3. 常用分子数据集：ZINC、ChEMBL、PubChem 与 DrugBank

做分子生成的，说白了就是跟数据打交道。模型再牛，没有好的数据喂，它也学不出啥名堂。

我个人习惯，拿到一个新任务，第一件事不是调模型，而是花时间去摸数据集。你想想看，选错了数据集，后面所有的工作都可能白费。

3.1 四大数据集概览

目前学术界和工业界，最常用的分子数据集就这四个：ZINC、ChEMBL、PubChem 和 DrugBank。它们各有各的脾气，也各有各的用处。

我刚开始做分子生成那会儿，就踩过一个坑。想用 PubChem 做预训练，结果数据太大，预处理就花了两天，模型训练还老是崩溃。后来才明白，不同数据集玩的是不同游戏。

3.2 ZINC：分子世界的亚马逊

ZINC 全称是 ZINC Is Not Commercial，但它其实特别商业友好。几乎所有分子都能直接从供应商那里买到。

我记得有一次做虚拟筛选，模型生成了一堆看起来完美的分子。结果一查 ZINC，发现根本买不到，没法做湿实验验证。从那以后，我生成分子都会先去 ZINC 里搜一搜，看看是不是现成的。

最常用的 ZINC 子集：

• ZINC-250K：250,000 个类药分子，轻量级，适合快速验证模型。
• ZINC-15：最大版本，含 2.3 亿分子，适合大规模预训练。
• ZINC20：2020年更新版，加了更多结构多样性。

下载和使用示例：

# 从 ZINC 官网下载 SMILES 文件
# 常用的是 ZINC-250K 子集
wget https://zinc15.docking.org/substances/subsets/250k.smi

# 读取并解析
import pandas as pd
zinc_df = pd.read_csv('250k.smi', sep='\t', header=None)
zinc_df.columns = ['SMILES', 'ZINC_ID']

3.3 ChEMBL：药化界的维基百科

ChEMBL 是我个人最偏爱的数据集。为什么？因为它有人工审核，数据质量高。每个分子几乎都带着明确的生物活性数据。

我做靶向药物生成时，ChEMBL 是必须用的。拿它做微调，模型生成的分子活性普遍比用 ZINC 训出来的高一个量级。

ChEMBL 的核心特点：

• 靶点关联：每个分子都标注了作用于哪个蛋白靶点。
• 活性值：IC50、Ki、EC50 等关键指标都有。
• 人工审核：数据来自科学文献，可靠性高。

我建议你下载 ChEMBL 的 SQLite 版本，查数据特别方便。我曾经用这个数据库，几分钟就找到了某个靶点所有已知的活性分子。

# 安装 ChEMBL 数据库的 Python 接口
pip install chembl_webresource_client

# 查询某个靶点的所有分子
from chembl_webresource_client.new_client import new_client
target = new_client.target
target_id = target.search('EGFR')[0]['target_chembl_id']

# 获取活性数据
activities = new_client.activity
egfr_activities = activities.filter(target_chembl_id=target_id)

3.4 PubChem：大数据时代的巨人

PubChem 是四个数据集里最大的。它不挑食，什么分子都收，不管来源如何。你想想看，1.1 亿个化合物，什么花样都有。

但这里有个问题。PubChem 的数据质量参差不齐。有些分子 SMILES 格式不规范，有些缺少关键信息。我在大规模预训练时用过一次，结果模型学会了生成一些奇怪的结构，后来我加了很重的过滤规则才搞定。

PubChem 的常用下载方式：

# 通过 FTP 下载 PubChem 的 SDF 文件
wget ftp://ftp.ncbi.nlm.nih.gov/pubchem/Compound/CURRENT-Full/SDF/

# 也可以用 PUG REST API 批量下载
# 例：获取 CID 为 2244 的分子信息
curl "https://pubchem.ncbi.nlm.nih.gov/rest/pug/compound/cid/2244/record/JSON"

使用 PubChem 的建议：

• 按需过滤：只下载你需要的子集，否则存储都是大问题。
• 规范校验：下载后一定要做 SMILES 标准化和去重。
• 别信来源：最好只保留来自文献或专利的数据。

3.5 DrugBank：金标准

DrugBank 的分子最少，只有一万多个，但分量最重。它收录的全是 FDA 批准的药物。

为什么这个数据集重要？因为它代表了“真正的药”。我做分子生成模型评估时，一定会拿 DrugBank 里的分子做对比。如果生成的分子跟 DrugBank 里的结构完全不同，那大概率有问题。

DrugBank 的核心数据字段：

• 药物名称、结构式、SMILES
• 靶点信息、作用机制
• 药代动力学数据（ADMET）

在生成模型中的应用：

我个人习惯用 DrugBank 做 验证集。训练时不用它，但评估时看生成的分子跟已知药物有多像。有点像考试时看标准答案。

# DrugBank 提供 XML 格式下载
# 解析示例（需要先下载 DrugBank XML）
import xml.etree.ElementTree as ET
tree = ET.parse('drugbank_all_full_database.xml')
root = tree.getroot()

# 提取所有药物的 SMILES
for drug in root.findall('.//{http://www.drugbank.ca}drug'):
    smiles = drug.find('.//{http://www.drugbank.ca}smiles')
    if smiles is not None:
        print(smiles.text)

3.6 选数据集的实战策略

说到这里，你可能会问：我到底该用哪个？

我根据经验给你总结一下：

• 学分子语法：用 ZINC-250K，轻量、干净，适合从头训练。
• 生成可买到的分子：用 ZINC-15 完整版。
• 生成有活性的分子：用 ChEMBL 做微调。
• 探索化学空间：用 PubChem，但要做好过滤。
• 验证生成质量：用 DrugBank 做标准答案。

3.7 本章知识图谱

下面这张图，帮你把四个数据集的关系理清楚。时间轴从左到右，展示了各自适用的场景。

3.8 数据处理：通用流程

不管你选哪个数据集，有一件事逃不掉——数据清洗。

我曾经偷懒没做清洗，直接把 ChEMBL 数据丢进模型。结果训练完了，生成出来的分子有一半在 SMILES 语法上就是错的。那叫一个惨。

我现在的标准流程：

1. 规范 SMILES：统一用 RDKit 做标准化，去盐、去溶剂。
2. 去重：InChI Key 是去重的金标准，别只用 SMILES。
3. 过滤：去除不合理的分子（原子数太多、环太大等）。
4. 切分：按 8:1:1 划分训练、验证、测试集。

# 使用 RDKit 做 SMILES 标准化
from rdkit import Chem

def standardize_smiles(smiles):
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return None
    # 去盐
    mol = Chem.RemoveInorganicSalts(mol)
    # 标准化
    smiles_out = Chem.MolToSmiles(mol, canonical=True)
    return smiles_out

3.9 本章总结

选对数据集，分子生成项目就成功了一半。ZINC 是入门首选，ChEMBL 是活性神器，PubChem 是数据巨无霸，DrugBank 是质量标杆。

我的建议是：别贪多。先从一个数据集开始，把流程跑通，再慢慢加别的。