第3章 馆藏与登记：数据来源与治理

第 3 章 · 馆藏与登记：数据来源与治理

章节摘要：没有馆藏就没有图书馆，没有干净数据就没有化学信息学。本章先带你盘点公共数据版图——PubChem、ChEMBL、ZINC 各管哪一段、如何组合取用；再拆解清洗标准化的标准流水线，让"一锅粥"变成"整齐书架"；最后落到 FAIR 原则下的数据治理，回答"数据怎样才能在一年后还被自己和别人用起来"。行业共识是：清洗与治理吃掉实际项目一半以上的工时，这一章是全册最不像算法、却最能决定成败的一章。

学习目标

读完本章，你应当能够：

1. 为给定任务（找活性数据、凑采购库、查已上市药）选出正确的公共数据库并组合使用；
2. 把文献中的活性值统一换算为 pIC50，并说出换算背后的统计学含义；
3. 独立执行"解析、去盐、去荷、互变异构归一、去重、警报过滤"六步清洗流水线；
4. 识别反应性警报（PAINS 类）的来历与局限，避免盲目黑名单化；
5. 用 FAIR 四原则审查自己团队的数据管理实践，列出整改清单；
6. 设计一份小组级化合物登记规范，让三个月后的建模工作不必返工。

核心概念速览

数据质量不是道德口号，而是模型上限：垃圾进，垃圾出，再花哨的模型也救不回来。

公共数据版图按"馆藏性质"分三类：登记库（PubChem 之流，管"有哪些分子"）、活性库（ChEMBL、BindingDB，管"哪些分子对这个靶点多强"）、可获取库（ZINC，管"哪些分子买得到或合得出"）。三类库各答一个问题，项目数据需求往往要三库联查。而无论来源多权威，入库前都要过同一条清洗流水线——公共数据是别人按别人的标准登记的馆藏，直接使用等于不做对账就进货。

子章节导航

3.1 公共数据库生态：PubChem、ChEMBL 与 ZINC——三大馆藏的定位、规模与取用方式；用"为激酶靶点准备建模数据集"的完整案例演示活性数据的检索、换算与合并，顺带认识 DrugBank、BindingDB 等专项馆藏。

3.2 数据清洗与标准化实战——把最常见的脏数据形态逐一定罪，给出六步清洗流水线与可运行代码；用"五千条活性记录的清洗前后对照"案例算清洗的经济账，并讨论反应性警报的正确用法。

3.3 FAIR 原则与化学数据管理——可发现、可访问、可互操作、可复用四原则在化学场景的具体对应物；用一个小组登记规范从零到落地的案例，展示治理如何从口号变成表格与流程。

子章节之间的逻辑关系

三节是"进货、验货、立规矩"的关系：3.1 解决数据从哪来，3.2 解决数据怎么变干净，3.3 解决干净状态如何长期保持。依赖是单向的——不懂 3.1 的数据形态，3.2 的清洗无从下手；没有 3.2 的标准状态，3.3 的规范就是空文。反过来，3.3 的规范又会反哺 3.1：自有数据登记得越规范，将来与公共库合并的成本越低。

  3.1 进货                3.2 验货                3.3 立规矩
 ┌────────────┐   脏数据  ┌────────────┐   标准状态 ┌────────────┐
 │ 公共库盘点  │ ────────▶ │ 六步清洗线  │ ────────▶ │ FAIR 治理   │
 │ 三库联查    │           │ 算经济账    │            │ 登记规范    │
 └────────────┘           └────────────┘            └────────────┘
        ▲                                                  │
        └────────── 规范反哺：自有数据与公共库低成本合并 ──────┘
​

前置知识与后续延伸

本章需要第2章的全部能力：解析 SMILES、理解分子图、知道 InChIKey 是什么。不需要统计学——活性值换算的原理会用一句话讲透。工具上，RDKit 之外会用到 pandas 做表格处理，均属常见搭配。

往后的路标：清洗完成的"整齐书架"正是第4章描述符计算的输入，第5章相似检索的语料，第6章建模的训练集。可以说第3章是全册的装卸码头——所有数据都在这里上岸、验关、再分拣出海。