3. 常用药物数据源：从源头搞定药物信息
做药物图谱，说白了就是个拼图游戏。
你得知道药长什么样、靶点是谁、临床试验走到哪一步、文献里有没有新发现。这些信息散落在不同的数据库里。我记得刚入行那会儿，光是找齐一个药物的完整信息就要折腾一整天，还总漏东西。
今天咱们就把最常用的几个数据源，一个一个捋清楚。
3.1 DrugBank：药物信息的“身份证”
DrugBank 是我个人最依赖的起点。
它把药物分为小分子药、生物药、营养品和实验性药物，每个条目都有唯一 ID。你要是想确认一个药物的基本属性，从这里开始最稳。
核心字段你得记住：
DrugBank ID: DB00001
名称: Lepirudin
类型: Biotech
靶点: Thrombin
作用机制: 直接凝血酶抑制剂
CAS号: 138068-37-8
SMILES: N[C@@H](CCC(=O)N[C@@H]...)我的一点经验
查 DrugBank 时，别只看“靶点”那一栏。
“酶”、“载体”、“转运体”这些关联条目经常被忽略，但它们往往是药物相互作用的关键。我踩过坑——有个项目只盯着靶点，结果漏了 CYP 酶信息，后面图谱关联全乱套了。
3.2 ChEMBL：活性数据的“金矿”
ChEMBL 主打的是生物活性数据。药对靶点的 IC50、Ki、EC50 都在这里。
你想想看，做药物重定位或者构效关系分析，没这个库几乎寸步难行。
常用查询字段：
- Molecule ChEMBL ID：分子唯一标识
- Target ChEMBL ID：靶点标识
- Standard Type / Value：活性类型与数值
- Assay Description：实验方法描述
# 示例：ChEMBL API 查询阿司匹林活性数据
# API Endpoint: https://www.ebi.ac.uk/chembl/api/data/activity
# 请求参数: molecule_chembl_id=CHEMBL25注意活性数据的单位
不同实验室用的单位可能不一样——nM、μM、mg/L 常有混用。我建议在入库时统一转换为 nM，否则后续数值比较全是坑。
3.3 PubChem：化合物信息的“大百科”
PubChem 是美国 NIH 管着的，数据量极大。它不仅能查小分子，还能查混合物、甚至一些简单的高分子。
我个人最常用它的 Substance 和 Compound 两个子库。
区别很关键：
| 子库 | 内容 | 用途 |
|---|---|---|
| Substance (SID) | 提交者原始数据 | 追踪数据来源、验证批次差异 |
| Compound (CID) | 去重后的标准化结构 | 核心化学结构检索、属性计算 |
| BioAssay (AID) | 生物活性测定结果 | 活性筛选、毒性预测 |
PubChem 最厉害的地方，是它能把生物活性数据量化。你查一个化合物，直接能看到几百个靶点的活性数据热图。我做某次抗肿瘤靶点筛查，就是靠 PubChem 的 BioAssay 数据快速锁定了两个候选分子。
3.4 ClinicalTrials.gov：临床试验的“风向标”
药物有没有进入临床、在哪个阶段、招募了多少人——这些问题只有这里能回答。
这个库是美国国立卫生研究院维护的，全球注册的临床试验都会往上报。
# 示例：查询 NCT 编号的 API 调用
# API: https://clinicaltrials.gov/api/query/full_studies
# 参数: expr=NCT00000101&fmt=json我习惯看这几个字段：
- Brief Title：试验简述
- Phase：I/II/III/IV
- Enrollment：入组人数
- Primary Outcome：主要终点
- Sponsor：申办方
避坑指南
千万不要只依赖 ClinicalTrials.gov 的“状态”字段。我遇到过不少试验实际已经终止了，但状态还挂着“Recruiting”。最好交叉比对 PubMed 上发表的试验结果文献，才能确认真实进度。
3.5 PubMed 与生物医学文献
数据库再全，也赶不上文献新。
PubMed 是全球最大的生物医学文献库，收录了 MEDLINE 和 PMC（开放获取全文）。做图谱维护时，文献是发现新关联、更新旧信息的重要来源。
我的文献检索三板斧：
- MeSH 主题词：用 Drug Therapy / Pharmacological Action 这类词精确命中
- 全文链接：优先选择 PMC 标识（PN：PMCXXXXXX），能直接看全文
- 引文网络：顺藤摸瓜，找到原始研究——综述里的信息不一定准确
# PubMed 检索示例：查询阿司匹林与 COX-2 的文献
# 查询字符串: aspirin AND ("cyclooxygenase 2"[MeSH Terms])
# 返回格式: PubMed XML 格式用于结构化解析怎么快速筛选高质量文献？
我个人常用 Filter 里的“Review”和“5 years”组合。
先看近5年的综述，建立框架。再精读高引用的原创文章。这样一来，效率能提升不止一倍。
3.6 数据源整合逻辑：一张图说清楚
六个数据源，各有各的强项。做图谱时，不是每个药都要把所有库查一遍。我一般按这条路径走：
- 起点：DrugBank —— 拿到药物基本信息和靶点
- 查底细：PubChem —— 确认化学结构、物理化学属性
- 查活性：ChEMBL —— 定量活性数据
- 查临床：ClinicalTrials.gov —— 验证在研状态
- 查文献：PubMed —— 补充最新发现和机制细节
下面这张图，能帮你一眼看明白它们的关系和工作流：
3.7 我的一些额外提醒
数据源本身不复杂，复杂的是你怎么用它。
- API 限流：PubChem 和 ChEMBL 都有速率限制。批量查询时，一定要加 0.5 秒以上的延迟。我最快的一次把 ChEMBL 查崩了，被限制了 IP 24 小时……
- 版本管理：每个季度全量拉一次。我习惯用脚本记录拉取日期和版本号，便于回溯和增量更新。
- 数据冲突处理：同一个药物在不同库里的 SMILES 可能不一样。我的做法是以 PubChem 的标准化结构为准，再在备注中记录其他版本。
最后一句真话
没有哪一个库是完美的。DrugBank 的更新周期长，PubChem 的数据量大但噪声多，ClinicalTrials.gov 的状态滞后。
所以我的原则一直是：用最少的数据源，交叉验证最关键的字段。别贪多，贪多嚼不烂。