药物数据源概览：公开数据库、文献与临床试验

做知识图谱的第一步是什么？搞数据。

说白了，没有优质的数据源，后面所有的对齐、融合、推理都是空中楼阁。我自己踩过这个坑——早期想偷懒，只从单一数据库抓数据，结果图谱建成后查一个药，连靶点信息都拼不全，简直没法用。

这一章咱们就把主流的药物数据源捋一遍。你不需要背下所有API参数，但得知道每个库擅长什么、数据长什么样、怎么拿到手。

公开数据库一览

先上一张总览图，你看一眼就知道各个库在知识图谱里的定位。

DrugBank —— 药物核心知识库

DrugBank号称药物界的维基百科。它收录了超过1.3万个药物实体（包括获批药、实验药、中药），每个药物都关联了靶点、酶、载体、代谢产物、通路。

我一般用它的XML格式全量导出，做图谱的三元组抽取。举个例子：

<drug type="biotech">
  <drugbank-id primary="true">DB00001</drugbank-id>
  <name>Lepirudin</name>
  <targets>
    <target position="1">
      <id>BE0000005</id>
      <name>Thrombin</name>
      <actions>
        <action>inhibitor</action>
      </actions>
    </target>
  </targets>
</drug>

另外，DrugBank也提供REST API，适合小批量查询。我个人测过，每秒5个请求比较稳妥，超了容易被限流。

PubMed —— 文献中挖关系

PubMed有超过3500万篇生物医学文献摘要。它的价值在于：很多药物-疾病新关联、不良反应、联合用药信息都藏在文献里，还没被结构化数据库收录。

我建议你用PubMed的E-utilities API批量拉取。核心流程是三步：先搜 esearch 拿到PMIDs，再用 efetch 拉XML，最后用正则或SPARQL抽取实体关系。

# 第一步：搜索
curl "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/esearch.fcgi?db=pubmed&term=metformin+liver+cancer&retmax=100"

# 第二步：获取摘要XML
curl "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/efetch.fcgi?db=pubmed&id=34567890,34567891&retmode=xml"

CTD（比较毒理基因组学数据库）

CTD整理的是化学物质与基因、疾病之间的三元组关联，而且带有置信度标注（inferred vs. curated）。它对药物安全性知识图谱很有用。

数据下载是制表符分隔的文本，一行一个关联：

ChemicalName     DiseaseName     DirectEvidence
Acetaminophen    Liver Injury    T
Valproic Acid    Neural Tube Defects    T
Ibuprofen        Acute Kidney Injury    marker/mechanism

我一般直接用pandas读，按chemical和disease做count后建立关联权重，再导入Neo4j。

UniProt —— 蛋白质细节补全

当你在DrugBank里拿到靶点ID后，需要去UniProt补全蛋白质的序列、功能描述、互作网络。UniProt的SPARQL端点可以直接查询：

PREFIX up: <http://purl.uniprot.org/core/>
SELECT ?protein ?name ?seq
WHERE {
  ?protein up:mnemonic "THRB_HUMAN" .
  ?protein up:fullName ?name .
  ?protein up:sequence ?seq .
}

结果是个JSON，解析后可以塞进图谱的节点属性里。

ClinicalTrials.gov —— 临床试验状态

药物到底有没有进展？临床几期？副作用频率多少？这些信息在ClinicalTrials.gov上最权威。它提供AACT数据库（MySQL备份），也可以直接用API搜索。

我常用的参数组合：

https://clinicaltrials.gov/api/query/study_fields?expr=metformin&fields=NCTId,BriefTitle,OverallStatus,Phase&min_rnk=1&max_rnk=20

返回是XML格式，直接拉解析就行。注意 OverallStatus 字段可以反映药物退市风险，这是图谱时效性的关键。

数据源对比总结

文献与临床试验数据的特殊性

结构化的数据库好处理，但文献和临床试验数据才是图谱价值的放大器。为什么？

• 文献：用自然语言描述的因果关系、不良反应、药物联用，是结构化数据库的补充。你需要用NER（如tmChem、BioBERT）+ RE（关系抽取）来转换成三元组。
• 临床试验：除了结构化的phase、enrollment，还有Outcome Measures和Adverse Events表格，这些可以用来构建药物-不良反应边，并带上发生频率属性。

一个小提醒：数据版本管理

不同数据源的更新节奏不同，你不可能每次重爬全量。我建议这样管理：

data/
  drugbank/
    v5.1.12/   ← 2024-01 全量XML
    v5.1.13/   ← 2024-04 增量补丁
  pubmed/
    daily_2024-06-01.csv
    daily_2024-06-02.csv
  ctd/
    v2024Q1/   ← 每季度
  clinical_trials/
    weekly_2024-06-01.xml

每条记录带上source和version标签，图谱中才能追溯数据时效。我曾经遇到过一个案例：某药物在2023年已退市，但陈旧数据在图谱中仍标记为“上市”，差点误导了合作方。从那以后，数据版本字段成了我的硬性要求。