第4章：公共数据库使用——UniProt、PDB、ChEMBL

做药物靶点挖掘这事，很多新手上来就直奔PubMed查文献。我的经验是——先别急。真正干活儿的老手都知道，先把几个公共数据库摸透，后面能省80%的力气。

这一章咱们就盯住三个核心库：UniProt（蛋白序列和功能）、PDB（三维结构）、ChEMBL（活性数据）。我习惯叫它们「靶点三件套」。你把这套组合拳打熟了，大多数靶点相关的信息都能快速捞出来。

4.1 UniProt——靶点序列与功能的主源头

UniProt是目前最权威的蛋白序列和功能注释数据库。我个人做靶点调研时，第一站永远是它。

它其实有三个子库，但常用的就两个：

• Swiss-Prot：人工审核的，靠谱但更新慢
• TrEMBL：自动注释的，量大但质量参差

4.1.1 怎么查？怎么用？

假设我们要查人源EGFR靶点。直接在UniProt首页搜「EGFR human」，点进第一个结果（P00533）。你会看到这些关键字段：

我最常做的事——把FASTA序列拉下来，然后直接丢到后续的分析流程里。怎么做？

# Python调用UniProt REST API，批量拉指定靶点序列
import requests

target_id = "P00533"
url = f"https://www.uniprot.org/uniprot/{target_id}.fasta"
response = requests.get(url)

if response.ok:
    with open(f"{target_id}.fasta", "w") as f:
        f.write(response.text)
    print("FASTA下载成功")
else:
    print("查不到这个ID，检查一下")

4.1.2 实战——批量下载靶点家族

搞药化的人经常需要检索整个激酶家族的序列。我习惯这么干：

# 用UniProt的REST API，检索人源所有激酶
query = "organism:9606 AND keyword:Kinase"
url = f"https://rest.uniprot.org/uniprotkb/search?query={query}&format=fasta&size=500"

response = requests.get(url)
with open("human_kinases.fasta", "w") as f:
    f.write(response.text)

这一步跑完，你就拿到了500条激酶序列。后面做多序列比对、构建系统发育树，底子就有了。

4.2 PDB——三维结构，物化对接的根基

拿到序列后，下一步是看结构。PDB（Protein Data Bank）是全球最大的生物大分子结构库。做分子对接、虚拟筛选的人，天天跟它打交道。

PDB里的结构主要来自X射线、NMR、冷冻电镜。我个人最信任X射线解析的，分辨率2.5Å以上的才好用。

4.2.1 结构查询和下载

搜PDB的结构跟UniProt不太一样。你用基因名或蛋白名搜，有时会出来一堆entry。

我在实际项目中通常这样做——先找到目标靶点的PDB ID列表，然后批量下载结构文件。

# 假设我们已经有了PDB ID列表
pdb_ids = ["1M17", "2GS6", "3W2R"]

for pdb_id in pdb_ids:
    url = f"https://files.rcsb.org/download/{pdb_id}.pdb"
    os.system(f"wget {url}")
    print(f"下载{pdb_id}完成")

4.2.2 如何准备结构文件

下载完原始PDB文件，不能直接用。结构里可能含有水分子、缓冲液、无关配体。得先清理。我常用的清洗流程：

# 用pdb4amber自动清理，去掉水和杂原子
pdb4amber -i 1M17.pdb -o 1M17_clean.pdb --dry --reduce
# 或者用pyMOL手工删
# 在pymol里： remove solvent; remove organic

嗯，这里要注意——如果是做对接，共价配体或金属离子要去掉，但结合位点的关键水分子反而要保留，它们参与了氢键网络。

4.3 ChEMBL——活性数据的金矿

有了靶点和结构，还得知道有没有已知的活性分子。ChEMBL就是干这个的——化合物-靶点活性数据库，目前收录了超过2000万个活性数据点。

4.3.1 核心数据字段

4.3.2 实战——查一个靶点的已知活性分子

还是EGFR这个例子。ChEMBL支持REST API，也可以直接web搜索。我一般优先用web查，确认后再批量用API拉。

# Python调用ChEMBL API，搜EGFR的活性化合物
import requests

url = "https://www.ebi.ac.uk/chembl/api/data/activity.json"
params = {
    "target_chembl_id": "CHEMBL203",
    "standard_type": "IC50",
    "standard_relation": "=",
    "limit": 100
}
r = requests.get(url, params=params)
data = r.json()

for act in data['activities']:
    print(act['molecule_chembl_id'], act['standard_value'], act['standard_units'])

4.3.3 常见错误——「活性」不等于「选择性」

我曾经看到有人把ChEMBL里拉到的数据直接拿去训练模型，结果模型输出的活性很高，但实际在细胞实验里完全无效。为什么？

因为ChEMBL的活性数据主要是生化实验（binding assay），而不是细胞实验（cellular assay）。生化活性不等于细胞渗透性，更不等于体内有效性。数据清洗时一定要标注assay_type，分开用。

4.4 三库联用——一条完整的靶点信息管道

单用一个库是不够的。我搭建的靶点Pipeline里，这三个库是串起来用的。下面这张图展示了我个人实战中的调用流程：

你看，实际流程是单向的：先有序列（UniProt），再找结构（PDB），最后跑活性数据（ChEMBL）。每层数据都要往回对照，防止ID搞混。

4.5 避坑指南——我踩过的三个坑

在实战中，我会遇到几个让新手很崩溃的问题。说说我的血泪史：

• 坑一：ID映射出错。 我曾经把一个UniProt ID直接当成PDB entry用，程序报错查了半天，才发现ID系统完全不一样。正确做法是：UniProt的「Cross-reference」板块里明确标注了对应PDB条目，手动核对一遍再批量。
• 坑二：ChEMBL活性数据里的假阳性。 有些化合物在生化实验里很强，但纯属假阳性（比如聚集剂、荧光干扰）。我的做法是——用PAINS过滤器先扫一遍，扔掉那些可疑的。
• 坑三：PDB里配体坐标乱。 下载的结构里配体位置可能不对，尤其是来自同源建模的。必须看着电子密度图验证一下，否则对接结果全废。

4.6 本章小结