📚 课程目录第2章药物数据来源

第2章：药物数据来源——我们到底要从哪儿挖数据？

做知识图谱，第一步永远不是写代码。而是搞明白——数据在哪儿？

很多人觉得数据就是拿来就用的，其实没那么简单。药物领域的数据源非常分散，格式各异，质量也参差不齐。我刚开始做这个项目时，天真地以为一个DrugBank就够了。结果你猜怎么着？做了两周才发现，很多药物的靶点信息在DrugBank里是缺失的，得去PubChem和ChEMBL交叉补全。嗯，从那以后我就养成了一个习惯：开工之前，先把数据源摸清楚。

这一章，我们就来聊聊药物知识图谱的四大数据来源。说白了，就是你的“数据食谱”。

2.1 数据来源全景

先给你一张全景图。药物知识图谱的数据源可以分成四类：

公开药物数据库：结构化的、经过人工审核的高质量数据。比如DrugBank、PubChem、ChEMBL。
药物标签数据：官方审批文件，如FDA标签、EMA说明书。信息权威但格式不统一。
科研文献数据：海量的非结构化文本，但包含最新的发现。需要NLP技术抽取。
其他辅助数据：临床试验注册信息、基因表达数据、疾病本体等。

这几类数据，各有各的脾气。你没法用同一把钥匙开所有的锁。下面我一个个说。

核心观点：药物知识图谱的数据源选择，直接影响图谱的完整性和准确性。不要只依赖单一数据源，多源融合是常态。

为了让你看得更清楚，我画了一张数据来源结构图。所有数据最终汇聚到统一的融合管道。

这张图讲的是数据融合的基本流程。别急，后面我会细讲每个数据源怎么接入。

2.2 公开药物数据库：你的主力粮仓

先说结构化数据。这类数据最干净，能直接解析成表格或JSON。我个人的经验是，先从这类数据下手，打好骨架。

2.2.1 DrugBank

DrugBank是目前最全的药物数据库之一。由加拿大阿尔伯塔大学维护。它包含药物的化学结构、靶点、代谢酶、转运体、相互作用等。数据质量很高，因为是专家审核的。

你有两种方式拿到数据：

在线查询：通过官网页面搜索，适合小规模调研。
数据导出：申请学术使用许可，可获得完整的XML或JSON导出文件。

我记得最早一次用DrugBank数据时，下载下来的XML文件有几百兆。结构复杂，嵌套层数多。你需要耐心解析。这里给一个简单的XML解析思路：

<drug type="small molecule">
  <drugbank-id>DB00001</drugbank-id>
  <name>Aspirin</name>
  <description>...</description>
  <targets>
    <target>
      <id>BE00001</id>
      <name>Prostaglandin G/H synthase 1</name>
      <organism>Human</organism>
      <action>inhibitor</action>
    </target>
  </targets>
</drug>

技巧：解析DrugBank的XML时，建议使用流式解析器（比如Python的iterparse），不要一次性加载整个文件到内存。我当年用dom解析吃掉了8G内存，你想想看。

2.2.2 PubChem

PubChem是美国国立卫生研究院（NIH）维护的。它更侧重于小分子化学结构。也就是说，如果你需要药物的SMILES表达式、分子量、理化性质，PubChem是首选。

PubChem提供了强大的RESTful API。你可以通过化合物CID直接查。我个人的习惯是，先用DrugBank拿到药物CID，再去PubChem补全化学性质。

GET https://pubchem.ncbi.nlm.nih.gov/rest/pug/compound/cid/2244/JSON
返回JSON示例：
{
  "PC_Compounds": [{
    "id": {"id": {"cid": 2244}},
    "props": [
      {"urn": {"label": "Molecular Weight"}, "value": {"sval": "180.16"}},
      {"urn": {"label": "SMILES"}, "value": {"sval": "CC(=O)Oc1ccccc1C(=O)O"}}
    ]
  }]
}

调用这个API时，注意频次限制。我曾经压得太狠，直接被封了半小时。后来加了高速缓存，同一个CID只查一次。

2.2.3 ChEMBL

ChEMBL由欧洲生物信息学研究所（EBI）维护。它的特色是——药物活性数据。也就是说，某个化合物对哪个靶点有怎样的活性（IC50、Ki等），在ChEMBL里很全。

ChEMBL也提供API，但它的数据还可以通过SDF或SQLite文件下载。我个人倾向于用SQLite版本，直接写SQL查询，效率高很多。

-- 查询阿司匹林相关的靶点活性数据
SELECT md.chembl_id, td.pref_name AS target_name, ad.standard_value, ad.standard_type
FROM molecule_dictionary md
JOIN activities ad ON md.molregno = ad.molregno
JOIN target_dictionary td ON ad.tid = td.tid
WHERE md.pref_name = 'ASPIRIN';

注意：ChEMBL的数据版本更新较快（每年1~2个版本）。不同版本之间，同一个分子的ChEMBL ID可能会变。所以做项目时，一定要固定一个数据版本，并在文档里记录。

2.3 药物标签数据：权威但难啃的骨头

公开数据库虽好，但有些信息是缺失的。比如药物的不良反应详情、特殊人群用药、上市后变更等。这些信息藏在药物标签里。

FDA提供了一个下载服务——DailyMed。你可以通过它拿到所有已审批药物的结构化标签（SPL格式）。说白了，就是XML格式的说明书。

这里有个坑。我踩过。SPL文件虽然结构化，但不同厂家提交的标签，段落命名和层级不一致。比如“不良反应”这个章节，有的用“ADVERSE REACTIONS”，有的用“ADVERSE EFFECTS”。你需要做一个章节名称的归一化映射表。

<section>
  <code code="34090-1" codeSystem="2.16.840.1.113883.6.1" displayName="ADVERSE REACTIONS"/>
  <title>Adverse Reactions</title>
  <text>The most common adverse reactions include nausea, vomiting, and diarrhea.</text>
</section>

我曾经为了解析6000个FDA标签，写了一个专门的SPL解析器。花了整整一周。后来发现，有一些开源工具可以辅助，比如PySPL。所以我的建议是：不要重复造轮子，先找找有没有现成的工具。

2.4 科研文献数据：价值与噪音并存

最后说说文献。药物知识图谱里，对最新的药物-靶点-疾病关联，通常文献里最先报道。但文献是纯文本，没法直接用。

你需要做文本挖掘。最常见的思路是：

下载PubMed的摘要数据（XML格式，免费）。
用自然语言处理（NLP）工具识别药物和靶点实体。
抽取实体之间的关系（比如“激活”、“抑制”）。

举个例子，一句文献摘要：

"Aspirin inhibits the activity of cyclooxygenase-1, thereby reducing prostaglandin synthesis."

用命名实体识别（NER）抽取出：

药物：Aspirin
靶点：cyclooxygenase-1
关系：inhibits (抑制)

避坑指南：文献数据的噪声很高。同一个药物可能有不同的别名（比如“Aspirin”和“Acetylsalicylic acid”）。你还需要做实体对齐。我见过有人直接拿文献数据建图，结果同一个药物出现了十几个节点。嗯，这就尴尬了。

2.5 数据融合与预处理：让拼图严丝合缝

数据源都讲完了。你手里可能握着四个不同格式的数据集：DrugBank的XML、PubChem的JSON、ChEMBL的SQLite、FDA标签的SPL。

怎么把它们揉在一起？

我的做法是三步：

统一ID映射：给每个药物一个唯一的内部ID。然后建立外部ID映射表（DrugBank ID ↔ PubChem CID ↔ ChEMBL ID）。
属性标准化：同一个属性，不同数据源的命名不同。比如“分子量”，DrugBank叫“molecular_weight”，PubChem叫“Molecular Weight”。统一成你的图谱schema里的标准属性名。
冲突消解：当多个数据源对一个属性的值不一致时怎么办？我个人的规则是：权威性优先（DrugBank > ChEMBL > PubChem），但保留来源信息。