📚 课程目录第2章数据基础

数据基础：药物数据来源与文件格式

做药物图谱分析，第一步就是搞明白数据从哪来、长什么样。我当年刚接触这个方向时，面对一堆陌生的数据库名字和格式，说实话有点懵。后来慢慢摸清楚了，其实核心就那么几个来源，格式也不复杂。

今天咱们就把这三个主流数据库——PubChem、DrugBank、ChEMBL，以及它们常用的文件格式——CSV、JSON、RDF，一次性捋清楚。

三大药物数据库，各有什么“脾气”

这三个库我都用过，各有各的侧重点。说白了，选哪个取决于你要分析什么。

数据库	维护方	侧重方向	数据量级	我最常用来
PubChem	美国国立卫生研究院（NCBI）	小分子化合物信息、生物活性、化学结构	1.2亿+化合物	批量下载化合物SMILES、InChI键
DrugBank	阿尔伯塔大学	已批准药物、药物靶点、药物-药物相互作用	~1.3万药物条目	查找药物靶点关系和用药指南
ChEMBL	欧洲生物信息学研究所（EBI）	药物活性数据、ADMET性质、靶点结合亲和力	200万+生物活性测量值	构建定量构效关系模型

我个人的习惯是：做网络图谱时，DrugBank的“药物-靶点”关系最规整；做化学空间分析，PubChem的化合物覆盖更广；如果要深入活性数值，ChEMBL的Ki、IC50数据不可替代。

一点经验：千万别三个库同时全量下载。我曾经一次拉了全部数据，硬盘直接爆了。
建议按项目需求先下载特定子集，比如只下载“抗肿瘤药物”或者“作用于GPCR靶点的化合物”。

为什么这三个库格式不统一？嗯，历史原因。PubChem最早，用ASN.1起家后来推JSON；DrugBank早期是XML，现在全面拥抱RDF；ChEMBL则是关系型数据库底子，导出CSV最顺手。你想想看，做图谱整合时，这个格式差异就是第一个要跨的坎。

文件格式：三种“语言”怎么选

CSV、JSON、RDF，基本上覆盖了从轻量表格到语义网络的所有需求。

CSV：又快又糙，适合快速预览

我最开始就是从CSV入的门。简单打个比方：CSV就像一张Excel表格，每行一个记录，每列一个字段。在药物数据里，常见的CSV包含化合物ID、名称、SMILES、活性值等。

但要注意——CSV天生不带层级关系。一个药物如果对应多个靶点，CSV里要么重复行，要么用分隔符把靶点挤在一个单元格里。后者处理起来真的很麻烦。

# 一个典型的ChEMBL活性数据CSV片段
molregno,standard_value,standard_units,assay_type,target_chembl_id
CHEMBL1,10.5,nM,F,B,CHEMBL2345
CHEMBL2,220.0,nM,F,B,CHEMBL6789
CHEMBL2,5500.0,nM,F,B,CHEMBL1234

看到没？CHEMBL2出现了两行，因为同一个化合物测了两个靶点。

JSON：嵌套结构，很适合图谱构建

我个人觉得，JSON是现代数据分析的“通用语”。它天生支持嵌套，药物和靶点的多对多关系可以完美表达。PubChem的PC_Compound数据库就是JSON格式，里面有完整的化合物属性、同义词、计算性质等等。

{
  "CID": 2244,
  "IUPACName": "aspirin",
  "MolecularFormula": "C9H8O4",
  "MW": 180.16,
  "SMILES": "CC(=O)OC1=CC=CC=C1C(=O)O",
  "synonyms": ["acetylsalicylic acid", "ASA"]
}

在用Python做药物图谱时，我习惯先用json.load()把数据读成字典，再用NetworkX的from_dict_of_lists一步建图。非常顺手。

    避坑指南：PubChem的JSON有些字段是嵌套的“数组套对象”，解析时要留意路径。

    比如record['props']每个元素里还有urn、value子对象，写解析时最好先打印一两条看看结构。

RDF：语义网络的“母语”

DrugBank和ChEMBL都支持RDF导出。RDF用“主体-谓词-客体”三元组描述关系，简直是知识图谱的天生格式。但说实话，RDF的文档和工具链对新手不太友好。我最早用SPARQL查数据时，写一条简单查询得试半天。

# DrugBank RDF片段（Turtle语法）
@prefix drugbank: <http://identifiers.org/drugbank/> .
@prefix dbo: <http://bio2rdf.org/drugbank_vocabulary:> .

drugbank:DB01050 dbo:target drugbank:BE0001234 ;
                dbo:name "Aspirin" ;
                dbo:cas-number "50-78-2" .

你看，这句RDF就在说：“DB01050（阿司匹林）的目标靶点蛋白是BE0001234”。每条三元组都是一种关系，所有三元组连起来就是你需要的药物图谱。

三种格式怎么选？我的决策清单

如果你只是做简单的统计或机器学习，CSV就够用了，用pandas读取就行。
如果要建关系图谱（节点带属性、边带类型），建议用JSON，结构灵活，Python原生支持。
如果你要整合多个来源的知识图谱，或者需要做跨越PubMed、DrugBank、GO等数据的推理查询，RDF是最优解。
记住一个小技巧：不论来源是什么，先下载一小份样本，验证结构和字段完整性，再全量下载。我曾经直接拉ChEMBL的RDF全量，结果SPARQL端点超时了三次……

一张图看懂三大来源与格式的脉络

下面这张SVG图把这些关系画出来了，方便你快速记忆。

我自己的代码流程：一般先用Python的csv或pandas读CSV，用json解析JSON。遇到RDF时，我会用rdflib库，把三元组转成DataFrame，再映射成图谱。
你不需要一次性掌握所有格式，先从CSV和JSON切入，RDF等你真正需要跨库推理时再学。

实际操作：拿一份PubChem JSON来练手

说了这么多，不如上手试试。下面是我从PubChem的API拉取阿司匹林信息的代码，返回的就是JSON。你看完就知道JSON结构多适合图谱了。

import requests, json
url = "https://pubchem.ncbi.nlm.nih.gov/rest/pug/compound/cid/2244/JSON"
resp = requests.get(url)
data = resp.json()
print(data['PC_Compounds'][0]['props'][0]['urn']['label'])

打印出来的是Molecular Weight。逐层点进去，你会发现每个属性都有明确的路径，直接就能作为图节点的属性字段。

注意：PubChem的API有调用频率限制，免费用户每秒最多5次请求。大规模下载建议用FTP批量获取。
我曾经在写教程时忘了加time.sleep(0.2)，结果IP被临时封了半小时……嗯，尴尬。

从CSV到JSON再到RDF，格式越来越“重”，但表达关系的能力也越来越强。做药物图谱分析，我建议大家至少掌握CSV和JSON，RDF根据项目需要再深入。这个基础打好了，后面画图、做交互、整合外部数据都会顺手很多。