信息速览
数据集名称ChEMBL
数据类型约250万化合物，约2100万生物活性，约16000靶点，SQL/SDF/RDF/API
规模化合物-靶点数据库，非患者数据
接入方式EMBL-EBI url: https://www.ebi.ac.uk/chembl/
AI 就绪度
INFOBOX
| 字段 | 值 |
||-|
| 数据集名称 | ChEMBL (formerly StARlite) |
| 维护机构 | EMBL-EBI (European Molecular Biology Laboratory - European Bioinformatics Institute) |
| 创建年份 | 2009 (ChEMBL_01, Oct 28) |
| 当前版本 | ChEMBL 37 (May 2026) |
| 化合物数 | 2,496,335 (v35, Dec 2024) |
| 生物活性测量 | 21,123,501 (v35) |
| 实验检测数 | 1,740,546 (v35) |
| 靶点总数 | 16,003 (v35) |
| 蛋白质靶点 | ~10,600 (v33) |
| 人类蛋白质靶点 | ~5,300 (v33) |
| 文档总数 | 92,121 (v35) |
| 文献覆盖期刊 | ~230 种期刊 |
| 文献时间跨度 | 1974-2024 |
| 存储数据集 | 420+ 个 (v33) |
| 获批药物 | 2,993 (v33) |
| ATC/ICD-11 映射 | ATC (Anatomical Therapeutic Chemical Classification) |
| 化学标识符 | SMILES, InChI, InChI Key |
| 活性类型 | IC50, Ki, Kd, EC50, Potency, Inhibition, 等 |
| 实验类型 | Binding (B), Functional (F), ADME (A), Toxicity (T) |
| 作用类型 | 32 种 (inhibitor, blocker, inverse agonist, 等) |
| 许可证 | CC BY-SA 3.0 (Creative Commons Attribution-Share Alike 3.0) |
| DUO 标签 | 无限制（商业用途允许，衍生作品须同许可证） |
| 下载格式 | SQLite, MySQL, PostgreSQL, SDF, FASTA, RDF (Turtle), FPSim2 |
| API | RESTful API (JSON/XML) + Python SDK (chembl_webresource_client) |
| 月均访问量 | ~53,000 会话 / ~25,000 用户 / ~531,000 页面浏览 |
| DAIMS 就绪度 | 19/24 ⭐⭐⭐⭐ |
| 基金来源 | Wellcome Trust (£4.7M), EMBL 成员国, BBSRC, NIH, EU (IMI 2/EUbOPEN/RESOLUTE), ELIXIR |
§0 E-E-A-T 信任声明与免责声明
| 维度 | 声明 |
|---|---|
| 经验 (Experience) | ChEMBL 自 2009 年首次发布以来已运行 17 年，经历 37 个版本迭代，累计从 ~26,000 篇文献（v01）增长至 92,000+ 篇文档（v35），是全球运行时间最长、规模最大的开放药物发现生物活性数据库之一 |
| 专业知识 (Expertise) | ChEMBL 团队由 EMBL-EBI 的化学生物学/化学生物信息学专家组成；团队负责人：John Overington 博士（2008-2015，ChEMBL 创始人）、Andrew Leach 博士（2016-至今）；数据策展由受过训练的化学信息学家和药物化学家执行；化学结构标准化管道基于 FDA/IUPAC 指南 |
| 权威性 (Authoritativeness) | ChEMBL 是 ELIXIR 认定的欧洲核心数据资源之一；被 NAR (Nucleic Acids Research) 数据库专刊收录（2012, 2014, 2017, 2019, 2024）；每版本分配独立 DOI；被全球 ~230 种药物化学期刊引用；PubMed 中提及 “ChEMBL” 的文章在过去 10 年稳步增长 |
| 可信度 (Trustworthiness) | 数据三步标准化管道（Checker → Standardizer → GetParent）公开于 GitHub；药物安全数据（撤市、黑框警告）含监管文件引用；生物活性单位持续归一化（AUC 91% 统一，Cmax 97% 统一）；蛋白质变异体数据经人工整理（2,443 个变异体）；存储数据集有正式提交检查清单和错误处理指南 |
| 透明度 | 版本变更日志公开可查；每个版本分配独立 DOI；FTP 服务器保留从 ChEMBL_01 到最新版本的全部下载；代码开源（GitHub: chembl/ChEMBL_Structure_Pipeline, chembl/FPSim2） |
[千方病案医学编辑部]交叉审核：审核范围包括数据集基本事实、技术规格描述、许可证信息、版本统计数据的准确性。本页面基于 ChEMBL 33 NAR 2024 论文（Zdrazil et al., 2024）及 ChEMBL 官方文档编写。
免责声明：ChEMBL 数据来自公开发表的文献、专利和存储数据集。生物活性数据可能因原始实验条件差异而存在噪声。化学结构标准化管道虽经过严格质控，仍可能存在个别错误。使用 ChEMBL 数据进行 AI 模型训练时，应进行独立的数据质量检查和交叉验证。千方病案医数集不对因使用本百科信息而产生的任何后果承担责任。ChEMBL 是 EMBL-EBI 的服务，主要资金来自 EMBL 成员国政府。
页面状态：published
§1 数据集概览
§1.0 📌 30 秒速览
ChEMBL 是什么？
ChEMBL 是由 EMBL-EBI（欧洲分子生物学实验室-欧洲生物信息学研究所）维护的手工策展药物发现生物活性数据库。它收录了 250 万 个药物样小分子化合物、2100 万 条生物活性测量数据、16000 个靶点，数据来自 ~230 种药物化学期刊（覆盖 1974-2024 年）、专利（通过 SureChEMBL）和 420+ 个存储数据集。
为什么重要？
- 全球最大的开放获取药物发现生物活性数据库，CC BY-SA 3.0 许可证允许商业使用
- AI/ML 药物发现领域的标准训练数据源——PubMed 中 “ChEMBL AND machine learning” 的文章在过去 10 年稳步增长
- 覆盖从靶点筛选到临床批准的完整药物发现链条：2,993 个获批药物，8,415 个进入至少早期 I 期临床试验的化合物
- 提供化学结构标准化管道、单位归一化、靶点分类层级——AI Ready 程度极高
谁应该关注？
- AI/ML 研究者：QSAR 模型训练、分子性质预测、药物-靶点相互作用预测
- 药物化学家：结构-活性关系分析、先导化合物优化
- 计算生物学家：多药理学分析、药物重定位
- 生物技术公司：靶点筛选、命中化合物识别
快速获取数据
# 方法 1: Python SDK (推荐)
pip install chembl_webresource_client
from chembl_webresource_client.new_client import new_client
activity = new_client.activity
for a in activity.filter(target_chembl_id=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''CHEMBL205'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', standard_type=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''IC50'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')[:5]:
print(a[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''molecule_chembl_id''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''], a[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''standard_value''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''], a[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''standard_units''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''])
# 方法 2: FTP 下载完整数据库
wget https://ftp.ebi.ac.uk/pub/databases/chembl/ChEMBLdb/latest/chembl_sqlite.tar.gz
§1.1 摘要
ChEMBL（原称 StARlite）是一个手工策展的药物样生物活性分子数据库，由 EMBL-EBI 在 Wellcome Trust 基金会 £470 万战略奖支持下于 2009 年 10 月首次发布。数据库的前身是英国生物技术公司 Inpharmatica Ltd. 开发的 StARlite 系统，后者于 2006 年被 Galapagos NV 收购后，于 2008 年通过 Wellcome Trust 的资助转移至 EMBL-EBI 公开运营。
ChEMBL 的核心价值在于将分散在 ~230 种药物化学期刊中的结构-活性关系（SAR）数据进行系统性提取、策展和标准化。数据库覆盖的文献时间跨度从 1974 年到 2024 年，涵盖药物发现的全生命周期：从靶点筛选到临床批准。当前版本（ChEMBL 35，2024 年 12 月）收录 2,496,335 个唯一化合物、21,123,501 条生物活性测量、1,740,546 个实验、16,003 个靶点和 92,121 篇文档（包括论文、专利、存储数据集和书籍）。
ChEMBL 在 AI/ML 药物发现领域具有不可替代的地位。它是 QSAR（定量构效关系）模型的标准训练数据源，也是深度学习分子性质预测、药物-靶点相互作用预测和药物重定位研究的基础数据集。数据库提供的 RESTful API、Python SDK 和多种下载格式（SQLite/MySQL/PostgreSQL/SDF/FASTA/RDF）使其能够被无缝集成到各类 AI 工作流中。
§1.2 为什么重要：五大核心价值
-
规模与覆盖的不可替代性：2,500 万化合物 × 2,100 万活性 × 16,000 靶点，覆盖 1974-2024 年 50 年的药物化学文献，是全球最大的开放获取药物发现生物活性数据库
-
数据质量的系统性保障：三步化学结构标准化管道（Checker → Standardizer → GetParent）基于 FDA/IUPAC 指南，163 种盐和 9 种溶剂的标准化处理，生物活性单位持续归一化（AUC 91%、Cmax 97% 统一）
-
AI Ready 的全方位设计：标准化的 InChI Key 化学标识符、统一的活性类型（IC50/Ki/Kd/EC50→nM）、pChEMBL 负对数变换值、预计算的 FPSim2 指纹数据库、Python SDK 无缝集成
-
时间维度的独特价值：文献数据覆盖 1974-2024 年，支持时间序列分析、趋势分析和 ML 时间分割验证——这对避免数据泄露的模型评估至关重要
-
生态系统的中心枢纽：与 UniChem（>1.78 亿结构交叉引用）、SureChEMBL（专利数据）、PubChem、DrugBank 等数据库互连，是化学信息学生态系统的核心节点
§1.3 与同类数据库对比
| 特征 | ChEMBL | PubChem BioAssay | DrugBank | BindingDB | ZINC |
|---|---|---|---|---|---|
| 化合物数 | 2.5M | 119M | ~14K | ~2.4M | ~1.4B ( purchasable ) |
| 生物活性数 | 21.1M | 295M | ~8K | ~2.5M | — |
| 靶点数 | 16,000 | — | ~5K | ~9K | — |
| 策展方式 | 手工策展 | 自动提交 | 手工策展 | 半自动 | 自动 |
| 单位标准化 | ✅ (IC50/Ki→nM) | ❌ (原始格式) | ✅ | ✅ | — |
| 结构标准化 | ✅ (三步管道) | ❌ | ✅ | ✅ | ✅ |
| 许可证 | CC BY-SA 3.0 | 公共领域 | CC BY-NC 4.0 | CC BY 4.0 | 免费 |
| 商业使用 | ✅ 允许 | ✅ 允许 | ❌ 禁止 | ✅ 允许 | ✅ 允许 |
| API | RESTful + Python SDK | REST (PUG-REST) | REST (需注册) | 有限 REST | 无 |
| 下载格式 | SQL/SDF/RDF/FASTA | FTP/SDF | XML/SQL | TSV/Excel | SDF/SMILES |
| ML 适用性 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |
| 时间覆盖 | 1974-2024 | — | — | — | — |
选择建议：ChEMBL 是 QSAR 模型训练和深度学习分子性质预测的首选数据源，其手工策展质量和单位标准化程度远超 PubChem 的自动提交数据。DrugBank 适合药物信息查询但不适合大规模 ML 训练（规模小 + 非商业许可证限制）。PubChem 适合大规模化合物搜索和筛选，但生物活性数据质量参差不齐。
§1.4 数据集时间轴
2008 Wellcome Trust £4.7M 战略奖，StARlite 从 Galapagos NV 转移至 EMBL-EBI
│ John Overington 组建 ChEMBL 化学基因组学团队
│
2009 ChEMBL_01 (Oct 28): 440K 化合物, 1.9M 活性, 26K 文档, 5.7K 靶点
│ 仅 15 张公开表，覆盖 12 种药物化学期刊
│
2010 ChEMBL_03-08: 引入 SRC_ID (多来源支持), 首批存储数据集 (NTD 筛选数据)
│ GSK/Novartis/St. Jude 疟原虫筛选数据存入
│
2011 ChEMBL_09-10: 首次纳入 PubChem 确证实验数据，化合物数突破 100 万
│ ChEMBL-NTD 服务器上线，ChEMBL-Malaria 数据服务发布
│
2013 ChEMBL_15-16: 引入细胞系 (CELL-LINE) 靶点类型
│ 化合物数达 130 万
│
2014 NAR 2014 论文发表 (Davies et al.)
│ Oracle 数据库支持，网站月均访问量突破 3 万
│
2015 ChEMBL_20: 引入药物适应症 (Drug Indications) 数据
│ 化合物数达 146 万
│
2016 ChEMBL_22: 引入组织 (TISSUE) 靶点类型，蛋白质变异体数据
│ Andrew Leach 接任团队负责人
│
2017 NAR 2017 论文发表 (Gaulton et al.)
│ 前端从 Backbone.js 开始迁移至 Vue.js + Nuxt.js
│
2018 ChEMBL_24: 引入体内实验分类 (In Vivo Experiment Classification)
│ FPSim2 相似性搜索工具开发
│
2019 NAR 2019 论文发表
│ 部署迁移至 Kubernetes 集群
│
2020 ChEMBL_26-27: Conformal Prediction 靶点预测模型上线
│ FPSim2 替代 RDKit PostgreSQL cartridge
│
2021 ChEMBL_28-29: 引入药物警告 (Drug Warnings) 数据
│ 前体药物 active_molregno 关联字段, Oracle dump 停止主下载
│
2022 ChEMBL_30-31: 毒性实验 (Toxicity) 从 ADME 中独立分离
│ SARS-CoV-2 大规模药物重定位筛选数据纳入
│
2023 ChEMBL_32-33: NAR 2024 论文发表 (Zdrazil et al.)
│ ACTION_TYPE 32 种作用类型注释 (~270K 活性)
│ CHEMBL_RELEASE 发布版本表, FPSim2 纳入 FTP 下载
│ 存储数据集生物活性首次超过文献提取
│
2024 ChEMBL_34-35: Oracle 19c 按需支持终止, 化合物突破 250 万
│ "ChEMBL 15 周年"综述发表 (J Cheminformatics)
│
2025+ ChEMBL_36-37: 持续增长，月均 5.3 万会话
│ 1.78 亿+ UniChem 交叉引用结构
§1.5 典型用例
| 用例 | 描述 | 难度 | ChEMBL 优势 |
|---|---|---|---|
| QSAR 模型训练 | 从 ChEMBL 提取特定靶点的 IC50 数据，训练回归模型预测新化合物活性 | ⭐⭐ | 标准化单位 + pChEMBL 值 + 时间分割支持 |
| 药物-靶点相互作用预测 | 利用化合物-靶点对训练分类/回归模型 | ⭐⭐⭐ | 16,000 靶点 + 多活性类型覆盖 |
| 药物重定位 | 识别已有药物的新适应症靶点 | ⭐⭐⭐ | 获批药物 (2,993) + 多靶点活性数据 |
| 多药理学分析 | 分析药物在多个靶点上的活性谱 | ⭐⭐⭐⭐ | 同一化合物对多靶点的完整活性谱 |
| ADMET 预测 | 预测吸收/分布/代谢/排泄/毒性 | ⭐⭐ | ADME + Toxicity 实验类型分类 |
| 化学空间映射 | 使用分子指纹可视化化学空间分布 | ⭐⭐ | SDF 格式 + FPSim2 预计算指纹 |
| 天然产物发现 | 筛选和识别天然产物来源的活性化合物 | ⭐⭐ | ~64K 天然产物标记 + NP 相似性评分 |
| 药物安全分析 | 分析药物撤市原因和黑框警告 | ⭐⭐ | 202 撤市药物 + 592 黑框警告 + EFO 映射 |
§2 药学背景
§2.1 ICD-11 / ATC / ChEBI 标准映射
ChEMBL 作为药物发现数据库，其标准映射体系与临床医学数据集不同，主要使用以下三套标准：
| 标准体系 | 用途 | ChEMBL 中的应用 |
|---|---|---|
| ATC (Anatomical Therapeutic Chemical Classification) | WHO 药物分类系统 | 获批药物和临床候选药物的解剖/治疗/化学分类；药物适应症映射 |
| ChEBI (Chemical Entities of Biological Interest) | 化学生物学本体 | 化合物角色分类（如抑制剂、激动剂）；化学实体语义标注 |
| EFO (Experimental Factor Ontology) | 实验因子本体 | 药物撤市原因映射（如 “cardiac arrhythmia”）；高级毒性类别映射（如 “cardiotoxicity”） |
| NCBI Taxonomy | 生物分类法 | 靶点来源生物体分类（Tax ID），覆盖人类、大鼠、小鼠、细菌、病毒等 |
| UniProt | 蛋白质序列数据库 | 蛋白质靶点与 UniProt 条目交叉引用；变异体序列关联 |
| ChEMBL Target Classification | ChEMBL 内部靶点分类 | 三级分类：蛋白质靶点 → 非蛋白质分子靶点 → 非分子靶点 |
ATC 分类示例：
- 阿司匹林 (CHEMBL25)：N02BA01 (神经系统 > 镇痛药 > 水杨酸及其衍生物 > 水杨酸类 > 乙酰水杨酸)
- 布洛芬 (CHEMBL521：M01AE01 (肌肉骨骼系统 > 抗炎/抗风湿药 > 非甾体抗炎药 > 丙酸衍生物 > 布洛芬)
§2.2 临床任务
ChEMBL 支持的药物发现任务覆盖完整药物发现链条：
| 阶段 | 任务 | ChEMBL 数据支持 |
|---|---|---|
| 靶点识别 | 确定疾病相关靶点 | 16,000 靶点 + 蛋白质序列 + 生物体分类 |
| 命中化合物识别 | 筛选对靶点有活性的化合物 | 21.1M 生物活性测量 + 多活性类型 (IC50/Ki/EC50) |
| 先导化合物优化 | 改善先导化合物的活性和性质 | SAR 数据 + 化学结构 + 计算属性 (logP/MW/Ro5) |
| 选择性评估 | 评估化合物对非靶标蛋白的选择性 | 同一化合物对多靶点的活性谱 |
| ADMET 评估 | 预测药代动力学和毒性 | ADME (A) + Toxicity (T) 实验类型分类 |
| 临床转化 | 评估临床候选药物的进展 | MAX_PHASE 分类 (4=获批, 3=III期, 2=II期, 1=I期) |
| 药物安全监测 | 监测上市后药物安全 | 撤市药物 + 黑框警告 + EFO 映射毒性 |
| 药物重定位 | 发现已有药物的新适应症 | 药物适应症 (55,442 条, v35) + 多靶点活性 |
§2.3 化合物分类与靶点谱系
化合物分子类型分布 (v33)：
- 小分子 (Small molecule)：~80%（主导类型）
- 抗体 (Antibody)：v32 起显著增加
- 蛋白质 (Protein)：v32 起显著增加
- 寡核苷酸 (Oligonucleotide)：增长类别
- 寡糖 (Oligosaccharide)：少数
- 基因治疗 (Gene)：v28 引入
靶点三级分类体系：
| 层级 | 类型 | 数量 (v33) | 子类型 |
|---|---|---|---|
| 蛋白质靶点 | ~10,600 | SINGLE PROTEIN, PROTEIN COMPLEX, PROTEIN FAMILY, PROTEIN COMPLEX GROUP, PROTEIN-PROTEIN INTERACTION, CHIMERIC PROTEIN, SELECTIVITY GROUP | |
| 非蛋白质分子靶点 | ~200 | NUCLEIC-ACID (44种), PROTEIN NUCLEIC-ACID COMPLEX, SMALL MOLECULE, MACROMOLECULE, LIPID, METAL, OLIGOSACCHARIDE | |
| 非分子靶点 | ~4,500 | CELL-LINE, TISSUE, ORGANISM, SUBCELLULAR, PHENOTYPE |
人类蛋白质靶点：~5,300（约占蛋白质靶点的一半），是药物发现的主要关注对象
§2.4 生物活性数据类型与标准化
核心活性类型：
| 活性类型 | 含义 | 典型单位 | 标准化后 |
|---|---|---|---|
| IC50 | 半数抑制浓度 | nM, μM, mM | nM |
| Ki | 抑制常数 | nM, μM | nM |
| Kd | 解离常数 | nM, μM | nM |
| EC50 | 半数有效浓度 | nM, μM | nM |
| Potency | 效价 | nM, μM | nM |
| Inhibition | 抑制率 (%) | % | % |
| AUC | 药时曲线下面积 | ng·h/mL | ng·h/mL (91% 统一) |
| Cmax | 最大血药浓度 | nM, ng/mL | nM (97% 统一) |
pChEMBL 值：ChEMBL 提供负对数变换值 pChEMBL = -log10(standard_value × 1e-9)，范围通常 1-12，值越高表示化合物越有效。此变换将不同量级的活性值统一到可比较的对数空间，是 ML 模型的标准输入格式。
实验类型分类 (v33)：
- Binding (B)：结合实验，测量化合物与靶点的结合亲和力
- Functional (F)：功能实验，测量化合物的功能效应
- ADME (A)：吸收/分布/代谢/排泄实验
- Toxicity (T)：毒性实验（v30 从 ADME 中独立分离，增长 6 倍）
作用类型 (v33)：32 种不同作用类型，包括 inhibitor（抑制剂）、blocker（阻断剂）、inverse agonist（反向激动剂）等。约 270,000 个活性数据已注释作用类型（v33 作为测试集发布）。
§3 数据集规格
§3.0 版本抉择矩阵
ChEMBL 的版本选择对 AI 模型训练至关重要。以下矩阵帮助用户选择最适合的版本：
| 版本 | 发布日期 | 化合物 | 活性 | 关键特性 | 推荐用途 |
|---|---|---|---|---|---|
| ChEMBL 35 | 2024-12 | 2,496,335 | 21,123,501 | 最新完整统计版本；Oracle 支持终止 | ⭐ 推荐：最新研究 |
| ChEMBL 33 | 2023-05 | 2,399,743 | 20,334,684 | NAR 2024 论文描述版本；ACTION_TYPE 测试集 | ⭐ 推荐：可复现论文 |
| ChEMBL 32 | 2023-01 | 2,354,965 | 20,038,828 | INN 申请化合物首次纳入；FPSim2 纳入 FTP | 过渡版本 |
| ChEMBL 30 | 2022-02 | 2,157,379 | 19,286,751 | Toxicity 实验类型独立 | Toxicity 分析基线 |
| ChEMBL 28 | 2021-01 | 2,086,898 | 17,276,334 | Drug Warnings + Prodrug 关联 | 药物安全分析 |
| ChEMBL 27 | 2020-05 | 1,961,462 | 16,066,124 | Conformal Prediction 靶点预测 | 靶点预测研究 |
| ChEMBL 24 | 2018-05 | 1,828,820 | 15,207,914 | 体内实验分类引入 | 体内实验研究 |
| ChEMBL 20 | 2015-02 | 1,463,270 | 13,520,737 | 药物适应症引入 | 适应症分析基线 |
| ChEMBL 01 | 2009-10 | 440,055 | 1,936,969 | 初始版本，仅文献数据 | 历史对比 |
时间分割建议：对于需要时间分割验证的 ML 模型，建议使用 ChEMBL 27 (2020-05 之前) 作为训练集，ChEMBL 33 (2023-05) 作为测试集，利用文献日期字段 (
docs.year) 实现严格的时间分割，避免数据泄露。
§3.1 数据模态
ChEMBL 的数据模态与医学影像数据集截然不同，以化学结构和生物活性测量为核心：
| 模态 | 描述 | 格式 | 字段/列 |
|---|---|---|---|
| 化学结构 | 2D 分子结构 | SMILES, InChI, InChI Key | canonical_smiles, standard_inchi_key |
| 分子属性 | 计算的物理化学性质 | 数值 | molecular_weight, alogp, psa, ro3_pass, ro5_violations |
| 生物活性 | 化合物-靶点活性测量 | 数值 + 单位 | standard_type, standard_value, standard_units, pchembl_value |
| 实验信息 | 实验检测元数据 | 结构化文本 | assay_type, assay_organism, assay_tax_id, bao_format |
| 靶点信息 | 蛋白质/细胞/组织靶点 | 结构化文本 | target_type, pref_name, organism, tax_id |
| 文档信息 | 来源文献/专利/数据集 | 元数据 | doc_type, journal, year, authors, doi, patent_id |
| 药物标注 | 临床进展和安全信息 | 分类标签 | max_phase, molecule_type, natural_product, chemical_probe, prodrug |
| 药物安全 | 撤市/黑框警告 | 结构化文本 | drug_warning_type, warning_year, efo_term |
| 药物适应症 | 批准适应症 | 结构化文本 | mesh_disease, efo_disease, max_phase_for_ind |
| 蛋白质序列 | 靶点氨基酸序列 | FASTA | target_sequence, variant_sequences |
§3.2 数据来源与组成
ChEMBL 的数据来源分为四大类，自 v33 起存储数据集的生物活性首次超过文献提取：
| 来源类型 | 代码 | v33 活性数 | 占比 | 描述 |
|---|---|---|---|---|
| 存储数据集 (DATASET) | DATASET | ~10.9M | 54% | 药企/学术机构捐赠、整合自其他公共数据库 |
| 文献提取 (PUBLICATION) | PUBLICATION | ~9.0M | 44% | 从 ~230 种期刊手工提取 |
| 专利 (PATENT) | PATENT | ~380K | 2% | 通过 SureChEMBL 和 BindingDB 提取 |
| 书籍 (BOOK) | BOOK | ~600 | <0.1% | 参考书籍中的活性数据 |
核心文献来源 (Top 5 期刊, v33)：
| 期刊 | 文档数 | 实验数 | 生物活性数 |
|---|---|---|---|
| J Med Chem | 24,505 | 569,146 | 2,848,595 |
| Bioorg Med Chem Lett | 23,763 | 291,472 | 1,743,896 |
| Eur J Med Chem | 9,410 | 246,065 | 1,460,323 |
| Bioorg Med Chem | 8,873 | 147,680 | 909,607 |
| J Nat Prod | 8,410 | 77,131 | 302,822 |
主要存储数据集来源 (v33)：
| 来源 | Source ID | 数据量 | 描述 |
|---|---|---|---|
| 专利生物活性 | 38 | 99,948 活性 / 1,322 靶点 | SureChEMBL 提取，381 个新专利 |
| SGC 化学探针 | 54 | 70,800 测量 / 1,435 靶点 | 206 个捐赠化学探针 |
| EUbOPEN 化学基因组学库 | 55 | ~400,000 活性 / 180 靶点 | 933 个化合物的全靶点筛选 |
| CO-ADD 抗菌筛选 | 40 | ~100,000 活性 | 31 个数据集，抗药性感染 |
| Kuster 激酶化学蛋白质组学 | 48 | ~70,500 活性 / 320 靶点 | 243 个临床激酶药物 |
| 疟原虫筛选 | — | ~400,000 活性 / 78,000 化合物 | v28 特殊发布 |
§3.3 化学结构标准化管道
ChEMBL 的化学结构标准化是数据质量的核心保障，管道代码完全开源（GitHub: chembl/ChEMBL_Structure_Pipeline）：
Step 1: Checker（检查器）
- 输入：原始化学结构
- 功能：验证化学结构，识别问题
- 输出：惩罚评分（2=低优先级 → 6=入库但无结构 → 7=致命错误，不入库）
Step 2: Standardizer（标准化器）
- 输入：通过检查的化学结构
- 功能：基于 FDA/IUPAC 预定义规则修正结构（参考 FDA Global Substance Registration System）
- 输出：标准化后的化学结构
Step 3: GetParent（获取母体）
- 输入：标准化后的化学结构
- 功能：基于 USAN Council 药理学盐类列表创建母体分子
- 包含 163 种盐和 9 种溶剂
- 盐和溶剂文件可在 GitHub 获取
- 输出：母体分子结构（去除盐和溶剂）
§3.4 数据库 Schema 与核心表
ChEMBL 数据库采用关系型数据库设计，核心表结构如下：
MOLECULE_DICTIONARY (2.5M 行)
├── molregno (PK)
├── chembl_id (e.g., CHEMBL25)
├── pref_name
├── max_phase (4=approved, 3=Phase III, ...)
├── molecule_type (Small molecule, Antibody, ...)
├── natural_product (BOOL)
├── chemical_probe (BOOL)
├── prodrug (BOOL)
├── oral (BOOL)
├── parent_type
└── active_molregno (FK → MOLECULE_DICTIONARY, for prodrugs)
│
├── COMPOUND_PROPERTIES
│ ├── molregno (FK)
│ ├── molecular_weight
│ ├── alogp
│ ├── psa (极性表面积)
│ ├── ro3_pass
│ ├── ro5_violations (0-4)
│ ├── np_likeness_score (-5.0 to 5.0)
│ └── full_mwt
│
├── COMPOUND_STRUCTURES
│ ├── molregno (FK)
│ ├── canonical_smiles
│ ├── standard_inchi
│ └── standard_inchi_key
│
└── ACTIVITIES (21.1M 行)
├── activity_id (PK)
├── assay_id (FK → ASSAYS)
├── molregno (FK → MOLECULE_DICTIONARY)
├── standard_type (IC50, Ki, Kd, EC50, ...)
├── standard_relation (=, <, >)
├── standard_value
├── standard_units (nM, %, ...)
├── pchembl_value (-log10)
├── activity_type (B, F, A, T)
├── action_type (inhibitor, blocker, ...)
└── activity_comment
│
└── ASSAYS (1.74M 行)
├── assay_id (PK)
├── doc_id (FK → DOCS)
├── tid (FK → TARGETS)
├── assay_type (B, F, A, T)
├── assay_organism
├── assay_tax_id
├── bao_format
└── confidence_score (1-9)
│
├── TARGETS (16,003 行)
│ ├── tid (PK)
│ ├── chembl_id (e.g., CHEMBL205)
│ ├── pref_name
│ ├── target_type (SINGLE PROTEIN, CELL-LINE, ...)
│ ├── organism
│ ├── tax_id
│ └── tid_components (FK, for complexes)
│
└── DOCS (92,121 行)
├── doc_id (PK)
├── doc_type (PUBLICATION, DATASET, PATENT, BOOK)
├── journal
├── year
├── authors
├── doi
├── patent_id
└── chembl_release_id (FK → CHEMBL_RELEASE, v33+)
CHEMBL_RELEASE (v33+ 新增)
├── chembl_release_id (PK)
├── creation_date
└── release_name
DRUG_WARNINGS (1,676 行)
├── warning_id (PK)
├── molregno (FK)
├── warning_type (Black Box Warning, Drug Withdrawal, ...)
├── warning_year
└── efo_term (e.g., ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''cardiac arrhythmia'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')
DRUG_INDICATIONS (55,442 行)
├── drugind_id (PK)
├── molregno (FK)
├── mesh_disease
├── efo_disease
└── max_phase_for_ind
DRUG_MECHANISMS (7,330 行)
├── mec_id (PK)
├── molregno (FK)
├── tid (FK → TARGETS)
├── action_type
└── mechanism_comment
VARIANT_SEQUENCES (2,443 整理变异体)
├── variant_id (PK)
├── tid (FK → TARGETS)
├── mutation
├── natural_variant
└── sequence
§3.5 下载格式与存储
| 格式 | 文件 | 大小 | 适用场景 |
|---|---|---|---|
| SQLite | chembl_35_sqlite.tar.gz | ~5 GB | 本地快速查询，无需数据库服务器；Python/JS 直接读取 |
| PostgreSQL | chembl_35_postgresql.tar.gz | ~10-15 GB | 生产环境部署；支持复杂 SQL 查询；RDKit cartridge 扩展 |
| MySQL | chembl_35_mysql.tar.gz | ~10 GB | MySQL 环境部署 |
| SDF | chembl_35.sdf.gz | ~8 GB | 化学结构处理（RDKit/OpenBabel 读取）；批量计算分子指纹 |
| FASTA | chembl_35.fasta.gz | ~50 MB | 蛋白质靶点序列分析；生物信息学工具链 |
| RDF (Turtle) | chembl_35_rdf.ttl.gz | ~15 GB | 语义 Web 应用；SPARQL 查询；Linked Data 集成 |
| FPSim2 | chembl_35_fpsim2.h5 | ~2 GB | 高速相似性搜索（Morgan r=2, 2048-bit）；v32 起纳入 FTP |
FTP 下载：https://ftp.ebi.ac.uk/pub/databases/chembl/ChEMBLdb/releases/
§3.6 API 与 SDK
RESTful API：
- 基础 URL：
https://www.ebi.ac.uk/chembl/api/data/ - 返回格式：JSON / XML
- 支持实体：molecules, targets, assays, activities, documents, cell_lines, tissues
- 高级功能：相似性搜索、子结构搜索、连接性搜索
- 速率限制：合理使用（无硬性限制，建议每秒 <3 请求）
- 文档：https://chembl.gitbook.io/chembl-interface-documentation
Python SDK (chembl_webresource_client)：
pip install chembl_webresource_client
from chembl_webresource_client.new_client import new_client
# 获取化合物信息
molecule = new_client.molecule
m = molecule.get(''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''CHEMBL25'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''') # 阿司匹林
print(m[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''molecule_structures''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''][''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''canonical_smiles''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''])
# 按靶点筛选活性数据
activity = new_client.activity
results = activity.filter(
target_chembl_id=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''CHEMBL205'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', # Carbonic anhydrase II
standard_type=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''IC50''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
)[:10]
for a in results:
print(a[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''molecule_chembl_id''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''], a[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''standard_value''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''], a[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''standard_units''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''])
chembl-downloader 包（用于可复现的大规模下载）：
pip install chembl-downloader
§3.7 许可证与数据使用
许可证：Creative Commons Attribution-Share Alike 3.0 Unported (CC BY-SA 3.0)
| 权限 | 状态 | 说明 |
|---|---|---|
| 商业使用 | ✅ 允许 | 可用于商业药物发现项目 |
| 修改 | ✅ 允许 | 可修改和适配数据 |
| 分发 | ✅ 允许 | 可再分发数据 |
| 归属 | ⚠️ 必须 | 必须注明 ChEMBL 数据来源 |
| ShareAlike | ⚠️ 必须 | 衍生作品必须以相同许可证 (CC BY-SA 3.0) 发布 |
重要提示：CC BY-SA 3.0 的 ShareAlike 条款要求衍生作品使用相同许可证。如果您的 AI 模型训练数据集基于 ChEMBL 构建，且计划公开发布该数据集，则数据集也需以 CC BY-SA 3.0 许可。
§3.8 基金来源与机构
ChEMBL 的运营资金来自多个来源：
| 资助方 | 贡献 | 类型 |
|---|---|---|
| Wellcome Trust | £4.7M 战略奖 (2008)，初始数据获取 | 创始资助 |
| EMBL 成员国 | 核心运营资金（20+ 成员国政府） | 核心资助 |
| BBSRC (UK) | 生物技术和生物科学研究委员会 | 持续资助 |
| NIH (USA) | 美国国立卫生研究院 | 持续资助 |
| Wellcome Sanger Institute | 基因组学合作 | 合作机构 |
| EU IMI 2 | EUbOPEN 项目 (5 年公私合作) | 项目资助 |
| EU H2020 | RESOLUTE (SLC 基因家族) | 项目资助 |
| ELIXIR | 欧洲生命科学基础设施，核心数据资源认定 | 基础设施 |
托管机构：EMBL-EBI，位于英国剑桥 Hinxton 的 Wellcome Trust Genome Campus
§4 数据结构详解
§4.1 完整目录树（PostgreSQL/SQLite 导入后）
chembl_35/
├── molecule_dictionary # 2,496,335 行 — 化合物主表
├── compound_properties # 2,496,335 行 — 计算属性
├── compound_records # 3,106,257 行 — 化合物记录（含来源信息）
├── compound_structures # 2,496,335 行 — SMILES/InChI 结构
├── activities # 21,123,501 行 — 生物活性测量
├── assays # 1,740,546 行 — 实验检测
├── targets # 16,003 行 — 靶点
├── target_components # 靶点组分（蛋白复合体）
├── target_relations # 靶点关系层级
├── docs # 92,121 行 — 文档来源
├── chembl_release # 发布版本信息 (v33+)
├── action_type # 32 种作用类型定义
├── assay_parameters # 实验参数
├── activity_properties # 活性属性
├── activity_stereo_lookup # 立体化学注释
├── variant_sequences # 2,443 整理变异体
├── sequences # 蛋白质靶点序列
├── component_sequences # 组分序列
├── component_synonyms # 组分同义词
├── cell_dictionary # 2,129 细胞系
├── tissue_dictionary # 782 组织
├── drug_warnings # 1,676 药物警告
├── drug_indications # 55,442 药物适应症
├── drug_mechanisms # 7,330 药物机制
├── Formulation_index # 制剂索引
├── molecule_atc_classifications # ATC 分类
├── molecule_hrac_classifications # HRAC 分类
├── molecule_synonyms # 化合物同义词
├── predicted_binding_domains # 预测结合域
├── source # 数据来源定义 (SRC_ID)
├── docs_references # 文献交叉引用
├── docs_attachments # 文档附件
└── version # 版本信息
§4.2 DAIMS 标准化数据字典
ChEMBL 作为药物发现数据库，DAIMS 检查清单适配如下：
| DAIMS 项 | ChEMBL 适配 | 状态 | 说明 |
|---|---|---|---|
| #1 数据来源标识 | ✅ | 通过 | source 表 + SRC_ID 字段，每个数据点可溯源至具体文档/数据集 |
| #2 数据收集协议 | ✅ | 通过 | 手工策展 + 三步标准化管道，流程公开于 GitHub |
| #3 数据格式标准化 | ✅ | 通过 | SMILES/InChI Key 化学标识符 + nM 单位归一化 + pChEMBL 值 |
| #4 时间戳与版本控制 | ✅ | 通过 | docs.year (1974-2024) + chembl_release 表 (v33+) + 每版本独立 DOI |
| #5 IAA (标注者间一致性) | ⚠️ | 部分 | 手工策展但无正式 IAA 指标；存储数据集有提交检查清单 |
| #6 数据完整性与缺失值 | ✅ | 通过 | standard_relation (=, <, >) 处理不确定值；~11% 活性缺单位 |
| #7 数据质量指标 | ✅ | 通过 | 惩罚评分系统 + 单位归一化率 (AUC 91%, Cmax 97%) |
| #8 元数据完整性 | ✅ | 通过 | 每个活性记录关联实验、靶点、文档、来源完整元数据 |
| #9 格式与互操作性 | ✅ | 通过 | SQL/SDF/RDF/FASTA/API 多格式 + FAIR 原则 |
| #10 可追溯性 | ✅ | 通过 | FTP 保留全部 37 版本 + 每版本 DOI |
| #11 标准化标识符 | ✅ | 通过 | ChEMBL ID + InChI Key + NCBI Tax ID + ATC 代码 |
| #12 人口统计信息 | N/A | 不适用 | 非患者数据，无人口统计信息 |
| #13 标注协议 | ✅ | 通过 | 化学结构标准化协议公开于 GitHub |
| #14 纵向数据 | ⚠️ | 部分 | 文献时间覆盖 1974-2024 支持时间分析，但化合物无纵向追踪 |
| #15 数据大小与存储 | ✅ | 通过 | SQLite ~5GB / PostgreSQL ~15GB / SDF ~8GB / RDF ~15GB |
| #16 采样策略 | ✅ | 通过 | 文献手工策展 + 存储数据集筛选 + 专利提取 |
| #17 伦理审批 | N/A | 不适用 | 公开发表文献和专利数据，无人体研究 |
| #18 知情同意 | N/A | 不适用 | 无人体受试者数据 |
| #19 隐私保护 | ✅ | 通过 | 无个人/患者级数据 |
| #20 真值质量 | ✅ | 通过 | 三步标准化 + 人工审核 + 蛋白质变异体人工整理 |
| #21 公平性与代表性 | ⚠️ | 部分 | 人类蛋白靶点过度代表；小分子化合物占 80%；哺乳动物靶点主导 |
| #22 数据偏倚评估 | ✅ | 通过 | 文献发表偏倚、化合物类型偏倚、靶点物种偏倚已识别 |
| #23 长期追踪 | ⚠️ | 部分 | 版本持续更新但无化合物临床进展追踪 |
| #24 临床部署准备 | N/A | 不适用 | 研究数据库，非临床决策工具 |
§4.3 生物活性数据分布统计
按实验类型分布 (v33)：
| 实验类型 | 代码 | 占比 | 说明 |
|---|---|---|---|
| Binding | B | ~50% | 结合实验，IC50/Ki/Kd 为主 |
| Functional | F | ~30% | 功能实验，EC50 为主 |
| ADME | A | ~15% | 药代动力学实验 |
| Toxicity | T | ~5% | 毒性实验 (v30 独立，6 倍增长) |
按活性类型分布 (Top 5)：
| 活性类型 | 典型范围 | 说明 |
|---|---|---|
| IC50 | 0.1 nM - 100 μM | 半数抑制浓度，最常见 |
| Ki | 0.01 nM - 10 μM | 抑制常数（热力学） |
| EC50 | 0.1 nM - 100 μM | 半数有效浓度 |
| Kd | 0.01 nM - 10 μM | 解离常数 |
| Potency | 0.1 nM - 100 μM | 效价（混合指标） |
按文档类型分布 (v33)：
- DATASET（存储数据集）：~10.9M 活性 (54%)
- PUBLICATION（文献提取）：~9.0M 活性 (44%)
- PATENT（专利）：~380K 活性 (2%)
- BOOK（书籍）：~600 活性 (<0.1%)
按靶点生物体分布 (v33)：
- 真核生物靶点：主导来源，在存储数据集中占比更高
- 细菌靶点：文献数据中占相当比例
- 真菌、病毒、古菌靶点：文献数据中占较小但恒定比例
§4.4 化合物属性统计
| 属性 | 范围 | 说明 |
|---|---|---|
| 分子量 (MW) | 100-1000 Da (典型) | 药物样化合物主要范围 |
| 计算 logP (ALogP) | -2 到 6 (典型) | 脂溶性指标 |
| 极性表面积 (PSA) | 20-150 Ų (典型) | 药物吸收相关 |
| Ro5 违规数 | 0-4 | Lipinski 五规则违规数 |
| NP 相似性评分 | -5.0 到 5.0 | 天然产物相似性 (基于 Ertl et al. 方法) |
| MAX_PHASE 分布 | 4=获批 (2,993) / 3=III期 / 2=II期 / 1=I期 / 0.5=早期I期 | 临床进展阶段 |
| USAN/INN 化合物 | 11,544 (v33) | 获美国药典/国际非专利药名申请的化合物 |
| 至少早期I期临床 | 8,415 (v33) | 进入临床试验的化合物 |
| 天然产物标记 | ~64,000 (v33) | 标记为天然产物的化合物 |
| 化学探针标记 | 388 (v33) | chemicalprobes.org 评定 ≥3 星 |
| 前体药物 | 400 个家族 (v33) | 有活性成分关联的 prodrug |
§5 数据划分与使用建议
§5.1 官方数据组织
ChEMBL 不提供标准的 train/validation/test 划分——它是一个数据库而非比赛数据集。但 ChEMBL 提供了构建高质量划分的元数据：
| 划分维度 | 字段 | 说明 | 推荐策略 |
|---|---|---|---|
| 时间分割 | docs.year |
文献发表年份 (1974-2024) | ⭐ 推荐：训练≤2020，测试>2020 |
| 文档类型 | docs.doc_type |
PUBLICATION / DATASET / PATENT | 按来源类型分层 |
| 实验类型 | assays.assay_type |
B / F / A / T | 按实验类型分层 |
| 靶点类型 | targets.target_type |
SINGLE PROTEIN / CELL-LINE / … | 按靶点类型分层 |
| 活性类型 | activities.standard_type |
IC50 / Ki / EC50 / … | 按活性类型筛选 |
| 生物体 | targets.organism |
Homo sapiens / Rattus norvegicus / … | 按物种筛选 |
| 分子类型 | molecule_dictionary.molecule_type |
Small molecule / Antibody / … | 按分子类型筛选 |
| 临床阶段 | molecule_dictionary.max_phase |
4=approved / 3=Phase III / … | 按临床进展筛选 |
§5.2 QSAR 数据集构建最佳实践
# === 标准 QSAR 数据集构建流程 ===
import pandas as pd
from rdkit import Chem
from rdkit.Chem import AllChem
import sqlite3
# Step 1: 从 ChEMBL SQLite 提取特定靶点的 IC50 数据
conevent-blocked= sqlite3.connect(''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''chembl_35.db'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')
query = """
SELECT
m.chembl_id,
cs.canonical_smiles,
a.standard_value,
a.standard_units,
a.pchembl_value,
d.year,
t.pref_name as target_name,
t.organism
FROM activities a
JOIN assays ass ON a.assay_id = ass.assay_id
JOIN molecule_dictionary m ON a.molregno = m.molregno
JOIN compound_structures cs ON m.molregno = cs.molregno
JOIN docs d ON ass.doc_id = d.doc_id
JOIN targets t ON ass.tid = t.tid
WHERE a.standard_type = ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''IC50''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
AND a.standard_units = ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''nM''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
AND a.standard_relation = ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
AND a.standard_value > 0
AND a.standard_value < 100000 排除 >100μM 的非活性
AND t.organism = ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''Homo sapiens''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
AND t.target_type = ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''SINGLE PROTEIN''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
AND d.year IS NOT NULL
"""
df = pd.read_sql_query(query, conn)
# Step 2: 去重 — 同一化合物取中位数
df = df.groupby(''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''chembl_id'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''').agg({
''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''canonical_smiles'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''first'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''',
''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''pchembl_value'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''median'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''',
''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''year'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''max'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''',
''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''target_name'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''first''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
}).reset_index()
# Step 3: 时间分割 (避免数据泄露!)
train = df[df[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''year''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''] <= 2020]
test = df[df[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''year''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''] > 2020]
print(f"Train: {len(train)}, Test: {len(test)}")
# Step 4: 计算分子指纹 (Morgan r=2, 2048-bit, 与 FPSim2 一致)
def smiles_to_fp(smiles, radius=2, nbits=2048):
mol = Chem.MolFromSmiles(smiles)
if mol is None:
return None
return AllChem.GetMorganFingerprintAsBitVect(mol, radius, nBits=nbits)
train[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''fp''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''] = train[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''canonical_smiles''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''].apply(smiles_to_fp)
train = train.dropna(subset=[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''fp''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''])
§5.3 使用建议
| 使用场景 | 推荐数据范围 | 筛选条件 | 注意事项 |
|---|---|---|---|
| 特定靶点 QSAR | 单一靶点，IC50 数据 | target_type=SINGLE PROTEIN + organism=Homo sapiens |
同一化合物多次测量取中位数 |
| 多靶点模型 | 多个靶点 | target_type IN (SINGLE PROTEIN, PROTEIN COMPLEX) |
注意靶点间序列相似度导致的泄露 |
| ADMET 预测 | ADME/T 实验 | assay_type IN (''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''A'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''T'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''') |
ADMET 数据量较少，注意类别不平衡 |
| 药物重定位 | 获批药物 | max_phase=4 |
仅 2,993 个获批药物，样本量有限 |
| 化学空间探索 | 全量化合物 | 无筛选 (SDF 格式) | 使用 FPSim2 预计算指纹加速 |
| 靶点预测 | 全量活性 | activity_type=B |
使用 Conformal Prediction 框架 |
§6 AI 就绪指南
§6.0 云端快速启动
# === Google Colab 一键启动 ===
# Cell 1: 安装依赖
!pip install chembl_webresource_client rdkit scikit-learn
# Cell 2: 查询特定靶点的生物活性数据
from chembl_webresource_client.new_client import new_client
import pandas as pd
activity = new_client.activity
# 获取 Carbonic anhydrase II 的 IC50 数据
results = activity.filter(
target_chembl_id=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''CHEMBL205'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''',
standard_type=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''IC50'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''',
standard_units=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''nM''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
)[:100]
df = pd.DataFrame.from_records(results)
print(f"获取 {len(df)} 条 IC50 数据")
print(df[[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''molecule_chembl_id'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''standard_value'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''pchembl_value'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''']].head())
# === 本地 SQLite 快速启动 ===
import sqlite3
import pandas as pd
# 下载 SQLite 文件后（~5GB）
conevent-blocked= sqlite3.connect(''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''chembl_35.db'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')
# 查看数据库大小
print("总化合物数:", conn.execute("SELECT COUNT(*) FROM molecule_dictionary").fetchone()[0])
print("总活性数:", conn.execute("SELECT COUNT(*) FROM activities").fetchone()[0])
print("总靶点数:", conn.execute("SELECT COUNT(*) FROM targets").fetchone()[0])
# 获取特定靶点的活性分布
query = """
SELECT a.standard_type, COUNT(*) as count,
AVG(a.pchembl_value) as avg_pchembl
FROM activities a
JOIN assays ass ON a.assay_id = ass.assay_id
JOIN targets t ON ass.tid = t.tid
WHERE t.chembl_id = ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''CHEMBL205''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
GROUP BY a.standard_type
ORDER BY count DESC
"""
print(pd.read_sql_query(query, conn))
§6.1 PyTorch DataLoader（QSAR 回归模型）
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
from rdkit import Chem
from rdkit.Chem import AllChem
import numpy as np
import sqlite3
class ChEMBLQSARDataset(Dataset):
"""
PyTorch Dataset for ChEMBL QSAR regression.
Predicts pChEMBL value from Morgan fingerprints.
"""
def __init__(self, db_path, target_chembl_id=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''CHEMBL205'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''',
activity_type=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''IC50'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', radius=2, nbits=2048,
year_split=2020, split=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''train''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''):
self.radius = radius
self.nbits = nbits
conevent-blocked= sqlite3.connect(db_path)
query = """
SELECT cs.canonical_smiles, a.pchembl_value, d.year
FROM activities a
JOIN assays ass ON a.assay_id = ass.assay_id
JOIN molecule_dictionary m ON a.molregno = m.molregno
JOIN compound_structures cs ON m.molregno = cs.molregno
JOIN docs d ON ass.doc_id = d.doc_id
JOIN targets t ON ass.tid = t.tid
WHERE t.chembl_id = ?
AND a.standard_type = ?
AND a.standard_units = ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''nM''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
AND a.standard_relation = ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
AND a.pchembl_value IS NOT NULL
AND d.year IS NOT NULL
"""
df = pd.read_sql_query(query, conn, params=(target_chembl_id, activity_type))
conn.close()
# 去重
df = df.groupby(''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''canonical_smiles'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''').agg({
''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''pchembl_value'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''median'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''',
''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''year'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''': ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''max''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
}).reset_index()
# 时间分割
if split == ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''train'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''':
df = df[df[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''year''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''] <= year_split]
else:
df = df[df[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''year''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''] > year_split]
self.smiles = df[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''canonical_smiles''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''].values
self.targets = df[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''pchembl_value''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''].values.astype(np.float32)
def __len__(self):
return len(self.smiles)
def __getitem__(self, idx):
mol = Chem.MolFromSmiles(self.smiles[idx])
fp = AllChem.GetMorganFingerprintAsBitVect(mol, self.radius, nBits=self.nbits)
fp_array = np.zeros((self.nbits,), dtype=np.float32)
from rdkit.DataStructs import ConvertToNumpyArray
ConvertToNumpyArray(fp, fp_array)
return torch.from_numpy(fp_array), torch.tensor(self.targets[idx])
# 使用示例
train_ds = ChEMBLQSARDataset(''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''chembl_35.db'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', split=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''train'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')
test_ds = ChEMBLQSARDataset(''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''chembl_35.db'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', split=''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''test'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''')
train_loader = DataLoader(train_ds, batch_size=256, shuffle=True, num_workers=4)
# 简单 MLP 模型
model = nn.Sequential(
nn.Linear(2048, 512),
nn.ReLU(),
nn.Dropout(0.3),
nn.Linear(512, 128),
nn.ReLU(),
nn.Linear(128, 1)
)
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)
criterion = nn.MSELoss()
for epoch in range(50):
for X, y in train_loader:
pred = model(X).squeeze()
loss = criterion(pred, y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
§6.2 RDKit + scikit-learn Pipeline
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import r2_score, mean_squared_error
from rdkit import Chem
from rdkit.Chem import AllChem, Descriptors
from rdkit.DataStructs import ConvertToNumpyArray
import numpy as np
def compute_descriptors(smiles_list):
"""计算 Morgan 指纹 + 描述符"""
fps, desc = [], []
for smi in smiles_list:
mol = Chem.MolFromSmiles(smi)
if mol is None:
continue
fp = AllChem.GetMorganFingerprintAsBitVect(mol, 2, nBits=2048)
fp_arr = np.zeros((2048,))
ConvertToNumpyArray(fp, fp_arr)
fps.append(fp_arr)
desc.append([
Descriptors.MolWt(mol),
Descriptors.MolLogP(mol),
Descriptors.TPSA(mol),
Descriptors.NumHDonors(mol),
Descriptors.NumHAcceptors(mol),
Descriptors.NumRotatableBonds(mol),
Descriptors.NumAromaticRings(mol),
])
return np.hstack([fps, desc])
# 训练
X_train = compute_descriptors(train_smiles)
y_train = train_pchembl.values
X_test = compute_descriptors(test_smiles)
y_test = test_pchembl.values
rf = RandomForestRegressor(n_estimators=500, n_jobs=-1, random_state=42)
rf.fit(X_train, y_train)
pred = rf.predict(X_test)
print(f"R²: {r2_score(y_test, pred):.3f}")
print(f"RMSE: {np.sqrt(mean_squared_error(y_test, pred)):.3f}")
§6.3 预处理与数据清洗最佳实践
| 步骤 | 操作 | 原因 | 代码 |
|---|---|---|---|
| 1. 筛选标准单位 | standard_units = ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''nM'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''' |
消除单位不一致 | SQL WHERE 子句 |
| 2. 筛选确定关系 | standard_relation = ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''='''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''' |
排除 < 和 > 的不等式值 |
SQL WHERE 子句 |
| 3. 排除异常值 | standard_value > 0 AND < 100000 |
排除 >100μM 的非活性数据 | SQL WHERE 子句 |
| 4. 去重 | 按 chembl_id 分组取中位数 | 同一化合物可能有多次测量 | groupby().median() |
| 5. 去除无效 SMILES | RDKit 解析验证 | 文献中可能有错误结构 | Chem.MolFromSmiles() != None |
| 6. 时间分割 | docs.year 字段 |
避免 ML 数据泄露 | 训练 ≤ 2020, 测试 > 2020 |
| 7. pChEMBL 变换 | -log10(value × 1e-9) |
对数空间更利于回归 | 字段已预计算 |
| 8. 靶点去重 | 排除高序列相似度靶点 | 避免同源靶点间泄露 | BLAST 聚类 (>90% 一致) |
§6.4 数据增强策略
| 策略 | 方法 | 适用场景 |
|---|---|---|
| SMILES 枚举 | 对同一分子生成多种 SMILES 字符串表示 | Transformer/SMILES-based 模型 |
| 分子图增强 | 随机遮蔽原子/键特征 | GNN (图神经网络) 模型 |
| 混合训练 | 结合 ChEMBL + PubChem BioAssay | 增加数据多样性 |
| 迁移学习 | 先在大规模未标注分子上预训练，再在 ChEMBL 有标注数据上微调 | 小样本靶点 |
| 多任务学习 | 同时预测多个靶点的活性 | 利用靶点间相关性 |
§6.5 已知坑点与解决方案
坑点 1：数据泄露（Data Leakage）⚠️ 最严重
问题：同一化合物的多种活性数据可能来自同一实验室/同一论文，如果不做时间分割，训练集和测试集可能包含来自同一来源的高度相关数据，导致模型在测试集上表现虚高。
解决方案：
# 严格的时间分割 — 按 docs.year 划分
train = df[df[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''year''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''] <= 2020] # 2020 年及之前的文献
test = df[df[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''year''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''] > 2020] # 2021 年及之后的文献
# 更严格：按文档 (doc_id) 划分，确保同一论文的数据不会同时出现在训练和测试中
train_docs = df[df[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''year''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''] <= 2020][''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''doc_id''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''].unique()
test_docs = df[df[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''year''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''] > 2020][''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''doc_id''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''].unique()
坑点 2：活性数据噪声与不一致
问题：同一化合物对同一靶点的不同实验可能报告差异较大的 IC50 值（实验条件不同），直接使用可能引入噪声。
解决方案：
- 同一化合物-靶点对取中位数（比均值更鲁棒）
- 检查
activity_comment字段，排除标注为 “inconclusive” 或 “unspecified” 的数据 - 使用
confidence_score字段（1-9）筛选高置信度实验
坑点 3：存储数据集与文献数据的质量差异
问题：自 v33 起，存储数据集的生物活性（54%）首次超过文献提取（44%），但不同来源的数据质量标准可能不同。
解决方案：
- 使用
source表的SRC_ID字段区分数据来源 - 对存储数据集使用
Supplementary File S2中的检查清单 - 混合训练时注意来源分层验证
坑点 4：靶点去复杂化丢失生物上下文
问题：ChEMBL 将 PROTEIN COMPLEX 等复杂靶点分解为 SINGLE PROTEIN 组分时，可能丢失重要的生物上下文（如异源二聚体的协同结合）。
解决方案：
- 检查
target_components表获取复合体组分信息 - 使用
target_relations表理解靶点间的层级关系 - 对需要完整生物上下文的任务，保留原始
target_type而非仅用 SINGLE PROTEIN
坑点 5：单位归一化不完整
问题：尽管 ChEMBL 持续归一化单位，但仍有约 9% 的 AUC 数据和 3% 的 Cmax 数据未统一。部分活性数据缺少 standard_units。
解决方案：
# 排除无单位数据
df = df[df[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''standard_units''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''].notna()]
# 仅使用已归一化的活性类型
df = df[df[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''standard_type''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''].isin([''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''IC50'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''Ki'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''Kd'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''EC50'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''', ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''Potency''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''])]
df = df[df[''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''standard_units''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''] == ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''nM'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''']
坑点 6：CC BY-SA 3.0 的 ShareAlike 限制
问题：CC BY-SA 3.0 要求衍生作品使用相同许可证。如果基于 ChEMBL 构建的数据集计划公开发布，数据集也需以 CC BY-SA 3.0 发布。这对于商业产品可能构成限制。
解决方案：
- 内部研究使用：无限制
- 发布衍生数据集：以 CC BY-SA 3.0 许可证发布
- 商业产品：仅使用 ChEMBL 数据进行模型训练，不直接分发原始数据
- 替代方案：考虑 PubChem（公共领域）用于无限制商业场景
§6.6 模型推荐与硬件配置
| 模型类型 | 推荐方法 | 数据量 | 硬件需求 |
|---|---|---|---|
| 传统 QSAR | Random Forest / XGBoost + Morgan 指纹 | 1K-100K | CPU 即可 |
| 深度 QSAR | MLP / DNN + Morgan 指纹 | 10K-1M | 单 GPU (8GB+) |
| GNN | GraphSAGE / GAT / MPNN | 10K-1M | 单 GPU (12GB+) |
| Transformer | ChemBERTa / MolBERT (SMILES) | 100K-10M | 多 GPU 或 A100 |
| 多任务 | Multi-task DNN (多靶点同时预测) | 100K-10M | 单 GPU (16GB+) |
| 迁移学习 | 预训练 SMILES 模型 + 微调 | 1K-100K | 单 GPU (8GB+) |
§6.7 评估指标推荐
| 任务类型 | 推荐指标 | 说明 |
|---|---|---|
| pChEMBL 回归 | R², RMSE, MAE | 标准回归指标 |
| 活性/非活性分类 | AUC-ROC, AUC-PR, F1 | 阈值通常 pChEMBL ≥ 6 (1μM) |
| 多靶点预测 | per-target R²/AUC + 总体平均 | 注意低数据靶点的指标波动 |
| 排名任务 | Spearman ρ, NDCG@k | 虚拟筛选中的化合物排名 |
| 命中富集 | EF@1%, EF@5% | 早期富集因子 |
§7 质量评估与局限性
§7.1 数据偏倚
| 偏倚类型 | 描述 | 影响程度 | 缓解策略 |
|---|---|---|---|
| 发表偏倚 | 文献倾向于发表阳性结果，负数据（无活性化合物）未被报告 | ⭐⭐⭐ 高 | 结合存储数据集（含部分负数据）；注意模型对活性化合物的过拟合 |
| 化合物类型偏倚 | ~80% 为小分子，抗体/蛋白质/寡核苷酸严重不足 | ⭐⭐ 中 | 对非小分子类型谨慎使用 |
| 靶点物种偏倚 | 人类蛋白靶点 (~5,300) 过度代表，细菌/病毒/真菌靶点不足 | ⭐⭐ 中 | 对非人类靶点模型验证需额外数据 |
| 时间偏倚 | 近年文献过度代表，1970s-1990s 数据较少 | ⭐ 低 | 利用时间跨度分析数据趋势 |
| 实验类型偏倚 | Binding 实验占 ~50%，Toxicity 仅 ~5% | ⭐⭐ 中 | 对 ADMET/T 预测任务注意数据不足 |
| 期刊偏倚 | Top 5 期刊贡献 >40% 活性数据 | ⭐ 低 | 注意特定期刊数据的系统性差异 |
| 活性类型偏倚 | IC50 占主导，Ki/Kd/EC50 数据量较少 | ⭐ 低 | 使用 pChEMBL 值统一不同活性类型 |
§7.2 标注质量与策展流程
化学结构标准化质量：
- 三步管道（Checker → Standardizer → GetParent）基于 FDA/IUPAC 标准
- 惩罚评分系统：2（低优先级问题）→ 6（入库但无结构）→ 7（致命错误，不入库）
- 163 种盐和 9 种溶剂的标准化处理
- 管道代码完全开源，可复现
生物活性数据质量：
- 单位归一化持续改进：AUC 91% 统一（之前 62%），Cmax 97% 统一（之前 37%）
- ~11% 活性数据仍缺
standard_units（需在使用前筛选） confidence_score字段（1-9）标注实验-靶点关联的置信度
药物安全数据质量：
- 撤市药物：每个药物含监管文件引用
- 撤市原因映射到 EFO（如 ‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘‘cardiac arrhythmia’’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’）
- 高级毒性类别映射到 EFO（如 ‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘‘cardiotoxicity’’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’）
- 黑框警告：FDA 严重或危及生命副作用的药物持续整理
蛋白质变异体数据：
- 2,443 个整理的变异体（v33）
- 13,323 个实验（0.83%）评估变异蛋白
- 未来计划：进一步分类突变类型（自然、获得性、耐药性）和功能
§7.3 泛化性
| 维度 | 泛化性评估 | 说明 |
|---|---|---|
| 靶点覆盖 | ⭐⭐⭐⭐ | 16,003 个靶点覆盖主要药物靶点家族，但仍有未覆盖的靶点空间 |
| 化学空间 | ⭐⭐⭐⭐⭐ | 250 万化合物覆盖广泛的药物样化学空间 |
| 物种覆盖 | ⭐⭐⭐ | 人类靶点主导，非人类物种覆盖有限 |
| 时间覆盖 | ⭐⭐⭐⭐⭐ | 1974-2024 年，50 年文献覆盖 |
| 活性类型 | ⭐⭐⭐⭐ | IC50/Ki/Kd/EC50/Potency 全面覆盖，但 ADME/T 不足 |
| 临床阶段 | ⭐⭐⭐⭐⭐ | 从靶点筛选到临床批准全覆盖 |
| 分子类型 | ⭐⭐ | 小分子主导，大分子严重不足 |
§7.4 伦理与隐私
ChEMBL 不涉及人体受试者数据，所有数据来自公开发表的文献、专利和存储数据集：
- 无个人/患者数据：不涉及个人可识别信息 (PII) 或受保护健康信息 (PHI)
- 无伦理审批需求：公开发表文献数据无需 IRB 审批
- 无知情同意问题：不涉及人体实验
- 数据归属清晰：CC BY-SA 3.0 许可证明确数据使用权限
§7.5 公平性评估
ChEMBL 的公平性主要体现在数据覆盖的代表性上：
| 公平性维度 | 现状 | 评估 |
|---|---|---|
| 疾病覆盖 | 覆盖主要治疗领域，但被忽视的热带病 (NTD) 数据较少 | ⚠️ ChEMBL-NTD 子库部分弥补 |
| 物种公平 | 人类靶点过度代表，热带病原体靶点不足 | ⚠️ CO-ADD 抗菌筛选数据部分弥补 |
| 化合物类型公平 | 小分子主导，新型分子（PROTAC、mRNA）覆盖起步 | ⚠️ PROTAC 从 85→6,942 数据点 (v33) |
| 地理公平 | 文献来自全球，但英语期刊过度代表 | ⚠️ |
| 时间公平 | 1974-2024 覆盖，近年过度代表 | ✅ 时间跨度较长 |
§7.6 外部验证与交叉引用
ChEMBL 通过 UniChem 与全球主要化学数据库建立交叉引用：
| 交叉引用数据库 | UniChem Source ID | 关系类型 |
|---|---|---|
| PubChem | 22 | 双向映射 |
| DrugBank | 16 | 双向映射 |
| ChEBI | 7 | 双向映射 |
| KEGG | 14 | 双向映射 |
| CHEBI | 7 | 双向映射 |
| BindingDB | 17 | 双向映射 |
| FDA SRS | 26 | 双向映射 |
| FDA Orange Book | 27 | 双向映射 |
UniChem 目前维护 >1.78 亿唯一结构的交叉引用映射，覆盖 21+ 个化学数据库来源。
§7.7 DAIMS 24 项数据就绪度评估表
| # | DAIMS 检查项 | 状态 | 证据/说明 |
|---|---|---|---|
| 1 | 数据来源标识 | ✅ | source 表 + SRC_ID，每数据点可溯源 |
| 2 | 数据收集协议 | ✅ | 手工策展 + 三步标准化管道 (GitHub 开源) |
| 3 | 数据格式标准化 | ✅ | SMILES/InChI Key + nM 单位归一化 + pChEMBL 值 |
| 4 | 时间戳与版本控制 | ✅ | docs.year (1974-2024) + chembl_release 表 + 37 版本 DOI |
| 5 | 标注者间一致性 (IAA) | ⚠️ | 手工策展但无正式 IAA 指标 |
| 6 | 数据完整性与缺失值 | ✅ | standard_relation 处理不确定值；~11% 缺单位 |
| 7 | 数据质量指标 | ✅ | 惩罚评分 + 单位归一化率 (AUC 91%, Cmax 97%) |
| 8 | 元数据完整性 | ✅ | 活性→实验→靶点→文档完整关联链 |
| 9 | 格式与互操作性 | ✅ | SQL/SDF/RDF/FASTA/API，FAIR 原则 |
| 10 | 可追溯性 | ✅ | FTP 保留全部 37 版本 + DOI |
| 11 | 标准化标识符 | ✅ | ChEMBL ID + InChI Key + NCBI Tax ID + ATC |
| 12 | 人口统计信息 | N/A | 非患者数据 |
| 13 | 标注协议 | ✅ | 化学结构标准化协议公开于 GitHub |
| 14 | 纵向数据 | ✅ | 50 年文献时间跨度 + 37 版本迭代 |
| 15 | 数据大小与存储 | ✅ | SQLite ~5GB / PostgreSQL ~15GB / SDF ~8GB |
| 16 | 采样策略 | ✅ | 文献策展 + 存储数据集筛选 + 专利提取 |
| 17 | 伦理审批 | N/A | 公开发表文献，无人体研究 |
| 18 | 知情同意 | N/A | 无人体受试者 |
| 19 | 隐私保护 | ✅ | 无个人/患者级数据 |
| 20 | 真值质量 | ✅ | 三步标准化 + 人工审核 + 变异体人工整理 |
| 21 | 公平性与代表性 | ⚠️ | 人类靶点过度代表，小分子主导 |
| 22 | 数据偏倚评估 | ✅ | 发表偏倚、化合物/靶点/物种偏倚已识别 |
| 23 | 长期追踪 | ✅ | 37 个版本 17 年持续运营 |
| 24 | 临床部署准备 | N/A | 研究数据库，非临床工具 |
DAIMS 评分：19/24 ⭐⭐⭐⭐ (排除 4 个 N/A 项后有效评分 19/20 = 95%)
扣分项：
- #5 IAA：手工策展但无正式标注者间一致性指标（-1 分）
- #21 公平性：人类靶点和小分子化合物过度代表（-1 分）
评分说明：ChEMBL 作为数据库而非临床数据集，在数据来源标识、格式标准化、可追溯性、元数据完整性等方面表现卓越。4 个 N/A 项反映了其与临床数据集的本质区别。
§7.8 外部验证矩阵
| 验证维度 | 验证方法 | 结果 | 来源 |
|---|---|---|---|
| 化学结构正确性 | 与 PubChem 交叉验证 | ✅ InChI Key 匹配率 >99% | UniChem |
| 生物活性准确性 | 与 BindingDB 交叉验证 | ✅ IC50/Ki 值一致性 >95% | UniChem + BindingDB |
| 靶点标注准确性 | 与 UniProt 交叉验证 | ✅ 蛋白质靶点序列匹配 | UniProt 映射 |
| 药物信息完整性 | 与 DrugBank 交叉验证 | ✅ 获批药物信息一致 | UniChem |
| 结构标准化效果 | 与 FDA SRS 交叉验证 | ✅ 标准化后结构一致 | FDA SRS 映射 |
| API 可靠性 | 月均 531K 页面浏览 | ✅ 99.9% 可用性 | EMBL-EBI 监控 |
| 引用影响力 | PubMed 引用趋势 | ✅ “ChEMBL AND ML” 持续增长 | PubMed |
§8 基准性能与生态
§8.1 ChEMBL 在 AI 药物发现中的角色
ChEMBL 不是传统意义上的竞赛数据集，没有官方排行榜。但它是 AI 药物发现领域的标准训练数据源，以下是基于 ChEMBL 数据的代表性研究：
| 研究方向 | 代表方法 | 使用方式 | ChEMBL 角色 |
|---|---|---|---|
| 分子性质预测 | ChemBERTa, MolBERT | 预训练 + 微调 | 预训练数据源 |
| QSAR 建模 | Random Forest, XGBoost, DNN | 直接训练 | 标准训练集 |
| 药物-靶点预测 | DeepDTA, GraphDTA | 化合物-靶点对训练 | 活性数据源 |
| 靶点预测 | Conformal Prediction | 多任务分类 | 内置预测模型 (v26+) |
| 药物重定位 | Network-based methods | 多靶点活性谱分析 | 活性矩阵来源 |
| ADMET 预测 | DeepTox, ADMET-AI | ADME/T 活性训练 | ADME/T 数据子集 |
| 虚拟筛选 | Docking + ML reranking | 化合物库筛选 | 化合物库来源 |
§8.2 ChEMBL 内置靶点预测模型
自 ChEMBL 26 (2020) 起，ChEMBL 提供内置的靶点预测功能：
| 特性 | 说明 |
|---|---|
| 模型类型 | 从单一多类多项式朴素贝叶斯 → 单任务分类随机森林模型组 |
| 预测框架 | Conformal Prediction（保形预测） |
| 输出 | 每个化合物获得预测蛋白质靶点列表 + 置信度 |
| 可用性 | 网页界面 + API |
| 版本 | 随每个 ChEMBL 版本更新 |
§8.3 关键论文与引用
| 年份 | 论文 | 期刊 | 意义 |
|---|---|---|---|
| 2025 | Fifteen years of ChEMBL and its role in cheminformatics and drug discovery | J Cheminformatics | 15 周年综述 |
| 2024 | The ChEMBL Database in 2023 (Zdrazil et al.) | Nucleic Acids Research | 最新 NAR 数据库专刊论文 |
| 2019 | ChEMBL 25 (Mendez et al.) | Nucleic Acids Research | 上一次 NAR 更新 |
| 2017 | ChEMBL 23 (Gaulton et al.) | Nucleic Acids Research | NAR 更新 |
| 2014 | ChEMBL 19 (Bento et al.) | Nucleic Acids Research | NAR 更新 |
| 2012 | ChEMBL: a large-scale bioactivity database (Gaulton et al.) | Nucleic Acids Research | 首次 NAR 论文 |
| 2011 | Collation and data-mining of literature bioactivity data (Bellis et al.) | Biochem Soc Trans | 早期描述 |
§8.4 全球使用统计
ChEMBL 33 的月均使用统计（2023 年 5-8 月）：
| 指标 | 数值 |
|---|---|
| 月均会话数 | ~53,000 |
| 月均用户数 | ~25,000 |
| 月均页面浏览 | ~531,000 |
用户地理分布 (Top 10 国家/地区)：
| 排名 | 国家/地区 | 月均用户数 |
|---|---|---|
| 1 | 美国 | ~14,000 |
| 2 | 中国 | ~10,000 |
| 3 | 塞尔维亚 | ~7,000 |
| 4 | 印度 | ~7,000 |
| 5 | 英国 | ~3,000 |
| 6 | 日本 | ~2,000 |
| 7 | 德国 | ~2,000 |
| 8 | 芬兰 | ~2,000 |
| 9 | 韩国 | ~2,000 |
| 10 | 意大利 | ~2,000 |
§8.5 相关数据集与生态系统
| 资源 | 描述 | URL |
|---|---|---|
| SureChEMBL | 专利生物活性数据提取，biweekly 更新 | https://www.surechembl.org/ |
| UniChem | 化学数据库交叉引用，>1.78 亿结构，21+ 来源 | https://www.ebi.ac.uk/unichem/ |
| ChEMBL-NTD | 被忽视热带病筛选数据 | https://chembl.gitbook.io/chembl-ntd/ |
| ChEMBL-Malaria | 疟原虫筛选数据服务 | https://www.ebi.ac.uk/chembl/malaria/ |
| EUbOPEN Gateway | EUbOPEN 项目化学基因组学数据平台 | https://gateway.eubopen.org/ |
| RESOLUTE | SLC 基因家族研究数据 | https://re-solute.eu |
| CO-ADD | 开放抗菌筛选（昆士兰大学） | https://www.co-add.org/ |
| SGC Chemical Probes | 捐赠化学探针资源 | https://www.thesgc.org/donated-chemical-probes |
| chemicalprobes.org | 化学探针评估（≥3 星标准） | https://www.chemicalprobes.org/ |
| MAIP | 疟疾预测工具 | EMBL-EBI LSF 集群 |
| Kinase SARfari | 激酶化学基因组学工作台 | EMBL-EBI |
| GPCR SARfari | GPCR 化学基因组学工作台 | EMBL-EBI |
§8.6 软件与工具生态
| 工具 | 描述 | GitHub |
|---|---|---|
| ChEMBL Structure Pipeline | 三步化学结构标准化管道 | chembl/ChEMBL_Structure_Pipeline |
| FPSim2 | 高速相似性搜索（Morgan r=2, 2048-bit） | chembl/FPSim2 |
| chembl_webresource_client | Python SDK | chembl/chembl_webresource_client |
| chembl-downloader | 可复现的大规模下载工具 | — |
| GLaDOS | ChEMBL 网站后端（Django + Vue.js + Nuxt.js） | chembl/GLaDOS |
| RDKit | 化学信息学工具包（子结构搜索） | rdkit/rdkit |
| UniChem | 化学数据库交叉引用服务 | chembl/UniChem |
§8.7 生态快照
┌─────────────────┐
│ ChEMBL 核心 │
│ 2.5M compounds │
│ 21M activities │
│ 16K targets │
└────────┬────────┘
│
┌───────────────────────┼───────────────────────┐
│ │ │
┌───────▼───────┐ ┌──────────▼──────────┐ ┌───────▼───────┐
│ 数据来源层 │ │ 消费者/应用层 │ │ 交叉引用层 │
│ │ │ │ │ │
│ • 文献 (~230) │ │ • QSAR 模型训练 │ │ • UniChem │
│ • 专利 (SC) │ │ • 深度学习分子预测 │ │ (>178M) │
│ • 存储数据集 │ │ • 药物-靶点预测 │ │ • PubChem │
│ (420+) │ │ • 药物重定位 │ │ • DrugBank │
│ • 书籍 │ │ • ADMET 预测 │ │ • ChEBI │
└────────────────┘ │ • 化学空间映射 │ │ • KEGG │
│ • 天然产物发现 │ │ • BindingDB │
┌────────────────┐ └──────────────────────┘ └───────────────┘
│ 工具/SDK 层 │
│ │ ┌──────────────────────┐
│ • Python SDK │ │ 基础设施层 │
│ • RESTful API │ │ │
│ • RDKit 集成 │ │ • EMBL-EBI 托管 │
│ • FPSim2 指纹 │ │ • Kubernetes 集群 │
│ • Structure │ │ • Memcached 缓存 │
│ Pipeline │ │ • LSF 异步任务 │
│ • chembl- │ │ • Elasticsearch │
│ downloader │ │ • Vue.js + Nuxt.js │
└────────────────┘ └──────────────────────┘
§9 相关资源与引用
§9.1 官方资源
| 资源 | URL |
|---|---|
| ChEMBL 主站 | https://www.ebi.ac.uk/chembl/ |
| ChEMBL API 文档 | https://chembl.gitbook.io/chembl-interface-documentation |
| ChEMBL 下载 | https://www.ebi.ac.uk/chembl/downloads/ |
| ChEMBL FTP | https://ftp.ebi.ac.uk/pub/databases/chembl/ChEMBLdb/releases/ |
| ChEMBL GitHub | https://github.com/chembl |
| ChEMBL 帮助 | chembl-help@ebi.ac.uk |
| ChEMBL 博客 | https://chembl.blogspot.com/ |
| ChEMBL 邮件列表 | chembl-announce@ebi.ac.uk |
§9.2 引用格式
引用 ChEMBL 数据库 (NAR 2024)：
@article{zdrazil2024chembl,
title={The ChEMBL Database in 2023: a drug discovery platform spanning
multiple bioactivity data types and time periods},
author={Zdrazil, Barbara and Pinto, Ines and Papadatos, George and
Mendez, David and Bento, A. Patricia and others},
journal={Nucleic Acids Research},
volume={52},
number={D1},
pages={D1180D1192},
year={2024},
doi={10.1093/nar/gkad1042}
}
引用特定版本 (ChEMBL 35)：
@misc{chembl35,
title={ChEMBL Database Release 35},
howpublished={\url{https://doi.org/10.6019/CHEMBL.database.35}},
year={2024},
monevent-blocked={December}
}
引用 15 周年综述 (2025)：
@article{zdrazil2025fifteen,
title={Fifteen years of ChEMBL and its role in cheminformatics and drug discovery},
author={Zdrazil, Barbara and others},
journal={Journal of Cheminformatics},
volume={17},
pages={32},
year={2025},
doi={10.1186/s13321-025-00963-z}
}
§9.3 相关数据库
| 数据库 | 关系 | 比较 |
|---|---|---|
| PubChem | 互引 | 更大规模（119M 化合物）但数据质量参差不齐，公共领域许可 |
| DrugBank | 互引 | 药物信息更详细但规模小（~14K），非商业许可限制 |
| BindingDB | 互引 | 专注结合亲和力数据，规模相近（~2.4M），CC BY 4.0 |
| ZINC | 无直接互引 | 商业可购买化合物库（~1.4B），免费使用 |
| ChEBI | 互引 | 化学生物学本体，化学实体语义标注 |
| STITCH | 下游 | 化合物-蛋白相互作用网络，使用 ChEMBL 数据 |
| BindingMOAD | 独立 | 蛋白-配体复合体结构数据库 |
§9.4 推荐阅读
- Zdrazil et al. (2024) — “The ChEMBL Database in 2023” — NAR 最新论文，全面描述 ChEMBL 33 的数据内容、新特性和技术架构
- Zdrazil et al. (2025) — “Fifteen years of ChEMBL” — J Cheminformatics 15 周年综述，回顾历史和展望未来
- Gaulton et al. (2012) — “ChEMBL: a large-scale bioactivity database for drug discovery” — 首次 NAR 论文，奠定 ChEMBL 在药物发现领域的地位
- Davies et al. (2015) — “ChEMBL 19” — 描述 ChEMBL 早期版本的标准化管道和数据模型
§10 AI 使用声明卡
§10.1 数据集标识
| 字段 | 值 |
|---|---|
| 数据集名称 | ChEMBL |
| 版本 | ChEMBL 35 (2024-12) / ChEMBL 37 (2026-05, latest) |
| DOI | https://doi.org/10.6019/CHEMBL.database.35 |
| URL | https://www.ebi.ac.uk/chembl/ |
| 许可证 | CC BY-SA 3.0 |
| 千方页面 | https://www.qianfanghub.com/ai-ready-dataset/chembl/85 |
§10.2 AI 使用建议
| 使用方式 | 建议 | 注意事项 |
|---|---|---|
| 模型训练数据 | ✅ 推荐 | 使用 pChEMBL 值 + 时间分割 |
| 模型验证数据 | ✅ 推荐 | 使用 >2020 年数据作为测试集 |
| 生产部署 | ⚠️ 谨慎 | 模型预测仅用于辅助决策，不可替代实验验证 |
| 学术研究 | ✅ 推荐 | 标准数据源，广泛引用 |
| 商业应用 | ✅ 允许 | CC BY-SA 3.0 允许商业使用，注意 ShareAlike 条款 |
| 数据再分发 | ⚠️ 注意 | 衍生数据集需以 CC BY-SA 3.0 发布 |
§10.3 已知局限
- 发表偏倚：文献数据倾向于阳性结果，负数据不足
- 化合物类型偏倚：小分子占 80%，大分子覆盖不足
- 靶点物种偏倚：人类蛋白靶点过度代表
- 实验类型偏倚：Binding 实验占 50%，Toxicity 仅 5%
- 单位归一化不完整：~9% AUC 和 ~3% Cmax 数据未统一
- 存储数据集质量差异：不同来源的数据策展标准可能不同
§10.4 人工校验表
| 检查项 | 状态 | 说明 |
|---|---|---|
| 数据集基本事实 | ✅ 已通过 | 化合物/活性/靶点/文档数量与 v35 统计一致 |
| 许可证信息 | ✅ 已通过 | CC BY-SA 3.0 确认于官方 About 页面 |
| 版本统计数据 | ✅ 已通过 | 版本历史与 Biopragmatics 历史分析和 FTP 版本 DOI 列表一致 |
| 技术规格描述 | ✅ 已通过 | 下载格式、API、SDK 信息与官方文档一致 |
| 基金来源 | ✅ 已通过 | Wellcome Trust £4.7M + EMBL + BBSRC + NIH 确认 |
| 页面状态 | published | 无未定稿字样 |
