信息速览

数据集名称DrugBank 药物知识库 — AI-Ready Wikipedia

数据类型11,891 药物,141 万 DDI,4,939 靶点序列,MS/NMR 光谱,学术许可免费

规模不适用（药物知识库；无患者数据）

接入方式https://go.drugbank.com/

AI 就绪度

# DrugBank — 药物知识库 AI-Ready Wikipedia

— 药物知识库 AI-Ready Wikipedia

INFOBOX

属性	内容
全称	DrugBank（DrugBank Online；旧域 drugbank.ca → go.drugbank.com）
发布方	University of Alberta + The Metabolomics Innovation Centre（TMIC），David S. Wishart 实验室
首发/现行	2006 首发（v1）；现行 v6.0（2024-01-05）——Knox et al., NAR 52:D1265-D1275
核心规模	11,891 个药物条目（FDA 批准 4,563、研究性 6,231）；4,939 条非冗余蛋白序列（靶点/酶/转运体/载体）
关系数据	DDI 1,413,413 条（较 v5.0 +300%）；药物-食物相互作用 2,475 条
光谱资产	11,710 小分子中 9,464 个含 MS/MS + 1D/2D-NMR + CCS/RT/RI（实验+预测）
字段密度	每个 DrugCard 200+ 数据字段（药物/化学与靶点/蛋白各半）
访问模式	网页免费浏览；数据下载/再分发需许可——学术非商业免费/优惠、商业付费（非 CC 开放）
引用义务	使用条款强制引用 Knox et al. 2024（DOI 10.1093/nar/gkad976）
影响力	年均 3,000 万+ 页面访问；58,000+（官方 2026 口径，早年口径 65,000+） publications 引用；1,500+ 研究机构
姊妹库	HMDB（代谢物）、T3DB（毒物）、SMPDB（通路图）、FooDB（食物成分）——Wishart 套件
本库关联	chembl（活性测量对照）、套件
本库关联	chembl（活性测量对照）、drugcentral（开源 DDI 对照）、pharmgkb（药物基因组学）、h（开源 DDI 对照）、性测量对照）、drugcentral（开源 DDI 对照）、pharmgkb（药物基因组学）、hmdb（代谢物）、clinicaltri（药物基因组学）、hmdb（代谢物）、照）、pharmgkb（药物基因组学）、hmdb（代谢物）、clinicaltrials-gov（试验）、PDBbind（结合亲和力）

§0 E（试验）、b（代谢物）、clinicaltrials-gov（试验）、PDBbind（结合亲和力） |

§0 E-E-A-T 信任声明与（结合亲和力） |

§0 E-E-A-T 信任声明与免责声明

本页所有规模数字、版本信息与许可表述均核实自一手来源：DrugBank 6.0 主论文（Knox et al., Nucleic Acids Res 52:D1265-D1275, 2024, DOI 10.1093/nar/gkad976, PMCID PMC10767804）、DrugBank 官网（go.drugbank.com）与 Trust Center（trust.drugbank.com 的引用政策）、HandWiki 对 DrugBank 词条的 2026-08 修订快照，以及历代 NAR 论文（Wishart 2006/2008、Knox 2011、Law 2014、Wishart 2018）。检索核实时间为 2026-09-19。

DrugBank 的数字口径与版本/许可耦合：论文口径（v6.0，2024-01）与维基镜像快照（2026-08）及第三方统计（2026-07）存在差异——本页在各处显式标注口径来源；商用许可细节以官方条款最新版为准。本页为技术参考文档，不构成临床用药建议——DDI 与适应症信息用于研究建模时须由执业药师/医师复核后才能进入临床流程（§8）。

关于内容偏倚：DrugBank 的 DDI/适应症文本主要来自监管标签与文献——上报偏倚与标签时代差异是内容固有的偏倚源，本页在 §6.6 与 §7.4 讨论其对 AI 建模的影响。

§1 数据集概览

§1.0 📌 30 秒速览

是什么：药物的「黄金标准知识库」——每个药物一张 200+ 字段的 DrugCard：结构、药理、机制、靶点、代谢、相互作用、价格、专利、光谱，全部人工策展。
体量：11,891 药物 / 141 万 DDI / 4,939 靶点序列 / 9,464 小分子光谱（v6.0 论文口径）。
许可：不是开放数据——网页免费，下载按学术（免费/优惠）/商业（付费）许可；引用是条款义务。
杀手锏：DDI（141 万条）+ 适应症语义 + 靶点序列绑定——「成药知识」三件套在别处没有同规格的单一来源。
适用：DTI/DDI 预测基准、药物重定位、MOA 建模、临床决策支持（DSS）集成、代谢组学鉴定。
不适用：大规模活性筛选数据（用 ChEMBL/PubChem）、患者级药物暴露（用 EHR 类）、需要再分发全量衍生物的产品（许可受限）。

§1.1 摘要

2006 年，Wishart 实验室（University of Alberta）发布 DrugBank 时做了一个关键判断：药物研究需要的不是又一个化合物列表，而是把药物当成「知识对象」完整描述——一端是化学（结构、性质、光谱），另一端是临床（适应症、剂量、相互作用、不良反应），中间用靶点蛋白的序列与结构串起来。二十年过去，这个「药片两端」的结构成了行业标准：FDA 用它做标签解析的参照，DSS 厂商拿它的 DDI 做检查器内核，AI 团队把它当 DTI/DDI 预测的监督源。

v6.0（2024-01）的关键增量是对 v5.0（2018）的六年欠账集中还清：FDA 批准药物 2,646 → 4,563（+72%）、DDI 365,984 → 1,413,413（+300%）、食物相互作用 1,195 → 2,475（+200%），并新增 9,464 个小分子的 MS/MS 与 NMR 光谱族数据（含 CCS/RT/RI——代谢组学鉴定的硬通货）。

对 AI 团队，DrugBank 的价值在三个维度：

关系监督源：DTI（药物-靶点，含结合常数）、DDI（141 万对）、药物-疾病（适应症）三类关系都有人工确认的「正例」——图神经网络与关系抽取的标注成本被 DrugBank 大幅摊薄。
语义密度：200+ 字段的 DrugCard 是「药物的知识画像」——机制文本、ATC 分类、剂量、ADMET 参数可以直接变成多模态特征。
光谱-结构绑定：MS/MS/NMR + SMILES 的配对数据是小分子鉴定模型（tandem MS 解谱）的监督源——这在代谢组学 AI 里是稀缺资产。

许可结构必须先说清：DrugBank 不是开放数据——网页浏览免费（注册后可导出检索结果 CSV），但 XML/CSV 全量下载与再分发需要许可；学术非商业免费或优惠、商业（含企业内部使用）付费。这决定了它与 ChEMBL（CC-BY-SA）、PubChem（公有领域）的本质区别：能下载 ≠ 能再分发，项目立项前先核许可（§8.1）。

§1.2 战略价值

DDI 的唯一同规格来源：141 万条 DDI 是临床决策支持（处方审查）与 DDI 预测模型的规模基座——DrugCentral/FDA 标签可作开源交叉验证，但密度与更新都不及 DrugBank（§1.3 对照）。
靶点绑定的完整性：4,939 条非冗余蛋白序列直接链 UniProt/PDB，已知结合常数（Ki/IC50）就地标注——「药物-靶点-结构」三联在一张卡里完成，免跨库拼接。
监管语义的规范化：approved/withdrawal/investigational/experimental/nutraceutical/illicit/veterinary 七种状态分组 + ATC 分类——「什么是上市药」的判定有明确口径，避免研究里「批准药物」的各说各话。
代谢组学光谱底座：CCS/RT/RI 与 MS/MS 绑定结构——液质代谢组学的鉴定管线（如比对库构建）直接受益，这是药物库里独有的光谱密度。

§1.3 同类数据集横向对比

资源	定位	规模量级	与 DrugBank 的关系
DrugBank	成药知识全卡（人工策展）	11,891 药 / 141 万 DDI	—
ChEMBL	生物活性测量库	数十万化合物 / 千万级活性值	活性数据规模碾压；批准状态/DDI 语义不及
PubChem	化合物结构仓库	亿级化合物	结构覆盖广；无临床/药理深度
DrugCentral	开源药物库（CC-BY?）	数千药 / 10 万级 DDI	开源替代；DDI/适应症密度较低——许可敏感项目的备选
PharmGKB	药物基因组学	数百药-基因临床注解	PGx 深度互补（DrugBank 只有 SNP-药物基础层）
RxNorm/NDF-RT	美国药物术语/标签	全美药品规范化	术语层标准化；无靶点/光谱
KEGG DRUG	通路视角药物库	万级药物条目	通路网络强；DDI/标签弱
SIDER	药物不良反应	数千药 / 十万级 ADR	ADR 专精（从 FAERS/标签抽取）——与 DrugBank ADR 字段互补
FDA 标签（SPL）	监管原始标签	全部 FDA 标签	DrugBank 的上游来源之一——原始 vs 策展

§1.4 版本时间轴

2006  v1 首发（841 FDA 小分子 + 113 生物药 + 2,133 靶点；Wishart NAR 2006）
2009  v2（撤市/非法药、食物-药物与 DDI、ADMET 参数入库）
2011  v3（转运体/通路/价格/专利/制造；>5,000 实验药；Knox NAR 2011）
2014  v4（代谢物结构/反应、分类、光谱、结合常数、合成；Law NAR 2014）
2018  v5.0（结构重整 + 数量翻倍；Wishart NAR 2018）
2024  v6.0（FDA 批准 2,646→4,563；DDI 36.6 万→141.3 万；光谱族 9,464 小分子；Knox NAR 2024）
2026  商业化深化：AI/ML-Ready Datasets + API/MCP 接口；大版本周期继续

§1.5 应用场景矩阵

临床 DSS 集成：处方审查引擎的 DDI 内核（机构需商业许可——临床 API 产品线）。
DTI 预测基准：正例（已知相互作用）+ 负例（无记录）构建——注意「无记录 ≠ 无结合」的采样陷阱（§5.6）。
药物重定位：适应症-靶点-通路三重映射找「老药新用」候选。
MOA 建模：机制文本 + 通路图 + ATC 语义化模型输入。
代谢组学鉴定：MS/MS + CCS + RT + RI 与结构绑定——tandem MS 解谱模型训练集。
药物警戒研究：ADR 字段 + 上市状态（withdrawal 追踪）做安全信号回顾。

§1.6 组件全景

DrugBank 的七个数据层：

药物卡层：11,891 张 DrugCard——200+ 字段覆盖结构（SMILES/InChI/分子量/手性）、药理（机制/适应症/剂量/药代）、商业（价格/专利/厂商）、光谱（MS/NMR/CCS/RT/RI）。
靶点层：4,939 条非冗余蛋白（药物靶点/代谢酶/转运体/载体）——UniProt 交叉引用、序列、已知结合药物与常数。
相互作用层：DDI 141 万 + 药物-食物 2,475——描述文本（部分含机制归因）。
分类层：ATC 编码 + DrugBank 自有分类树——语义检索与分组统计的骨架。
光谱层：MS/MS（实验+预测）、1D/2D-NMR、CCS/RT/RI——9,464 小分子。
通路层：数千张富注释通路图（与 SMPDB 同源）——MOA 与代谢可视化。
产品/API 层：Clinical API（DDI 检查）、Biopharma OS、AI/ML-Ready Datasets——商业化供给形态。

§1.7 许可模式的经济学

DrugBank 的「免费浏览 + 付费下载」是全球数据库少见的混合模式，账要算明白：

学术路线：非商业研究申请学术许可（免费或优惠费率）——下载 XML/CSV 全量；条款义务是引用论文 + 不再分发全量数据。多数高校项目零成本。
商业路线：企业内部使用也属「商用」（条款原文把 internal use 划入需许可范畴）——费用与 API 产品线（Biopharma OS/Clinical API）挂钩，药企/健康科技公司是主要客户；这笔收入反哺人工策展团队。
对策展的再认识：付费换来的不是数据本身（网页都能看）而是结构化 + 机器可读 + 许可确定性——这三样恰恰是 AI 工程最贵的部分，商业模式因此成立。
开源替代的定位：预算敏感或需要再分发衍生物的项目 → DrugCentral（开源）；需要最高 DDI 密度与策展质量 → DrugBank。两者不是替代关系，是预算-质量曲线上的两点。

§1.8 DrugBank 在药物研发流程中的位置

把 DrugBank 放进药物研发-使用全链条，看它站在哪些环节：

靶点发现（组学/文献）
  → 苗化合物筛选（ChEMBL/PubChem 活性数据）      ← DrugBank 提供已知药-靶点对做「老药先行」
  → 先导优化（结构/ADMET）
  → 临床前（机制验证）                            ← DrugBank MOA/毒性文本做先验
  → 临床试验（I-III）                             ← clinicaltrials 状态核查；investigational 分组同步
  → 监管批准                                      ← approved 分组 + 适应症/标签结构化
  → 上市监测（FAERS/药物警戒）                    ← DDI/ADR 字段支撑安全信号
  → 临床使用（处方/DSS）                          ← DDI 检查器（Clinical API 商业主场）

三个工程要点：

DrugBank 是「后端密集」的资源——越靠近临床端（DDI/适应症/标签）字段越独特；越靠近化学端（结构/活性）越要与 PubChem/ChEMBL 分工。
investigational → approved 的状态迁移本身就是信号——管线跟踪产品（药企 BD）用「状态字段 diff」监控竞争格局。
多库接力是常态——DrugBank 没有活性实验数据（ChEMBL 的领地）与试验原始记录（ClinicalTrials 的领地），全链分析必须组合（§9.5）。

§2 医学与科学背景

§2.1 DDI 为什么是临床信息学的硬问题

药物-药物相互作用（DDI）是多重用药时代的核心安全风险：

机制谱系：药代动力学 DDI（代谢酶竞争——CYP450 家族是主战场、转运体 P-gp、血浆蛋白结合）与药效学 DDI（同受体/生理系统叠加或拮抗，如 QT 延长组合）——机制归因决定可预测性。
规模的含义：11,891 药的两两组合空间约 7,000 万对——141 万条已知 DDI 只是冰山一角；「未知 DDI 预测」因此成为图机器学习的经典问题（正例 = DrugBank DDI，负例构造是全部方法论争议所在）。
临床链条：处方审查（实时 DDI 检查）→ 用药重整 → 药物警戒——DSS 产品的核心算法资产就是高质量的 DDI 数据 + 机制标注；DrugBank 的 Clinical API 产品线直接服务此需求。
文本本质：多数 DDI 记录是「标签文本」而非定量实验——「可能增加出血风险」级别的语义要靠 NLP 再加工（§7 的四喂法之一）。

§2.2 靶点四类：靶点/酶/转运体/载体

DrugBank 把 4,939 条非冗余蛋白分四类——这个分类本身就是药物作用的知识框架：

药物靶点（targets）：治疗作用的直接分子（受体/通道/酶活性位点）——MOA 的主角。
代谢酶（enzymes）：CYP450/UPT/水解酶等——药代动力学的主角，DDI 的机制源头。
转运体（transporters）：P-gp/OATP/OCT 等——组织分布与排泄的主角，近年 DDI 研究增长最快的一类。
载体（carriers）：血浆蛋白结合等——分布容积与游离药物浓度的背景变量。

四类的区分直接决定 DDI 机制归因（酶竞争 vs 转运抑制）与建模特征设计——混用会产出「机制不明」的预测器。

§2.3 适应症语义：从标签文本到结构化

适应症 vs 用途 vs 试验适应症：DrugCard 区分 approved indication 与 off-label/investigational 用途——重定位研究恰恰在「后者里的高证据者」找机会。
ICD 映射：适应症文本映射 ICD-10/11——使药物-疾病关系可以与疾病库/医院数据 join。
标签来源：FDA/EMA/HC 等监管标签是主要来源——「适应症」的权威性随市场而异（一个药可能在 FDA 批准、EMA 撤回——状态字段要合并读）。

§2.4 光谱族数据：药物库的代谢组学侧翼

v6.0 为 9,464 个小分子（共 11,710 小分子）配备的光谱族（MS/MS、1D/2D-NMR、CCS、RT、RI）：

用途：液质/气质代谢组学的鉴定管线需要「结构-光谱」参考对——DrugBank 提供的药物及其代谢物光谱填补了 HMDB（内源性代谢物）之外的人为暴露组。
实验 vs 预测：预测光谱（CFM-ID 类模型）混入发布——字段里可区分；训练鉴定模型时实验光谱优先，预测光谱做增广。
CCS 的价值：离子淌度质谱（IM-MS）的碰撞截面是比 RT 更稳定的物理量——CCS+MS/MS 双证据鉴定正在成为标准，DrugBank 是 CCS 参考值的少数公开源之一。

§2.5 药物基因组学的基础层

DrugCard 含 SNP-药物关联（靶点 SNP、代谢酶多态）——但深度有限：临床级 PGx（CPIC 指南、 PharmGKB 分级证据）在 PharmGKB；DrugBank 的角色是「药物-基因关联的字典入口」，深度研究必须接力（§9.5 组合）。

§2.6 与监管标签的关系：策展的护城河

上游：监管标签（FDA SPL/EMA）+ 文献 + 专利——人工策展把非结构化标签变成 200+ 字段。
护城河：字段 schema 的稳定性（二十年演进但向后兼容）+ 策展一致性——机器解析 FDA 原始标签的成本远高于解析 DrugBank 卡。
循环引用风险：DrugBank 曾使用维基百科内容、维基百科又链接 DrugBank——关键事实（尤其罕见药的数字）要回溯源文献/标签，防循环放大（HandWiki 词条本身也提示了这点）。

§2.7 上市状态七分组：口径的锚

approved（含 FDA-approved 小分子与生物药）/ withdrawal（撤市，含撤市原因）/ investigational（临床试验中）/ experimental（临床前） / nutraceutical（营养品）/ illicit（非法药物）/ veterinary（兽药）——引用「批准药物 N 个」时必须声明分组与市场（FDA vs 全球多市场）；v6.0 论文口径 4,563 = FDA 批准（小分子 + 生物药），维基镜像 2026-08 口径 4,030 小分子 + 1,601 生物药（后续 release 数字已滚动）。

§2.8 AI 视角的科学定位

对医疗 AI，DrugBank 是「成药知识的监督字典」：DTI/DDI/适应症三类关系提供正例标注，200 字段 DrugCard 提供节点特征，光谱提供结构-物理量绑定。它的局限同样是明确的：负例缺失（DDI 无记录不等于无相互作用）、文本偏倚（标签来源）、许可约束（衍生数据不可随意公开）——§7 的方法论全部围绕这三个局限设计。

§2.9 盐型、产品与活性成分：三个层级

DrugBank 的药物计数歧义大多源于三个层级未区分：

活性成分层（drug entry）：DrugCard 的主层级——一个 INN 通用名一张卡（含其游离碱/酸形态的结构）。「11,891 药物」指这一层。
盐型层（salts）：同一活性成分的不同盐（盐酸/钠盐/马来酸盐…）——挂在主卡下的子记录；统计「化合物多样性」时必须折叠回活性成分层（InChIKey 前段去重）。
产品层（products）：市售产品（品牌、规格、复方）——一卡可对应数百产品；「FDA 批准产品数」与「批准药物数」差一个数量级。

工程规则：建模与多样性统计用活性成分层；采购/处方场景用产品层；跨库对齐用 InChIKey。复方产品（combination drug）另有一层语义——其成分各自链接回活性成分卡，图谱构建时展开而不是把复方当独立节点。

§2.10 药物-疾病证据生态

「某药治某病」的证据在多个库间分层共存，DrugBank 占据其中一段：

机制层（DrugBank）：药是否作用于疾病机制的靶点/通路——机制文本 + 靶点绑定。
监管层（FDA/EMA 标签）：适应症是否获批——DrugBank 的 indication 字段即策展版标签。
试验层（ClinicalTrials.gov）：正在验证什么适应症——investigational 分组的上游。
真实世界层（FAERS/EHR）：上市后的实际使用与不良事件——SIDER/FAERS 侧翼。
PGx 层（PharmGKB）：谁该用/用多少——基因型分层用药。

研究设计时把「证据在层间的一致性」当特征：机制-监管-试验三层同向 → 高置信重定位候选；只有监管层支持 → 就是没有新意的已知适应症。

§3 数据集规格

§3.1 规格总表

维度	规格
当前版本	v6.0（2024-01-05）；大版本约 2 年 + 月度修正
药物条目	11,891（v6.0 论文口径）
状态分组	FDA 批准 4,563；研究性 6,231；撤市/营养品/非法/兽药/实验药余量
靶点蛋白	4,939 非冗余序列（targets/enzymes/transporters/carriers）
DDI	1,413,413 条（v5.0 为 365,984）
药物-食物	2,475 条
光谱覆盖	9,464/11,710 小分子（MS/MS + 1D/2D-NMR + CCS + RT + RI）
字段密度	DrugCard 200+ 字段
发布形态	XML 全量 + CSV 分表（学术许可）；网页检索 CSV 导出（免费注册）
访问	网页免费；下载许可制（学术免费/优惠、商业付费）
引用义务	Knox et al. 2024 NAR（条款强制）
坐标/标识	DrugBank ID（DB/BI/EX 等前缀）+ UniProt/PDB/ATC/ICD 交叉

§3.2 v6.0 相对 v5.0 的增量地图

指标	v5.0（2018）	v6.0（2024）	增幅
FDA 批准药物	2,646	4,563	+72%
研究性药物	3,394	6,231	+38%
DDI	365,984	1,413,413	+300%
药物-食物	1,195	2,475	+200%
光谱族	部分光谱	9,464 小分子全套（含 CCS/RT/RI）	新维度
通路图	数百	数千富注释	数倍

解读：DDI 的三倍增长主要来自标签解析管线的规模化（六年积累 + 抽取工艺升级）——不是「世界上的 DDI 变多了」，而是「记录工艺变强了」；这对建模的含义是「记录密度」与「真实风险」要分开（§6.4）。

§3.3 DAIMS 数据AI就绪度评估

维度 D	数据完整性	评分	说明
D1	药物覆盖	9/10	批准药近全覆盖 + 大量研究性/实验药
D2	字段深度	10/10	200+ 字段——药物知识库的最高密度档
D3	关系完整性	9/10	DDI/DTI/适应症三类关系同源一致
D4	光谱维度	8/10	9,464 小分子全套（生物药天然缺）
A1	机器可读	9/10	XML schema 稳定 + CSV 分表
A2	文档完备	8/10	schema 文档 + 政策页齐全
A3	接入成本	6/10	学术免费但许可流程存在摩擦；商业成本高
A4	更新机制	7/10	大版本 2 年周期——快节奏研究要盯月度修正
I1	指标标准化	9/10	ATC/ICD/UniProt 外部标准对齐
I2	可复现性	7/10	版本锁定可行但再分发受限——复现包需许可声明
M1	多模态对齐	9/10	结构-光谱-文本-蛋白四模态同卡对齐
M2	时间序列	6/10	上市状态变迁可追（withdrawal）但历史版本不开放回溯
S1	数据安全	9/10	无患者数据；策展知识无个体隐私面
S2	合规负担	5/10	许可/引用/再分发三条纪律——开放库没有的负担

总分：A- 级（知识密度与多模态对齐顶级；扣分在许可摩擦与再分发限制）

§3.4 存储与计算需求

数据件	体量	最小分析环境
XML 全量	数 GB	单机即可
药物/靶点 CSV 分表	数百 MB	pandas 足够
DDI 分表（141 万行）	~1 GB	单机 pandas/图库
光谱包（MS/NMR）	数十 GB	单机 + 光谱库（matchms 等）
结构文件（SDF/MOL）	数 GB	RDKit

DrugBank 是「单机友好」的资源——没有 Hail/集群需求；工程量在解析与对齐，不在算力。

§3.5 获取流程

注册：go.drugbank.com 免费注册 → 网页浏览 + 检索结果 CSV 导出（免费档）。
学术许可：Non-commercial/Academic Use 申请（学术邮箱 + 用途声明）→ 批准后从 releases 页下载 XML/CSV 全量。
商业许可：联系商务（内部使用属商用）——按产品（数据/API/Workspace）报价。
政策阅读：Trust Center 的使用条款 + 引用政策——再分发、衍生数据公开的边界都在条款里，立项前通读。

§3.6 口径对齐表

数字	出处口径	澄清
11,891	v6.0 论文（2024-01）药物总数	论文与维基镜像一致
4,563	v6.0 论文 FDA 批准药物	小分子 + 生物药合计
4,030 + 1,601	维基镜像 2026-08 快照（FDA 小分子 + 生物药）	后续 release 滚动后的口径
19,879	第三方 2026-07 统计「总条目」	含全部状态分组的新版商业快照——与论文口径不可混用
1,413,413	v6.0 论文 DDI	vs v5.0 365,984
9,464/11,710	v6.0 论文光谱覆盖	小分子口径
58,000+ / 65,000+	官网引用量（2026 两个页面口径）	引用时用「数万篇」量级表述最稳

§3.7 版本与许可的双重纪律

版本锁：分析锁定 v6.0（或下载时的 release 编号）——论文方法段写「DrugBank v6.0（2024-01）」。
许可锁：项目内「谁能下载/谁能拿到衍生文件」要有一句话制度——学术许可不覆盖商业化成果，转化前重新评估。
再分发红线：论文附表（几千行 OK）与全量衍生物（禁止）的界线在条款里——公开基准集要官方允许或用开源替代构建。

§3.8 DrugBank ID 前缀体系

DrugBank ID 的前缀即药物的「出身证明」——数据清洗时的第一道过滤器：

前缀	类别	建模含义
DB	已收录药物（小分子为主 + 部分生物药）	主战场——结构/靶点/临床字段齐全
BI	生物药（protein/peptide）	无小分子 SMILES——模态缺省处理
EX	实验性药物（未进临床）	状态分组 experimental 的主要载体
NW	营养品（nutraceutical）	临床证据弱——统计时单列
DB+数字	常规主键格式	版本间 ID 基本稳定（合并/拆分有变更日志）

清洗规则：① 主表分析默认 DB 全集（BI 按需并入并声明）；② EX/NW 在「上市药物」口径里剔除；③ 复方卡与成分卡的父子关系展开后再统计。ID 合并史（两个 DB 合一）在 release notes——跨版本 ID 映射表要自己建（新旧 ID 对齐脚本是一次性投入）。

§4 数据结构

§4.1 下载包目录形态

drugbank_v6.0/
├── drugbank.xml                          # 全量 XML（DrugCard 树）
├── drugbank_all_drug_targets.csv         # 靶点-药物关系
├── drugbank_all_drug_sequences.csv       # 靶点蛋白序列
├── drugbank_drug_drug_interactions.csv   # DDI 141 万行
├── drugbank_drug_food_interactions.csv   # 食物相互作用
├── drugbank_all_drug_admet.csv           # ADMET 参数
├── drugbank_all_drug_indications.csv     # 适应症（含 ICD 映射）
├── drugbank_all_drug_classification.csv  # ATC/分类树
├── drugbank_spectrum_*.csv|msp           # 光谱族（版本形态可能不同）
├── drugbank_all_drug_patents.csv         # 专利
└── vocabulary/                           # 分类词表

（以实际下载包为准——文件名随版本微调，schema 文档在包内/官网 guides。）

§4.2 DrugCard XML 字段地图

DrugCard 的 200+ 字段按六大块组织（XML 路径）：

识别与分类：drugbank-id、name、synonyms、groups（七状态）、atc-codes、categories。
化学：calculated-properties（SMILES/InChI/logP/TPSA 等）、experimental-properties（实测水溶性/熔点等）、salts/products（盐型与上市产品分离）。
药理：indication/pharmacodynamics/mechanism-of-action/toxicity/metabolism/absorption 等——文本型知识主战场。
靶点与相互作用：targets/enzymes/transporters/carriers（每条含 actions（inhibitor/inducer/substrate…）+ 已知 Ki/IC50）+ drug-interactions。
PGx 与安全：snp-effects/snp-adverse-drug-reactions、adverse-effects（部分版本）。
商业与谱：prices/patents/manufacturers、ms-ms-spectra/nmr-spectra（含 predicted 标志）。

解析建议：用 lxml 迭代 <drug> 节点流式抽取——XML 数 GB，别一次性建树。

§4.3 XML 全量解析代码

#!/usr/bin/env python3
"""DrugBank XML 全量解析：抽取药物主表 + 靶点关系表（流式，内存安全）。"""
from lxml import etree
import pandas as pd

XML = "drugbank.xml"

def parse_drugbank(xml_path: str):
    drugs, targets = [], []
    for event, drug in etree.iterparse(xml_path, tag="drug", events=("end",)):
        did = drug.findtext("./drugbank-id[@primary='true']") or \
              drug.findtext("./drugbank-id")
        name = drug.findtext("./name")
        groups = [g.text for g in drug.findall("./groups/group")]
        atc = [a.get("code") for a in drug.findall("./atc-codes/atc-code")]
        smiles = None
        for prop in drug.findall("./calculated-properties/property"):
            if prop.findtext("./kind") == "SMILES":
                smiles = prop.findtext("./value")
                break
        drugs.append({
            "drugbank_id": did, "name": name,
            "groups": "|".join(groups), "atc": "|".join(atc),
            "smiles": smiles,
            "indication": (drug.findtext("./indication") or "")[:200],
            "moa": (drug.findtext("./mechanism-of-action") or "")[:200],
        })
        for kind, tag in [("target", "targets"), ("enzyme", "enzymes"),
                          ("transporter", "transporters"), ("carrier", "carriers")]:
            for t in drug.findall(f"./{tag}/{kind}"):
                targets.append({
                    "drugbank_id": did,
                    "role": kind,
                    "target_id": t.findtext("./id"),
                    "uniprot": (t.findtext("./polypeptide/uniprot-id") or None),
                    "action": "|".join(
                        a.text for a in t.findall("./actions/action") or []),
                })
        drug.clear()
        while drug.getprevious() is not None:
            del drug.getparent()[0]
    return pd.DataFrame(drugs), pd.DataFrame(targets)

if __name__ == "__main__":
    drugs_df, targets_df = parse_drugbank(XML)
    drugs_df.to_csv("drugbank_drugs.tsv", sep="\t", index=False)
    targets_df.to_csv("drugbank_targets.tsv", sep="\t", index=False)
    print(len(drugs_df), "drugs;", len(targets_df), "target links")

§4.4 DDI 图构建代码

#!/usr/bin/env python3
"""DrugBank DDI 分表 → 图统计与子图导出（networkx）。"""
import pandas as pd
import networkx as nx

ddi = pd.read_csv("drugbank_drug_drug_interactions.csv")
G = nx.Graph()
for _, row in ddi.iterrows():
    a, b = row["Drug 1 ID"], row["Drug 2 ID"]
    if a and b and a != b:
        G.add_edge(a, b)

print("节点:", G.number_of_nodes(), "边:", G.number_of_edges())
deg = sorted(dict(G.degree()).values(), reverse=True)
print("Top 度数药物:", deg[:10])          # 多重用药枢纽（如华法林/阿司匹林）

# 提取 ATC 同类的 DDI 子图（药效学 DDI 代理）
drugs = pd.read_csv("drugbank_drugs.tsv", sep="\t")
atc1 = dict(zip(drugs.drugbank_id, drugs.atc.fillna("")))
sub_edges = [
    (u, v) for u, v in G.edges
    if atc1.get(u, "")[:1] and atc1.get(u, "")[:1] == atc1.get(v, "")[:1]
]
G_sub = nx.Graph(sub_edges)
print("同类 ATC 子图边数:", G_sub.number_of_edges())

§4.5 光谱数据抽取

#!/usr/bin/env python3
"""MS/MS 光谱 → matchms 兼容格式（代谢组学鉴定管线对接）。"""
import pandas as pd
from matchms import Spectrum
from matchms.exporting import save_as_msp

spec = pd.read_csv("drugbank_ms_ms_spectra.csv")  # 字段以实际包为准
# 典型字段: drugbank_id, precursor_mz, peak_mz, peak_intensity, collision_energy, predicted
records = []
for did, grp in spec.groupby("drugbank_id"):
    meta = {"compound_name": did,
            "precursor_mz": grp["precursor_mz"].iloc[0],
            "predicted": str(grp["predicted"].iloc[0])}
    m = grp["peak_mz"].to_numpy(float)
    ints = grp["peak_intensity"].to_numpy(float)
    records.append(Spectrum(mz=m, intensities=ints, metadata=meta))
save_as_msp(records, "drugbank_spectra.msp")

§4.6 与外部标识对齐

UniProt：靶点层的 uniprot-id 直连——蛋白特征（结构域/表达组织）从 UniProt/Ensembl join。
ATC：分类层 WHO ATC——与 KEGG DRUG/Drugs@FDA 的 ATC 交叉验证。
ICD：适应症映射 ICD-10/11——与 MIMIC/医院数据的诊断编码 join（重定位研究的关键桥）。
InChIKey：化学层的标准 InChIKey 是跨库去重的第一键（ChEMBL/PubChem/HMDB 对齐全靠它）。

§4.7 元数据与版本指纹

版本字符串：XML 头部与 release 页编号（如 5-1-10、6-0-x）——方法段必写。
下载日期：月度修正使「同版本不同月」内容有差——复现包记双戳（版本 + 日期）。
许可声明：复现包 README 写许可类型与申请号（学术许可有编号）——合作者审计用。

§4.8 完整性清单

[ ] 版本 + 下载日期双戳（方法段与复现包）
[ ] 状态分组口径（引用「批准 N 个」时声明分组与市场）
[ ] 盐型/产品处理（建模用活性成分层，不混产品层）
[ ] DDI 负例构造策略显式声明（§5.6）
[ ] 光谱 predicted 标志过滤（训练/评估分离）
[ ] InChIKey 去重（跨库合并前）
[ ] 靶点 action 语义（inhibitor vs substrate 别混）
[ ] 生物药单独处理（SMILES 缺失/不适用）
[ ] 再分发边界自查（论文附表 vs 全量衍生）

§4.9 数据血缘

监管标签（FDA SPL/EMA/HC）+ 药学文献 + 专利/价格数据
  → 人工策展（Wishart 团队 + 策展平台）→ DrugCard 200+ 字段
  → 化学信息学校验（结构标准化/InChIKey/logP 计算）
  → 靶点整合（UniProt 序列 + 文献结合常数 + action 标注）
  → DDI 抽取（标签文本解析 + 文献策展 → 141 万对）
  → 光谱管线（实验 MS/NMR + CFM-ID 类预测 + CCS/RT/RI）
  → 发布（XML/CSV 全量【许可】 + 网页/API【免费/商业】）

全链中「人工策展」是核心工序——这既是质量来源（权威性）也是瓶颈（2 年大版本周期）与偏倚源（策展焦点偏向常见药/常见 DDI）。

§4.10 适应症-ICD 映射抽取

#!/usr/bin/env python3
"""适应症表 → ICD 编码映射（药物重定位与 EHR join 的桥梁）。
适应症 CSV 通常含 description 与（部分版本）ICD 字段；
无 ICD 字段时按文本规则映射 + 人工抽检。"""
import pandas as pd
import re

ind = pd.read_csv("drugbank_all_drug_indications.csv")

# 1) 有结构化 ICD 字段的直接取用（列名以实际包为准）
if "icd10" in ind.columns:
    direct = ind[ind.icd10.notna()][["drugbank_id", "icd10"]]
else:
    direct = pd.DataFrame(columns=["drugbank_id", "icd10"])

# 2) 文本规则的补充映射（示例：常见适应症关键词 → ICD-10 前缀）
RULES = {
    r"hypertension": "I10", r"type 2 diabetes": "E11",
    r"atrial fibrillation": "I48", r"major depressive": "F32",
    r"breast cancer": "C50", r"epilepsy": "G40",
}
def map_icd(text: str):
    if not isinstance(text, str):
        return None
    for pat, code in RULES.items():
        if re.search(pat, text, re.I):
            return code
    return None

ind["icd_mapped"] = ind["indication"].map(map_icd)
mapped = ind[ind.icd_mapped.notna()][["drugbank_id", "icd_mapped"]]

# 3) 合并 + 覆盖率报告
all_map = pd.concat([direct, mapped]).drop_duplicates()
cov = all_map.drugbank_id.nunique() / ind.drugbank_id.nunique()
print(f"适应症映射覆盖率: {cov:.1%}（人工抽检 50 条校准规则后再放量）")
all_map.to_csv("drugbank_drug_icd.tsv", sep="\t", index=False)

覆盖率的诚实报告是重定位研究可信度的第一指标——映射覆盖率低于 60% 的分析在审稿中会被追问代表性。

§5 下游分析协议

§5.1 任务×资源速查表

任务	用哪个数据件	关键字段	陷阱
DDI 预测基准	DDI 分表 + 药物主表	pair + 文本	负例采样策略决定结论
DTI 预测	靶点关系 + 序列	action + Ki/IC50	无记录 ≠ 无结合
药物重定位	适应症 + ATC + 靶点	indication/ICD	off-label 与批准语义混淆
MOA 分类	机制文本 + 通路 + ATC	mechanism-of-action	文本噪声（多机制药）
光谱鉴定	光谱族包	MS/MS + CCS + RT	predicted 混入评估集
处方审查引擎	DDI + 主表	严重度/描述	许可（商业使用须付费）
代谢物鉴定	主表 + HMDB 姊妹	InChIKey	内源性/外源性边界

§5.2 DDI 基准构建协议

构建可发表的 DDI 预测基准（照做可避开审稿高频否决点）：

正例：DDI 分表全量（去重无向化）；带机制文本的子集另存（机制可解释性评估用）。
负例：三层策略——① 随机不相连对（易混入未知真 DDI，需标注为「弱负例」）；② 同 ATC 类但不相连（更接近真实负例）；③ 时间切分负例（v6.0 有而 v5.0 无的对——「新发现」做测试集，模拟预测任务）。
切分纪律：按药物节点冷启动切分（新药 DDI 预测是真实场景）而非随机边切分——随机切分高估性能是 DDI 论文最大翻车点。
评估：AUROC/AUPR + Top-K 召回（临床关心的是「前 K 候选里有没有真 DDI」）+ 机制归因抽检（预测对解释成 CYP 竞争的命中率）。
基线：相似度启发式（ATC/结构/MOA 相似）必须报——图模型的增量要对得起复杂度。

§5.3 DTI 特征工程协议

药物侧：Morgan 指纹（RDKit）+ DrugBank 分类（ATC 一键编码）+ 机制文本 TF-IDF/嵌入。
靶点侧：UniProt 序列（ESM/ProtBERT 嵌入或传统 PseAAC）+ 靶点四类角色 one-hot。
监督标签：action 语义拆分——inhibitor/inducer/substrate/ligand 分头建模比二分类更有信息量；Ki/IC50 有值的子集做回归头（注意实验条件异质，需与 ChEMBL 交叉补全）。
负例：同 §5.2 的分层策略 + 「非该靶点家族」约束采样（受体药去配离子通道是低质量负例）。
验收：冷启动（新靶点/新药）与热启动双指标；与 BindingDB/PDBbind 交叉验证集（结构已知的对）做外部检验。

§5.4 药物重定位协议

候选生成：适应症缺口（疾病 D 无批准药）× 靶点匹配（有药作用该疾病机制靶点）× 通路证据。
证据分级：investigational 状态 + 该适应症文献 + 临床试验记录（clinicaltrials-gov 交叉）——三级证据链。
安全性预筛：现有 DDI/ADR 负担 + 撤市记录扫描——重定位候选的「安全存量」评估。
输出：候选-证据-风险三列表——进入试验设计前的内部排序。

§5.5 成本模型

场景	技术路线	成本量级
单药查询	网页/免费注册 CSV 导出	零
学术全量分析	学术许可 + 单机解析	许可免费；人力 1-2 周
光谱管线	光谱包 + matchms/RDKit	单机；人力 1 周
DDI 生产系统	商业许可 + Clinical API	商业报价（数万-数十万/年量级，以官方报价为准）
论文复现包	附表 + 版本声明	零（遵守再分发边界）

§5.6 失败模式清单

负例天真：随机不相连对当真负例——未知真 DDI 混入，性能虚高；必须分层负例 + 冷启动切分。
action 混淆：substrate 与 inhibitor 当同一标签——酶竞争 DDI 的预测器会系统性错位。
盐型重复计数：同一活性成分的多盐型当独立药物——频率统计与多样性全偏。
predicted 光谱入评估：预测光谱进测试集——鉴定模型的「准确率」变成模型自洽循环。
文本当结构：DDI 描述文本直接当结构化特征抽取标签（severity 缺失时拍脑袋补）——文本 NLP 预处理要显式。
生物药硬套小分子管线：BI 前缀药无 SMILES——指纹特征全空，混入训练会拖垮特征工程。
版本混拼：v5.0 的 DDI 配 v6.0 的药物主表——状态/ID 有漂移，关系表必须同版本。
再分发越界：把全量 DDI 图公开挂 GitHub——许可违约风险；公开用 DrugCentral 版本。

§5.7 校准与验证协议

关系预测系统的验证套路（DDI/DTI 通用）：

金标准抽检：随机抽 200 条正例 + 100 条负例做人工核查（药师/药理学背景）——「记录正确性」的直测；DDI 文本与标签原文比对的一致率报告。
时间前向验证：用 v5.0（2018）数据训练 → v6.0（2024）新增 DDI 做测试——「六年后的新发现能不能被旧数据预测」是最接近真实部署的协议。
机制归因验证：预测为 CYP 竞争的对——抽检其两药是否确实作用于同一 CYP 同工酶（用靶点表 enzyme 子集自动核对）。
流行度分层：按药物对总度数（流行度代理）分桶报告性能——高流行度桶的过拟合要显式暴露。
开源交叉：同一基准在 DrugCentral 版本上重跑——两个来源的结论一致才有「数据集稳健性」论据。

§6 实证结果与方法学分析

§6.1 v6.0 论文的核心实证（2024）

Knox et al. NAR 2024 的关键数字与含义：

规模跃升的工艺含义：FDA 批准 +72%、DDI +300%——六年的人工策展 + 抽取管线升级；「记录增速 >> 药物增速」说明记录工艺（标签解析）是主要引擎。
光谱族的新维度：9,464/11,710 小分子的 MS/MS + NMR + CCS + RT + RI——把 DrugBank 从知识库升级为「知识 + 物理测量」双底座；代谢组学鉴定的公开参考面因此扩容。
30M 年访问的引用生态：数万 publications——基准权威性即网络效应：用 DrugBank 的模型结论自带「可比性」。

§6.2 DDI 数据的方法学解剖

来源结构：监管标签（结构化抽取主力）+ 文献策展——两源的粒度不同（标签给「等级+文本」，文献给「机制」）。
记录偏差：常见药组合被过度记录（处方量大 → 报告多）——DDI 图的度分布反映用药流行度而非药理风险；建模要加流行度协变量。
文本语义：大量 DDI 描述是「机制未知的联合注意」——按 CYP/转运体机制归因的子集（约少数）才是机制建模的干净训练集。

§6.3 方法学三层框架（gsm）

G（Ground layer）：结构化事实——药物-靶点对、InChIKey、ATC、序列（低争议）。
S（Synthesis layer）：策展综合——DDI 文本、机制归因、适应症映射（中等争议，依赖来源质量）。
M（Medical layer）：临床判读——严重度、临床处置建议（高争议，必须药师/医师复核）。

审稿时先问「这结论在第几层」——用 G 层数据做 M 层结论是 DDI 研究最常见的越界。

§6.4 接力实验设计

DrugBank → ChEMBL：DTI 假设 → 活性数据复核（结合实验规模验证）。
DrugBank → PharmGKB：代谢酶多态 DDI → PGx 证据分级（临床指南层）。
DrugBank → clinicaltrials-gov：重定位候选 → 试验状态核查（避免重复试验设计）。
DrugBank → FAERS/SIDER：DDI 假设 → 不良事件报告的共现检验（药物警戒闭环）。

§6.5 八个真实坑点

坑点 1：许可误判——「网页免费 = 数据随便用」——条款明确下载/再分发/商用需许可；先读 Trust Center 再开工。
坑点 2：负例天真——随机负例混入未知真 DDI——基准性能虚高（§5.2 的三层负例是底线）。
坑点 3：随机边切分——同药物的两条边分进训练/测试——泄漏严重；用节点冷启动切分。
坑点 4：action 语义合并——substrate/inhibitor/inducer 一锅炖——机制建模系统性错位。
坑点 5：盐型/产品混淆——产品层计数当活性成分层——「药物数」虚高且多样性统计失真。
坑点 6：predicted 光谱污染——预测光谱进评估集——鉴定性能自吹；predicted 字段是硬过滤器。
坑点 7：生物药特征缺失——BI 药无 SMILES/指纹——混合训练时未做模态缺省处理，模型学到「生物药→负类」伪影。
坑点 8：版本混拼——跨 release 的 DDI/主表拼盘——ID 漂移与状态漂移双重污染；单版本锁定。

§6.6 审稿人自查清单

[ ] DrugBank 版本 + 下载日期写进方法段？
[ ] 「批准药物 N」的分组与市场口径声明？
[ ] DDI 负例构造与切分策略显式描述（冷启动？）？
[ ] DTI 的 action 语义分层还是合并？依据？
[ ] 光谱评估是否排除 predicted？
[ ] 生物药与小分子的处理差异声明？
[ ] 复现包的再分发边界与许可声明？
[ ] 与 ChEMBL/DrugCentral 的交叉验证说明？

§6.7 版本演进的方法学含义

四个大版本各自回答了「数据库能长成什么样」的不同问题：

v1-v2（2006-2009）：验证「知识库」形态——从化合物列表到 DrugCard 的范式确立；DDI/ADMET 入库证明「临床语义」可以结构化。
v3-v4（2011-2014）：证明「组学接口」价值——转运体/通路/代谢物/光谱让 DrugBank 成为 omics 研究的对接层（论文标题从 drug discovery 转向 ‘omics’ research）。
v5.0（2018）：规模与结构的再平衡——数量翻倍同时保持 schema 兼容——向后兼容是十年商用客户信任的技术基础。
v6.0（2024）：记录工艺的集中兑现——六年周期以 DDI 3 倍与光谱族收官；「记录增速 >> 药物增速」确立了策展工艺（而非新药产出）为主要增长引擎的新阶段。

方法学启示：引用旧版本数字时注意「当时口径」——v4 时代的「1,558 FDA 小分子」与 v6.0 的「4,563 FDA 批准」差在收录工艺与市场口径，不是「新批了 3,000 个药」。

§7 AI 就绪指南与应用场景

§7.1 DrugBank 在医疗 AI 中的四种喂法

关系监督喂法：DTI/DDI/药物-疾病三类正例做图学习/链接预测训练——DrugBank 是「标注免费」的图基准源。
节点特征喂法：DrugCard 200 字段压缩成药物嵌入（结构+文本+分类三模态编码）——下游任意药物任务的预训练表示。
文本语料喂法：机制/适应症/毒性文本做领域 NLP（关系抽取、摘要、问答）——监管标签语料的策展版。
光谱-结构绑定喂法：MS/MS/CCS/RT 与 SMILES 的配对做小分子鉴定模型（tandem MS 解谱、保留时间预测）——代谢组学 AI 的监督源。

四种喂法与 §6.5 坑点的对应：喂法 1 踩坑 2（负例）与坑 3（切分）；喂法 2 踩坑 4（action）与坑 7（生物药）；喂法 3 踩坑 8（版本）；喂法 4 踩坑 6（predicted）——建模前回读对号。

§7.2 药物多模态嵌入实操配方

#!/usr/bin/env python3
"""DrugCard → 三模态药物嵌入（结构 + 文本 + 分类），供 DTI/DDI 下游。"""
import pandas as pd
import numpy as np
from rdkit import Chem
from rdkit.Chem import AllChem
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.decomposition import TruncatedSVD

drugs = pd.read_csv("drugbank_drugs.tsv", sep="\t")  # §4.3 产物

def morgan_fp(smiles: str, n_bits: int = 1024):
    mol = Chem.MolFromSmiles(smiles or "")
    return (AllChem.GetMorganFingerprintAsBitVect(mol, 2, nBits=n_bits)
            if mol else np.zeros(n_bits, dtype=int))

# 1) 结构模态
X_fp = np.vstack([morgan_fp(s) for s in drugs.smiles])

# 2) 文本模态：机制 + 适应症 + 毒性 TF-IDF → SVD 128 维
texts = (drugs.moa.fillna("") + " " + drugs.indication.fillna(""))
tf = TfidfVectorizer(max_features=50000, stop_words="english")
X_txt = TruncatedSVD(128, random_state=0).fit_transform(tf.fit_transform(texts))

# 3) 分类模态：ATC 首位 + 状态分组 one-hot
X_cat = pd.get_dummies(
    pd.DataFrame({"atc1": drugs.atc.str[:1],
                  "grp": drugs.groups.str.split("|").str[0]})
).to_numpy(float)

emb = np.hstack([X_fp, X_txt, X_cat])
np.save("drugbank_embeddings.npy", emb)
print("嵌入矩阵:", emb.shape)

§7.3 模型选型与迁移决策

DDI 链接预测：图神经网络（R-GCN/CompGCN 类）在冷启动切分下对比特征基线（结构/ATC 相似度）——GNN 增量主要在多药理关系传播；小数据先用 LightGBM + 相似度特征再上 GNN。
DTI 回归头：结合常数预测用双塔（药物嵌入 × 蛋白嵌入）+ 交叉注意力——Ki/IC50 数据量不足以端到端训练大模型，预训练嵌入 + 轻量头是务实路线。
文本任务：机制关系抽取用领域微调（PubMedBERT/BioLinkBERT 起步）——DrugBank 文本量级（万级卡 × 数百词）不够从头训练。
光谱模型：MS/MS 解谱用 seq2seq/transformer（结构→峰序列）——9,464 样本 + 预测光谱增广可训中等模型；CCS/RT 预测用轻量 GBDT 即可。
许可对齐：商业部署的模型训练数据链要能通过许可审计——衍生嵌入/中间数据的交付范围与许可条款对齐（§8）。

§7.4 公平性与来源偏倚的工程应对

记录偏差显式建模：DDI 度分布与处方流行度相关——把「处方量/标签年代」当协变量，评估时按流行度分层报告。
语言与市场偏倚：FDA 标签主导——EMA/HC 独有药的覆盖不均；跨市场结论要声明主要市场。
生物药 vs 小分子的模态鸿沟：混合训练的分层评估——生物药子集的性能单独报告，不做「平均掩盖」。
罕见病药物覆盖：策展焦点偏常见药——罕见病任务的训练覆盖缺口要写进局限。

§7.5 任务×资源速查表

AI 任务	DrugBank 数据	输出形态	验收
DDI 预测	DDI 图 + 嵌入	链接预测器	冷启动 AUPR + Top-K 召回
DTI 预测	靶点关系 + 序列	双塔模型	外部集（BindingDB）交叉
药物嵌入	DrugCard 三模态	预训练表示	下游任务增益消融
机制抽取	MOA/毒性文本	关系三元组	人工抽检精确率 ≥ 80%
MS/MS 解谱	光谱族	结构候选排序	Top-1/10 命中率（实验光谱）
重定位推荐	适应症 + 靶点 + 试验	候选排序	证据链抽检 + 试验去重

§7.6 端到端案例：DDI 机制感知预测器

任务：预测药物对的 DDI 存在性 + 机制类别（CYP 竞争/转运体/QT/出血…）。
数据：v6.0 DDI 全量正例；机制标注子集（文本规则 + 人工抽检 500 对校准规则）；负例三层（§5.2）。
特征：药物对（嵌入拼接 + 交互特征）+ 靶点重叠（CYP/转运体家族）+ ATC 同类标志。
切分：药物冷启动（20% 药物整体留出）+ 时间切分（v5→v6 新增对做时序验证）。
模型：LightGBM 基线 → GNN（R-GCN）+ 机制多头输出。
评估：AUROC/AUPR + Top-20 召回 + 机制归因抽检（预测 CYP 类的 200 对人工验证 ≥ 70% 归因正确）。
报告：流行度分层性能 + 生物药子集单独口径 + 版本/许可声明三件套。

§7.7 报告模板：方法学段落骨架

药物知识数据来自 DrugBank v6.0（2024-01 发布；11,891 药物条目；1,413,413 条 DDI；4,939 条非冗余靶点序列；Knox et al., NAR 52:D1265-D1275, 2024），经学术非商业许可获取（下载日期 2026-XX-XX）。药物-靶点关系按 action 语义分层（inhibitor/inducer/substrate 分列）；DDI 基准采用三层负例策略（随机弱负例 / 同 ATC 强负例 / v5→v6 时间切分负例）与药物冷启动切分（20% 药物整体留出）。光谱分析仅使用实验光谱（predicted 标志剔除）。多盐型按活性成分 InChIKey 去重；生物药（BI 前缀）单独建模并分层报告。模型为药物冷嵌入（结构 Morgan 指纹 + 机制文本 SVD + ATC one-hot 拼接）与 R-GCN 链接预测的对比，评估含 AUROC/AUPR、Top-K 召回与机制归因抽检。数据使用遵循 DrugBank 使用条款，不进行全量数据的再分发。

§7.8 成本与排期模板

阶段	内容	成本构成	周期
许可	学术许可申请 + 下载	人力	1-2 周（审批寄回）
解析	XML/CSV 管线	人力	3-5 天
特征	嵌入 + 对齐（UniProt/ChEMBL）	人力 + 单机算力	1-2 周
建模	基线 → 图模型消融	GPU 小额	2-3 周
评估	冷启动 + 机制抽检	领域人力	1 周
发布	复现包（许可合规版）	人力	2-3 天

学术许可审批是排期上唯一不可控项——项目启动首日提交申请，等审批期间做 DrugCentral 开源预研。

§7.9 端到端案例 2：药物嵌入的消融证据

场景：为机构的多任务药物模型（DTI/DDI/适应症三头）选预训练表示——用消融回答「三模态嵌入值不值」：

候选表示：R1 = 仅 Morgan 指纹；R2 = 指纹 + 文本 SVD；R3 = 三模态全量（§7.2 配方）；R4 = 商业分子预训练模型嵌入（对比项）。
协议：三个下游任务统一冷启动切分 + 同一 LightGBM 头——表示是唯一变量。
预期模式：DTI 任务 R2>R1 明显（文本含靶点语义）；DDI 任务 R3>R2（ATC 传播药效学相似性）；适应症任务文本模态贡献最大。
反例检查：生物药子集单独跑——R1/R3 都退化（无 SMILES），退化幅度就是「模态缺省策略」的改进空间。
许可审计点：R3 的文本 SVD 嵌入若要交付给合作方——嵌入了 DrugBank 文本语义，按 §8.1 的再分发边界先过法务。
验收：R3 相对 R1 在三任务的增益均显著且方向符合机制预期；R4 对比提供「自建 vs 商业」的成本决策依据。

这一案例的产出是「嵌入选型证据表」——比拍脑袋选表示多一天工作量，省一轮审稿质疑。

§8 伦理、许可与合规

§8.1 许可结构精读

浏览 vs 数据：DrugBank Online 网页免费（注册可导出检索结果）；数据下载与再分发（全部或部分）需许可——学术非商业免费/优惠，商业（含内部使用）付费。
学术许可的边界：非商业研究 OK；许可续期与结项销毁义务看条款；合作企业参与的项目（哪怕「研究用途」）建议先书面确认边界。
再分发红线：全量 XML/CSV 或其衍生全量（嵌入/图快照）不得公开——论文附表级别的摘录通常可接受（引用 + 说明）；公开基准建议官方许可或改用 DrugCentral 构建。
引用义务：条款强制引用 Knox et al. 2024（v6.0）；用了 v5/v4 数据引对应版本论文——这是 Trust Center 明文要求。

§8.2 临床使用的责任边界

DSS 场景：DDI 数据进临床流程（处方审查）需医疗质量/药事委员会验证 + 商业许可（Clinical API 产品线正是为此设计）。
研究 → 临床的差：研究结论（预测 DDI）≠ 临床建议——分级判读由执业药师复核；预测器的假阴责任链要在部署文档写清。
患者数据无：DrugBank 无患者级数据——没有个体隐私面；但与 EHR 联合分析时 EHR 侧合规独立评估。

§8.3 国内合规路径

数据性质：境外数据库的许可使用——学术使用一般走机构采购/许可流程；无人类遗传资源问题（无个体数据）。
产品化：境内 DSS 产品内嵌 DrugBank DDI 数据属商业使用——许可 + 境内药监（医疗器械软件分类）两条线都要过。
红线：不将许可数据伪装成开源再分发；不做「绕过许可的爬取规模化」——条款与robots 伦理都约束。

§8.4 致谢与引用模板

致谢模板（按需裁剪）：
Drug information and drug-drug interaction annotations were obtained from
DrugBank v6.0 (Knox C, Wilson M, Klinger CM, et al. DrugBank 6.0: the
DrugBank Knowledgebase for 2024. Nucleic Acids Res 52, D1265-D1275, 2024.
DOI 10.1093/nar/gkad976), accessed under a non-commercial academic license
on YYYY-MM-DD. We thank the DrugBank curation team and contributors.

§8.5 商业使用边界

CC 类「用了就用了」的直觉在 DrugBank 不成立：内部研究（无对外交付）也属商用范畴——药企 AI 平台团队把「DrugBank 许可」当作与 GPU 预算同级的基础设施成本项立项；DSS/患者直连产品走 Clinical API 而非自建许可数据的服务化。

§8.6 合规台账的最小模板

团队接入 DrugBank 后应维护一张三行的合规台账（示例字段）：

交付物	数据源与版本	许可/公开判定	负责人
DDI 预测论文	DrugBank v6.0（2026-03 下载）	学术许可；附表 2,000 行内可发表	数据负责人
内部药物嵌入库	DrugBank v6.0 派生	仅内部使用；不交付外部	平台负责人
对外演示 Demo	DrugCentral 2024 + 自有数据	开源源；可公开	产品负责人

台账纪律：每个对外交付物在发布前 5 分钟能查到判定依据——法务问询从「一周考古」变成「一封邮件」；许可续期/版本升级时台账就是影响面清单。

§9 谱系与生态

§9.1 药物知识库时间线

2006  DrugBank v1（Wishart；841 FDA 小分子起步）
2008  NAR 更新（v1.x 口径 D901-906）
2009  v2（DDI/ADMET/撤市药入库）
2011  v3（转运体/通路/专利；Knox）
2014  v4（代谢物/光谱/结合常数；Law）
2018  v5.0（NAR gkx1037；FDA 批准 2,646 时代）
2020  DrugCentral 等开源库成熟（开源对照面形成）
2024  v6.0（DDI 141 万 + 光谱族；NAR gkad976）
2026  AI/ML-Ready Datasets + API/MCP 商业化深化

§9.2 术语表

术语	定义
DrugCard	单个药物的完整记录（200+ 字段）
DrugBank ID	药物标识（DB 小分子 / BI 生物药 / EX 实验药等前缀）
DDI	Drug-Drug Interaction，药物-药物相互作用
DTI	Drug-Target Interaction，药物-靶点相互作用
action	靶点作用语义（inhibitor/inducer/substrate/ligand…）
targets/enzymes/transporters/carriers	靶点四类（治疗靶/代谢酶/转运体/载体）
groups	药物状态七分组（approved/withdrawal/investigational/experimental/nutraceutical/illicit/veterinary）
ATC	WHO 解剖-治疗-化学分类
InChIKey	化合物标准标识（跨库去重键）
ADMET	吸收/分布/代谢/排泄/毒性参数
CCS	碰撞截面（离子淌度质谱物理量）
RT / RI	保留时间 / 保留指数
predicted spectra	计算生成的预测光谱（与实验光谱相对）
max-credible…	（对照 gnomAD 语境）——此处不适用；替换为：mechanism-of-action（MOA），作用机制文本
SPL	Structured Product Label，FDA 结构化标签
Trust Center	DrugBank 的条款/引用政策中心

§9.3 资源选型决策树

你的需求是什么？
├─ 「查一个药的说明书级信息」
│    → 网页浏览（免费）
├─ 「DDI 预测基准/图建模」
│    → 学术许可 + DDI 分表（负例按 §5.2）
├─ 「DTI/结合预测」
│    → 靶点表 + ChEMBL 活性交叉 + PDBbind 结构验证
├─ 「药物重定位」
│    → 适应症 + 靶点 + clinicaltrials 交叉
├─ 「代谢组学光谱参考」
│    → 光谱族包（实验光谱优先）+ HMDB 内源互补
├─ 「处方审查生产系统」
│    → 商业许可 / Clinical API（合规第一）
├─ 「需要开源再分发」
│    → DrugCentral（开源替代）——公开基准用它
└─ 「大规模活性筛选」
     → ChEMBL / PubChem（DrugBank 不擅长）

§9.4 与本库其他条目的关系

条目	关系
chembl	活性测量规模层——DTI 回归的实验数据补充
drugcentral	开源对照——再分发敏感场景的替代与交叉验证
drugcomb	联合用药（组合筛选）——DDI 的体外维度
pharmgkb	PGx 深度层——代谢酶多态的临床分级
hmdb	代谢物姊妹库——内源/外源光谱互补
clinicaltrials-gov	试验状态层——重定位候选的现实性核查
PDBbind	结构结合数据——DTI 的结构验证层

§9.5 组合使用建议

研究设计	推荐组合	分工
DDI 机制预测	DrugBank（主）+ DrugCentral（交叉）+ PharmGKB（PGx 机制）	正例 + 验证 + 分级机制
DTI 全链	DrugBank（关系）+ ChEMBL（活性）+ PDBbind（结构）	关联 + 强度 + 结构
药物重定位	DrugBank（语义）+ clinicaltrials（状态）+ FAERS/SIDER（安全）	假设 + 现实性 + 风险
代谢组学鉴定	DrugBank（药物光谱）+ HMDB（内源）+ KEGG（通路）	外源 + 内源 + 语境
临床 DSS	DrugBank（许可数据）+ RxNorm（术语）+ 本地 EHR	知识 + 规范 + 场景

组合纪律：许可边界贯穿组合——组合系统里每个数据源条款不同（DrugBank 许可制 / ChEMBL CC / DrugCentral 开源），衍生数据集的公开范围取最严约束。

§9.6 策展知识库的生态角色

DrugBank 代表「人工策展知识库」这一物种的生存策略：与自动聚合（PubChem 爬取式）相反，它以人力换一致性——在 LLM 时代反而更凸显价值（模型需要高置信监督源做评估锚点）。它的三个生态位：① 基准锚（DTI/DDI 论文的事实标准）；② 语义字典（批准状态/适应症的规范口径）；③ 商业知识服务（DSS/药企 OS）。自动聚合库与策展库的分工是互补而非替代——前者供料，后者盖章。

§9.7 开源与许可双轨的工程模式

需要「公开可再分发 + DrugBank 质量」的团队有成熟的工程双轨模式：

双源管道：DrugCentral（开源）做公开基准与产品底座；DrugBank（许可）做内部高置信验证与增量正例——两者的 DDI 重叠部分是天然的「交叉验证层」。
差异披露：论文报告「DrugCentral 口径」与「DrugBank 口径」双结果——重叠结论稳健、差异结论标注来源，审稿人对这种透明度买账。
迁移友好设计：特征工程/切分/评估代码以数据源为参数（一套代码两个库）——许可到期或预算变化时数据源可切换，工程资产不报废。
边界清册：每个交付物（模型/嵌入/基准）登记「用了哪个源、能否公开」——合规台账 30 分钟能建，违约调查要烧几周。

§10 资源导航与 FAQ

§10.1 官方资源导航

官网/浏览 https://go.drugbank.com/；下载与 release https://go.drugbank.com/releases
Trust Center（条款/引用）https://trust.drugbank.com/
开发者文档 https://dev.drugbank.com/（API/guides）
学术许可申请入口：releases 页 Non-commercial/Academic Use
联系：官网商务表单（许可/产品）

上手指引（第一次接入的推荐顺序）：

网页查一个熟悉药物（如华法林）——通读 DrugCard 的 DDI/靶点/ADMET 区块。
申请学术许可（首日提交）——等审批期间读 Trust Center 条款全文。
许可批准后下载 v6.0 包——先跑 §4.3 解析脚本出药物主表。
用 DDI 分表复现 §4.4 图统计——感受度分布的流行度偏倚。
再决定要不要进光谱/建模阶段——多数项目其实只用主表 + DDI + 靶点三件。

§10.2 关键文献

Wishart, D.S. et al. DrugBank: a comprehensive resource for in silico drug discovery and exploration. Nucleic Acids Res 34, D668-672 (2006). PMID 16381955
Wishart, D.S. et al. DrugBank: a knowledgebase for drugs, drug actions and drug targets. Nucleic Acids Res 36, D901-906 (2008). PMID 18048412
Knox, C. et al. DrugBank 3.0: a comprehensive resource for ‘omics’ research on drugs. Nucleic Acids Res 39, D1035-1041 (2011). PMID 21059682
Law, V. et al. DrugBank 4.0: shedding new light on drug metabolism. Nucleic Acids Res 42, D1091-1097 (2014). PMID 24203711
Wishart, D.S. et al. DrugBank 5.0: a major update to the DrugBank database for 2018. Nucleic Acids Res 46, D1074-D1082 (2018). DOI 10.1093/nar/gkx1037
Knox, C. et al. DrugBank 6.0: the DrugBank Knowledgebase for 2024. Nucleic Acids Res 52, D1265-D1275 (2024). DOI 10.1093/nar/gkad976

§10.3 站内延伸阅读

ChEMBL — 生物活性数据库：活性测量规模层（本库姊妹条目）
DrugCentral — 开源药物数据库：开源替代与交叉验证
PharmGKB — 药物基因组学知识库：PGx 深度层
HMDB — 人类代谢物数据库：内源代谢物光谱互补
ClinicalTrials.gov — 临床试验注册库：重定位的现实性核查
PDBbind — 结合亲和力数据库：结构结合验证层

§10.4 FAQ

Q1：DrugBank 是免费的吗？
A：一半免费——网页浏览与检索免费（注册可导出检索结果 CSV）；XML/CSV 全量下载与再分发需许可（学术非商业免费/优惠，商业付费）。

Q2：能把我解析出的 DrugBank 数据集公开吗？
A：全量或大体量衍生数据不建议公开（再分发受限）；论文附表级摘录一般可接受。要公开基准就用 DrugCentral 构建。

Q3：11,891 和 19,879 哪个对？
A：都对，口径不同——11,891 是 v6.0 论文药物条目（2024-01）；19,879 是第三方对更新商业快照的统计（含全部状态分组）。引用写版本与日期。

Q4：「FDA 批准 4,563」和「4,030 小分子 + 1,601 生物药」矛盾吗？
A：不同时间快照——4,563 是 v6.0 论文（2024-01）口径；4,030+1,601=5,631 是后续 release（2026 维基镜像口径）滚动后的数字。方法段锁定一个口径并注日期。

Q5：DDI 有 141 万条，能当「141 万种真实相互作用」用吗？
A：不能这么表述——多数记录是标签/文献文本（含「机制未知的联合注意」），等级与证据强度不一；建模时按机制归因子集分层。

Q6：DTI 的负例怎么造？
A：没有真负例——用三层弱负例（随机不相连/同 ATC 不相连/时间切分新发现对），并在论文声明负例是「无记录假设」；冷启动切分比负例本身更影响结论。

Q7：Ki/IC50 数据全吗？
A：不全——只有部分药物-靶点对有文献值且实验条件异质；结合强度建模与 ChEMBL（千万级活性值）交叉补全。

Q8：生物药怎么处理？
A：BI 前缀药多为蛋白/多肽——无小分子 SMILES；单独建模、分层报告，别混进指纹特征管线。

Q9：光谱数据是实验的还是算的？
A：混合——字段含 predicted 标志；训练用实验优先，预测光谱只做增广；评估集必须剔除 predicted。

Q10：和 ChEMBL 怎么分工？
A：DrugBank 管「成药知识」（批准状态/适应症/DDI/机制），ChEMBL 管「活性测量」（千万级 Ki/IC50）；DTI 研究两个都要。

Q11：商业公司内部研究也要付费吗？
A：是——条款把 internal use 划入商用；药企/健康科技内部平台用 DrugBank 数据需商业许可。

Q12：能接入处方审查系统吗？
A：走 Clinical API 产品线（官方 DDI 检查器）或商业许可 + 本地部署——同时过药事合规；别用学术许可数据做生产系统。

Q13：版本多久更新？
A：大版本约 2 年（v5.0 2018 → v6.0 2024 间隔较长），月度小修正持续——复现包记「版本 + 下载日期」双戳。

Q14：撤市药物有记录吗？
A：有——withdrawal 分组自 v2 起维护（含撤市原因），药物警戒/安全研究直接用该子集。

Q15：ATC 编码覆盖全吗？
A：不全——研究性/实验药的 ATC 缺失率高；分类统计时声明 ATC 覆盖率，缺失组单列。

Q16：怎么把 DrugBank 与 EHR 药嘱对齐？
A：经 RxNorm/通用名 + InChIKey 多级映射——商品名差异与盐型问题是主要摩擦；先在 50 个高频药上人工验证映射规则再放量。

Q17：学术许可多久批下来？
A：通常数个工作日至两周（学术邮箱 + 用途声明）——项目首日申请，等批期间用 DrugCentral 预研。

Q18：引用哪篇？
A：用 v6.0 引 Knox 2024（DOI 10.1093/nar/gkad976）——条款强制；用到历史版本数据（如 v5.0 DDI 时序）加引对应版本论文。

Q19：药物重定位怎么防「假候选」？
A：三道滤网——investigational 状态核对（真在做）、试验记录去重（clinicaltrials 交叉）、安全存量扫描（DDI/撤市史）——三级证据链缺一降级。

Q20：LLM 时代 DrugBank 还重要吗？
A：更重要——LLM 幻觉时代，「策展一致性」成了稀缺资产：评估锚点（模型输出 vs DrugBank 事实）与 RAG 知识源都依赖高置信策展；它的商业 API/MCP 化（2026）正是这个逻辑。

Q21：能与 gnomAD 类人群数据联动吗？
A：间接联动——药物代谢酶（CYP）多态 → PharmGKB/PGx 层 → 人群频率（gnomAD/队列）——「基因型指导用药」研究链的组合拼图（各层各自版本管理）。

Q22：数据质量有第三方评估吗？
A：惯常做法是交叉验证——DDI 与 DrugCentral 重叠率、ATC 与 WHO 对齐率、靶点与 UniProt 一致率；自己抽样 100 条做人工核查是发论文前的标准动作。

Q23：机制文本能直接当标签训练分类器吗？
A：要预处理——MOA 文本常含多机制并列与否定语境；先做句子级拆分 + 机制词表归一（CYP3A4/3A4 抑制…），抽检 200 条标注一致率 ≥ 80% 再进训练集。

Q24： withdrawal 分组能研究「药物为什么失败」吗？
A：可以——撤市原因文本 + ADR 字段 + 时间线构成「失败案例库」；对照 approved 组做对比学习是安全 pharmacology 模型的新颖监督信号（注意样本量小、报告偏倚强）。

Q25：学术许可过期后还能用已下载数据吗？
A：看条款——多数许可条款规定「许可期内获取的数据按许可条款处理」，续期义务与结项销毁条款要逐条读；台账（§8.6）里记许可有效期是最低配置。

Q26：复方药在图建模里当节点还是展开？
A：展开——复方卡链接回各成分卡；DDI 分析以成分为节点（复方的相互作用来自成分），产品统计才把复方当单元。

§10.5 要点回顾

许可先于数据：学术/商业/再分发三条边界在开工前定案——这是 DrugBank 与开放库的第一区别。
版本 + 日期双戳：大版本 2 年 + 月度修正——复现的最小版本元组。
口径三件套：论文口径（2024-01）/镜像快照（2026-08）/第三方统计各不同——引用锁口径。
负例与切分决定 DDI 结论：三层负例 + 冷启动——随机边的性能不可信。
action 语义分层：inhibitor/inducer/substrate 别合并——机制建模的地基。
predicted 光谱硬过滤：评估集只认实验值。
生物药单独走：无 SMILES 模态——分层报告防伪影。
组合取最严许可：DrugBank（许可）+ ChEMBL（CC）+ DrugCentral（开源）混用的衍生数据公开范围取最严。
引用是义务：Knox 2024 是条款要求不是礼节。
策展价值在 LLM 时代上升：高置信事实源是评估锚与 RAG 底座——这是 DrugBank 长期价值的重新定价。

口径存照（数字均注明口径与来源，写入正文前已核对）

11,891 药物条目 = DrugBank 6.0 论文口径（Knox et al., NAR 52:D1265-D1275, 2024-01-05, DOI 10.1093/nar/gkad976）
FDA 批准 2,646 → 4,563（+72%）/ 研究性 3,394 → 6,231（+38%）= 同上论文（v5.0→v6.0）
DDI 365,984 → 1,413,413（+300%）/ 药物-食物 1,195 → 2,475（+200%）= 同上论文
光谱族 9,464/11,710 小分子（MS/MS + 1D/2D-NMR + CCS + RT + RI）= 同上论文
4,030 FDA 批准小分子 + 1,601 生物药 + 134 营养品 + 6,722 实验药；4,939 非冗余蛋白序列；200+ 字段 = HandWiki DrugBank 词条 2026-08-18 修订快照（后续 release 滚动口径）
19,879 总条目 / 4,815 approved（2026-07）= ProteinIQ 第三方统计（商业快照口径，仅作口径对照）
30M+ 年访问 = v6.0 论文；58,000+ publications / 1,500+ 机构 = 官网 2026（trust 页与首页口径略有差异，用「数万篇」量级表述）
许可：网页免费 / 下载再分发需许可 / 学术非商业免费或优惠 / 商业含内部使用付费 = DrugBank 官方条款与 FAQ（dev/trust 站）
历代版本数字：v1（2006）841 FDA 小分子 + 113 生物药 + 2,133 靶点；v2（2009）1,344+123、3,037 靶点；v3（2011）1,424+132、>4,000 靶点；v4（2014）1,558+155、4,200 靶点 = HandWiki 版本史（源自历代 NAR 论文）
六篇 NAR 论文 DOI/PMID 见 §10.2（官方 Citing 页核验）