3. 靶点-药物相互作用数据库介绍归纳总结
做药物靶点建模，数据就是燃料。我刚入行的时候，总觉得算法模型最牛。实践了两年才发现，花在找数据、清洗数据上的时间，远比调参多。这一章，我把那些必须知道的靶点-药物数据库拉出来溜溜，咱们把它们的脾气秉性摸透。
3.1 主流数据库一览
先把几个最常用的数据库放在一个表里对比着看。这样你心里就有数了，什么场景该用什么库。
| 数据库名称 | 核心数据类型 | 特色 | 访问方式 | 一句话点评 |
|---|---|---|---|---|
| ChEMBL | 化合物活性数据 (IC50, Ki, Kd) | 文献数据人工精选，质量高 | Web界面 / Python API / 下载 | 药物化学活性数据首选 |
| DrugBank | 已批准/在研药、靶点机制 | 临床信息详细，有药物-靶点关系 | Web界面 / XML / API | 查药物机制和适应症必备 |
| PDB | 生物大分子三维结构 | 结构数据权威，用于对接 | Web界面 / FTP下载 | 结构建模的基石 |
| PubChem | 小分子化学结构、活性数据 | 数据量巨大，覆盖面广 | Web界面 / FTP / PUG REST | 化合物信息大全 |
| BindingDB | 结合亲和力数据 | 聚焦蛋白-小分子结合数据 | Web界面 / 下载 | 做打分函数训练的好来源 |
3.2 深入几个关键数据源
表格看完了，咱们一个个细聊。我会结合自己的实战经验，告诉你每个库的门道。
3.2.1 ChEMBL：活性数据的宝库
我个人最常用的是ChEMBL。它侧重于药物化学活性数据，说白了，就是IC50、Ki、Kd这些值。它把文献里的这类数据都扒下来整理好，对我们做QSAR或者训练打分函数，简直是量身定做。
举个例子，你有个靶点蛋白，想知道它已知的化合物活性。用Python客户端非常简单：
from chembl_webresource_client.new_client import new_client
targets = new_client.target
target = targets.search('CHEMBL_ID')
activities = new_client.activity
activities.filter(target_chembl_id__in=['TARGET_ID']).filter(pchembl_value__isnull=False)我去年做一个激酶项目，就是用这个接口拉了10万条活性数据。这里要注意，ChEMBL的数据版本很重要。我建议你固定一个版本号，不然以后想复现结果，发现数据对不上了，那可就头大了。
3.2.2 DrugBank：临床与机制的集大成者
DrugBank则更偏向临床和药物机制。它有已批准药的详细靶点信息、代谢途径。如果你想知道一个药物是激动剂还是拮抗剂，或者它有没有副作用，DrugBank是不二之选。
3.2.3 PDB：结构的起点
PDB是结构生物学家的圣殿。做对接的话，结构质量至关重要。我一般会过滤一下分辨率，低于3.0Å的我才放心拿去用。分辨率太低的模型，对接出来的结果容易飘。
3.3 数据获取策略与API使用
为什么不建议每次都去网页上下载？因为数据库更新很频繁。而且手动下载不便于流程化。我个人习惯是写脚本，通过API或FTP定时同步。
这里我提供一个批量获取ID映射的方法，这个在数据整合时常用：
# 使用 UniProt ID 映射 API
import requests
url = "https://rest.uniprot.org/idmapping/uniprotkb"
params = {"from": "ACC", "to": "CHEMBL", "ids": "P04637"}
response = requests.post(url, params=params)
print(response.json())3.4 数据整合流程 (SVG)
上面说了这么多数据库，它们不是孤立的。真正做项目时，需要把它们串联起来。我整理了一张图，你看完就知道数据是怎么流动的了。
3.5 避坑指南：我的数据清洗血泪史
我刚入行时吃过一个大亏。曾经痴迷于堆数据，从四个数据库里凑活性数据，结果训练出来的模型在测试集上表现极差。后来一查，是数据打架了。
- 单位不统一：同一个化合物，一个库标的是10 nM，另一个标的是10 uM。差了一千倍，模型直接学歪了。
- ID映射错误：有些数据库的ID不是唯一的，一个靶点可能有多个Entry。映射时如果不做过滤，会串数据。
- 活性值模糊：有的文献只写了 " > 10000 nM"，这种不确定数据要慎用。直接扔掉往往比留着更安全。
所以我现在建了个内部脚本库，专门用来做数据清洗和标准化。每次开始新项目，第一条命令就是跑一遍标准化流程，确保数据源干净无歧义。
3.6 本章总结
数据库是建模的根基。我个人觉得，与其把时间花在调参上，不如花心思把数据源头理清楚。把ChEMBL、DrugBank、PDB这些库的特点和脾气摸透了，再把它们的数据整合起来，你的模型就已经成功了一半。