📚 课程目录第2章 PubMed数据库详解

第2章 PubMed数据库详解：结构、检索语法与API归纳总结

做药物靶点关系的文献挖掘，PubMed是你绕不开的第一站。说实话，很多人都只是把它当普通文献搜索引擎——输入关键词、点搜索、看摘要。但我告诉你，如果你只停留在表面，那抓回来的数据质量大概率不靠谱。

这一章，我会带你拆开PubMed的底层结构，把它的字段、检索语法、API调用规则讲清楚。嗯，全是干活用得着的东西。

2.1 PubMed记录的内部结构

PubMed里的每篇文章，对应一条记录。每条记录由多个字段组成。我刚开始用NCBI E-utilities时，最头疼的就是搞不清字段名——同样的信息，在XML里可能叫PMID，也可能叫MedlineTA，稍不注意就写错。

下面这张表，是我自己整理的核心字段清单，你用API时一定会碰到。

字段名	全称	用途说明
PMID	PubMed Identifier	文章唯一标识号
TI	Title	文章标题
AB	Abstract	摘要全文
AU	Author	作者列表
AD	Affiliation	作者机构
MH	MeSH Terms	医学主题词（我最爱用的字段）
RN	Registry Number	化学物质登记号（药物靶点必备）
PT	Publication Type	文献类型（例如Review、Clinical Trial）
DP	Date of Publication	发表日期
SO	Source	期刊名、卷期页码

重点提示： 检索药物靶点时，我强烈建议你多用MH字段。你想想看，同一个靶点蛋白在不同文章里可能有不同写法——“EGFR”“ErbB1”“HER1”，但MeSH词会统一成一个节点。如果你只用自由词，漏掉一半文章是常有的事。

2.2 检索语法：从入门到避坑

PubMed的检索语法说实话并不难，但它有一些藏得很深的坑。我早年写过一个爬虫，因为没处理引号里的短语，结果把“NPY receptor”拆成了“NPY”和“receptor”，召回了一堆不相关的神经肽论文。

核心语法规则就这么几条：

布尔逻辑： NOT
短语检索： 用英文双引号包裹，例如 "angiotensin converting enzyme"
字段限定： 字段名加中括号，例如 diabetes[TIAB]
截词检索： 星号*代表任意字符，例如 therap* 匹配 therapy, therapeutic, therapist
范围检索： 用方括号和冒号，例如 2000[DP] : 2020[DP]
索引自动扩展： PubMed默认会对单词做MeSH扩展和自动短语映射，如果不想要，加引号就行

我个人常用的一个小技巧：把MeSH词和自由词组合起来，用OR连接。举个例子：

("Dopamine D2 receptor"[MH] OR "DRD2"[TIAB]) AND ("Schizophrenia"[MH] OR "psychosis"[TIAB])

这样既不会漏掉标了MeSH的文献，也能抓住那些还没标引的新文章。

我曾经踩过的坑： 截词检索*不能和字段限定同时写在同一个词上。比如 kinase*[TIAB] 是不被支持的——PubMed会报错。正确的做法是写成 kinase[TIAB] OR kinases[TIAB]，或者直接用不带字段的截词检索。

2.3 E-utilities：API调用实战

药物靶点关系挖掘，不能靠手动到网页上复制粘贴。必须上API。NCBI提供的E-utilities是一组RESTful接口，完全免费，但限制频率——每秒最多3次请求（如果没有API Key的话）。

整个调用流程就像一条管道：

用 esearch.fcgi 发送检索请求，得到PMIDs列表
用 efetch.fcgi 根据PMIDs拉取完整的XML记录
解析XML提取你需要的字段

核心参数就这么几个：

参数	说明	示例值
db	数据库名称	pubmed
term	检索表达式（需URL编码）	cancer[TI] AND p53
retmax	最大返回记录数（默认20）	10000
retmode	返回格式	xml 或 json
rettype	返回内容类型	abstract, medline, xml
api_key	（可选）提升频率限制到10次/秒	你的key

下面是我最常用的一段检索请求示例（用Python的requests库）：

import requests
import urllib.parse

base = "https://eutils.ncbi.nlm.nih.gov/entrez/eutils"
query = '(("angiogenesis"[MeSH] OR "VEGF"[TIAB]) AND "receptor"[TIAB])'

params = {
    "db": "pubmed",
    "term": query,
    "retmax": 5000,
    "retmode": "json",
    "api_key": "你的NCBI API Key（可省略）"
}

resp = requests.get(f"{base}/esearch.fcgi", params=params)
data = resp.json()
pmids = data["esearchresult"]["idlist"]
print(f"共找到 {len(pmids)} 条记录")
print(pmids[:10])  # 前10个PMID

得到PMIDs后，再用efetch拉数据：

efetch_params = {
    "db": "pubmed",
    "id": ",".join(pmids[:100]),  # 一次最多拉200条
    "retmode": "xml",
    "rettype": "abstract"
}
resp = requests.get(f"{base}/efetch.fcgi", params=efetch_params)
with open("records.xml", "w", encoding="utf-8") as f:
    f.write(resp.text)

  我的建议： 即使你不需要XML格式，我也推荐你用 retmode=xml。因为XML里包含的字段最全，包括MeSH词、化学物质注册号、出版类型等关键信息。JSON格式虽然解析简单，但某些字段会被省略或展开成奇怪的结构。

2.4 整章知识结构一览

说到这儿，我把这一章的核心逻辑画成一张图。你看完就能明白，从检索到API再到数据解析，每一步该做什么。

你看，整个流程并不复杂。关键是每一步都有细节——比如词汇选MeSH还是自由词、API返回的XML怎么解析、频率限制怎么绕过。这些坑我在项目里都挨个踩过，现在写出来，你就不用再走一遍弯路了。

2.5 关于API Key的补充

最后多说一句API Key的事。NCBI现在要求每个请求最好都带上api_key参数，哪怕是免费注册的。为什么要这么做？

无Key：每秒最多3次，日均约26万次，超限返回HTTP 429
有Key：每秒最多10次，日均86万次，基本够用

注册地址： https://www.ncbi.nlm.nih.gov/account/ 登录后进入API Key管理页面，一键生成。免费，不到5分钟搞定。我建议你在写代码之前就先注册好，因为一旦批量检索被限流，重新跑一遍很浪费时间。

好了，PubMed的核心结构、检索语法、API调用方法，我都给你理清楚了。下一步就是拿着这些知识，去获取真实的药物-靶点文献数据。你在实际检索时如果遇到奇怪的结果，十有八九是字段没写对或者引号漏了——回头再翻翻这一章的表格和代码示例，基本都能解决。