信息速览

数据集名称OffSIDES — 标签外药物副作用挖掘库

数据类型知识库,文本数据,关系数据

规模不适用（非患者级数据集，为药物-事件关联粒度；1,332 种药物 × 10,097 个不良事件）

接入方式FDA FAERS（Adverse Event Reporting System）自发不良事件报告，经 SCRUB 高维倾向评分匹配校正混杂 + LSD 潜在信号检测挖掘；FDA 结构化产品标签（structured product label）用于剔除已知标签内副作用；SIDER 说明书抽取库用于关联回收验证

AI 就绪度

INFOBOX — OffSIDES 一屏速览

维度内容

本质从 FDA FAERS 自发报告挖掘的标签外药物副作用关联库（非人工标注、非临床结论）

全称 OffSIDES — The Off-label Side Effect Resource

团队 Tatonetti Lab（Stanford 起源 / 现 Columbia）；通讯 Nicholas P. Tatonetti

论文 Sci Transl Med. 2012;4(125):125ra31（doi:10.1126/scitranslmed.3003377）

规模 438,801 条标签外关联 = 1,332 药 × 10,097 不良事件

每药均量 FDA 标签平均 69 条标签内事件 vs OffSIDES 平均 329 条高置信标签外事件

核心方法 SCRUB（高维倾向评分匹配校正混杂）+ LSD（潜在信号检测推断缺失报告）

验证证据回收 SIDER 38.8%（18,842 条）说明书关联；47 个药物类别相互作用经 EMR 独立佐证（P<0.0001）

标志发现 SSRI × 噻嗪类联用 prolonged QT 发生率 9.3% vs 单用 6.5%/4.8%（HR 1.5 / 1.4）

姊妹库 TWOSIDES（联用副作用，868,221 关联）；同属 nSIDES 家族

后代库 OnSIDES（说明书抽取，数据 CC BY 4.0）、KidSIDES（儿科）、ManySIDES（3+ 药组合）

获取 nsides.io 门户 / tatonettilab-resources S3 flat files / GitHub（MIT 代码）

时效警告官方自认 “quite a bit out of date”，主推归档为 2019-11-13 版，未纳入季度更新

§0 导读：这个数据集解决什么问题

药物副作用的完整清单，任何一份说明书都给不全。临床试验规模有限、人群同质、随访时间短，罕见或迟发的不良反应只有等药物上市、成千上万人服用之后才会暴露。这正是**上市后药物警戒（pharmacovigilance）**存在的理由：监管机构与药企持续收集自发不良事件报告，形成海量观察性数据。

问题在于，这些自发报告系统（spontaneous reporting system）缺了做统计推断最需要的东西——患者的人口学特征、病史、共用的其他药物、以及开药的原因，统统没有结构化记录。缺了混杂因素（confounder），传统的信号检测（signal detection）方法就很容易把"因为得了 X 病所以吃 A 药、又因为 X 病本身导致 Y 症状"错判成"A 药引起 Y"。更糟的是，这些混杂变量本身往往未知、甚至未被测量，常规的分层（stratification）校正无从下手。

OffSIDES（OFF-label drug SIDE effectS）给出的答案，是一套数据驱动、不需要知道具体混杂变量的校正方法，并用它从 FDA 不良事件报告系统（FAERS）中系统性地挖出"药品说明书上没有、但统计上强烈关联"的副作用——即标签外副作用（off-label side effects）。

它解决的核心痛点有三个：

说明书不全：FDA 官方标签平均只列 69 个不良反应，而 OffSIDES 为每药平均列出 329 个高置信标签外关联——把大量未被正式记载的潜在风险摆上台面。
混杂失控：用 **SCRUB（Statistical CorRection of Uncharacterized Bias）**通过高维倾向评分匹配（propensity score matching）在数据内部构造"病例对照"式比较组，把年龄、性别、共用药、适应症等能想到的偏差一并"顺带"匹配掉。
报告缺失：用配套的 **LSD（Latent Signal Detection）**在直接证据或报告缺失时推断不良反应的存在。

对 AI-Ready 的使用者来说，OffSIDES 的价值在于它是一个大规模、结构化的药物-事件关联图（drug-event association graph）：43 万余条边连接 1,332 个药物节点与 10,097 个事件节点，可直接用于药物副作用预测、药物-靶点推断、药物重定位（drug repurposing）、联用风险建模等任务。但它也是一面警示牌——所有边都是统计信号而非因果结论，且官方自认版本陈旧。理解它的方法学底色，比记住那几个数字更重要。

§1 数据集速览：十问十答

Q1：OffSIDES 到底是什么？
它是 Tatonetti Lab 发布的一份药物副作用关联库，专门收录标签外（off-label）的副作用——即那些没有出现在 FDA 官方药品说明书上的药物-不良反应统计关联。它是论文配套发布的"综合药物效应数据库"（comprehensive database of drug effects）。

Q2：数据从哪来？
源头是 **FDA 的 FAERS（Adverse Event Reporting System）**自发不良事件报告。OffSIDES 从 opendata.fda.gov 下载并处理这些报告，经过偏校正后挖掘出关联。此外用 FDA 结构化产品标签剔除已知的标签内事件，并用 SIDER 说明书抽取库做关联回收验证。

Q3：有多少数据？
438,801 条标签外药物-事件关联，覆盖 1,332 种药物和 10,097 个不良事件。平均每种药列 329 条高置信标签外事件。

Q4：核心方法是什么？
两件套：SCRUB（统计化未表征偏倚校正）用高维倾向评分匹配消除混杂；LSD（潜在信号检测）在证据缺失时推断潜在不良反应。两者结合产出假设性的药物不良反应集合。

Q5：它和 TWOSIDES 什么关系？
姊妹库。TWOSIDES 处理药物对（联用）的副作用，含 868,221 条显著关联（59,220 对药物 × 1,301 事件），且只保留无法清楚归因于任一单药的关联——即那些超出 OffSIDES 覆盖范围的联用特异性效应。两者同一篇论文首发，同属 nSIDES 家族。

Q6：它和 SIDER 什么关系？
方法学对照。SIDER 从说明书/包装说明书抽取已知副作用（620 药 × 1,092 事件 × 48,577 关联）；OffSIDES 从 FAERS 报告挖掘。OffSIDES 能回收 SIDER 38.8%（18,842 条）的关联，证明 FAERS 挖掘能重现已知信号——这是方法可信度的重要外部证据。两者同域不同方法，不可合并。

Q7：它和 OnSIDES 什么关系？
后代关系。OnSIDES 是 Tatonetti Lab 后来用微调 PubMedBERT 语言模型从药品说明书抽取不良反应的库（最新 >710 万 drug-ADE pairs、4,097 成分、51,460 说明书），数据明确 CC BY 4.0。OffSIDES 反过来是"减去说明书已知项后的 FAERS 挖掘结果"——一个是抽取说明书里有的，一个挖说明书里没有的，恰好互补。

Q8：怎么获取？
官方门户 nsides.io 的 “OffSIDES and TwoSIDES” 段提供 flat files 下载目录；主推归档是 effect_nsides-2019-11-13.sql.gz（托管于 tatonettilab-resources S3）；代码在 github.com/tatonetti-lab/offsides，MIT License。

Q9：许可怎么样？
代码 MIT；数据以 flat files 公开下载，但数据本体的独立书面 license 未见声明（列为遗留疑点）。家族后代 OnSIDES 的数据为 CC BY 4.0，可作惯例参照。论文本体是 AAAS 订阅制，非开放获取。

Q10：最大的坑是什么？
时效。nsides.io 官方白纸黑字写着 “these resources are quite a bit out of date”，声明会更新到 2022 版并纳入季度更新，但主推归档仍停在 2019-11-13。药物退市、标签修订、新事件词表都会让旧数据失真——用之前先查有没有更新版。

§2 数据构成与规格

2.1 规模与粒度

OffSIDES 的数据本质是一张稀疏二分图（bipartite graph）的边表：一侧是药物节点，另一侧是不良事件节点，边表示统计显著的标签外关联。

药物数：1,332
不良事件数：10,097
关联数：438,801
理论最大边数 = 1,332 × 10,097 ≈ 1,344 万；实际 438,801 条，密度约 3.3%——典型的高维稀疏药物安全信号矩阵

粒度是 drug–event（药物-事件级），不是患者级。因此不存在"患者数"这一维度，patient_count 字段标注为不适用。每条关联通常携带：药物标识、事件标识、以及一个统计 disproportionality 量（论文用 TBW 一类的不均衡度量），供使用者排序筛选。

2.2 与 SIDER 的量化对照

论文给出的对照数字最能说明 OffSIDES 的定位：

维度	SIDER（说明书抽取）	OffSIDES（FAERS 挖掘）
药物数	620	1,332
事件数	1,092	10,097
关联数	48,577	438,801
每药均关联	—	329 条高置信标签外事件
数据来源	包装说明书	FAERS 自发报告 + SCRUB 校正
与对方关系	被 OffSIDES 回收 38.8%（18,842 条）	回收 SIDER 已知信号作为验证

读法：OffSIDES 的关联数是 SIDER 的约 9 倍，事件词表是 SIDER 的约 9 倍——覆盖面大幅扩张，代价是每条边的确定性下降。SIDER 的边是"说明书白纸黑字写的"，OffSIDES 的边是"统计上强烈关联但说明书没写的"。

2.3 标签内 vs 标签外：一条硬边界

OffSIDES 的构造逻辑里有一条不可逾越的过滤线：已知说明书列出的副作用被剔除，只保留标签外的。

标签内（on-label）：FDA 官方标签（structured product label）已记载的反应——平均每药 69 条。这些不进 OffSIDES，去 OnSIDES 找。
标签外（off-label）：统计上显著但说明书未列的关联——平均每药 329 条。这才是 OffSIDES 的内容。

这条边界的实际含义：OffSIDES 不是"完整的药物副作用库"，而是已知清单的补集。要拼出某药的全景副作用图，必须 OffSIDES（标签外）+ OnSIDES（标签内）两库合并——这也正是 nSIDES 家族把两者并列的用意。

2.4 生成流水线四步（GitHub README 原述）

OffSIDES 的可复现性由 GitHub 仓库的脚本串起，官方 README 把流程拆成四步：

下载并处理最新 FAERS 数据——脚本 faers_processor.py，数据源 opendata.fda.gov。
从处理后数据编译"dataset"——脚本 faers_compile_dataset.py。（README 提示近版修复了一个会产生错误 reaction 记录的 bug。）
对药报告做高维倾向评分匹配——脚本 propensity_score_match.py。
生成 disproportionality 统计量（TBW）——产出最终的关联强度。

这套脚本把方法学从论文的数学描述落成了工程代码，是 OffSIDES 区别于"一次性论文附录数据"的地方：你不仅能拿到结果表，还能拿到生成结果表的完整管线，前提是自备计算资源重跑 FAERS。

2.5 版本链与时效

2012-03：OffSIDES / TWOSIDES 随论文首发
2014：常被引作首次数据更新口径
2019-11-13：effect_nsides-2019-11-13.sql.gz 归档版，成为 nsides.io 主推下载
2024-05 / 2024-10：GitHub 仓库 SCRUB/LSD 笔记本仍在更新（42 commits），但数据本体未见新版本落地
官方时效声明：nsides.io 明写 OffSIDES “quite a bit out of date”，承诺"will be updating them for 2022 and then including them in our routine quarterly updates going forward"，但公开可见的最新归档仍是 2019-11-13 版

结论：把 OffSIDES 当作一份冻结在 2019 年前后的药物安全信号快照来用是稳妥的；当作实时更新的资源则会踩坑。

§3 方法学解剖：SCRUB 与 LSD 如何工作

OffSIDES 的一切价值都建立在它的方法上。论文标题《Data-driven prediction of drug effects and interactions》里的"data-driven"，指的就是这套不需要预先知道混杂变量的校正思路。

3.1 传统信号检测卡在哪里

自发报告系统做药物警戒的标准做法是不均衡分析（disproportionality analysis）：比较"某药-某事件组合的报告数"与"若两者独立本应期望的报告数"，比值高的即报警信号。常用的 PRR（proportional reporting ratio）、ROR、BCPNN 等都属于这一类。

它的软肋是混杂（confounding）。论文明确指出四类典型混杂：共用药（concomitant medications）、患者人口学（demographics）、病史（medical histories）、以及开药的原因/适应症（reasons for prescribing）。举例——如果服用抗抑郁药的人更可能是女性，那"抗抑郁药"这个变量就自动携带了"女性"信息；如果同时开了他汀，又携带了"高脂饮食"的信息。这些变量若未测量，标准的分层校正会因为把数据切成太多无用层而损失统计功效（power）。

3.2 SCRUB：用倾向评分匹配"顺带"匹配掉未知偏差

**SCRUB（Statistical CorRection of Uncharacterized Bias）的核心是用高维倾向评分匹配（high-dimensional propensity score matching）**替代分层：

在 FAERS 数据内部做一种"病例对照研究（case control study）"式的比较：把人群按能否匹配成"除某一个药物变量外尽可能相似"的分组。
匹配的依据是高维协变量集合——不只是显式记录的年龄性别，还包括共用的其他药物。论文的关键洞察（key insight）正是：至少对药物而言，用药的适应症和共用的其他药物本身，就捕捉了大部分重要混杂变量。因此不需要知道具体混杂是什么，用共用药模式去匹配，就能间接把那些未测量但相关的变量一起匹配掉。
论文作者的话（Altman）：「你匹配的维度越多，就越可能顺带匹配上那些你根本没想过、但会影响结果的变量。」

这一思路的妙处在于不切分数据：分层会把数据切碎降功效，倾向评分匹配则保留整体样本的统计力度。

3.3 LSD：报告缺失时也能推断信号

配套方法 LSD（Latent Signal Detection，潜在信号检测）针对的是另一种情况：直接证据或报告缺失。FAERS 的报告是不完整的，某些药-事件组合可能因为报告不足而根本没有直接记录。LSD 的作用就是在缺乏直接报告的情况下推断潜在不良反应的存在，把"没报告"与"真没有"区分开。

SCRUB 与 LSD 结合，产出的是一组假设性的药物不良反应（a set of hypothesised adverse drug reactions）——注意"假设性"三个字，这是 OffSIDES 对自己结论边界的诚实标注。

3.4 三步筛出"标签外"

完整逻辑链可以概括为：

FAERS 原始报告 → SCRUB 校正混杂 → LSD 推断缺失 → 生成候选药物-事件关联
用 FDA 结构化产品标签匹配，剔除已知的标签内事件
剩下的即为 off-label，写入 OffSIDES

§4 验证与核心发现

方法新颖不等于结果可信。OffSIDES 论文用多条独立证据链做了验证。

4.1 三套测试数据 + EMR 独立佐证

论文用**三个测试数据集（three test data sets）**验证了该方法，并把预测带到真实临床记录上做外部校验：

团队用 OffSIDES/TWOSIDES 识别药物靶点、预测药物适应症、发现药物类别相互作用。
随后用 **Stanford Hospital & Clinics 的电子病历（EMR）**独立分析，佐证了 47 个（P < 0.0001）药物类别相互作用——论文摘要原话是 “corroborated 47 (P < 0.0001) of the drug class interactions using an independent analysis of electronic medical records”。

这 47 个是"从统计数据挖出、再在真实病人记录中复现"的双重证据，是 OffSIDES 方法可信度的最强支撑。

4.2 标志性发现：SSRI × 噻嗪类与 prolonged QT

论文最著名的具体发现是选择性 5-羟色胺再摄取抑制剂（SSRI，一类抗抑郁药）与噻嗪类利尿剂（thiazide，一类降压药）联用，与 QT 间期延长（prolonged QT）风险显著升高相关。QT 延长会增加心律失常甚至猝死风险。

EMR 队列的硬数字（论文原文）：

人群	例数	prolonged QT 发生率
联用 SSRI + 噻嗪	87 / 932	9.3%
单用噻嗪	588 / 9,008	6.5%
单用 SSRI	684 / 14,218	4.8%

Cox 比例风险回归（带协变量、时间-事件分析）：

联用 vs 单用噻嗪：HR 1.5（95% CI 1.2–1.9，P = 4.46 × 10⁻⁴）
联用 vs 单用 SSRI：HR 1.4（95% CI 1.2–1.8，P = 0.0013）

团队还检验了 38 种常与它们共处方的药物，在独立的回归模型中逐一排除混杂，联用效应始终显著；并对共处方、年龄、种族、性别做了校正。论文的结论措辞谨慎：这些结果提示噻嗪类与 SSRI 之间潜在的相互作用值得进一步研究（may be warranted）。

4.3 SIDER 回收：把已知信号找回来

外部验证的另一条腿是 SIDER 回收实验：让 OffSIDES 的挖掘结果去"复现" SIDER 说明书里已经记载的关联。结果——OffSIDES 回收了 SIDER 38.8% 的关联（18,842 条）。

这个数字的双重含义：

正面：38.8% 不算低，说明 FAERS 挖掘确实能重现相当一部分已知的、经说明书确认的信号，方法不是空转。
本质：论文明确指出，OffSIDES 发现了与临床试验（药物获批前）所报告不同的关联——也就是说它挖的是"说明书还没写、或者写得不一样"的东西，这正是 off-label 的定位所在。

4.4 读这组数字的守则

统计 ≠ 因果：438,801 条全是"统计关联"，SCRUB 校正的是已知可校正的偏倚，残余混杂（residual confounding）永远存在。
假阳性代价：每药 329 条的高覆盖以精确度换召回率，其中相当比例可能是伪信号，需要临床/药理/机制层面的二次筛选。
回收率不是准确率：38.8% 是"对已知信号的召回"，不是"整体准确率"；它衡量方法能找回多少说明书已知项，不代表剩下 61.2% 就是错的。
版本错位：论文 2012 年发表，当时 SIDER 为 3.x 口径；如今常引的 SIDER 4.1（1,430 药、5,868 事件、139,756 关联）规模已大不同，跨版本比较须谨慎。

§5 nSIDES 家族全景：OffSIDES 在谱系中的位置

OffSIDES 不是孤立资源，而是一个持续演化的**药物安全数据库家族（nSIDES）**的起点。家族现由 Tatonetti Lab 的 nsides.io 门户统一托管。理解谱系，才能理解 OffSIDES 的边界与后代。

5.1 家族成员一览

资源	定位	关键规模	方法/来源
OffSIDES	标签外副作用（单药）	438,801 关联 / 1,332 药 / 10,097 事件	FAERS + SCRUB + LSD
TWOSIDES	联用副作用（药物对）	868,221 关联 / 59,220 对 / 1,301 事件	FAERS + 联用信号
OnSIDES	说明书抽取的不良反应	>710 万 pairs / 4,097 成分 / 51,460 标签	微调 PubMedBERT NLP 抽取
KidSIDES	儿科药物安全信号	跨儿童发育阶段全事件扫描	上市后报告 + 发育阶段分层
AwareDX	性别特异性药物风险	20,817 条性别特异副作用	机器学习 + 偏校正
ManySIDES	3+ 药组合副作用	开发中	组合信号

5.2 OffSIDES 与 TWOSIDES：一对姊妹

两者同出一篇论文，分工清晰：

OffSIDES = 单药 × 事件的标签外关联。
TWOSIDES = 药物对 × 事件的联用副作用，含 868,221 条显著关联，且只保留无法清楚归因于任一单药的关联——即那些超出 OffSIDES 覆盖范围的联用特异性效应。此外还含 3,782,910 条"药物对关联强度（PRR）高于单药"的关联。

一句话：OffSIDES 管单药，TWOSIDES 管联用，且 TWOSIDES 特意排除了 OffSIDES 已覆盖的单药效应。 库内已有 TWOSIDES（rid 254），本条目与其构成直接的姊妹互链。

5.3 OffSIDES 与 OnSIDES：补集的相遇

这是谱系里最容易被混淆的一对，务必分清：

OnSIDES：从药品说明书里抽取已知不良反应，用微调 PubMedBERT（在 200 份人工标注说明书上微调）。最新口径 >710 万 drug-ADE pairs。它收录的是说明书里有的。
OffSIDES：从 FAERS 挖掘说明书里没有的关联。它收录的是说明书里没有的。

两者恰好是互补的补集关系。要构建某药的完整副作用视图，理论上应 OnSIDES ∪ OffSIDES 合并。OnSIDES 的数据明确 CC BY 4.0、更新季度化，是本家族当前最活跃、许可最清晰的成员。

5.4 家族口头禅与规模口径

nsides.io 对 OffSIDES + TwoSIDES 有一句总括宣传：“Over 3,300 drugs and 63,000 combinations connected to millions of potential adverse reactions.” 注意这个 3,300 药 是家族聚合口径（含 TWOSIDES/ManySIDES），不是 OffSIDES 单库的 1,332 药。全文引用时须严格区分，切勿把 3,300 误当 OffSIDES 本体规模。

§6 获取与许可：怎么拿到、能怎么用

6.1 获取入口全链

OffSIDES 的获取路径经过多次门户迁移，现存多条入口并存，按推荐度排列：

官方门户（首选）：https://nsides.io —— “OffSIDES and TwoSIDES” 段给出 flat files 下载目录说明。这是 Tatonetti Lab 当前的统一入口。
主推归档下载：effect_nsides-2019-11-13.sql.gz（托管在 tatonettilab-resources S3），nsides.io 与老门户 tatonettilab.org/offsides 均指向它。
flat files 目录：tatonettilab-resources.s3-website-us-west-1.amazonaws.com 下的 nsides/ 目录，含 CSV/SQL 形式的 drug/event/关联表与 dictionary。
代码仓库：https://github.com/tatonetti-lab/offsides（MIT License，42 commits，含 faers_processor.py / faers_compile_dataset.py / propensity_score_match.py 等管线脚本与 SCRUB/LSD 笔记本）。
老门户（仍在线但内容缩水）：http://tatonettilab.org/offsides/ —— 现在基本只剩跳转提示。

6.2 许可细读

资产	许可状态
代码（GitHub 仓库）	MIT License（明确，LICENSE 文件在库）
数据本体（OffSIDES flat files / SQL）	公开下载，但独立书面 license 未见声明（遗留疑点）
家族后代 OnSIDES 的数据	CC BY 4.0（明确，可作惯例参照）
论文本体（Sci Transl Med）	AAAS 订阅制，非开放获取

实操建议：代码可放心按 MIT 使用。数据的使用条件处于灰色地带——官方未给 OffSIDES 数据本体单独的书面条款，建议商业或再分发用途前，直接查 GitHub Releases 与 nsides.io 的最新声明，或联系 Tatonetti Lab 确认。学术用途按论文引用要求（cite Tatonetti et al. 2012）通常是预期内的用法。

6.3 引用要求

使用 OffSIDES 应引用其原始论文：

Tatonetti NP, Ye PP, Daneshjou R, Altman RB. Data-driven prediction of drug effects and interactions. Science Translational Medicine. 2012;4(125):125ra31. doi:10.1126/scitranslmed.3003377

若使用后代库（OnSIDES/KidSIDES/AwareDX），应分别引用其对应论文（如 OnSIDES 引 Tanaka Y, et al. Med. 2025）。

6.4 AI-Ready 评估

对 AI/ML 建库而言，OffSIDES 的优劣：

优势

结构规整：药物-事件二分边表，天然适配图神经网络（GNN）、知识图谱嵌入、链接预测（link prediction）等任务
规模够用：43 万条边、1.3 万节点，足够训练中等规模的关系模型
方法透明：完整生成管线开源，可复现、可审计、可重跑
有验证锚：SIDER 回收率 + 47 个 EMR 佐证，提供质量参照

劣势

时效陈旧：冻结在 2019 前后，新药、新事件缺失
标签噪声：统计信号含假阳性，需下游再筛
许可模糊：数据本体条款未明
粒度粗：无剂量、无时间、无人群分层，仅有"有/无关联"级别的信息

§7 生态与影响

7.1 学位与谱系

起源机构：Stanford University（论文署名 Biomedical Informatics Training Program + 生物工程/遗传学/医学系）
现役机构：Tatonetti Lab 现挂 Columbia University，nsides.io 为现役门户
团队特征：Nicholas P. Tatonetti 第一作者、Russ B. Altman 资深作者——Altman 是生物医学信息学与药物基因组学领域的奠基级人物（PharmGKB 等），这为 OffSIDES 的方法学公信力提供了背书

7.2 nSIDES 家族的分代演化

OffSIDES（2012）→ TWOSIDES（2012）→ KidSIDES（2021-2022）→ AwareDX（2020）→ OnSIDES（2023-2025）→ ManySIDES（开发中），体现了从"FAERS 挖掘单药"到"说明书 NLP 抽取"再到"组合与人群特异信号"的方法迭代。其中 OnSIDES 用 PubMedBERT 微调抽取说明书，代表了从"统计挖掘"向"语言模型抽取"的范式迁移。

7.3 在药物安全数据景观中的位置

OffSIDES 处于一个密集的资源生态中：

上游数据源：FAERS（FDA 自发报告）、FDA 结构化产品标签、SIDER（说明书）
同域对照：SIDER（说明书抽取）、DrugBank（药物-靶点）、DrugCentral（药物-适应症-靶点）、Drug Target Commons（生物活性）
下游应用：药物副作用预测模型、DDI 预测、药物重定位、药物靶点推断

它与 SIDER 的对照（说明书 vs 报告挖掘）与 TWOSIDES 的互补（单药 vs 联用）构成了药物安全数据的两条主轴。

7.4 影响力与引用

论文发表于 Science Translational Medicine（影响因子高的转化医学顶刊），是药物警戒数据挖掘领域的高被引方法学论文之一。OffSIDES 与 TWOSIDES 被广泛用于药物-药物相互作用预测（如 DDI 深度学习评测基准中作为标准数据源）、知识图谱补全、副作用预测等任务，是相关研究中被反复引用的基础数据。

§8 方法学启示：三条可迁移的经验

8.1 未知混杂可以用"代理变量"匹配掉

OffSIDES 最深刻的方法学贡献是：当混杂变量未测量时，用与它相关的已观测变量（共用药、适应症）做高维匹配，可间接校正。这对所有基于观察性医疗数据（EHR、理赔、登记）的研究都适用——你不需要知道"饮食"这个变量，只要匹配"是否用了他汀"，就顺带匹配了饮食倾向。

8.2 "补集"思维构建数据集

OffSIDES = FAERS 挖掘结果 − 说明书已知项。这个减法定义了数据集的身份：不重复已知，只贡献新知。构建数据集时，"剔除已有来源覆盖的部分"是一种高价值的定位策略。

8.3 诚实标注结论边界

论文通篇把结果称为"假设性"不良反应，明确区分"统计关联"与"因果结论"，并自曝数据"quite a bit out of date"。这种对边界的诚实是高质量数据资源的共性——使用者也应据此把 OffSIDES 定位为"假设生成器"而非"结论库"。

8.4 工程化可复现

从数学方法到 GitHub 上的四步管线，OffSIDES 做到了方法可复现。这对 AI-Ready 数据集是加分项：可重跑意味着可用最新 FAERS 刷新数据，突破官方归档的时效限制。

§9 与库内条目的关系

9.1 家族图谱（库内可互链）

条目	rid	与 OffSIDES 的关系
SIDER	92	最直接方法学对照——说明书抽取 vs FAERS 挖掘；OffSIDES 回收其 38.8% 关联；同域不同方法，勿合并
TWOSIDES	254	姐妹库——单药（OffSIDES）vs 联用（TWOSIDES），TWSIDES 特意排除 OffSIDES 已覆盖的单药效应
FAERS	264	数据源头——OffSIDES 的全部输入
DrugBank	89 / 571	药物标识与靶点映射互链（库内 drugbank 存在 rid 89 与 571 两条在架重复，互链时择一即可）
DrugCentral	344	药物-靶点-适应症知识库，可补 OffSIDES 缺的机制层信息
Drug Target Commons	1080	药物-靶点生物活性开放库，与副作用机制推断互补
Gene Ontology	441	事件/通路层面的本体互链（间接）

9.2 消歧声明（正文，不进 frontmatter）

OffSIDES ≠ SIDER：名称相似但方法与来源不同。SIDER = 说明书抽取（620 药）；OffSIDES = FAERS 挖掘（1,332 药）。不可合并。
OffSIDES ≠ TWOSIDES：单药 vs 联用，同一家族的两个成员。
OffSIDES ≠ OnSIDES：OffSIDES 挖说明书里没有的；OnSIDES 抽说明书里有的。名称仅一字之差（OffSIDES vs OnSIDES），极易混淆，检索时务必看首字母。
OffSIDES ≠ nSIDES：nSIDES 是整个家族的门户品牌，OffSIDES 是其中一个成员库。

9.3 检索路径建议

想研究单药标签外副作用 → OffSIDES
想研究药物联用副作用 → TWOSIDES（rid 254）
想找说明书已知副作用 → OnSIDES 或 SIDER（rid 92）
想追溯原始报告数据 → FAERS（rid 264）
想补药物机制/靶点 → DrugBank（rid 89/571）、DrugCentral（rid 344）

§10 避坑清单：九个已踩过的坑

坑 1：把统计关联当因果结论。
OffSIDES 的 438,801 条全是 SCRUB 校正后的统计信号，不是因果关系。把"某药-某事件关联显著"直接读成"某药会引起某事件"是最高频误用。正确用法：当作假设生成器，再经机制/临床/文献二次验证。

坑 2：忽略官方时效警告。
nsides.io 白纸黑字写着 OffSIDES “quite a bit out of date”，主推归档停在 2019-11-13。用旧快照分析新药（如近年上市的药物）会得到空白或缺损结果。用前先查 Releases 有无更新版；或自己重跑 GitHub 管线刷新。

坑 3：把 1,332 药和 3,300 药搞混。
OffSIDES 本体是 1,332 药；nsides.io 主页的 “Over 3,300 drugs” 是家族聚合口径（含 TWOSIDES/ManySIDES）。引用时张冠李戴会被审稿人抓。

坑 4：混淆 OffSIDES 与 OnSIDES。
两者名称仅一字之差（Off vs On）。OffSIDES 挖说明书里没有的，OnSIDES 抽说明书里有的，恰好互补。引错会闹大笑话。

坑 5：试图用 OffSIDES 拿"完整副作用清单"。
它不是完整清单，而是已知清单的补集。要全景必须 OffSIDES ∪ OnSIDES。

坑 6：误判许可为完全自由。
代码是 MIT，但数据本体的独立书面 license 未见声明。商业/再分发前务必核最新条款，别默认它就是 CC BY。

坑 7：忽略高覆盖的假阳性代价。
每药 329 条的高召回以精确度换得，相当比例可能是伪信号。直接全量当 ground truth 训练模型，会引入大量标签噪声。

坑 8：跨版本比较 SIDER 回收率。
论文的 38.8% 回收率对应 2012 年的 SIDER（3.x 口径）。拿它去和今天的 SIDER 4.1（139,756 关联）比毫无意义。

坑 9：把 TBW/PRR 分数当绝对风险。
disproportionality 量（PRR 等）是报告数据中的相对不均衡，受报告行为影响，不等于真实人群中的绝对风险或发生率。单用它排序可以，当风险概率用则错。

§11 总结

11.1 三句话总结

OffSIDES 是 FAERS 挖掘出的标签外药物副作用库：438,801 条关联、1,332 药、10,097 事件，用 SCRUB 校正混杂、LSD 推断缺失。
它是 nSIDES 家族之源：与 TWOSIDES 构成单药/联用姊妹对，与 OnSIDES 构成"说明书外/说明书内"补集对。
它是假设生成器而非结论库：统计信号需二次验证，且版本陈旧（2019 归档），用前必查更新。

11.2 适合谁

药物警戒与药物安全研究者：挖掘未被说明书记载的潜在风险信号
药物副作用/DDI 预测建模者：拿它当训练数据或评测资源
药物重定位（drug repurposing）团队：副作用谱可用于推断新适应症
药物-靶点推断研究者：副作用相似性蕴含靶点/机制线索
知识图谱工程师：43 万条边可直接入图

11.3 不适合谁

需要实时/最新药物安全数据的人：OffSIDES 冻结在 2019 前后，请改用更新的 OnSIDES 或直接查 FAERS
需要因果结论或临床决策依据的人：统计关联不能直接用于临床决策
需要患者级、剂量级、时间级细节的人：OffSIDES 只有药物-事件级关联
需要完全宽松许可做商业分发的团队：数据许可模糊，需先确认

11.4 30 秒决策卡

你的需求	建议
单药标签外副作用信号	✅ 用 OffSIDES
药物联用副作用	➡️ 用 TWOSIDES（rid 254）
说明书已知副作用	➡️ 用 OnSIDES / SIDER（rid 92）
原始自发报告	➡️ 用 FAERS（rid 264）
最新（2024+）药物安全	⚠️ OffSIDES 过时，查 OnSIDES 或重跑管线
因果/临床结论	❌ OffSIDES 不适用
商业分发	⚠️ 先确认数据许可

FAQ（高频问答 28 问）

A. 基础认知

Q1：OffSIDES 的全称是什么？
Off-label Side Effect Resource（标签外副作用资源）。缩写取材于 OFF-label drug SIDE effectS。

Q2：谁做的？
Tatonetti Lab。第一作者 Nicholas P. Tatonetti，资深作者 Russ B. Altman，Stanford University 起源。现归属 Columbia University。

Q3：哪年发布？
论文 2012 年 3 月发表于 Science Translational Medicine（Europe PMC 记 3-01，AAAS 页面记 3-14，全文并列存照）。

Q4："标签外"是什么意思？
off-label 指未出现在 FDA 官方药品说明书上的。OffSIDES 只收录这类"说明书没写但统计上关联"的副作用。

Q5：它是人工标注的吗？
不是。它是统计挖掘结果——用 SCRUB 方法从 FAERS 数据里算出来的关联，非人工逐条标注。

Q6：核心方法叫什么？
SCRUB（Statistical CorRection of Uncharacterized Bias，高维倾向评分匹配）+ LSD（Latent Signal Detection，潜在信号检测）。

B. 数据与获取

Q7：有多少数据？
438,801 条关联，1,332 药，10,097 不良事件。

Q8：有患者级数据吗？
没有。粒度是药物-事件级关联，不含患者层级信息。

Q9：怎么下载？
nsides.io 门户 → “OffSIDES and TwoSIDES” 段 → flat files；或直接取归档 effect_nsides-2019-11-13.sql.gz。

Q10：代码在哪？
github.com/tatonetti-lab/offsides，MIT License。

Q11：许可是什么？
代码 MIT；数据公开下载但独立书面条款未见，家族 OnSIDES 数据为 CC BY 4.0。

Q12：最新版是哪年？
公开可见最新归档为 2019-11-13 版。官方称会更新到 2022 并季度化，但未见新数据确认发布。

Q13：能商业用吗？
不确定——数据条款未明，商业或再分发前须直接确认。

C. 方法与统计

Q14：SCRUB 怎么校正混杂？
用高维倾向评分匹配，在数据内构造"除一个药物变量外尽可能相似"的比较组，通过匹配共用药等已观测变量间接匹配掉未测量的偏倚。

Q15：为什么不用分层？
分层会把数据切成太多无用层、损失统计功效；倾向评分匹配保留整体样本力度。

Q16：LSD 是什么？
Latent Signal Detection，在直接证据或报告缺失时推断潜在不良反应存在的方法。

Q17：PRR/TBW 是什么？
都是 disproportionality（不均衡）度量，衡量报告数据中药-事件组合的关联强度，不是绝对风险。

Q18：结果里有多少是假阳性？
无官方数字。但每药 329 条的高覆盖必然含相当比例伪信号，需下游二次验证。

D. 验证与发现

Q19：怎么验证结果可信？
三套测试数据 + SIDER 回收 38.8% 已知关联 + 47 个药物类别相互作用经 Stanford EMR 独立佐证（P<0.0001）。

Q20：最著名的发现是什么？
SSRI 与噻嗪类联用与 prolonged QT 风险升高相关：联用 9.3% vs 单用噻嗪 6.5% / 单用 SSRI 4.8%。

Q21：那个发现的风险比是多少？
联用 vs 单用噻嗪 HR 1.5（95% CI 1.2-1.9，P=4.46×10⁻⁴）；vs 单用 SSRI HR 1.4（95% CI 1.2-1.8，P=0.0013）。

Q22：38.8% 是什么意思？
OffSIDES 从报告数据中能找回 SIDER 说明书里 38.8% 的已知关联（18,842 条），验证方法能重现已知信号。

E. 家族与库内

Q23：和 TWOSIDES 什么区别？
OffSIDES 管单药；TWOSIDES 管药物对（联用），含 868,221 条关联，且排除 OffSIDES 已覆盖的单药效应。

Q24：和 SIDER 什么区别？
SIDER 从说明书抽取（620 药）；OffSIDES 从 FAERS 挖掘（1,332 药）。方法来源不同，不可合并。

Q25：和 OnSIDES 什么区别？
OffSIDES 挖说明书里没有的；OnSIDES 抽说明书里有的。互补关系，名称一字之差。

Q26：库内有相关条目吗？
有：SIDER（rid 92）、TWOSIDES（rid 254）、FAERS（rid 264）、DrugBank（rid 89/571）、DrugCentral（rid 344）。

Q27：数据从哪来（原始）？
FDA FAERS 自发不良事件报告，源站 opendata.fda.gov。

Q28：能用来预测药物新用途吗？
可以——论文本身演示了用副作用关联预测药物适应症与推断靶点，但结论需验证。

事实清单（硬事实 34 条）

全称 OffSIDES = The Off-label Side Effect Resource
论文：Tatonetti NP, Ye PP, Daneshjou R, Altman RB，Sci Transl Med 2012;4(125):125ra31
doi：10.1126/scitranslmed.3003377
PMID：22422992；PMCID：PMC3382018
论文日期双口径：Europe PMC 2012-03-01 / AAAS 2012-03-14
关联总数：438,801 条标签外关联
药物数：1,332
不良事件数：10,097
平均每药标签外高置信事件：329 条
FDA 标签平均标签内事件：69 条
SIDER 回收率：38.8%（18,842 条 drug-event associations）
SIDER 对照规模：48,577 关联 / 620 药 / 1,092 事件
TWOSIDES 规模：868,221 关联 / 59,220 对 / 1,301 事件
TWOSIDES 额外 PRR 关联：3,782,910 条
家族聚合口径：Over 3,300 drugs and 63,000 combinations
核心方法：SCRUB（高维倾向评分匹配）+ LSD（潜在信号检测）
SCRUB 全称：Statistical CorRection of Uncharacterized Bias
LSD 全称：Latent Signal Detection
流水线脚本：faers_processor.py / faers_compile_dataset.py / propensity_score_match.py
数据源：opendata.fda.gov 的 FAERS
标签内过滤源：FDA 结构化产品标签
SSRI × 噻嗪 prolonged QT：联用 9.3%（87/932）
单用噻嗪 6.5%（588/9008）；单用 SSRI 4.8%（684/14218）
Cox HR 联用vs单用噻嗪 = 1.5（95% CI 1.2-1.9，P=4.46×10⁻⁴）
Cox HR 联用vs单用 SSRI = 1.4（95% CI 1.2-1.8，P=0.0013）
EMR 佐证药物类别相互作用：47 个（P<0.0001）
排除混杂检验的共处方药数：38 种
代码 license：MIT（GitHub tatonetti-lab/offsides）
主推归档：effect_nsides-2019-11-13.sql.gz
GitHub commits：42
OnSIDES 规模（2026-04 口径）：>710 万 pairs / 4,097 成分 / 51,460 标签
OnSIDES 规模（2023-11 口径）：>360 万 pairs / 2,793 成分 / 46,686 标签
OnSIDES 数据 license：CC BY 4.0
官方时效声明：OffSIDES “quite a bit out of date”

术语表（28 条）

术语	英文	释义
标签外副作用	off-label side effect	未列入 FDA 官方说明书的不良反应
标签内	on-label	已列入官方说明书的不良反应
不良药物事件	adverse drug event, ADE	用药后出现的非预期有害反应
药物警戒	pharmacovigilance	药物上市后的安全性监测
自发报告系统	spontaneous reporting system	由医护/患者自愿上报不良事件的系统
FAERS	FDA Adverse Event Reporting System	FDA 的不良事件报告系统
SCRUB	Statistical CorRection of Uncharacterized Bias	未表征偏倚统计校正方法
倾向评分匹配	propensity score matching	按倾向得分配对相似个体以控制混杂
高维倾向评分	high-dimensional propensity score	用大量协变量（含共用药）估计的倾向得分
潜在信号检测	Latent Signal Detection, LSD	报告缺失时推断潜在信号
混杂	confounding	第三变量同时关联暴露与结果造成的偏倚
残余混杂	residual confounding	校正后仍残留的混杂
不均衡分析	disproportionality analysis	比较观测与期望报告数的信号检测法
比例报告比	proportional reporting ratio, PRR	一种 disproportionality 度量
信号检测	signal detection	从数据中发现潜在安全信号
药物-事件关联	drug-event association	药物与不良事件的统计关联
二分图	bipartite graph	两类节点间连边的图结构
药物重定位	drug repurposing	老药新用
药物-药物相互作用	drug-drug interaction, DDI	两药同用产生的相互作用
药物靶点	drug target	药物作用的分子靶标
电子病历	electronic medical record, EMR	电子化患者记录
适应症混杂	confounding by indication	因开药原因导致的混杂
MedDRA	Medical Dictionary for Regulatory Activities	监管活动医学词典（事件编码）
RxNorm	—	美国标准化药物命名系统
Cox 比例风险	Cox proportional hazards	生存分析回归模型
QT 间期延长	prolonged QT	心电图 QT 延长，心律失常风险
SSRI	selective serotonin reuptake inhibitor	选择性 5-羟色胺再摄取抑制剂
噻嗪类利尿剂	thiazide	一类降压利尿药

§12 深入方法学：SCRUB 的统计直觉与边界

前面的章节已说明 SCRUB 的定位。这里再往下一层，讲清它的统计直觉与适用边界——这决定了你能拿 OffSIDES 做什么、不能做什么。

12.1 "在数据内部造一场病例对照"的直觉

传统药物警戒的难点在于：FAERS 里没有对照组。所有人都在吃药，没有人是"什么都没吃还来报告副作用"的空白对象。SCRUB 的巧思是在同一份数据内部挖出可比性：

想吃某个药 A 的副作用，就把"报告里出现了 A 的人"当作处理组（treated）。
再从"报告里没出现 A 的人"里，挑出在尽可能多的维度上像处理组的人，当作对照组。
比较两组中目标事件的发生比例，差值即为 A 的净效应估计。

这本质上是观察性研究里的倾向评分匹配（propensity score matching），但关键在"高维"二字——匹配用的协变量非常多，且故意纳入共用药。为什么共用药有效？因为用药模式是一张信息网的代理：吃他汀的人可能饮食偏高脂，吃前列腺药的人是男性，吃抗抑郁药的人更可能女性……这些你没测量、甚至没想到的变量，被"共用药"这层显式信息间接捕获了。

12.2 为什么不切数据：分层 vs 匹配的权衡

这是理解 SCRUB 价值的关键对比：

方法	机制	代价
分层（stratification）	按固定协变量把数据切成层，层内比较	层数爆炸时每层样本过少，统计功效骤降；且只能校正已测量变量
倾向评分匹配（SCRUB）	按倾向得分配对，保留大部分样本	依赖"无未测量混杂"假设的弱化版本；匹配质量取决于协变量集

论文原话点破要害：固定协变量的系统性分层会因为把数据切进太多不重要的层而损失功效（reduces power）。SCRUB 不切分数据，因此能在大样本下保持检出能力——这正是它敢声称"校正未知混杂"的底气。

12.3 残留的假设（使用者的责任）

SCRUB 强大，但不是魔法。它依赖几个不能被证明、只能被假设的前提，使用者必须心里有数：

代理充分性假设：共用药与适应症"足够"代表主要混杂变量。若某个关键混杂完全不被用药模式反映（如遗传背景），它就无法被校正。
无不可测混杂的近似成立：倾向评分匹配的经典假设是"给定协变量后，处理分配与潜在结果独立"。高维协变量让这个假设更可信，但不能保证成立。
报告行为稳定假设：若某药因媒体曝光而报告量骤增（stimulated reporting），统计关联会被系统性拉高，SCRUB 对此无能为力。
标签完备性假设：过滤"标签内"事件时依赖 FDA 标签的完整性。若某事件本应更新进标签却未更新，它会被错误地归为"标签外"。

因此：OffSIDES 的每条关联都应被读作"在给定假设下、值得进一步验证的假设"，而非"已确立的事实"。论文用"hypothesised"一词，正是对这种边界感的自觉。

12.4 LSD 的补位逻辑

如果 SCRUB 解决的是"有报告但被混杂污染"，那 LSD（Latent Signal Detection）解决的是"根本没有报告"。FAERS 的不完整是结构性的——罕见组合、新药组合、弱势群体的用药，都可能报告量极低甚至为零，此时任何基于报告数的统计都失效。LSD 通过在潜在变量空间推断信号的存在，把这些"沉默的角落"补进候选集。

这也解释了为什么 OffSIDES 的关联数（438,801）远超纯观察所能支撑的量级——它混合了"观测到的关联"与"推断出的关联"两类证据。

§13 面向不同角色的实操指南

同一个 OffSIDES，不同角色用法迥异。以下给出可操作的路径。

13.1 建模工程师：把 OffSIDES 变成训练数据

目标：构建药物副作用预测或 DDI 预测模型。

步骤

从 nsides.io/S3 取 flat files，加载 drug/event/关联三张表到 SQLite（仓库提供 DDL）。
把关联表转成二分图边表 (drug_id, event_id, weight=statistic)，喂给 GNN 或链接预测模型。
用 SIDER 交集（18,842 条回收关联）作为正样本金标准子集做验证。
负样本采样要谨慎——“未关联"不等于"无关联”，可能是报告不足；建议用 LSD 标记区分。
跨库联用时先做 ID 映射（RxNorm / MedDRA），核对词表版本。

注意：别把 329 条/药的高覆盖直接当 labels，先按 statistic 阈值筛一轮降噪。

13.2 药物警戒研究者：把 OffSIDES 当信号池

目标：发现值得深挖的潜在不良反应。

步骤

按 disproportionality 统计量排序，取 top 关联。
用 机制合理性 过滤：该药已知靶点（查 DrugBank rid 89/571）是否能解释该事件？
与 SIDER（rid 92）比对，剔除已在说明书中的（那些不是 OffSIDES 的价值）。
对候选信号走 SIDER 回收式验证：在独立 EMR/理赔数据中复现。
参照论文的 SSRI×噻嗪案例，关注药物类别层面的模式而非单点。

13.3 数据管理员：入库与治理

目标：把 OffSIDES 纳入数据资产并保持可维护。

要点

记录快照日期（2019-11-13）与来源，标注时效风险。
建立版本监控：定期查 GitHub Releases 与 nsides.io 是否发布新版（官方承诺 2022 更新，需追踪落地）。
明确许可边界：代码 MIT 可用；数据条款待确认，商业场景先联络。
维护ID 映射表与词表版本对照，避免跨库联用时版本错位。

13.4 临床/药理读者：正确看待信号

目标：理解 OffSIDES 对临床的意义边界。

可用：作为"可能被忽视的风险线索"，提示某药-事件组合值得留意。
不可用：不能据 OffSIDES 单条关联改变用药决策——它不是说明书、不是指南、不是因果证据。
正确姿势：把信号交给药物警戒部门或研究者做正式评估（如论文中 SSRI×噻嗪最终促成对 QT 风险的关注）。

§14 常见误解澄清

误解 1：OffSIDES 是"药物副作用大全"。
事实：它只是标签外副作用，且是统计信号。完整副作用视图 = OnSIDES（标签内）+ OffSIDES（标签外），且都需临床验证。

误解 2：OffSIDES 和 SIDER 差不多，选一个就行。
事实：来源、规模、方法都不同。SIDER 620 药/说明书抽取；OffSIDES 1,332 药/报告挖掘。它们互补而非互替。

误解 3：OffSIDES 的数据可以直接当药物安全结论。
事实：全是"假设性"信号，论文用词是 hypothesised，非结论。

误解 4：关联数越多越好，438,801 比 SIDER 的 48,577 强。
事实：数量大意味着召回高、精确度低，两者是召回-精确权衡的两端，不是优劣。

误解 5：OffSIDES 一直在更新。
事实：主推归档停在 2019-11-13，官方自认 outdated。别指望它反映最新药政。

误解 6：OffSIDES 的 PRR 分数就是风险概率。
事实：PRR 是报告数据内的相对不均衡量，受报告行为影响，不等于人群绝对风险。

误解 7：OffSIDES 和 OnSIDES 是同一个东西的大小写。
事实：拼写相近（Off vs On）但内容相反——一个挖说明书外，一个抽说明书内。

误解 8：OffSIDES 是患者级数据。
事实：粒度是药物-事件级，无患者维度。

误解 9：SCRUB 能消除所有偏差。
事实：只能校正"被协变量代理到"的偏差，残余混杂与报告行为偏差仍在。

误解 10：用 OffSIDES 做研究不用引用。
事实：必须引用 Tatonetti et al. 2012。

§15 案例解剖：SSRI × 噻嗪如何被「挖出来」

论文的核心发现值得单独拆解，它不仅是一个结论，更演示了 OffSIDES 方法论如何从海量噪声中定位真信号。

背景：SSRI 类抗抑郁药与噻嗪类利尿降压药都是超级常用药，联用人群庞大。两者的单独说明书都未必强调 QT 风险，更别说联用。

信号如何浮现：

FAERS 挖掘：在报告数据中，同时上报 SSRI 与噻嗪的患者，其 prolonged QT 事件的报告比例异常偏高——经 SCRUB 校正共用药/人口学混杂后信号依然存在。
假设生成：这个信号进入 OffSIDES 候选集（作为标签外关联）。
EMR 独立验证：团队转到 Stanford Hospital & Clinics 电子病历，构造三个队列：
- 联用组 932 人，QT 延长 87 人（9.3%）
- 单用噻嗪 9,008 人，588 人（6.5%）
- 单用 SSRI 14,218 人，684 人（4.8%）
稳健性检验：Cox 比例风险模型校正共处方、年龄、种族、性别；再逐一检验 38 种最常见共处方药，排除"其实是别的药在起作用"的可能。
结论：联用 vs 单用噻嗪 HR 1.5（P=4.46×10⁻⁴），vs 单用 SSRI HR 1.4（P=0.0013）——效应在多重校验下稳定。

为什么这个案例重要：

它展示了从 FAERS 挖掘 → EMR 验证 → 统计建模的完整证据链，是 OffSIDES 方法论的活样本。
它证明了 OffSIDES 的价值不在单条关联本身，而在"值得进一步查"的线索生成能力。
它也示范了审慎措辞：论文说"值得进一步研究"（may be warranted），而非直接下临床结论。

对使用者的启示：拿到 OffSIDES 里任何一条关联，都应问三个问题——(1) 有无 EMR/队列可复现？(2) 有无机制解释？(3) 能否排除共处方混杂？三问皆过，信号才值得认真对待。

§16 一页速查卡（可打印）

┌─────────────────────────────────────────────────────────────┐
│  OffSIDES — 标签外药物副作用挖掘库                             │
├─────────────────────────────────────────────────────────────┤
│  是什么：FAERS 挖掘出的「说明书没写」的药物-事件统计关联        │
│  规模：  438,801 关联 × 1,332 药 × 10,097 事件                │
│  方法：  SCRUB（倾向评分校正混杂）+ LSD（推断缺失信号）        │
│  验证：  回收 SIDER 38.8%；47 个药类相互作用 EMR 佐证          │
│  出处：  Sci Transl Med 2012;4(125):125ra31                   │
│  团队：  Tatonetti Lab（Stanford → Columbia）                 │
├─────────────────────────────────────────────────────────────┤
│  获取：  nsides.io → flat files                              │
│          归档 effect_nsides-2019-11-13.sql.gz                │
│  代码：  github.com/tatonetti-lab/offsides（MIT）            │
│  许可：  代码 MIT；数据条款未见书面声明 ⚠                     │
│  时效：  归档 2019-11-13，官方自认 outdated ⚠                 │
├─────────────────────────────────────────────────────────────┤
│  家族：  TWOSIDES（联用）· OnSIDES（说明书内）· KidSIDES     │
│  库内：  SIDER(92) · TWOSIDES(254) · FAERS(264)              │
├─────────────────────────────────────────────────────────────┤
│  ⚠ 三条红线：                                                │
│   1. 统计 ≠ 因果，是假设生成器                              │
│   2. 高覆盖低精确，329 条/药含假阳性                        │
│   3. 版本陈旧，新药分析会缺数据                             │
└─────────────────────────────────────────────────────────────┘

16.1 三分钟上手清单

打开 nsides.io，找到 “OffSIDES and TwoSIDES” 段。
下载 flat files 或归档 SQL。
加载 drug / event / 关联表，建二分图。
按 disproportionality 排序取 top。
用 SIDER 交集验证方法，用 DrugBank 查机制。
记住标注快照日期与许可状态。

16.2 五个必须记住的数字

数字	含义
438,801	标签外关联总数
1,332	药物数
10,097	不良事件数
329 vs 69	每药标签外 vs 标签内平均事件数
38.8%	SIDER 已知信号回收率

§17 数据质量维度深评

若要把 OffSIDES 纳入生产管线，需要按数据质量维度逐项评估。

17.1 准确性（Accuracy）

OffSIDES 的"准确性"没有单一数字可循。它提供的最接近的锚是 SIDER 回收率 38.8%——即在 SIDER 已知关联中，OffSIDES 能重现 38.8%。这告诉我们：

至少 38.8% 的边与说明书证据方向一致（偏正面）。
但剩下 61.2% 未被 SIDER 覆盖的边，其真伪无从由单一来源判定——可能是真信号（说明书尚未收录），也可能是假阳性。
因此准确性是任务依赖的：作信号生成器（重召回）足够，作结论库（重精确）不足。

17.2 完整性（Completeness）

覆盖：1,332 药对当时在售药物的覆盖较广，但远非全部；10,097 事件是 MedDRA 层级的子集。
缺口：无剂量信息、无时间信息、无人群分层、无因果关系标注。
时效缺口：2019 后上市药物基本缺席。

17.3 一致性（Consistency）

ID 体系依赖外部词表映射，跨库联用需核对版本。
家族内不同库（OffSIDES/TWOSIDES/OnSIDES）的规模口径不同，聚合统计易错（见 §5.4 的 1,332 vs 3,300 坑）。

17.4 时效性（Timeliness）

最大的短板，没有之一。官方声明"quite a bit out of date"，主推归档 2019-11-13。用户必须自行评估所用药物是否在该时间窗内仍具代表性。

17.5 可追溯性（Provenance）

优秀。从 FAERS 原始数据 → 四步管线脚本 → 关联表，全链路开源可复现。这是 OffSIDES 相对许多"一次性数据集"的显著优势。

§18 与同类资源的横向定位

资源	数据来源	粒度	规模	更新	许可	定位
OffSIDES	FAERS 挖掘	单药×事件	438,801	陈旧	数据条款不明	标签外信号
TWOSIDES	FAERS 挖掘	药对×事件	868,221	陈旧	同上	联用信号
SIDER	说明书抽取	单药×事件	48,577	较旧	CC BY-NC-SA	标签内已知
OnSIDES	说明书 NLP	单药×事件	>710 万	季度	CC BY 4.0	标签内已知
FAERS	自发报告原始	报告级	千万级	季度	公开	原始数据
DrugBank	人工+文献	药-靶点	万级条目	活跃	分层	药物知识

一句话定位：OffSIDES 是"用统计方法从报告数据中提炼的、说明书之外的药物安全信号库"，在时序上是被 OnSIDES 等新生代部分取代、但方法学价值仍被引用的奠基性资源。

§19 复现与刷新指南

若官方归档的时效不够，可自行刷新——这正是 OffSIDES 开源管线的价值所在。

19.1 刷新步骤

git clone https://github.com/tatonetti-lab/offsides
从 opendata.fda.gov 下载最新 FAERS 季度数据。
跑 faers_processor.py 处理原始报告。
跑 faers_compile_dataset.py 编译数据集（注意近版修复了错误 reaction 记录的 bug）。
跑 propensity_score_match.py 做高维倾向评分匹配。
生成 disproportionality 统计量，得到新版关联表。
用最新 FDA 产品标签过滤标签内事件，得到新版 OffSIDES。

19.2 刷新的成本与前提

算力：FAERS 报告量达千万级，倾向评分匹配是计算密集步骤，需要可观内存与算力。
依赖：需自备词表映射（MedDRA/RxNorm）与 FDA 标签数据。
时效收益：可获得含近年新药的版本，突破 2019 归档限制。
风险：官方管线可能因 API/数据格式变化需适配；社区 star/fork 极低（0-1），遇到问题需自力更生。

19.3 更省力的替代

若不想重跑管线，优先考虑 OnSIDES——它明确季度更新、数据 CC BY 4.0、覆盖 4,097 成分/51,460 标签，且与 OffSIDES 恰好互补（一个抽标签内，一个挖标签外）。

§20 结语与延伸

OffSIDES 是一份方法学先行、工程可复现、但需要谨慎使用的药物安全资源。它的历史地位在于：在 NLP 大模型抽取说明书尚未成为主流的 2012 年，它率先证明自发报告数据经得当的统计校正，可以产出有价值的药物安全信号，并把方法完整开源。它催生的 nSIDES 家族（TWOSIDES/OnSIDES/KidSIDES/AwareDX/ManySIDES）至今仍是药物安全数据生态的重要组成。

对今天的使用者，正确的态度是：

看重它的方法（SCRUB 的代理变量匹配思想具有普适迁移价值）；
看轻它的绝对时效（把它当历史快照，需要新数据就查后代库或自建）；
守住它的边界（假设生成器，不是结论库；需二次验证）；
尊重它的许可（代码 MIT 可用，数据条款先确认）。

延伸阅读路径：

原始论文（Sci Transl Med 2012）——理解 SCRUB/LSD 的完整推导
GitHub 仓库 README 与笔记本——复现管线
nsides.io——家族全景与后代库
库内 SIDER（rid 92）、TWOSIDES（rid 254）、FAERS（rid 264）——对照与溯源

附录

附录 A：条目信息速查卡

字段	值
官方名	OffSIDES — The Off-label Side Effect Resource
slug	offsides
类型	药物-事件关联知识库（统计挖掘）
团队	Tatonetti Lab（Stanford → Columbia）
论文	Sci Transl Med 2012;4(125):125ra31
doi	10.1126/scitranslmed.3003377
规模	438,801 关联 / 1,332 药 / 10,097 事件
方法	SCRUB + LSD
姊妹库	TWOSIDES（rid 254）
后代库	OnSIDES / KidSIDES / ManySIDES
库内对照	SIDER（rid 92）、FAERS（rid 264）
门户口岸	nsides.io
数据获取	flat files（S3）/ 归档 effect_nsides-2019-11-13.sql.gz
代码	github.com/tatonetti-lab/offsides（MIT）
时效	归档 2019-11-13，官方自认 outdated

附录 B：DAIMS 评估全表

DAIMS（Data and AI Maturity Score）对本条目的分维评估：

维度	评分	说明
数据可得性（Availability）	★★★★☆	flat files 公开直下，无门槛；但无官方 HF/gated 托管
数据规模（Volume）	★★★★☆	43 万关联/1.3 万节点的中等偏大规模
数据质量（Quality）	★★☆☆☆	统计信号含假阳性，非人工标注，需二次验证
时效性（Timeliness）	★☆☆☆☆	冻结在 2019 前后，官方自认 outdated，最大短板
结构规整度（Structure）	★★★★★	规整二分边表，天然适配图学习
许可清晰度（Licensing）	★★☆☆☆	代码 MIT 明确，数据本体条款未见书面声明
方法透明度（Transparency）	★★★★★	完整开源管线，可复现可审计
文档完备度（Documentation）	★★★☆☆	论文 + README 基本够用，但数据字典与版本说明偏薄
AI-Ready 综合	★★★☆☆	结构与方法优秀，但时效与质量拖累，适合做假设生成与特征源

附录 C：逐项证据链自证

硬数字	来源
438,801 关联 / 1,332 药 / 10,097 事件	nsides.io 官方描述 + ltcreform 数据库综述 + BIB 综述论文
平均 329 标签外 / 69 标签内	nsides.io / ltcreform 描述 + BIB 综述
SIDER 回收 38.8%（18,842）	nsides.io / ltcreform + BIB 综述
SIDER 48,577 / 620 / 1,092	ltcreform + BIB 综述
TWOSIDES 868,221 / 59,220 / 1,301	nsides.io / ltcreform + BIB 综述
3,782,910 PRR 关联	ltcreform + BIB 综述
论文 doi / PMID / PMCID	Europe PMC + AAAS 页面
SSRI×噻嗪 9.3%/6.5%/4.8% + HR	Europe PMC 论文全文摘录
47 个 EMR 佐证（P<0.0001）	Europe PMC 摘要 + 多家媒体报道
SCRUB/LSD 定义	GitHub README
流水线四步	GitHub README
代码 MIT	GitHub 仓库 License
归档 2019-11-13	tatonettilab.org + S3 链接
OnSIDES 规模双口径	nsides.io 主页 + GitHub onsides
OnSIDES 数据 CC BY 4.0	GitHub onsides

附录 D：数据获取决策树

你要找的是？
├─ 单药"说明书没写"的副作用 ────────→ OffSIDES（本条目）
├─ 药物联用副作用 ───────────────────→ TWOSIDES（rid 254）
├─ 说明书"已写"的副作用 ────────────→ OnSIDES / SIDER（rid 92）
├─ 原始自发报告数据 ─────────────────→ FAERS（rid 264）
├─ 药物-靶点/机制 ──────────────────→ DrugBank（rid 89/571）、DrugCentral（rid 344）
└─ 儿科安全信号 ────────────────────→ KidSIDES（nsides.io）

拿到 OffSIDES 后：
├─ 需要最新（2024+）？→ 否：直接用；是：查 OnSIDES 或重跑 GitHub 管线
├─ 要因果结论？→ 否：可取信号；是：需二次验证
└─ 要商业分发？→ 先确认数据许可

附录 E：药物-事件关联表字段说明

OffSIDES flat files 的典型字段（基于仓库结构推断）：

字段	含义
drug_id / drug_concept_id	药物标识（映射 RxNorm/内部 ID）
event_id / event_concept_id	不良事件标识（映射 MedDRA 等）
a	该药该事件报告数
b / c / d	列联表其余单元格（用于算 disproportionality）
prr / tbw	不均衡统计量
label_flag	标签内/外标记（OffSIDES 仅含 off-label）

注：确切字段名以最新 Releases 的 DDL 与 dictionary 为准，此处为结构示意。

附录 F：SCRUB 方法复现骨架（伪代码）

# SCRUB 高维倾向评分匹配（概念骨架，非官方代码）
输入: FAERS 报告表 reports(drug, event, covariates[])
1. 目标药物 d 的报告为正样本组
2. 用高维协变量（含共用药 one-hot）估计倾向得分 ps(report)
3. 在非 d 报告中按 ps 做匹配，构造可比对照
4. 比较匹配后两组的目标事件发生率
5. 用 LSD 处理报告缺失组合的潜在信号
输出: 药物-事件关联 + disproportionality 统计量

附录 G：SSRI × 噻嗪 QT 案例复现要点

# 论文 EMR 验证的核心口径
联用 SSRI+噻嗪: n=932, prolonged QT=87 (9.3%)
单用噻嗪:       n=9008, prolonged QT=588 (6.5%)
单用 SSRI:      n=14218, prolonged QT=684 (4.8%)
Cox 模型: 校正共处方/年龄/种族/性别
  - 联用 vs 单用噻嗪: HR 1.5 (1.2-1.9), P=4.46e-4
  - 联用 vs 单用 SSRI: HR 1.4 (1.2-1.8), P=0.0013
排除混杂: 检验 38 种常见共处方药，效应稳定

附录 H：统计指标计算公式表

指标	公式/定义
PRR	(a/(a+c)) / (b/(b+d))，a=药+事件，b=药+非事件等
ROR	(a/c)/(b/d) = ad/bc
TBW	论文用的不均衡度量（基于列联表 χ² 系）
回收率	被 OffSIDES 复现的 SIDER 关联数 / SIDER 总关联数 = 18,842/48,577 ≈ 38.8%
Cox HR	exp(β)，β 来自比例风险模型

附录 I：nSIDES 家族规模总表

资源	关联/配对数	药物维度	事件维度	来源方法
OffSIDES	438,801	1,332	10,097	FAERS+SCRUB
TWOSIDES	868,221（+3,782,910 PRR）	59,220 对	1,301	FAERS
OnSIDES（2026-04）	>710 万	4,097 成分	—	PubMedBERT 抽取
OnSIDES（2023-11）	>360 万	2,793 成分	—	同上
KidSIDES	—	—	全事件	上市后报告
AwareDX	20,817	—	—	ML+偏校正

附录 J：许可对照表

资产	license	依据
OffSIDES 代码	MIT	GitHub LICENSE
OffSIDES 数据	未明（遗留疑点）	官方未给书面条款
OnSIDES 数据	CC BY 4.0	GitHub onsides
KidSIDES 数据	见对应论文	nsides.io
论文本体	AAAS 订阅（非 OA）	Sci Transl Med

附录 K：坑点档案（与 §10 对照）

坑	一句话	严重度
坑 1	统计≠因果	高
坑 2	时效陈旧	高
坑 3	1322 vs 3300 口径	中
坑 4	OffSIDES vs OnSIDES	中
坑 5	非完整清单	中
坑 6	许可模糊	中
坑 7	假阳性	高
坑 8	跨版本比 SIDER	低
坑 9	分数≠绝对风险	中

附录 L：与库内 SIDER（rid 92）的对照声明

SIDER 与 OffSIDES 同域不同方法、来源不同、规模不同，属并列对照关系，严禁合并或互替：

SIDER：从说明书/包装说明书抽取，620 药，48,577 关联，代表"监管文本已知项"
OffSIDES：从FAERS 报告挖掘，1,332 药，438,801 关联，代表"数据挖掘假设项"
两者的交集（OffSIDES 回收的 18,842 条）是方法可信度的证据，不是同一批数据

附录 M：与库内 TWOSIDES（rid 254）的对照声明

TWOSIDES 是 OffSIDES 的姊妹库（同一论文首发）：

OffSIDES：单药 × 事件
TWOSIDES：药物对 × 事件，且特排除了可归因于单药的效应（即 OffSIDES 覆盖的部分）
引用时须注明"TWOSIDES 的关联是超出单药范围之外"的联用特异效应

附录 N：检索决策树（按任务）

任务                    首选数据
─────────────────────────────────────
副作用预测建模          OffSIDES + TWOSIDES
DDI 预测                TWOSIDES（rid 254）
药物重定位              副作用谱 → 适应症推断
药物靶点推断            副作用相似性 → 靶点
药品安全监测            最新 OnSIDES / 直接查 FAERS
本体/词表对齐           MedDRA/RxNorm 映射

附录 O：时效与更新决策卡

情形	动作
分析 2019 年前上市的药	直接用 OffSIDES 归档
分析 2020 后新药	查 OnSIDES 或重跑管线，OffSIDES 会缺
需要季度级更新	选 OnSIDES（明确季度更新）
需要完全可复现	用 GitHub 四步管线自建

附录 P：引用格式模板

OffSIDES 本体：

Tatonetti NP, Ye PP, Daneshjou R, Altman RB. Data-driven prediction of drug
effects and interactions. Sci Transl Med. 2012;4(125):125ra31.
doi:10.1126/scitranslmed.3003377

OnSIDES：

Tanaka Y, et al. OnSIDES database: Extracting adverse drug events from drug
labels using natural language processing models. Med. 2025.
doi:10.1016/j.medj.2025.100642

附录 Q：按角色阅读路径

角色	建议阅读顺序
建模工程师	§2 → §3 → §6 → 附录 E/F → FAQ B
药物警戒研究者	§0 → §3 → §4 → §10 → 附录 G
数据管理员	§6 → §2.5 → 附录 J/O
临床/药理	§4 → §10 → §11.3 → FAQ D
快速调研	INFOBOX → §11.4 → §1

附录 R：与库内条目的互链清单（rid 级）

rid	url_name	关系
92	sider	方法学对照（说明书 vs 报告）
254	twosides	姊妹库（单药 vs 联用）
264	faers	数据源头
89	drugbank	药物标识/靶点互链（与 571 重复，择一）
571	drugbank	同上（重复条目）
344	drugcentral	药物-适应症-靶点
1080	drugtargetcommons	药物-靶点生物活性
441	gene-ontology	本体/功能层间接互链

附录 S：nSIDES 家族其余成员细读

TWOSIDES（药对副作用）
同一篇 2012 论文发布的姊妹库，专攻药物对。含 868,221 条显著关联，覆盖 59,220 对药物与 1,301 个不良事件。它的设计哲学是"只保留无法清楚归因于任一单药的关联"——即那些在扣除 OffSIDES 已捕获的单药效应后、仍然显著的联用特异效应。此外还提供 3,782,910 条"药物对关联强度（PRR）高于单药"的额外关联。库内已有条目（rid 254）。

OnSIDES（说明书抽取）
家族中方法最现代的成员。用微调 PubMedBERT 语言模型（在 200 份人工标注说明书上训练）从药品标签抽取不良反应。规模按 2026-04 口径为 >710 万 drug-ADE pairs / 4,097 成分 / 51,460 标签；2023-11 口径为 >360 万 / 2,793 / 46,686。数据明确 CC BY 4.0，季度更新。在 TAC 2017 参考标准上 Micro-F1 达 0.87、Macro-F1 0.85。与 OffSIDES 恰成"说明书内 / 说明书外"补集。

KidSIDES（儿科安全信号）
针对儿科的药物安全信号库。利用上市后报告，识别随儿童发育阶段变化的药物安全信号——因为儿童在临床试验中的结构性缺席，儿科药物安全信息长期匮乏。配套 PDSPortal（RShiny）浏览界面。相关论文见 Giangreco & Tatonetti, Med（2022）与 BioData Mining（2021）。

AwareDX（性别特异风险）
专注药物不良反应的性别差异。利用机器学习缓解偏倚、量化药物在男/女中引发不良事件的差异风险，产出 20,817 条性别特异副作用。论文见 Chandak & Tatonetti, Patterns（2020）。

ManySIDES（3+ 药组合）
药组合（三种及以上）的副作用信号资源，处于活跃开发中（曾称 nsides v0.1）。代表了从单药（OffSIDES）→ 药对（TWOSIDES）→ 多药组合（ManySIDES）的覆盖扩展路线。

家族演化脉络：OffSIDES/TWOSIDES（2012，FAERS 统计挖掘）→ AwareDX（2020）、KidSIDES（2021-22，人群特异）→ OnSIDES（2023-25，NLP 抽取）→ ManySIDES（多药组合，进行中）。方法从"统计"走向"语言模型"，人群从"全体"细化到"妇儿"，药物从"单药/药对"扩展至"多药组合"。

附录 T：常见联用任务与推荐数据组合

任务	推荐数据组合
单药副作用预测	OffSIDES（标签外）+ OnSIDES（标签内）
DDI 预测	TWOSIDES（rid 254）+ DrugBank（rid 89/571）
药物重定位	OffSIDES 副作用谱 + DrugCentral（rid 344）适应症
副作用-靶点映射	OffSIDES + Drug Target Commons（rid 1080）
儿科用药安全	KidSIDES（nsides.io）
性别差异化用药	AwareDX（nsides.io）
说明书合规核查	OnSIDES（CC BY 4.0，最新）
原始报告追溯	FAERS（rid 264）

附录 U：术语歧义速查

易混词	区分要点
OffSIDES vs OnSIDES	Off=说明书外（FAERS 挖掘）；On=说明书内（NLP 抽取）
OffSIDES vs SIDER	OffSIDES 属 Tatonetti/nSIDES 家族（FAERS）；SIDER 独立来源（说明书）
OffSIDES vs TWOSIDES	OffSIDES 单药；TWOSIDES 药对
nSIDES vs OffSIDES	nSIDES 是家族门户品牌；OffSIDES 是其中一个库
off-label vs off-target	off-label 指超说明书用药/未列副作用；off-target 指脱靶结合
PRR vs 绝对风险	PRR 是报告数据内相对不均衡；绝对风险是人群发生率

附录 V：质量核查清单（收尾用）

[ ] 已确认快照日期（2019-11-13 归档）
[ ] 已确认数据许可状态（代码 MIT / 数据待确认）
[ ] 已核对药物数口径（1,332 本体 vs 3,300 家族）
[ ] 已区分 OffSIDES / OnSIDES / SIDER / TWOSIDES
[ ] 已完成 ID 词表映射版本核对
[ ] 已标注每条关联为"统计信号"而非因果
[ ] 已按 disproportionality 阈值降噪
[ ] 已引用 Tatonetti et al. 2012

附录 W：一句话记忆锚

OffSIDES = FAERS 挖出来的「说明书没写」的副作用
SCRUB 校正混杂，LSD 补缺失
438,801 / 1,332 / 10,097
回收 SIDER 38.8%，EMR 佐证 47 个
姊妹是 TWOSIDES，补集是 OnSIDES
代码 MIT，数据待确认，版本停在 2019
是假设生成器，不是结论库

维度	内容
本质	从 FDA FAERS 自发报告挖掘的标签外药物副作用关联库（非人工标注、非临床结论）
全称	OffSIDES — The Off-label Side Effect Resource
团队	Tatonetti Lab（Stanford 起源 / 现 Columbia）；通讯 Nicholas P. Tatonetti
论文	Sci Transl Med. 2012;4(125):125ra31（doi:10.1126/scitranslmed.3003377）
规模	438,801 条标签外关联 = 1,332 药 × 10,097 不良事件
每药均量	FDA 标签平均 69 条标签内事件 vs OffSIDES 平均 329 条高置信标签外事件
核心方法	SCRUB（高维倾向评分匹配校正混杂）+ LSD（潜在信号检测推断缺失报告）
验证证据	回收 SIDER 38.8%（18,842 条）说明书关联；47 个药物类别相互作用经 EMR 独立佐证（P<0.0001）
标志发现	SSRI × 噻嗪类联用 prolonged QT 发生率 9.3% vs 单用 6.5%/4.8%（HR 1.5 / 1.4）
姊妹库	TWOSIDES（联用副作用，868,221 关联）；同属 nSIDES 家族
后代库	OnSIDES（说明书抽取，数据 CC BY 4.0）、KidSIDES（儿科）、ManySIDES（3+ 药组合）
获取	nsides.io 门户 / tatonettilab-resources S3 flat files / GitHub（MIT 代码）
时效警告	官方自认 “quite a bit out of date”，主推归档为 2019-11-13 版，未纳入季度更新