4. 数据来源：公开数据库（DrugBank、UniProt等）

做药物靶点知识图谱，数据从哪来？这是最基础的问题。说实话，我刚入行时也犯过傻——自己爬论文、手动整理，累死累活搞了两个月，最后发现别人早就把结构化数据公开了。公开数据库是建图的基石，选对数据源，你的项目就成功了一半。

我个人习惯，优先用这几个：DrugBank、UniProt、ChEMBL、PDB。它们覆盖了药物-靶点关系的核心信息。今天咱们就逐个拆解，怎么拿数据、怎么用、有什么坑。

4.1 DrugBank：药物-靶点的“全家桶”

DrugBank 是加拿大阿尔伯塔大学的宝贝。它把药物、靶点、通路、相互作用全串在一起。我当年做第一个KG原型时，80%的药物-靶点关系就是从这拉的。

数据怎么拿？ 两种方式：直接下载XML/TSV文件，或者用REST API。

我个人倾向于先用TSV做快速探索。DrugBank官方提供 drugbank.tsv 和 target_uniprot_id.tsv，里面药物ID、靶点ID、作用机制（mechanism of action）都列好了。示例：

DrugBank ID   Name                Target ID   Target Name          Action
DB00001       Lepirudin           P01048      Thrombin             Inhibitor
DB00002       Cetuximab           P00533      Epidermal growth factor receptor Antagonist
DB00003       Denileukin diftitox P01589      Interleukin-2 receptor alpha Agonist

但注意：TSV版本是社区维护的，不一定最新。我建议去官网申请学术账户，拿到完整XML。XML结构更全，包含了药物分类、ATC代码、靶点的UniProt ID列表。解析XML你可以用Python的 xml.etree.ElementTree 或 xmltodict，我习惯用后者，代码干净：

import xmltodict
with open('drugbank.xml', 'r') as f:
    data = xmltodict.parse(f.read())
drugs = data['drugbank']['drug']
for drug in drugs[:5]:
    print(drug['name'], drug['drugbank-id'])

4.2 UniProt：靶点蛋白的“身份证”

DrugBank 给了你靶点的UniProt ID，但蛋白的完整信息（序列、功能、结构域、疾病关联）都在 UniProt 里。说白了，UniProt 就是蛋白质界的维基百科。

怎么查？ 两种主流方式：

• SPARQL 端点：官方提供的知识图谱查询接口。你可以写类似SQL的语句，灵活抽取数据。
• RESTful API：常用的 https://rest.uniprot.org/uniprotkb/P01048 返回JSON，包含所有注释。

举个例子，我想批量拉取某个药物所有靶点的功能描述：

curl -X GET "https://rest.uniprot.org/uniprotkb/search?query=accession:P01048 OR accession:P00533&format=json" -H "Accept: application/json"

返回的JSON里，proteinDescription 和 function 字段就是你要的。我曾在项目里直接用Python的 requests 循环调用，但小心限速——UniProt 没有API key，但限制每秒最多30次请求。我吃过一次亏：写了个for循环忘了加time.sleep，结果被临时封了IP。

还有一个我常用的数据：Gene Ontology (GO) 注释。靶点的GO项能告诉你它参与哪些生物学过程、分子功能。这些属性做知识推理时特别有用。比如一个靶点有“G蛋白偶联受体活性”的GO，那它大概率是GPCR类靶点。

4.3 ChEMBL：活性数据“集散地”

DrugBank 告诉你“这个药跟那个靶点有相互作用”，但没告诉你“结合有多强”。ChEMBL 正好补这个缺口。它收集了文献里发表的化合物-靶点活性数据，包括 IC50、Ki、EC50 等。

数据下载：ChEMBL 提供 MySQL dump 和 SDF 文件。我推荐用他们的 ChEMBL Web资源客户端 (chembl_webresource_client)，Python 包，一行代码就能查：

from chembl_webresource_client.new_client import new_client
molecule = new_client.molecule
target = new_client.target
activities = new_client.activity
# 查找某个靶点的所有化合物活性
acts = activities.filter(target_chembl_id='CHEMBL1827').only(['molecule_chembl_id', 'standard_value', 'standard_type'])
for a in acts:
    print(a['molecule_chembl_id'], a['standard_value'], a['standard_type'])

你看，返回的直接是Python字典，省去了解析JSON的麻烦。我自己做KG时，会把ChEMBL的活性值作为实体属性加到“药物-靶点”关系上，这样后续可以做“效力排序”。

数据库	核心数据	获取方式	推荐场景
DrugBank	药物-靶点关系、机制	XML/TSV/REST API	基础骨架
UniProt	蛋白质序列、功能、GO	REST API/SPARQL	丰富靶点属性
ChEMBL	化合物-靶点活性值	Python客户端/MySQL	量化相互作用
PDB	蛋白质3D结构	REST API/下载mmCIF	结构信息
NCBI Gene	基因位置、别名、疾病	Entrez API/E-utilities	跨物种映射

4.4 数据整合的核心思路

数据库多了，怎么把它们串起来？核心就是 ID映射。DrugBank 的靶点ID是 DBXXXXX 格式，但UniProt用的是 PXXXXX 格式。好在每个数据库都提供了交叉引用表。比如DrugBank的XML里，每个靶点节点下面就有 <uniprot-id> 字段。

我总结了一个三步整合流程：

1. 建立种子列表：从DrugBank筛选出全部已批准药物及其靶点UniProt ID。
2. 属性扩展：用UniProt ID去拉取功能描述、GO项、疾病关联。
3. 活性注入：用ChEMBL的化学分子ID（CHEMBL ID）关联到药物，然后取对应靶点的活性数据。

下面这个SVG图展示了数据源到知识图谱的流动过程：

4.5 实战避坑：数据质量与更新

公开数据库看起来美好，但用起来到处是坑。我踩过几个，列出来你注意：

• ID 过时：UniProt 的 accession 号会合并或拆分。最好每次用 id mapping 服务重新映射一次。
• 重复关系：DrugBank 里同一个药物-靶点对可能出现多次（不同出版物）。合并时取置信度最高的。
• 许可协议：DrugBank 的学术版不能商用。你如果要上生产，得买商业授权。UniProt 和 ChEMBL 是CC BY-SA 4.0，相对宽松。
• API 限流：类似 UniProt 30次/秒，ChEMBL 10次/秒。批量拉数据时记得用 time.sleep(0.5) 或并发控制。

最后总结一句：数据源选对了，建图就成功了一半。DrugBank 给骨架，UniProt 填血肉，ChEMBL 加活性，PDB 加结构，NCBI Gene 连基因。你能把这几个串起来，知识图谱的质量基本就稳了。实际项目中，我还会加一些疾病数据库（如 DisGeNET）做疾病-靶点关联，但那已经是下一章的内容了。