第2章 生物医药数据源介绍：DrugBank、UniProt、KEGG等

做知识图谱，你得先搞清楚“数据从哪来”。

我刚入行那会，觉得只要会写代码、会搭图数据库就行。结果第一个项目就栽了跟头——图谱搭好了，但里面的实体和关系全对不上。为什么？因为数据源本身就有问题。

这一章，我带你过一遍生物医药领域最常用的几个公开数据库。你不必全记住，但得知道每个库的脾气、特长、以及我踩过的坑。

2.1 DrugBank：药物数据的“权威字典”

DrugBank（https://go.drugbank.com）是目前最全的开源药物与靶点数据库。它由加拿大阿尔伯塔大学维护，每年更新两次。说起这个库，我最开始用的时候真是又爱又恨。

2.1.1 核心特点

• 数据覆盖广：超过16,000种药物条目，包括FDA批准的小分子药物、生物药、以及实验阶段的候选化合物。
• 靶点信息丰富：每个药物条目都会列出靶点蛋白、作用机制、代谢酶、转运体等关联信息。
• 结构化程度高：提供XML和JSON格式下载，方便批量处理。

2.1.2 数据分层与典型字段

DrugBank的数据分三层：药物层、靶点层、交互层。我习惯用它的XML版本做知识图谱的实体抽取。

DrugBank XML结构示例（简化）：
<drugbank xmlns="http://www.drugbank.ca">
  <drug type="biotech">
    <drugbank-id primary="true">DB00001</drugbank-id>
    <name>Lepirudin</name>
    <description>A recombinant hirudin...</description>
    <targets>
      <target>
        <id>BE0000115</id>
        <name>Thrombin</name>
        <organism>Human</organism>
        <actions>
          <action>inhibitor</action>
        </actions>
      </target>
    </targets>
  </drug>
</drugbank>

我个人习惯把drugbank-id作为药物实体的唯一标识，把targets节点下的信息展开成“药物-抑制/激活-靶点”这样的关系。

2.1.3 常用字段映射表

2.2 UniProt：蛋白质信息的终极“户口本”

UniProt（Universal Protein Resource）是全世界最权威的蛋白质序列与功能数据库。说白了，你要查一个蛋白的基本信息，翻UniProt准没错。

它有两个核心子库：

• Swiss-Prot：人工校验，质量高，但覆盖少（约57万条）。
• TrEMBL：自动注释，数据量大（约2.5亿条），但可能有错误。

2.2.1 为什么知识图谱要用UniProt？

在药物靶点知识图谱中，蛋白是连接药物和基因的关键桥梁。DrugBank只说“这个药作用于某个靶点”，但靶点的序列、结构域、相关疾病、基因名称，都得靠UniProt补齐。

我建议你在图谱中直接把UniProt ID作为蛋白实体的主键。原因很简单：它是跨数据库的“通用语言”。

2.2.2 数据下载与解析

UniProt提供多种格式：

• XML：结构清晰，适合解析。
• Flat File（.dat）：体积最小，但解析起来比较麻烦。
• JSON：逐渐成为主流，也推荐你使用。

UniProt JSON格式示例（核心字段）：
{
  "entryType": "UniProtKB_Swiss-Prot",
  "primaryAccession": "P68871",
  "uniProtkbId": "HBB_HUMAN",
  "proteinDescription": {
    "recommendedName": {
      "fullName": {
        "value": "Hemoglobin subunit beta"
      }
    }
  },
  "genes": [
    {
      "geneName": {
        "value": "HBB"
      }
    }
  ],
  "organism": {
    "scientificName": "Homo sapiens",
    "taxonId": 9606
  }
}

嗯，这里要注意：UniProt的JSON API有流量限制。如果你要批量下载成千上万个蛋白，别用REST API一个个请求，去它的FTP服务器下完整数据集才是正道。

# 下载完整版Swiss-Prot的XML文件（2024年9月版）
wget ftp://ftp.uniprot.org/pub/databases/uniprot/current_release/knowledgebase/complete/uniprot_sprot.xml.gz
gunzip uniprot_sprot.xml.gz

2.3 KEGG：通路与疾病网络的“导航图”

KEGG（Kyoto Encyclopedia of Genes and Genomes）是日本京都大学和东京大学联合维护的数据库。它的特色不是单个基因或蛋白，而是把生物过程看成“通路”。

我觉得KEGG最牛的地方在于：它把“基因”、“化合物”、“疾病”、“药物”串成了一张网。你想想看，这跟知识图谱的思维方式是不是天然契合？

2.3.1 核心子库

2.3.2 如何获取KEGG数据

KEGG提供REST风格的API，不需要KEY，但有并发限制。我习惯用它来查询“某个基因参与了哪些通路”。

# 获取基因hsa:3569（即IL6）参与的通路
curl "https://rest.kegg.jp/link/pathway/hsa:3569"

# 返回结果示例：
# hsa:3569  path:hsa04630  (JAK-STAT signaling pathway)
# hsa:3569  path:hsa05140  (Leishmaniasis)
# hsa:3569  path:hsa05142  (Chagas disease)
# hsa:3569  path:hsa05150  (Staphylococcus aureus infection)
# hsa:3569  path:hsa05160  (Hepatitis C)
# hsa:3569  path:hsa05161  (Hepatitis B)
# hsa:3569  path:hsa05162  (Measles)
# hsa:3569  path:hsa05164  (Influenza A)
# hsa:3569  path:hsa05168  (Herpes simplex infection)
# hsa:3569  path:hsa05202  (Transcriptional misregulation in cancer)

你看，一个IL6基因就关联了10条通路。这在知识图谱里就是“基因-参与-通路”的三元组关系。

2.3.3 KEGG DISEASE的独特价值

DrugBank虽然有适应症字段，但很多时候药理上“这个药能治这种病”并不等于“这种病的病因跟这个靶点有关”。KEGG DISEASE提供了更严谨的疾病-基因关联。

# 查看疾病D00045（Alzheimer disease）关联的基因
curl "https://rest.kegg.jp/link/genes/H00045"

# 结果包含已知的AD相关基因：
# hsa:3422  (IDUA)
# hsa:3426  (IFI16)
# hsa:351   (APP)
# hsa:5647  (PSEN1)
# hsa:5663  (PSEN2)
# hsa:5664  (PSENEN)

2.4 知识体系总览

这三个数据库各司其职，组合起来就能搭建一个初步的药物靶点知识图谱。我习惯把它们叫做“铁三角”：

• DrugBank：提供药物实体+药物-靶点关系
• UniProt：提供蛋白实体+功能描述+基因映射
• KEGG：提供通路、疾病与基因/药物的关联

SVG图展示这三者如何共同支撑起知识图谱的“实体-关系-语义”三层结构：

2.5 建图前的关键一步：ID映射

数据源介绍完了，有件事你必须心里有数：ID映射。

同一个蛋白，在DrugBank里是一个ID，在UniProt里是另一个ID，在KEGG里可能又是一个ID。你不把ID打通，图谱就是一张“断头路”。

我建议你在建图之前，先拉一张ID映射表：

# drugbank_uniprot_map.txt（示例）
DB00001  P68871
DB00002  P01019
DB00003  P00734
DB00004  P01375

UniProt官方提供了一个映射服务API，可以用来做批量转换：

# 使用UniProt ID Mapping API（POST请求）
curl -X POST "https://rest.uniprot.org/idmapping/run" \
  -H "Content-Type: application/x-www-form-urlencoded" \
  -d "from=DRUGBANK_DRUG_ACCESSION&to=UniProtKB&ids=DB00001,DB00002,DB00003,DB00004"

# 返回一个jobId，然后轮询结果：
curl "https://rest.uniprot.org/idmapping/results/{jobId}"