3.1 公共数据库生态：PubChem、ChEMBL 与 ZINC

3.1 公共数据库生态：PubChem、ChEMBL 与 ZINC

本节摘要：公共数据库是化学信息学的免费馆藏：PubChem 管登记广度，ChEMBL 管活性深度，ZINC 管可获取性。本节讲清三大库的定位差异与组合用法，给出活性数据从原始 IC50 到建模标签的换算方法，并用"为激酶靶点准备数据集"的完整案例串起检索、清洗、合并全流程。

第3章从进货开始。你在 1.2 节已经见过这些名字登场的年代，本节要回答的是更实际的问题：手里拿到一个项目，该去哪座库、取哪张表、怎样把拿回来的东西用起来。

免费馆藏从哪里来

PubChem 由美国国家医学图书馆维护，定位是"尽可能广的登记库"：上亿条物质记录、亿级左右的独特化合物，附带文献关联与大量筛选实验数据。它的强项是覆盖广、检索接口友好、批量下载方便；弱项是数据深浅不一——很多条目只有结构没有性质，活性数据的实验协议质量参差。把它当总目录用：查分子、查文献关联、拿大批量结构文件。

ChEMBL 由欧洲生物信息学研究所维护，定位是"经过人工整理的活性库"：从几十万篇文献与专利中提取药物样小分子的生物活性记录，百万级化合物、千万级活性数值，每条记录带靶点、实验类型、单位、来源文献。它是 QSAR 建模与虚拟筛选基准的默认数据源。强项是活性数据的结构化程度；弱项是偏重经典靶点家族（激酶、GPCR），新兴靶点覆盖稀疏，且同分子不同实验室的数值分歧需要清洗处理。

ZINC 由加州大学旧金山分校维护，定位是"可获取分子的货架目录"：聚合商业化合物供应商的现货目录，外加可合成枚举库，规模从十亿到万亿级（后者属超大规模枚举，见 10.4 节）。每个分子标注采购状态与子库归属，专门服务对接筛选。强项是"筛完就能买"的工程闭环；弱项是枚举库的质量依赖生成规则，商业化合物的浓度纯度仍需供应商确认。

三库联查是常态：ChEMBL 告诉你"哪些分子值得追"，ZINC 告诉你"追到的哪些买得到"，PubChem 补充"这些分子还有什么已知背景"。

图 3-1：公共数据版图与一次联查的路径

活性值的换算：为什么大家都用 pIC50

文献里的活性以 IC50（抑制一半所需浓度）或 Ki（解离常数）报告，单位纳摩尔或微摩尔。直接拿 IC50 建模有两个坑：数值跨越多个数量级，且分布严重右偏——大部分分子活性平平，少数极强，线性模型会被拖歪。标准做法是取负对数换算：pIC50 等于 9 减去以纳摩尔为单位的 IC50 的常用对数。IC50 越小活性越强，pIC50 越大活性越强，一换算两顺——数量级被压平，方向被捋顺。

案例：为激酶靶点准备一份建模数据集

背景。项目要为某个激酶靶点构建 QSAR 模型（第6章），第一步是凑齐一份"分子-活性"数据集：分子结构用 SMILES，活性统一成 pIC50，尽量覆盖多个活性数量级。数据来源选 ChEMBL——它恰好以靶点为轴组织活性数据。

操作。从 ChEMBL 网站按靶点检索并导出制表符分隔的活动记录，然后用 pandas 清洗：

import pandas as pd
from rdkit import Chem
from rdkit.Chem import inchi
import numpy as np

df = pd.read_csv("chembl_egfr_activity.tsv", sep="\t")
print(df.shape)                       # 示例：约六千条记录

# 只保留标准单位为纳摩尔的 IC50 记录
df = df[df["standard_type"] == "IC50"]
df = df[df["standard_units"] == "nM"]
df["pic50"] = 9 - np.log10(df["standard_value"])

# 同一分子多次测定：取中位数，保留测定次数
df["inchikey"] = [inchi.MolToInchiKey(Chem.MolFromSmiles(s)) if
                  Chem.MolFromSmiles(s) else "" for s in df["smiles"]]
df = df[df["inchikey"] != ""]
agg = df.groupby("inchikey").agg(
    smiles=("smiles", "first"),
    pic50=("pic50", "median"),
    n_meas=("pic50", "count")).reset_index()

print(len(agg))                       # 去重后约四千个独特分子
print(agg["pic50"].describe())        # 跨度通常四到六个数量级
​

结果。六千条原始记录收敛为约四千个独特分子的数据集：解析失败的记录（结构写法非法）在 InChIKey 生成环节被剔除，重复测定的分子以中位数合并且测量次数留痕。pIC50 分布大致呈钟形，主体落在五到九之间，两端各有一小撮极端分子。

解读。三处处理各司其职：单位过滤把"标准值"统一到同一量纲，是换算合法的前提；以 InChIKey 而非 SMILES 字符串去重，躲开了写法差异的坑（第2.1节的老朋友）；取中位数而非平均，是因为活性重复测定常有一两个离群值，中位数更抗扰动。留下 n_meas 列还有个隐藏用途——测定次数多的分子活性更可信，后面加权训练时用得上。

变式。若项目升级为对接筛选，数据需求从"带标签的小数据集"变成"无标签的大货柜"：此时改去 ZINC 按子库与供应商批量导出可采购分子，用第4章的类药过滤器预筛，再按第5章的多样性挑选铺满化学空间。同一个项目，活性库与货架库一前一后，各供一段流水线。

本节要点回顾

• 三库各答一问：PubChem 答分子是谁，ChEMBL 答活性多强，ZINC 答买不买得到。
• pIC50 换算是建模标准动作：负对数压平数量级、捋顺方向，建模前必须完成。
• 去重认 InChIKey：以算法标识符而非写法字符串合并重复，是跨来源数据的唯一可靠做法。
• 中位数合并重复测定：抗离群值，同时保留测定次数当可信度权重。
• 下一站：本节的清洗只是开门三脚架；下一节给出完整的六步清洗流水线，把"能用"升级成"可靠"。