第4章 数据获取：公开数据库（ChEMBL, PubChem, ZINC, DrugBank）

搞AI药物发现，数据就是燃料。这可不是一句口号，我刚开始做这个方向时就吃过亏——花了一周折腾模型，最后发现训练数据里混了不少结构错误的分子，结果全白干了。所以选对数据库、拿到干净数据，比调模型参数重要得多。

今天咱们把四个最常用的公开数据库过一遍：ChEMBL、PubChem、ZINC、DrugBank。每个我都用过，踩过坑，也攒了些小技巧。你想想看，如果能把这些数据源玩熟了，搭建管线时就相当于有了自己的弹药库。

1. ChEMBL — 生物活性数据的金标准

ChEMBL 是我个人最常用的数据库之一。它收录了药物分子对靶点的结合亲和力数据（Ki、IC50、EC50 等），而且数据质量很高，有专家人工审查过。说白了，你要做活性预测模型，ChEMBL 是首选。

获取 ChEMBL 数据最推荐的方式是直接用 Python 的 chembl_webresource_client 库。下面是获取某个靶点所有活性分子的例子：

from chembl_webresource_client.new_client import new_client

targets = new_client.target
target = targets.get('CHEMBL203')
print(target['pref_name'])

activities = new_client.activity
activity_list = activities.filter(target_chembl_id='CHEMBL203')
for act in activity_list[:5]:
    print(act['molregno'], act['standard_value'], act['standard_type'])

你也可以直接下载 MySQL dump 或 PostgreSQL 格式的完整数据库文件，自己搭个本地环境。不适合用 API 大批量拉取的话，本地副本更高效。

2. PubChem — 最全面的化合物百科

PubChem 的体量非常大，化合物总数超过 1.1 亿（截止 2024 年）。它不仅包含生物活性数据，还有化学结构、理化性质、安全信息等。说实话，很多时候你可以在 PubChem 找到 ChEMBL 没有的分子。

PubChem 提供了多个接口，我最常用的是 PUG REST 和 PUG View。通过 compound 的 CID 或 SMILES 查询，速度很快。下面是个简单的批量查询例子：

import requests, json

cids = [2244, 2245, 2246]  # 阿司匹林、扑热息痛等
url = f'https://pubchem.ncbi.nlm.nih.gov/rest/pug/compound/cid/{",".join(map(str,cids))}/property/MolecularWeight,MolecularFormula,SMILES/JSON'
resp = requests.get(url)
data = resp.json()
for prop in data['PropertyTable']['Properties']:
    print(prop['CID'], prop['MolecularWeight'], prop['MolecularFormula'])

3. ZINC — 虚拟筛选的采购清单

ZINC 的定位很明确：它收录的是“可购买”的化合物，而且会标注供应商、价格、是否是“类药”分子（Rule-of-Five 过滤）。做虚拟筛选时，ZINC 是首选的化合物来源，毕竟你不能在虚拟世界中合成虚拟分子。

ZINC 提供多种下载格式：SMILES、SDF、甚至预先生成的分子指纹。我记得有一次需要快速搭建一个百万级分子库，直接从 ZINC 的 FTP 下载了一个 .smi 文件，用 Pandas 一行代码就读进来了：

import pandas as pd
df = pd.read_csv('https://zinc.docking.org/substance/scripts/zinc_id_smiles.txt.gz',
                 sep='\t', header=None, names=['ZINC_ID', 'SMILES'])

4. DrugBank — 已上市药物的知识库

DrugBank 是 FDA 批准药物和临床试验药物的数据库，它不光有化学信息，还有详细的药理学、药代动力学、靶点、代谢途径等。如果你想做重定位（drug repurposing）或者了解药物副作用，DrugBank 是必须考的。

DrugBank 的数据获取分两种：开放版本（免费，但条目少一些）和完整版（需要学术申请或购买）。开放版大概包含 13000 种药物，对于多数课题已经够用。

下面是一个用 Python 解析 DrugBank XML 文件（开放版）的示例：

import xml.etree.ElementTree as ET
tree = ET.parse('drugbank_all_open.xml')
root = tree.getroot()

ns = {'db': 'http://www.drugbank.ca'}
for drug in root.findall('db:drug', ns):
    name = drug.findtext('db:name', ns)
    type_ = drug.get('type')
    print(name, type_)

四个数据库对比一览

实战建议：如何选数据库

我一般按这个逻辑来决定用哪个：

• 要是做 QSAR/活性预测，ChEMBL 是首选，补充 PubChem 的 BioAssay 数据。
• 做 虚拟筛选，直接用 ZINC 的“lead-like”或“drug-like”子集，省去过滤步骤。
• 做 药物重定位，DrugBank + ChEMBL 的已知靶点数据就够了。
• 要是需要 大规模负样本（非活性分子），从 PubChem 或 ZINC 随机抽取。