化合物能否推进。
- 药代数据：ADME参数（吸收、分布、代谢、排泄）、半衰期、生物利用度、CYP酶相互作用。
- 专利数据：化合物专利、用途专利、制剂专利的权利要求、法律状态、同族与引证关系。
- 文献数据：期刊论文、会议摘要、预印本，承载机制假说与最新研究进展。
这九类数据在检索系统中的价值不同：化学与靶点数据偏结构化、可精确匹配；文献与专利偏文本、需语义检索；临床与毒性数据则常以半结构化表单或自由文本存在，抽取难度最高。
二、公开数据库与商业数据源的分工
公开数据源以政府机构、学术联盟和国际组织为主，典型代表包括：PubChem（化合物与生物活性）、ChEMBL（药物化学与活性）、PDB（蛋白结构）、UniProt（蛋白序列与功能）、ClinicalTrials.gov（临床试验注册）、DrugBank（药物与靶点，部分开放）、KEGG与Reactome（通路）、TOXNET及其后继资源（毒性）、PubMed（文献）、Google Patents与Espacenet（专利）。公开源的优势是免费、可批量获取、社区活跃；局限是更新节奏不一、字段规范不统一、部分数据质量参差。
商业数据源以科睿唯安Cortellis、Elsevier Reaxys、Clarivate Integrity、AdisInsight、PatBase、Derwent World Patents Index等为代表，优势在于人工标引、覆盖深度、法律状态跟踪与竞争情报整合，代价是授权费用高、使用范围受合同约束。实际项目中常见策略是“公开源做广度与初筛，商业源做深度与关键决策验证”。
三、数据可用性与授权边界
数据“能访问”不等于“能使用”。授权边界需从四个维度判断：
- 许可类型：CC0、CC BY、CC BY-NC、自定义学术许可、商业订阅许可，决定能否商用、能否再分发、是否需署名。
- 使用范围：是否允许文本挖掘、是否允许批量下载、是否允许训练模型、是否允许对外提供服务接口。
- 衍生与再分发：能否将衍生数据对外发布，能否嵌入自有产品。
- 合规与伦理：临床数据涉及患者隐私与GDPR/HIPAA，专利数据涉及法律状态时效性，使用前需确认来源与时效。
四、数据源图谱与选源判断
将上述内容组织为一张数据源图谱，有助于在具体检索任务中快速定位“该查哪个源、能怎么用”。下图按数据类型分组，标注典型公开源与商业源，并用颜色区分授权宽松度，供选源时参考。
五、从图谱到检索服务的设计要点
把数据源图谱落到工程实现，需要处理三个关键问题。第一是标识符映射：同一化合物在PubChem用CID、在ChEMBL用CHEMBL_ID、在DrugBank用DB_ID，必须建立交叉引用表，否则跨源检索会断裂。常用做法是以InChIKey作为化学结构的全局主键，以UniProt AC作为蛋白主键，以NCT号作为临床试验主键。
第二是字段规范化：不同源对“毒性”“适应症”“阶段”的表述差异很大。例如临床阶段在ClinicalTrials.gov用Phase 1/2/3，在AdisInsight可能用“Phase II”“Pre-registration”等。需要在入库时建立受控词表映射，保留原始值并附加标准化值。
第三是授权元数据管理：每个数据源应记录许可类型、允许用途、禁止用途、更新频率、引用要求、到期时间。检索服务在返回结果时，可按授权状态决定是否展示、是否允许导出、是否允许二次分发。例如CC BY-NC来源的数据在商业产品中只能用于内部参考，不能直接对外提供。
数据生态不是静态清单，而是随政策、商业并购和开放科学运动持续变化。例如TOXNET退役后部分功能迁移至PubChem和EPA CompTox，专利数据库的覆盖范围也随各国公开制度调整。因此，数据源图谱需要定期复核，建议每季度检查一次关键源的可用性与许可变更，避免因授权过期或接口下线导致检索服务中断。