信息速览

数据集名称ChEMBL 生物活性数据库 — AI-Ready Wikipedia

数据类型280 万化合物,2,400 万活性,17,803 靶点,CC-BY-SA 开放,pChEMBL 标准化

规模不适用（化合物活性数据库；无患者数据）

接入方式https://www.ebi.ac.uk/chembl/

AI 就绪度

ChEMBL — 生物活性数据库 AI-Ready Wikipedia

INFOBOX

属性	内容
全称	ChEMBL（ChEMBLdb；EMBL-EBI 化学基因组学知识库）
发布方	European Bioinformatics Institute（EMBL-EBI），Wellcome Genome Campus，英国
首发/现行	2009 首发（Wellcome Trust 资助，承继 StARlite）；现行 ChEMBL 36（2025-09）
核心规模	约 280 万化合物 / 超 2,400 万活性测量 / 17,803 靶点 / 约 160 万 assays（v36）
药物口径	上市药 + 临床候选约 1.75 万（v35；max_phase 0-4 分级）
数据来源	40+ 年药物化学文献（v35 口径约 9 万篇）+ 监管机构 + 临床候选源（USAN/INN/CT.gov）
标准化	pChEMBL 值（-log10 摩尔活性）+ assay confidence score（0-9）+ 母体-盐型层级
访问	网页 + REST API + Python 客户端（免注册）；全库 SQL dump/SDF/FASTA（FTP）——完全开放
许可	CC-BY-SA 3.0（可商用、可再分发、署名同源）
版本节奏	大版本约每年 1-2 个；v35（2024）→ v36（2025-09）
姊妹资源	UniChem（跨库 ID 映射）、SureChEMBL（专利）、ChEMBL-NTD（热带病）、ChEBI（实体词典）
本库关联	D（热带病）、ChEBI（实体词典）
本库关联	drugbank（成药语义对照）、PDBbind（结构结合）、Molecul（成药语义对照）、）
本库关联	drugbank（成药语义对照）、PDBbind（结构结合）、MoleculeNet（基准）、drugcom（结构结合）、rugbank（成药语义对照）、PDBbind（结构结合）、MoleculeNet（基准）、drugcomb（组合用药）

§0 E（基准）、PDBbind（结构结合）、MoleculeNet（基准）、drugcomb（组合用药） |

§0 E-E-A-T 信任声明与免（组合用药） |

§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：EMBL 官方 ChEMBL 36 发布通告（2025-09）、ChEMBL 官方博客（chembl.blogspot.com）、ChEMBL 界面文档（chembl.gitbook.io）、四篇 NAR 主论文（Gaulton 2012、Bento 2014、Mendez 2019、Zdrazil 2024），以及 EBI 官网。检索核实时间为 2026-09-19。

ChEMBL 的数字随大版本滚动（v35 与 v36 口径并存），本页在各处显式标注版本；「化合物数/活性数」均为官方口径，第三方转引常有旧版残留。本页为技术参考文档，不构成药物研发决策依据——活性数据是文献策展而非统一实验协议产物，虚拟筛选命中与 QSAR 结论必须经实验验证（§5）。

关于数据偏倚：文献来源使 ChEMBL 的活性数据天然带「阳性结果主导」的选择偏倚——本页在 §6.4 与 §7.4 讨论其对 AI 建模的影响与应对。

§1 数据集概览

§1.0 📌 30 秒速览

是什么：药物发现的「活性数据公共底座」——40 年文献里的 IC50/Ki/EC50 全部策展成结构化表：哪个分子对哪个靶点多强。
体量：280 万化合物 / 2,400 万活性 / 17,803 靶点 / 160 万 assays（v36）。
许可：完全开放（CC-BY-SA 3.0）——免注册 API + 全库 SQL dump 下载，可商用可再分发。
杀手锏：pChEMBL 标准化 + confidence score + 文献溯源——「跨 assay 可比」的活性数据只有这里成规模。
适用：QSAR/活性预测、虚拟筛选参考库、kinome 选择性、ADMET 建模、分子生成评估。
不适用：成药语义（批准状态/适应症/DDI 用 DrugBank）、结构解析基准（用 PDBbind）、患者级药物暴露。

§1.1 摘要

药物化学的核心数据是「这个分子对这个靶点有多强」——IC50、Ki、EC50 这些数字散落在 40 多年的期刊论文里，格式各异、单位混乱、上下文缺失。2009 年，EMBL-EBI 在 Wellcome Trust 资助下把 Inpharmatica 公司的 StARlite 数据库开源化，从此 ChEMBL 成为把碎片活性文献变成结构化公共资产的持续工程：到 ChEMBL 36（2025-09），它收录约 280 万化合物、超 2,400 万条活性测量、17,803 个靶点，全部带文献溯源与置信分级。

对 AI 团队，ChEMBL 的价值在三个维度：

QSAR 的最大公共监督源：2,400 万条「分子-靶点-活性」三元组，带 pChEMBL 标准化值——活性预测、分子性质回归、分子生成评估的标配训练集；MoleculeNet 等基准的很多子集都源自 ChEMBL。
FAIR 的教科书实现：每个活性值可溯源到文献（doc_id + 期刊 + 年份）、assay 有类型与 confidence score、化合物有母体-盐型层级——「数据质量分层」在 schema 层就设计好了，这对「脏数据里做干净模型」至关重要。
开放许可的规模上限：CC-BY-SA——数据可商用、可再分发、可进产品；与 DrugBank 的许可制形成两极，是「公开基准」的天然选择。

数据的第一性事实：ChEMBL 的活性值是文献的策展映射而非统一实验协议——同靶点不同 assay 的数值不可直接比较（assay 泥潭，§6.4）；建模的第一课不是模型选择而是 confidence 过滤与切分纪律。

§1.2 战略价值

AI 制药的公共地基：几乎所有分子 ML 论文（从头生成、性质预测、DTI 回归）的实验底座——用它意味着可复现、可比较、可发表。
虚拟筛选的参考面：已知活性分子集合 + 结构空间覆盖——虚拟筛选的「去重库」（筛掉已知物）与「富集评估」（DUD-E 类基准的对照面）。
靶点生物学接口：靶点-UniProt 链接使活性数据可叠加表达/结构/通路信息——「化学→生物学」的翻译层。
监管语义的轻量层：max_phase（0-4）+ 适应症 + 机制 + 警示——虽不及 DrugBank 深，但「哪些分子走到临床几期」的快速口径够用且开放。

§1.3 同类数据集横向对比

资源	定位	规模量级	与 ChEMBL 的关系
ChEMBL	文献策展活性 + 药物状态	280 万化合物 / 2,400 万活性	—
280 万化合物 / 2,400 万活性	—
BindingDB	结合亲和力（文献+专利）	百万级亲和力值	专利
PubChem BioAssay	原始筛选 deposited	亿级化合物 / 千万级 assay 结果	大而噪——ChEMBL 策展度高但规模小
PDBbind	结构复合物结合常数	数万条	结构验证层（有晶体结构的子集）
DrugBank	成药知识（许可制）	1.2 万药	活性浅但语义深；ChEMBL 活性深但语义轻
DUD-E	虚拟筛选基准	102 靶点基准集	基于 ChEMBL/文献构建的评估协议
ChEBI	化学实体词典	~6 万实体	分类词典（同 EBI 家族）
SureChEMBL	专利化合物	千万级	专利空间扩展（去重与新颖性检查）

§1.4 版本时间轴

2009  ChEMBL 首发（Wellcome Trust 资助；StARlite 开源化）
2012  NAR 首篇主论文（Gaulton；NAR 40:D1100）
2014  Bento NAR（NAR 42:D1083；chemogenomics 框架）
2019  Mendez NAR（NAR 47:D930；直接活性沉积机制）
2022  新 Web Resources 界面 + API 现代化
2024  ChEMBL 35 + Zdrazil NAR（NAR 52:D1180；2.5M 化合物 / 20M 活性）
2025  ChEMBL 36（280 万化合物 / 24M 活性 / 17,803 靶点；化学探针 + EFO 映射 + BindingDB 专利 assays 3 倍）

§1.5 应用场景矩阵

QSAR/活性回归：靶点子集 + pChEMBL + confidence ≥ 门槛 → 训练活性预测器。
虚拟筛选：靶点已知活性库 → 相似度/对接筛选 + 富集评估。
kinome/家族选择性：激酶家族活性谱 → 选择性指数建模。
ADMET/毒性预测：hERG/肝毒性等 toxicity assays 子集。
分子生成评估：生成模型的「合理性检验」（与已知活性空间的重叠/新颖性）。
药物状态研究：max_phase 演进、first-in-class、孤儿药标注的管线分析。

§1.6 组件全景

ChEMBL 的七个数据层：

molecule 层：280 万化合物——结构（SMILES/InChIKey）、计算理化（logP/TPSA/HBD/HBA/分子量）、母体-盐型层级、max_phase/治疗标注。
target 层：17,803 靶点——target_type 分型（单蛋白/复合物/家族/PPI/细胞系/组织/生物体/ADME）+ UniProt 链接。
assay 层：160 万 assays——类型（B 结合/A 功能/ADME/T 毒性/P 理化）、描述、confidence score（0-9）、来源文献。
activity 层：2,400 万活性——standard_type/units/value + pChEMBL + 数据可靠性标记。
drug/candidate 层：1.75 万药与临床候选——适应症、机制（带 refs）、警示（黑框）、first-in-class、孤儿药、给药途径。
文献层：9 万篇 doc——期刊/年份/DOI 溯源。
衍生资源层：UniChem（跨库 ID）、SureChEMBL（专利）、ChEMBL-NTD、web 资源（API/客户端）。

§1.7 开放许可的经济学

ChEMBL 是「公共资助 → 公共资产」的正例账本：

资助结构：Wellcome Trust（起源）+ EMBL 成员国会费 + 项目资助——运营成本公共化，数据完全开放。
开放的网络效应：CC-BY-SA 使 ChEMBL 进教科书、进基准、进产品——引用与生态位因此固化（「AI 制药默认数据底座」的位置无可替代）。
与许可制的对照：DrugBank 用许可收入养人工策展，ChEMBL 用公共资助养策展——两条路线都能持续，但只有开放路线能成为「社区基准」（无许可摩擦 → 无参与门槛）。
使用者的隐性成本：数据免费但「用好」有成本——confidence 过滤、assay 归一、scaffold 切分的方法学投入是真实工作量（§5）。

§1.8 ChEMBL 在药物研发流程中的定位

靶点发现 → 命中发现 → 先导优化 → 候选确认 → 临床 I-III → 上市
   │           │            │           │
   │           ├─ ChEMBL：已知活性空间（命中去重 + 富集评估参考面）
   │           ├─ ChEMBL：SAR 数据底座（先导期的活性-结构关系证据）
   │           ├─ ChEMBL：选择性谱（kinome/off-target 的历史数据）
   │           └─ ChEMBL：max_phase 口径（竞争管线与同类药速查）
   └─ Open Targets / EFO（靶点-疾病关联；v36 EFO 映射后语义对齐成本大降）

研发阶段	ChEMBL 角色	典型用法	验收标准
靶点发现	活性密度画像	该靶点已知化学起点有多少（活性条数/化学型数）	化学可开采性评估有数
命中发现	参考面 + 去重库	虚拟筛选前剔除已知物 / DUD-E 式富集评估	EF1% 相对基线提升
先导优化	SAR 证据库	同系列活性-结构关系检索（文献溯源）	每条结论可回指 doc_id
安全药理	hERG/CYP 子集	off-target 活性谱预警（assay_type=ADME/T）	与治疗靶点分库建模
立项与竞争分析	max_phase + 机制	同靶点管线速查（哪些已到临床几期）	引用锁版本日期

定位纪律：ChEMBL 覆盖「临床前化学证据」最厚，「临床语义」最薄——立项叙事与 DDI/标签细节交给 DrugBank（§2.6），别让一个库背两个角色。

§2 医学与科学背景

§2.1 活性数据为什么难：assay 泥潭

「同一对分子-靶点的 IC50」在不同论文里可差 10-100 倍——原因不是造假而是实验语境：

assay 形式差异：放射配基结合 vs 荧光偏振 vs 功能细胞实验——测的不是同一物理量（Ki vs IC50 vs EC50）。
条件差异：温度、pH、底物浓度、孵育时间——酶动力学直接依赖这些参数。
化合物形态：盐型/游离碱/水合物——有效浓度口径不同。
ChEMBL 的应对：① 活性值标准化（standard_type/units/value）；② pChEMBL 只对可解释的浓度型活性计算；③ confidence score 0-9 分级（9 = 专家确信的直接靶点测定）；④ 每条记录挂文献与 assay 描述——「数字 + 语境」打包发布。

建模铁律：先按 confidence 与 assay 类型过滤，再谈模型——直接全量回归等于把泥潭端进训练集。

§2.2 pChEMBL：跨 assay 可比的代价与收益

定义：pChEMBL = -log10(摩尔单位的标准化活性值)——IC50 10nM → 8.0；使「活性强度」跨类型（Ki/IC50/Kd/EC50）与跨数量级可比。
收益：回归目标统一；跨靶点/跨文献合并成为可能——QSAR 数据集的标准构造块。
代价：不同 standard_type 折进同一刻度有语义损耗（Ki 与 EC50 的生物学含义不同）；pChEMBL 只在 confidence 与类型满足条件时计算——缺值不是缺数据，是「不宜标准化」的信号。

§2.3 靶点分型：target_type 的语义

单蛋白（SINGLE PROTEIN）：QSAR 的理想粒度——活性直接归因。
蛋白复合物/家族：活性是群体效应（如 GABA 受体亚型组合）——建模要保留复合物组成信息。
细胞系/组织/生物体：表型读出——「细胞活性」不是「靶点结合」，混用是药效学错误。
ADME 类「靶点」：CYP 抑制/hERG——安全药理数据，与治疗靶点分开建库。

§2.4 母体-盐型层级

层级语义：母体分子（parent）—盐型/酯—多组分——同一母体的盐型活性记录应折叠到母体层统计。
重复计数的代价：不去重时化合物多样性虚高、切分泄漏（同一母体的盐型分进训练与测试）。
工程键：InChIKey 前段（骨架）+ molecule_hierarchy 表——跨库对齐与去重的标准动作。

§2.5 文献偏倚的量化面

阳性主导：论文偏好报告强活性——弱/无活性数据稀少，SAR 的「负空间」缺失。
热门靶点富集：kinase/GPCR 的活性密度远高于「难成药」靶点——模型对热门靶点过拟合、冷门靶点欠数据。
年代效应：assay 技术 40 年演进——老文献的数值系统性偏松（假阳性率更高），年代协变量值得进特征。
应对范式：负例不造（用对照库）、分靶点建模、assay/年代/来源协变量、审稿时声明偏倚——§7.4 展开。

§2.6 与监管/药物语义的边界

ChEMBL 的 max_phase/适应症/机制字段来自监管与候选信息源——但语义深度（标签原文、DDI、警示全文）不及 DrugBank：活性研究用 ChEMBL，成药叙事用 DrugBank，两库经 UniChem/InChIKey 桥接。

§2.7 AI 视角的科学定位

对医疗 AI，ChEMBL 是「化学空间的经验密度图」：哪里有活性、多强、什么条件——分子生成模型的先验、QSAR 的监督源、虚拟筛选的对照面。它的短板（assay 偏差、阴性缺失、靶点覆盖不均）都是「文献策展」的固有代价——用它的方法论核心是「带语境用数据」，模型外的数据工程占项目工作量的大头。

§2.8 选择性指数与 kinome 谱

选择性指数（SI）的定义：同一分子对脱靶靶点与目标靶点的活性比值（如 IC50_offtarget / IC50_target）——SI 越大选择性越好；ChEMBL 是计算 SI 的少数公共数据源（同分子跨靶点活性在库内成对出现）。
kinome 谱数据最厚：激酶家族是文献策展密度最高的家族——数百个激酶 × 数千抑制剂的活性矩阵可直接拼出；GPCR/离子通道次之；「难成药」靶点（转录因子、无活性位点的 PPI）数据稀疏——建模前先画「靶点 × 化学型」覆盖热图。
工程纪律：① SI 计算只用同 assay 平台/同类型的活性对（跨平台比值是泥潭²）；② off-target 数据同样过 confidence 门槛；③ 负空间注意——「没测过」≠「不抑制」。
化学探针的衔接：v36 新增的化学探针数据正是「高选择性工具分子」的策展集合——为 SI 建模提供已验证的高质量正例（探针的文献口径通常带选择性声明）。

§2.9 活性数据的年代地层学

把 ChEMBL 按文献年份分层，会看到明显的「技术地层」——每层有自己的系统偏差：

1990s-2000s 层（放射配基/手工测定）：数值系统性偏松（假阳性率高）、重复少——但覆盖了如今冷门的靶点（数据无可替代）；年代协变量必进特征。
2005-2015 层（高通量/自动化）：assay 描述开始标准化、confidence 结构出现——kinome 热潮让激酶数据密度激增（热门偏倚的成型期）。
2015-今层（直接沉积 + 开放科学）：Mendez（2019）机制后作者自沉积增多——语境更全、数值更可信，但「阳性主导」依旧（阴性结果仍难发表）。
工程含义：① 时间切分（train ≤2015 / test >2015）测的是「跨地层泛化」——比 scaffold split 更接近真实使用（未来文献 = 新地层）；② 老数据不要按「数据质量差」一删了之——冷门靶点的唯一覆盖就在老层，删层等于删靶点；③ 复现实验中报告训练集的年代分布直方图，是审稿人判断偏倚控制的最快证据。

§3 数据集规格

§3.1 规格总表

维度	规格（v36 口径，另注明 v35）
当前版本	ChEMBL 36（2025-09）
化合物	约 280 万（v35：~250 万）
活性测量	超 2,400 万（v35：>2,000 万）
靶点	17,803（v35：~16,000）
assays	约 160 万（v35 口径；v36 并入 BindingDB 专利 assays 1.38 万）
文献来源	~9 万篇（v35 口径；覆盖 40+ 年）
药物/候选	~1.75 万（v35；max_phase 0-4 + 适应症/机制/警示）
发布形态	SQL dump（PG/MySQL/Oracle）+ SDF + FASTA + REST API + Python 客户端
许可	CC-BY-SA 3.0
版本节奏	大版本约每年 1-2 个
新增亮点（v36）	化学探针数据（NLP+人工）、疾病术语映射 EFO、农药分类更新

§3.2 v36 相对 v35 的增量地图

维度	ChEMBL 35（2024）	ChEMBL 36（2025-09）	含义
化合物	~250 万	~280 万	常规累积 +12%
活性	>2,000 万	>2,400 万	文献抽取持续
靶点	~16,000	17,803	新靶点类（含农药抗性）
专利 assays	BindingDB 4,117	13,847（3 倍）	专利空间纳入加速
探针数据	—	新增（NLP 抽取）	化学生物学工具分子
疾病术语	自由文本为主	映射 EFO	适应症语义标准化

解读：v36 的主题是「语义与专利空间」——不只是数量增长，而是把「疾病术语统一（EFO）」与「专利化合物纳入」两个长期短板补齐。

§3.3 DAIMS 数据AI就绪度评估

维度 D	数据完整性	评分	说明
D1	化合物覆盖	9/10	280 万 + 层级去重键齐全
D2	活性深度	9/10	2,400 万 + 标准化 + 置信分级
D3	靶点覆盖	8/10	17,803 但分布偏热门靶点
D4	语境元数据	9/10	assay/文献/条件全溯源——FAIR 教科书
A1	机器可读	10/10	SQL dump + API + Python 客户端三通道
A2	文档完备	9/10	gitbook + schema 文档 + 博客
A3	接入成本	10/10	免注册免费用——零门槛
A4	更新机制	8/10	年度 1-2 版 + schema 演进文档化
I1	指标标准化	9/10	pChEMBL + confidence score
I2	可复现性	10/10	版本 dump 固定 + 引用锁版本
M1	多模态对齐	8/10	结构-活性-靶点-文献四模态对齐
M2	时间序列	7/10	年份/年代可析；历史版本不回溯发布
S1	数据安全	10/10	无个体数据
S2	合规负担	10/10	CC-BY-SA——署名同源即可

总分：A 级（全库 AI 就绪度最高档——开放度、标准化、溯源三全；唯一扣分项是数据分布偏倚这一固有属性）

§3.4 存储与计算需求

数据件	体量	最小分析环境
PostgreSQL dump	数十 GB	单机 PG + 32GB 内存
SDF 全量	数 GB	RDKit 单机
API 抽取子集	按需	笔记本即可
活性全表内存化	~10 GB	单机 pandas 可行
大规模 QSAR（全库）	集群训练	GPU 单卡-多卡

ChEMBL 同样是「单机友好」资源——工程重心在 SQL 与 RDKit，不在算力。

§3.5 获取通道

网页：www.ebi.ac.uk/chembl——检索/结构搜索/靶点浏览（人类友好）。
REST API：/chembl/api/data——molecule/activity/target/assay/doc 全实体；分页/过滤/JSON。
Python 客户端：chembl_webresource_client——链式查询 + 本地缓存。
全库下载：FTP 的 SQL dump（PG/MySQL/Oracle）+ SDF + FASTA——严肃分析的首选（版本固定）。
衍生资源：UniChem（ID 映射服务 + 下载）、SureChEMBL（专利）。

§3.6 口径对齐表

数字	出处口径	澄清
~280 万化合物	ChEMBL 36（2025-09，EMBL 官宣）	distinct compounds
>2,400 万活性	ChEMBL 36（macinchem/官方博客）	bioactivity measurements
17,803 靶点	ChEMBL 36（EMBL 官宣）	drug targets 总数
~250 万 / >2,000 万 / ~16,000	ChEMBL 35（2024，NAR 论文）	旧版口径——引用要注版本
~160 万 assays	v35 NAR 口径	v36 继续增长
~9 万文献	v35 NAR 口径	覆盖 40+ 年
1.75 万药/候选	v35（综述转述）	含临床候选；母体 ~1.55 万

§3.7 版本选择纪律

版本锁定：SQL dump 下载即锁定——论文写「ChEMBL 36（2025-09）」。
schema 演进：表结构随版本微调（v36 的 assay_parameters 变化）——升级读 release notes，别假设表名稳定。
基准时效：MoleculeNet 等基准有内部快照版本——与最新 ChEMBL 混用要声明（同一分子的活性值可能被重新策展）。

§3.8 confidence score 分级详表

assay confidence score 是 ChEMBL 数据质量分层的核心机制（0-9，挂在 assays 表）——工程上按分值带建协议：

分值带	语义	典型情形	使用建议
9	专家确信：直接靶点测定	文献明确写「该化合物抑制该靶点」且 assay 直接测它	QSAR 金标准
8	直接靶点（高可信）	单蛋白靶点 + 测定对象就是靶点本身	QSAR 默认门槛（≥8）
7	靶点归因较可信	靶点明确但 assay 为间接/衍生读出	虚拟筛选参考可用（≥7）
5-6	同源/直系同源推断	靶点由物种同源或家族推断而来	探索性分析；必须分层标记
3-4	靶点为复合物组成/关联	多靶点复合物中的一员、或通路级关联	只做族级分析，不归因单靶点
0-2	未指定/极低可信	表型读出、靶点不明	除表型研究外一律剔除

缺值 ≠ 随机缺失：confidence 缺失或低分意味着「策展团队无法确认靶点归因」——不是可以插补的随机空洞，是应被建模协议排除的证据。
门槛敏感性：门槛从 ≥8 放宽到 ≥7 通常扩容 20-50% 数据但引入归因噪声——严谨做法是双门槛消融都报（§5.6）。
与 target_type 联用：confidence ≥ 8 × SINGLE PROTEIN 是单靶点 QSAR 的标准交集；细胞系/组织类 assay 即使高 confidence 也是表型层（§2.3），分开建库。

§4 数据结构

§4.1 SQL dump 核心表结构

ChEMBL PostgreSQL 核心表（v36 schema 摘要）
├── molecule_dictionary     # 化合物主表（chembl_id, molregno, max_phase, ...）
├── compound_structures     # canonical_smiles, standard_inchi, inchi_key
├── molecule_hierarchy      # 母体-盐型层级（parent_molregno）
├── target_dictionary       # 靶点主表（tid, target_type, tax_id, pref_name）
├── target_components       # 靶点-蛋白组件（→ component_sequences → UniProt）
├── assays                  # assay 主表（assay_id, assay_type, confidence_score, doc_id）
├── activities              # 活性表（activity_id, molregno, assay_id,
│                           #   standard_type/units/value, pchembl_value）
├── docs                    # 文献（doc_id, journal, year, doi）
├── drug_indication         # 药物适应症（带 indication_refs）
├── drug_mechanism          # 作用机制（带 mechanism_refs）
├── drug_warning            # 监管警示（黑框等）
└── compound_properties     # 计算理化（alogp, psa, hbd, hba, mw）

关系链：activities → assays（assay_id）→ target_components → UniProt；activities → molecule_dictionary（molregno）→ compound_structures。SQL 里 join 五跳拿到「分子-活性-靶点-文献」全语境——这是 ChEMBL 的标准取数模式。

§4.2 活性数据 SQL 抽取

-- 目标：EGFR（UniProt P00533）的高置信活性数据（v36 dump）
SELECT
    md.chembl_id,
    cs.canonical_smiles,
    a.standard_type,
    a.standard_value,
    a.standard_units,
    a.pchembl_value,
    asy.confidence_score,
    d.year,
    d.journal
FROM activities a
JOIN assays asy ON a.assay_id = asy.assay_id
JOIN target_dictionary td ON asy.tid = td.tid
JOIN target_components tc ON td.tid = tc.tid
JOIN component_sequences csq ON tc.component_id = csq.component_id
JOIN molecule_dictionary md ON a.molregno = md.molregno
JOIN compound_structures cs ON md.molregno = cs.molregno
JOIN docs d ON asy.doc_id = d.doc_id
WHERE csq.accession = 'P00533'          -- EGFR UniProt
  AND asy.confidence_score >= 8         -- 高置信
  AND a.pchembl_value IS NOT NULL
  AND md.max_phase >= 0
ORDER BY a.pchembl_value DESC;

§4.3 REST API 批量抽取

#!/usr/bin/env python3
"""ChEMBL REST API 抽取：某靶点的活性页批量拉取（免注册）。"""
import requests
import pandas as pd

BASE = "https://www.ebi.ac.uk/chembl/api/data"

def fetch_target_activities(chembl_tid: str, limit: int = 1000) -> pd.DataFrame:
    """按靶点 ChEMBL ID 分页拉取活性（JSON）。"""
    rows, offset = [], 0
    while True:
        r = requests.get(
            f"{BASE}/activity.json",
            params={"target_chembl_id": chembl_tid,
                    "limit": limit, "offset": offset},
            headers={"Accept": "application/json"}, timeout=60,
        )
        r.raise_for_status()
        page = r.json()["activities"]
        if not page:
            break
        rows.extend(page)
        offset += limit
    return pd.DataFrame(rows)

if __name__ == "__main__":
    df = fetch_target_activities("CHEMBL203")  # EGFR
    keep = ["molecule_chembl_id", "standard_type", "standard_value",
            "standard_units", "pchembl_value", "assay_chembl_id",
            "document_chembl_id", "document_year"]
    df[keep].drop_duplicates().to_csv("chembl_egfr_activities.tsv", sep="\t", index=False)
    print(len(df), "activities saved")

§4.4 scaffold 切分代码

#!/usr/bin/env python3
"""Bemis-Murcko scaffold 切分——QSAR 数据集防泄漏的标准切分。"""
import pandas as pd
from rdkit import Chem
from rdkit.Chem.Scaffolds import MurckoScaffold
from sklearn.model_selection import GroupShuffleSplit

def murcko_scaffold(smiles: str) -> str:
    mol = Chem.MolFromSmiles(smiles or "")
    if mol is None:
        return ""
    return MurckoScaffold.MurckoScaffoldSmiles(mol=mol, includeChirality=False)

df = pd.read_csv("chembl_egfr_activities.tsv", sep="\t")
df = df.dropna(subset=["pchembl_value"])
df["scaffold"] = df.molecule_chembl_id.map(
    lambda cid: murcko_scaffold(smiles_map.get(cid, "")))  # smiles_map: ID→SMILES

gss = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=0)
train_idx, test_idx = next(gss.split(df, groups=df.scaffold))
df.loc[train_idx, "split"] = "train"
df.loc[test_idx, "split"] = "test"
df.to_csv("chembl_egfr_scaffold_split.tsv", sep="\t", index=False)
print(df.split.value_counts().to_dict(),
      "| scaffolds:", df.scaffold.nunique())

（random split 与 scaffold split 的性能差距本身就是「模型是记忆还是泛化」的诊断——论文两者都要报。）

§4.5 UniChem 跨库对齐

#!/usr/bin/env python3
"""UniChem REST：ChEMBL ID ↔ 其他库（PubChem/DrugBank/PDB 配体）交叉映射。"""
import requests

def unichem_map(src_id: str, src_db: int = 1, to_db: int = 2) -> list:
    """src_db: 1=ChEMBL；to_db: 2=DrugBank（编号表见 UniChem 文档）。"""
    r = requests.get(
        f"https://www.ebi.ac.uk/unichem/rest/srccompounds/{src_db}/{src_id}",
        timeout=30)
    r.raise_for_status()
    return [x["src_compound_id"] for x in r.json() if x["src_id"] == str(to_db)]

print(unichem_map("CHEMBL25"))  # aspirin → DrugBank ID（DB09299 等）

§4.6 元数据与版本指纹

版本字符串：dump 文件名（chembl_36_postgresql.tar.gz）+ release notes 链接——方法段双写。
schema 快照：表结构导出（pg_dump --schema-only）进复现包。
策展时点：同版本内策展仍在滚动（网页数据微新于 dump）——复现包以 dump 为准并注明下载日期。

§4.7 完整性清单

[ ] 版本 + dump 下载日期双戳
[ ] confidence score 门槛（≥8？≥7？）声明
[ ] pChEMBL 可用性过滤（IS NOT NULL）
[ ] 母体层级去重（molecule_hierarchy）
[ ] target_type 过滤（SINGLE PROTEIN vs 细胞/表型分开）
[ ] standard_type 口径（浓度型 vs 注释型分开）
[ ] scaffold/random 双切分报告
[ ] 文献年代分布（年代协变量）
[ ] 与基准快照（MoleculeNet 等）的版本关系声明

§4.8 数据血缘

药物化学期刊/专利/监管标签（40+ 年）
  → 策展管线（人工抽取 + 半自动解析 + 冲突讨论）
  → 结构标准化（SMILES/InChI/母体层级）
  → 活性标准化（standard_type/units/value → pChEMBL）
  → assay 分级（类型 + confidence score 0-9）
  → 靶点对齐（target_components → UniProt）
  → 发布（SQL dump / SDF / API / 网页）

策展冲突的解决机制（人员讨论 + 决策记录）写入 refs 表——「每个数字都有出处与裁决史」是 ChEMBL 与爬虫聚合库的本质区别。

§4.9 本地 PostgreSQL 建库

#!/usr/bin/env bash
# ChEMBL 36 PostgreSQL dump 下载与本地恢复（磁盘预留 ~100GB，32GB 内存单机可行）
set -euo pipefail

# 1) 下载（以官方 downloads 页给出的 FTP 路径为准；此处为 v36 的目录形态）
BASE="https://ftp.ebi.ac.uk/pub/databases/chembl/ChEMBLdb/releases/chembl_36"
wget -c "${BASE}/chembl_36_postgresql.tar.gz"
tar -xzf chembl_36_postgresql.tar.gz

# 2) 建库与恢复（dump 内含建表语句；pg 版本 ≥ 12）
createdb chembl_36
psql -d chembl_36 -v ON_ERROR_STOP=1 -f chembl_36/chembl_36.dmp

# 3) 统计信息刷新（分析查询的执行计划依赖它，别跳过）
psql -d chembl_36 -c "ANALYZE;"

# 4) 常用过滤索引（按需；activities 是最大的表）
psql -d chembl_36 -c "
CREATE INDEX IF NOT EXISTS idx_act_assay ON activities(assay_id);
CREATE INDEX IF NOT EXISTS idx_act_mol   ON activities(molregno);
CREATE INDEX IF NOT EXISTS idx_assay_tid ON assays(tid);
"

# 5) 抽查：aspirin 的 ChEMBL ID 与活性条数
psql -d chembl_36 -c "
SELECT md.chembl_id, count(a.activity_id) AS n_activities
FROM molecule_dictionary md
JOIN activities a ON a.molregno = md.molregno
WHERE md.chembl_id = 'CHEMBL25'
GROUP BY 1;"

恢复纪律：ON_ERROR_STOP=1 保证半途失败不留残库；恢复完成后跑一次抽查 SQL（aspirin 有活性、EGFR CHEMBL203 靶点存在）再开始分析。
版本隔离：一个版本一个库（chembl_35/chembl_36）——升版本重建新库而不是原地改，方便双版本对照与回滚。
体量预期：activities 表千万行级、compound_structures 含文本索引——查询慢先查统计信息与索引，别急着加机器。

§4.10 Python 客户端链式查询

#!/usr/bin/env python3
"""chembl_webresource_client：链式查询 + 本地缓存（适合子集探索，非批量抽取）。
pip install chembl_webresource_client"""
from chembl_webresource_client.new_client import new_client

molecule = new_client.molecule
activity = new_client.activity
target   = new_client.target

# 1) 实体直查：aspirin 的卡片（分子式/口径/母体信息）
asp = molecule.filter(chembl_id="CHEMBL25")[0]
print(asp["pref_name"], "| max_phase:", asp.get("max_phase"))

# 2) 结构相似检索：以 aspirin 为种子找相似分子（相似度阈值 70%）
similars = molecule.filter(similarity="CC(=O)Oc1ccccc1C(=O)O 70")
print("similar molecules:", len(similars))

# 3) 靶点 → 高置信活性：EGFR（CHEMBL203）的 pChEMBL 非空记录
egfr = [t for t in target.filter(chembl_id="CHEMBL203")][0]
acts = activity.filter(target_chembl_id=egfr["target_chembl_id"],
                      pchembl_value__isnull=False)
subset = acts[:200]  # 客户端自动分页；范围对象惰性拉取
print("fetched:", len(subset), "| first pChEMBL:", subset[0]["pchembl_value"])

适用边界：客户端有本地缓存与自动分页，探索/原型极快；万级以上批量仍走 SQL dump（§3.4）——API 拉全库既慢也不礼貌。
惰性求值：filter 返回的是查询对象不是数据——切片/迭代时才发请求；调试时小心「同一查询被重复执行」。
字段对齐：客户端字段名与 REST API/数据库表不完全一致（如 activity 记录里的 molecule_chembl_id）——正式管线以 SQL dump schema 为准，客户端只做子集探索。

§4.11 数据体检 SQL：接入后第一批查询

本地库恢复后、任何建模之前的「体检三查」——输出直接贴进复现包：

-- 体检 1：规模与版本指纹（预期量级：~280 万分子 / ~2400 万活性）
SELECT (SELECT count(*) FROM molecule_dictionary) AS molecules,
       (SELECT count(*) FROM activities)         AS activities,
       (SELECT count(*) FROM target_dictionary)  AS targets,
       (SELECT count(*) FROM assays)             AS assays;

-- 体检 2：置信分层分布——confidence >= 8 的活性占比决定干净核心大小
SELECT a.confidence_score, count(*) AS n,
       round(100.0 * count(*) / sum(count(*)) OVER (), 1) AS pct
FROM activities act
JOIN assays a ON act.assay_id = a.assay_id
GROUP BY a.confidence_score ORDER BY a.confidence_score DESC;

-- 体检 3：pChEMBL 覆盖率与浓度型占比（缺失率是「不宜标准化」层的大小）
SELECT count(*) FILTER (WHERE pchembl_value IS NOT NULL) AS with_pchembl,
       count(*) FILTER (WHERE standard_units = 'nM')     AS nm_type,
       count(*)                                          AS total
FROM activities;

读数基准：confidence ≥ 8 通常占活性总量的少数但集中在单蛋白靶点——若占比异常低，先查 join 是否把复合物靶点重复计数。
pChEMBL 覆盖率的意义：这个数决定 QSAR 可用样本上限——它远小于活性总量是设计使然（§2.2），不是数据质量问题。

§5 下游分析协议

§5.1 任务×资源速查表

任务	用哪些表	关键过滤	陷阱
活性回归（QSAR）	activities+assays+structures	confidence≥8、pChEMBL 非空、单蛋白	random split 泄漏
虚拟筛选参考	compound_structures+activities	活性阈值（pChEMBL≥6）	忘记去盐型重复
选择性建模	同靶点家族 activities	同 assay 平台优先	跨 assay 直接比较
hERG/ADMET	toxicity/ADME assays	assay_type=T/ADME	与治疗靶点混库
生成模型评估	全库结构 + 活性阈值	母体层去重	「新颖性」重复计数
药物状态分析	drug_indication/mechanism	版本锁 max_phase	与 DrugBank 口径混用
专利空间分析	SureChEMBL/BindingDB 部分	专利 vs 文献分开	专利数据质量参差

§5.2 QSAR 数据集构造协议

靶点选择：单蛋白 + confidence ≥ 8 + pChEMBL 非空 + 母体去重——四道过滤器后剩「干净核心」。
阈值设计：回归用 pChEMBL 连续值；分类用 pChEMBL ≥ 6（~1μM）为活性——阈值敏感性分析（5.5/6/6.5）必备。
切分：scaffold split 主协议 + random split 对照 + 时间 split（≥2020 文献为测试）三件套——只报 random split 的 QSAR 论文过不了懂行审稿。
基线：相似度 kNN + 随机森林（ECFP 指纹）打底——深度模型的增量必须打过这两条线。
评估：RMSE/MAE（回归）+ ROC-AUC/PR-AUC（分类）+ 按 scaffold 簇分层误差——热点 scaffold 的局部失效要暴露。

§5.3 虚拟筛选协议

参考库构造：靶点已知活性（pChEMBL ≥ 6）+ 结构近邻——「已 explored 空间」。
去重过滤：候选库 vs 参考库 ECFP 相似度（Tanimoto > 0.85 剔除）——筛「真新颖」。
富集评估：DUD-E 协议——已知 actives/decoys 混合，评价方法早期富集（EF1%）。
输出分级：对接打分 + QSAR 预测 + 新颖性三列——人工复核队列。

§5.4 成本模型

场景	技术路线	成本量级
单靶点子集	API/客户端	零；分钟级
靶点家族 QSAR	SQL dump + RDKit	单机；人力 3-5 天
全库结构搜索	SDF + RDKit/PGChem	单机 16GB；数小时
生成模型评估	全库指纹库	GPU 单卡；1-2 天
生产级虚拟筛选	自建管线 + 对接集群	数百-数千美元计算

§5.5 失败模式清单

random split 泄漏：近邻 analogs 分进训练/测试——QSAR 性能虚高 10-20%；scaffold split 是主协议。
assay 泥潭直灌：不按 confidence/类型过滤全量回归——「模型」只是 assay 偏差的平均器。
注释型活性数值化：standard_type 是 “Activity”/“Potency” 等注释型时直接当浓度——单位灾难。
盐型重复：同母体多盐型分进两桶——切分泄漏 + 多样性虚高。
表型读出当靶点结合：细胞系 assay 的活性归因给单靶点——药效学错误。
阈值拍脑袋：分类阈值 6 不做敏感性——结论随阈值漂移。
版本混拼：dump 与网页 API 混拉——策展时点不同数据不一致。
与基准快照混用：MoleculeNet 快照 + 最新 dump 同库训练——重复计数。

§5.6 校准与验证协议

文献策展数据的「验证」要比常规 ML 多两层——数据层的回放验证与科学层的实验衔接：

验证层	数据源	指标	通过线（参考）
L1 切分内验证	测试集（scaffold split）	RMSE/ROC-AUC	与 random split 差值须解释
L2 分层回放	按 scaffold 簇/年代/assay 平台切片	分层误差极差	无单簇灾难性失效
L3 外部库交叉	BindingDB 同靶点子集	RMSE（InChIKey 对齐后）	显著优于均值基线
L4 时间外推	晚于训练截止年的文献	RMSE/排序质量	无系统性漂移报警
L5 不确定性校准	测试集	共形覆盖率/校准曲线	名义 90% 区间实测 ≥85%
L6 前瞻衔接	自建/合作实验复核	Top-N 命中率	与模型排序正相关

L3 的工程细节：BindingDB 与 ChEMBL 经 InChIKey 对齐后要剔除「同源记录」（同一文献的同一测定在两库都在）——只保留 ChEMBL 未收录的文献来源，交叉才是独立的。
L5 的价值：虚拟筛选的实际用法是「按预测 + 不确定性排序取 Top-N 送实验」——校准差的模型排序再准也白搭；共形回归（split conformal）一行代码级成本。
L6 的最小闭环：不必自建湿实验——与综述文献的「已知选择性指纹」对照（如某激酶抑制剂的已知 off-target 谱）也算半前瞻验证，审稿认可度高于纯回放。

§6 实证结果与方法学分析

§6.1 v36 发布的核心信号（2025-09）

规模稳增：280 万化合物 / 24M 活性 / 17,803 靶点——文献策展管线的持续产出。
专利空间加速：BindingDB 专利 assays 4,117 → 13,847（3 倍）——「专利先于论文」的新颖性信号被纳入主库。
语义标准化：疾病术语映射 EFO——适应症分析从自由文本进入本体层，跨库（与 Open Targets 等）对齐成本大降。
化学探针入库：NLP+人工抽取——化学生物学工具分子（选择性探针）成为新实体类。

§6.2 QSAR 实证的系统教训

ChEMBL 上十年 QSAR 研究沉淀的可复用结论：

切分决定叙事：random split 的 R² 普遍 0.8+、scaffold split 掉到 0.4-0.6——「模型泛化 vs 记忆」的诊断比模型本身重要。
指纹基线强韧：ECFP + RF/LightGBM 在多数靶点上仍是打不过的基线——深度模型增量常 <5%。
不确定性估计被低估：ensemble/共形预测给出可信区间——虚拟筛选的实用价值 > 点估计排序。
多靶点联合建模（multi-task）在数据共享结构强的家族（kinase）有效——冷门靶点靠迁移。

§6.3 方法学三层框架（gsm）

G（Ground layer）：结构化事实——分子结构、assay 描述、文献出处（低争议）。
S（Synthesis layer）：标准化产物——pChEMBL、confidence score、EFO 映射（模型推断层，有定义依赖）。
M（Medical layer）：药物状态——max_phase/适应症/机制（临床语义层，随监管演进）。

越层引用是常见错误：用 S 层的 pChEMBL 说「临床药效」（M 层）或用 G 层文献活性做「疗效声明」——审稿按层问责。

§6.4 接力实验设计

ChEMBL → PDBbind：QSAR 命中 → 有结构复合物的子集做对接复核。
ChEMBL → DrugBank：候选 → 成药语义核对（批准/适应症/DDI 负担）。
ChEMBL → DrugCentral：开源交叉验证（关系数据稳健性）。
ChEMBL → Open Targets/EFO：靶点-疾病关联的整体证据链。

§6.5 八个真实坑点

坑点 1：random split 当默认——近邻泄漏使性能虚高；scaffold split 是主协议、random 只是对照。
坑点 2：confidence 忽视——低置信（<7）混入——「靶点归因错误」的活性是噪声主力。
坑点 3：注释型活性数值化——“Active”/“Potency” 类 standard_type 直接进回归——单位灾难；浓度型才可数值化。
坑点 4：盐型/层级不去重——多样性虚高 + 切分泄漏；molecule_hierarchy 必查。
坑点 5：assay 跨比较——不同 assay 的 IC50 直接排序——先同平台/同类型分组。
坑点 6：pChEMBL 缺失硬插补——缺失是「不宜标准化」信号不是随机缺值；中位数插补会稀释毒性端。
坑点 7：与基准快照混用——版本不一致的重复计数；全链锁单一 dump。
坑点 8：偏倚不声明——阳性主导/热门富集不进 limitation——审稿必问；§2.5 的量化面要写。

§6.6 审稿人自查清单

[ ] ChEMBL 版本 + dump 日期写进方法段？
[ ] confidence/assay 类型/pChEMBL 过滤门槛声明？
[ ] 切分策略（scaffold 主 + random/时间对照）报告？
[ ] 阈值敏感性分析？
[ ] 母体去重与 target_type 过滤说明？
[ ] 与已发表基准的版本关系？
[ ] 文献偏倚的 limitation 段落？
[ ] 复现包含 dump 指纹与 schema 快照？

§6.7 版本演进的方法学含义

ChEMBL 十七年演进的四个节点各有方法学后果——理解它们才能理解「为什么老论文的做法现在不可照抄」：

schema 的长期稳定（v1 → v36）：核心表名（molecule_dictionary/assays/activities/target_dictionary）十五年基本未变——这是公共策展库给可复现性的隐含红利：老脚本跨版本大多能跑。但微调存在（如 v36 的 assay_parameters），升级仍要读 release notes。
直接沉积机制（2019，Mendez）：作者自沉积活性与文献抽取活性的误差特征不同（前者无转录错误但可能缺语境）——2019 前后发布的数据在「同一靶点」上有微妙的分布差，时间切分建模会把这条缝放大。
语义层升级（v36 的 EFO 映射）：适应症从自由文本进本体——历史 dump 不会回填映射，跨版本做疾病分析时新旧口径不对齐，要么全部重映射（用 v36）、要么全部声明旧口径（用 v35）。
专利空间扩容（v36 的 BindingDB 专利 assays 3 倍）：任何「新颖性计算」（生成模型评估、虚拟筛选去重）的基线都依赖「已知空间」的覆盖——v35 与 v36 的新颖性分数不可比，切换版本要重新校准。

工程结论：版本不只是数字快照，是数据生成过程的快照——跨版本比较任何结论（模型性能、新颖性、疾病覆盖）前，先回答「这个版本间的数据生成过程变了什么」。

§7 AI 就绪指南与应用场景

§7.1 ChEMBL 在医疗 AI 中的四种喂法

监督回归喂法：pChEMBL 作目标——QSAR/性质预测的经典监督源（confidence 过滤后）。
结构先验喂法：280 万结构做分子生成的「经验合理性」检验（GAN/扩散模型的评估域）。
关系图喂法：分子-靶点-活性三元组构建异质图——图神经网络的化学生物学语料。
负空间工程喂法：虚拟筛选去重库 + decoy 协议——「什么已被试过」的知识面。

四种喂法与 §6.5 坑点的对应：喂法 1 踩坑 1（切分）与坑 3（注释型）；喂法 2 踩坑 4（去重）；喂法 3 踩坑 2（confidence）与坑 5（assay）；喂法 4 踩坑 7（版本）——建模前回读对号。

§7.2 活性预测管线实操配方

#!/usr/bin/env python3
"""ChEMBL 活性预测端到端：SQL 子集 → ECFP 特征 → LightGBM（含消融切分）。"""
import numpy as np
import pandas as pd
from rdkit import Chem
from rdkit.Chem import AllChem
from lightgbm import LGBMRegressor
from sklearn.metrics import mean_squared_error, r2_score

df = pd.read_csv("chembl_egfr_scaffold_split.tsv", sep="\t")  # §4.4 产物

def ecfp(smiles: str, radius=2, n_bits=2048):
    mol = Chem.MolFromSmiles(smiles or "")
    return (list(AllChem.GetMorganFingerprintAsBitVect(mol, radius, nBits=n_bits))
            if mol else [0] * n_bits)

X = np.vstack([ecfp(s) for s in df.canonical_smiles])
y = df.pchembl_value.to_numpy(float)

model = LGBMRegressor(n_estimators=600, learning_rate=0.05, random_state=0)
model.fit(X[df.split == "train"], y[df.split == "train"])

for part in ["train", "test"]:
    m = df.split == part
    pred = model.predict(X[m])
    print(part, "RMSE:", round(mean_squared_error(y[m], pred) ** 0.5, 3),
          "R2:", round(r2_score(y[m], pred), 3))

（同代码换 GroupShuffleSplit 的 groups 即 random 对照——两个数字一起报。）

§7.3 模型选型与迁移决策

中等数据（<5 万活性）：ECFP + LightGBM/RF——小数据王道；GNN 增量要在 scaffold split 下证明。
大数据/家族建模：GNN（消息传递/图 Transformer）+ 多任务头——kinase 等结构共享家族收益最大。
预训练分子模型：MolBERT/GraphMVP/3D 预训练——用 ChEMBL 子集微调，预训练权重许可见 §8。
不确定性：深度集成或共形回归——虚拟筛选排序的必备配件。
生成评估：活性预测器 + 合成可及性（SAS）+ 新颖性（vs ChEMBL 指纹库）三维打分——单指标会被玩坏。

§7.4 公平性：文献偏倚的工程应对

靶点分层报告：热门靶点（>1 万活性）与冷门靶点（<500）分开报性能——平均数掩盖冷靶失效。
年代敏感性：训练集截断年代做消融——老数据的技术偏差可量化。
assay 协变量：assay 类型/平台 one-hot 进特征或分层归一。
阴性空间声明：无活性数据不等于阴性——limitation 段的固定条款。

§7.5 任务×资源速查表

AI 任务	ChEMBL 数据	输出形态	验收
活性回归	activities + structures	回归器	scaffold/random 双报告
多任务家族模型	家族活性矩阵	多头模型	冷靶迁移增益
hERG/ADMET	toxicity assays	分类器	外部验证集（公开毒性基准）
分子生成评估	结构库 + 活性阈值	评估协议	新颖性/活性/可合成三维
DTI 图模型	三元组 + UniProt	链接预测	与 DrugBank 正例交叉
专利新颖性	SureChEMBL/BindingDB 层	去重/评分	专利-文献重叠率报告

§7.6 端到端案例：EGFR 抑制剂活性预测

取数：UniProt P00533 → SQL 子集（confidence ≥ 8、pChEMBL 非空、母体去重）→ 约 6-8 千条（v36 典型量级）。
清洗：注释型剔除、盐型折叠、重复（同分子同 assay）取中位。
切分：Murcko scaffold split（80/20）+ random 对照 + 时间 split（2020+ 为时序测试）。
模型：ECFP+LightGBM 基线 → Chemprop（MPNN）对比 → 不确定性（5 折集成）。
评估：RMSE/R² 双切分报告 + scaffold 簇误差分布 + Top-50 富集模拟。
报告：版本/dump 日期 + 过滤漏斗（每步剩多少）+ 偏倚声明——三件套齐。

§7.7 报告模板：方法学段落骨架

活性数据来自 ChEMBL 36（2025-09 发布的 PostgreSQL dump，下载日期 2026-XX-XX；Zdrazil et al., NAR 52:D1180-D1192, 2024）。分析限定单蛋白靶点（target_type = SINGLE PROTEIN）、assay confidence score ≥ 8、pchembl_value 非空且 standard_type 为浓度型（IC50/Ki/Kd/EC50）；化合物经 molecule_hierarchy 折叠至母体层级并以 InChIKey 去重。数据集采用 Bemis-Murcko scaffold 切分（80/20）为主协议，随机切分与时间切分（2020 年后文献）作对照。模型为 ECFP4 指纹 + LightGBM 与消息传递神经网络（Chemprop）的对比，不确定性由 5 折深度集成给出。文献策展数据的阳性主导与靶点分布偏倚已在局限中声明；复现包含 dump 校验和与 schema 快照。

§7.8 成本与排期模板

阶段	内容	成本构成	周期
取数	dump 下载 / SQL 子集	存储	1 天
清洗	过滤漏斗 + 去重	人力	3-5 天
特征	指纹/GNN 图构建	单机	2-3 天
建模	基线 + 深度对比	GPU 小额	1-2 周
评估	双切分 + 不确定性	算力	3-5 天
复现包	指纹 + schema + 脚本	人力	2 天

ChEMBL 项目的排期风险不在计算在清洗——「过滤漏斗每步剩多少」的透明度决定复现质量。

§7.9 消融案例：分子生成评估的维度敏感性

生成模型评估是 ChEMBL 「负空间工程」喂法（§7.1 之 4）的典型应用——三维指标（活性/新颖性/可合成性）单看任何一个都会被玩坏，一组典型的消融轨迹：

配置	评估协议	观测结果	诊断
R1	仅活性预测器打分（pChEMBL 预测 > 7 为「优」）	高分样本高度同质——围绕少数高活性骨架复制	奖励黑客：模式坍缩
R2	R1 + 新颖性（vs 280 万指纹库最近邻 Tanimoto < 0.4）	多样性回升，但合成可及性崩坏（SAS 中位数 > 6）	新颖性与可合成性负相关被放大
R3	R2 + SAS 过滤	三维平衡；但活性均分回落	诚实基线——三维缺一不可
R4	R3 + 构效约束（同 scaffold 至少 3 个 pChEMBL 梯度成员）	产量下降但化学家盲评命中最高	「有梯度的活性」才是 SAR 级产出

方法：同一扩散模型（或 GAN）的生成池（1 万分子）分别在 R1-R4 协议下评估；活性预测器用 §7.2 管线（EGFR，scaffold split，RMSE ~1.0 log 单位）；新颖性参照用 ChEMBL 36 全库 Morgan 指纹；SAS 用 Ertl 类启发式打分。
读数：R1 的「平均 pChEMBL 预测 7.8」看似漂亮，实为过拟合到训练分布的记忆回放——单指标排行榜的生成论文的共同病灶。
结论：生成评估协议本身要报告消融——「用了哪些过滤器、每层淘汰多少」与模型架构同等重要；ChEMBL 在此的角色是「已知空间的参照系」而非打分器本身。

§8 伦理、许可与合规

§8.1 许可结构

数据 CC-BY-SA 3.0：可商用、可再分发、可修改——义务是署名（引用 ChEMBL 论文 + 链接）与同源共享（衍生物若分发需同许可）。
衍生注意：CC-BY-SA 的 share-alike 只约束「数据衍生物」——模型权重通常不算数据衍生物（法域有争议，谨慎起见产品内嵌时注明数据来源）。
代码/工具：Python 客户端等各自开源许可——商用前查对应仓库 LICENSE。

§8.2 引用与致谢模板

致谢模板（按需裁剪）：
Bioactivity data were obtained from ChEMBL 36 (EMBL-EBI; Zdrazil B, et al.
The ChEMBL Database in 2023: a drug discovery bioactivity resource for the
global community. Nucleic Acids Res 52, D1180-D1192, 2024. DOI
10.1093/nar/gkad1004), distributed under CC-BY-SA 3.0. We thank the ChEMBL
curation team and EMBL-EBI.

§8.3 国内合规路径

数据性质：开放文献策展数据——下载与使用无 HGRAC/隐私问题；无个体数据。
产品化：CC-BY-SA 允许商用——QSAR/筛选服务内嵌 ChEMBL 数据合法，署名义务与同源条款写进产品文档。
红线：学术诚信层——策展数据不可二次售卖冒充「自建数据库」；引用锁版本。

§8.4 商业使用边界

开放许可不等于无义务：商业产品的 attribution 页（版本 + 论文引用 + 许可链接）是标配；把 ChEMBL 数据做成付费 API 转售时 share-alike 条款的适用性建议法务书面确认（数据 vs 服务的分类是关键）。

§8.5 合规台账最小模板

团队接入 ChEMBL 建议维护一页式台账（审计与复用交接都用得上）：

台账项	记录内容	示例
数据版本	dump 文件名 + 发布版	chembl_36_postgresql.tar.gz（2025-09）
下载日期	FTP 下载日 + 校验和	2026-XX-XX；SHA256 存档
署名位置	产品内 attribution 页 URL + 论文引用	「帮助-数据来源」页；Zdrazil 2024
share-alike 评估	衍生物形态与分发方式结论	内部分析不分发→无 SA 义务；对外发布衍生数据集→同许可
模型内嵌形态	权重是否视为衍生物的内部结论	权重+产品内嵌；attribution 保留；法务备忘链接
版本升级策略	升级触发条件与回归测试	新大版本发布后 1 个月内评估；QSAR 基线重跑
复现包存档	dump 指纹 + schema 快照 + 脚本哈希	内部对象存储路径

§9 谱系与生态

§9.1 活性数据库时间线

2009  ChEMBL 首发（StARlite 开源化；Wellcome Trust）
2012  NAR 首篇（Gaulton）
2014  Bento NAR；API 生态起步
2019  Mendez NAR；直接沉积机制
2022  Web Resources 现代化（新 API）
2024  ChEMBL 35（NAR Zdrazil；2.5M 化合物）
2025  ChEMBL 36（280 万化合物；EFO 映射 + 专利空间 3 倍）
2026  AI 制药默认底座地位稳固；社区基准事实标准

§9.2 术语表

术语	定义
ChEMBL ID	实体主键（CHEMBL25 = aspirin）
pChEMBL	-log10 摩尔活性——跨 assay 标准化强度
confidence score	assay 对靶点的置信分级（0-9）
assay_type	B 结合 / A 功能 / ADME / T 毒性 / P 理化
standard_type/units/value	标准化活性类型/单位/值
molecule_hierarchy	母体-盐型-多组分层级表
Bemis-Murcko scaffold	骨架去侧链的 scaffold——切分组键
ECFP	扩展连接指纹（Morgan）——分子 ML 标配特征
max_phase	最高研发阶段（0-4）
UniChem	EBI 的跨库化学 ID 映射服务
SureChEMBL	专利化合物文本挖掘资源
ChEMBL-NTD	被忽视热带病专版
decoy	虚拟筛选的诱饵分子（DUD-E 协议）
EF1%	前 1% 富集因子——虚拟筛选评估指标
FAIR	可发现/可访问/可互操作/可复用原则
EFO	Experimental Factor Ontology——v36 疾病术语映射目标

§9.3 资源选型决策树

你的需求是什么？
├─ 「查一个分子的活性」
│    → 网页/API（分钟级）
├─ 「QSAR/活性预测」
│    → SQL dump + confidence≥8 + scaffold split（§5.2）
├─ 「虚拟筛选」
│    → 活性参考库 + DUD-E 协议 + 去重（§5.3）
├─ 「成药语义（批准/适应症/DDI）」
│    → DrugBank（ChEMBL 只有轻量层）
├─ 「结构结合基准」
│    → PDBbind（ChEMBL 无结构复合物体系）
├─ 「跨库 ID 对齐」
│    → UniChem（InChIKey + 服务）
├─ 「专利化合物空间」
│    → SureChEMBL + BindingDB 层
└─ 「大规模原始筛选数据」
     → PubChem BioAssay（ChEMBL 策展优先但规模小）

§9.4 与本库其他条目的关系

条目	关系
drugbank	成药语义层（活性 vs 知识）——DTI 交叉验证
PDBbind	结构结合层——QSAR 命中的对接复核
drugcomb	组合用药——协同筛选的活性背景
MoleculeNet	基准快照——切分协议与版本对齐
drugcentral	开源药物库——关系数据交叉
clinicaltrials-gov	试验状态——候选的现实性核查

§9.5 组合使用建议

研究设计	推荐组合	分工
DTI 全链	ChEMBL（活性）+ DrugBank（关系语义）+ PDBbind（结构）	强度 + 关联 + 结构
QSAR 基准	ChEMBL（源）+ MoleculeNet（协议）+ 外部测试集	训练 + 协议 + 泛化
虚拟筛选	ChEMBL（参考/去重）+ DUD-E（评估）+ PDBbind（对接）	参考 + 协议 + 结构
重定位	ChEMBL（活性证据）+ DrugBank（语义）+ CT.gov（状态）	机制 + 语义 + 现实性
生成模型	ChEMBL（评估域）+ PubChem（新颖性对照）	合理性 + 空间覆盖

组合纪律：版本快照统一——组合系统里各库各版本，「同一分子不同值」的冲突要先定主源（活性值以 ChEMBL 锁定版本为准）。

§9.6 公共策展库的生态角色

ChEMBL 证明了「文献策展」可以规模化公共供给：40 年文献 × 人工抽取 × schema 稳定 × 完全开放——这四件事同时做到的，全球只有个位数。它的生态位是「化学可复现性的锚」：AI 制药论文的默认底座、监管科学的方法参照、教育领域的标准教材数据。LLM 时代它的价值同样上升——高置信活性事实是化学 LLM 评估的锚点集。

§9.7 开放-许可双轨策展的工程模式

ChEMBL（公共资助 + 开放）与 DrugBank（许可收入 + 人工深策展）是知识库工程的两种可持续模式——工程视角的对照：

维度	ChEMBL 轨道	DrugBank 轨道	工程含义
收入来源	公共资助（Wellcome/EMBL 会费/项目）	许可费（学术优惠/商业付费）	前者接入零摩擦，后者有合同层
更新节奏	年度 1-2 大版本 + 网页滚动	商业快照（订阅制）	前者锁 dump 即稳定；后者要管理订阅时效
API 门槛	免注册直连	注册 key + 条款约束	原型速度差一个数量级
schema 文档	全公开（gitbook + SQL 注释）	随许可包分发	开放轨利于社区工具生态
社区基准参与	默认底座（MoleculeNet 等）	受再分发限制较少进基准	开放轨赢得「标准」地位

组合工程：两轨并用是常态——ChEMBL 提供活性深度与开放底座，DrugBank 提供成药语义；UniChem/InChIKey 桥接，主源纪律见 §9.5。
风险对冲：开放轨的策展深度依赖公共投入的持续性（funding 字段如实记录）；商业轨的访问依赖合同续约——严肃产品对两者都做「数据快照 + 降级预案」。

§10 资源导航与 FAQ

§10.1 官方资源导航

主站 https://www.ebi.ac.uk/chembl/；API 文档 https://www.ebi.ac.uk/chembl/api/data/docs
博客 https://chembl.blogspot.com/（release 通告）
文档 https://chembl.gitbook.io/chembl-interface-documentation/
下载 https://chembl.gitbook.io/chembl-interface-documentation/downloads（FTP dump）
UniChem https://www.ebi.ac.uk/unichem/；SureChEMBL https://www.surechembl.org/
Python 客户端：pip install chembl_webresource_client

上手指引（第一次接入的推荐顺序）：

网页查 aspirin（CHEMBL25）——读它的活性表与 assay 语境。
API 拉同靶点活性（§4.3）——感受分页与字段。
下载 v36 dump——建本地 PG（§3.5），跑 §4.2 SQL。
对一个热门靶点（EGFR）做 §4.4 scaffold split——对比 random。
若只用小子集——到此为止；全库分析再谈集群。

§10.2 关键文献

Gaulton, A. et al. ChEMBL: a large-scale bioactivity database for drug discovery. Nucleic Acids Res 40, D1100-1107 (2012). DOI 10.1093/nar/gkr777
Bento, A.P. et al. ChEMBL: an effective chemogenomics knowledgebase. Nucleic Acids Res 42, D1083-1090 (2014). DOI 10.1093/nar/gkt1076
Mendez, D. et al. ChEMBL: towards direct deposition of bioassays. Nucleic Acids Res 47, D930-D940 (2019). DOI 10.1093/nar/gky1075
Zdrazil, B. et al. The ChEMBL Database in 2023: a drug discovery bioactivity resource for the global community. Nucleic Acids Res 52, D1180-D1192 (2024). DOI 10.1093/nar/gkad1004

§10.3 站内延伸阅读

DrugBank — 药物知识库：成药语义层（本库姊妹条目）
PDBbind — 结合亲和力数据库：结构结合验证层
MoleculeNet — 分子基准套件：切分协议与基准对齐
DrugComb — 药物组合数据库：组合协同的活性背景
DrugCentral — 开源药物数据库：关系数据交叉验证
ClinicalTrials.gov — 临床试验注册库：候选状态核查

§10.4 FAQ

Q1：ChEMBL 完全免费吗？商用也要钱吗？
A：完全免费且可商用（CC-BY-SA 3.0）——义务是署名与衍生物同源共享；无注册门槛。

Q2：280 万化合物和 250 万哪个对？
A：版本不同——250 万是 v35（2024），280 万是 v36（2025-09）。引用写版本。

Q3：pChEMBL 是什么？为什么有的活性没有它？
A：-log10 摩尔活性的标准化值；只有浓度型活性（IC50/Ki/Kd/EC50）且置信满足条件时计算——缺失是「不宜标准化」信号，别硬插补。

Q4：confidence score 怎么用？
A：0-9 分级——9 是专家确信的直接靶点测定。QSAR 建议 ≥8；筛选参考 ≥7；<7 的记录「靶点归因」可疑。

Q5：为什么我的 QSAR 用 random split R²=0.9，scaffold split 只有 0.5？
A：random split 的近邻泄漏（同系列 analogs 分进两桶）——前者是记忆能力、后者才是泛化；论文必须双报告。

Q6：细胞实验的活性能当靶点活性用吗？
A：不能直接归因——target_type 是细胞系/组织的记录是表型读出；QSAR 单靶点建模只取 SINGLE PROTEIN。

Q7：同一分子同一靶点为什么有多条活性？
A：不同文献/assay——正常现象；清洗时同分子同 assay 取中位、跨 assay 保留语境（分层建模）而非平均。

Q8：专利数据可靠吗？
A：专利活性质量参差（无同行评审）——v36 并入的 BindingDB 专利 assays 有独立策展；分析时与文献数据分开标记。

Q9：和 PubChem BioAssay 怎么选？
A：要策展质量与语境选 ChEMBL；要原始规模（工业筛选 deposited）选 PubChem——两者可经 InChIKey 对齐。

Q10：和 BindingDB 怎么选？
A：BindingDB 亲和力专精（含热力学量）且专利覆盖强；ChEMBL 语境更全（assay/药物状态）——结合强度研究两者互补。

Q11：能做「无活性」负例吗？
A：不能把「无记录」当阴性——文献偏倚下无记录 ≠ 无活性；负例构造用 DUD-E decoys 或对照库，并声明假设。

Q12：版本多久更新？
A：大版本约每年 1-2 个（v35 2024 → v36 2025-09）；dump 固定版本是复现的最稳做法。

Q13：dump 有多大？本地怎么建库？
A：PostgreSQL dump 数十 GB——32GB 内存单机可建；按 schema 文档 psql 恢复即可。

Q14：API 有配额吗？
A：无硬性配额但请分页节流；万级以上批量直接用 dump——API 适合子集探索。

Q15：MoleculeNet 快照和最新 ChEMBL 有什么区别？
A：基准用固定快照保证可比——与最新 dump 混用会重复计数且结论不可比；基准复现用快照、新研究用最新版并声明。

Q16：max_phase 和 DrugBank 状态为什么对不上？
A：两库更新节奏与口径不同（ChEMBL 年更、DrugBank 商业快照）——成药叙事以 DrugBank 为准并注明来源版本。

Q17：化学探针数据是什么？
A：v36 新增——文献中的选择性工具分子（探针）集合，NLP+人工抽取——化学生物学实验的对照设计用。

Q18：EFO 映射有什么用？
A：适应症/疾病术语统一到本体——跨库（Open Targets 等）疾病对齐从字符串匹配升级为 ID 对齐。

Q19：能和 DeepPurpose/Chemprop 直接配合吗？
A：能——这类工具吃「SMILES-靶点-pChEMBL」表；按 §5.2 过滤后导出即可（工具内置数据集版本不同要重导）。

Q20：文献年代对建模有影响吗？
A：有——assay 技术 40 年演进，老数值系统偏松；时间切分或年代协变量是审稿加分项。

Q21：分子生成模型怎么用 ChEMBL 评估？
A：三维——活性合理性（预测器打分）、新颖性（vs 280 万指纹库最近邻距离）、可合成性（SAS）——单指标可被过拟合。

Q22：能下载 SDF 结构库做分子比对吗？
A：能——全库 SDF 数 GB，RDKit 直接读；注意与 SQL dump 版本对齐。

Q23：本地建库后查询很慢怎么办？
A：先 ANALYZE; 刷新统计信息，再给 activities(assay_id/molregno)、assays(tid) 建索引（§4.9）——activities 是千万行大表，缺统计信息的执行计划会全表扫。

Q24：怎么导出「SMILES-靶点-pChEMBL」通用训练表？
A：§4.2 的 join 模板就是答案——molecule_dictionary → compound_structures 拿 SMILES、activities 拿 pChEMBL、target_components → component_sequences 拿 UniProt；导出 TSV 后按 §4.4 切分。

Q25：ChEMBL-NTD 和主库是什么关系？
A：被忽视热带病专版（同 schema、独立发布）——结核/疟疾等领域的活性数据加厚版；主库也含 NTD 数据，专版是「领域入口」不是另一个 schema。

Q26：怎么跟进新版本发布？
A：官方博客（chembl.blogspot.com）发 release 通告 + gitbook 的 release notes 列 schema 变更 + FTP releases 目录是权威文件源——三处按此顺序核对后再升级本地库。

§10.5 要点回顾

完全开放：CC-BY-SA 3.0——免注册、可商用、可再分发（署名同源）。
版本即一切：v35/v36 数字并存——引用锁版本 + dump 日期。
过滤漏斗前置：confidence ≥ 8 + 浓度型 + pChEMBL 非空 + 母体去重——干净数据的四道闸。
scaffold split 是主协议：random split 只是对照——两者差值是泄漏诊断。
assay 泥潭敬畏：跨 assay 不直接比较——同类型/同平台分组。
阴性空间诚实：无记录 ≠ 无活性——负例构造与声明是方法论必需。
基线打不过再说深度：ECFP+GBDT 是及格线。
三维生成评估：活性 + 新颖性 + 可合成性。
组合锁主源：多库混用时活性值以 ChEMBL 锁定版本为准。
偏倚声明是义务：阳性主导、热门富集、年代效应——limitation 固定条款。

口径存照（数字均注明口径与来源，写入正文前已核对）

~280 万化合物（distinct compounds）/ 17,803 靶点 = ChEMBL 36 发布（EMBL 官宣，2025-09）
2,400 万活性测量 / 近 300 万分子 = ChEMBL 36（macinchem 转述官方博客口径）
~250 万化合物 / >2,000 万活性 / ~16,000 靶点 / ~160 万 assays / ~9 万文献 = ChEMBL 35（2024；NAR 52:D1180-D1192）
~1.75 万上市药 + 临床候选（母体 ~1.55 万）= ChEMBL 35（综述转述）
BindingDB 专利 assays 4,117 → 13,847（3 倍）= ChEMBL 36 发布要点（EMBL 官宣）
v36 新增：化学探针数据、EFO 疾病术语映射、农药分类更新 = EMBL 官宣
许可 CC-BY-SA 3.0；访问免注册（网页/API/dump）= 官方文档（gitbook）
四篇 NAR 主论文 DOI 见 §10.2（Gaulton 2012 / Bento 2014 / Mendez 2019 / Zdrazil 2024）
首发 2009（Wellcome Trust 资助；承继 Inpharmatica StARlite）= 官方 about/文献综述