Chembl bioactivity database

何时使用

当你需要在 ChEMBL（EMBL-EBI 的生物活性分子库：200 万+ 化合物、1900 万+ 活性测量、1.3 万+ 靶点）中检索数据时使用本技能。典型场景：

• 按名称 / ChEMBL ID / 理化性质查找化合物
• 查询某靶点的 IC50 / Ki / EC50 / Kd 等生物活性数据
• 用 SMILES 做相似性（Tanimoto）或子结构检索
• 检索药物作用机制（mechanism）与临床适应症（indication）
• 识别靶点的抑制剂 / 激动剂 / 活性分子
• 跨化合物系列做构效关系（SAR）分析
• 按 Lipinski 五规则等类药性标准筛选分子

不该用本技能的边界：

• 仅做通用化学信息学（SMILES 操作、指纹、描述符计算）→ 用 rdkit-cheminformatics
• 需要更广覆盖、NIH 来源的化合物检索（活性深度较弱）→ 用 pubchem-compound-search

为什么不用 SDK？ chembl_webresource_client 只是对公共、免鉴权 REST/JSON API（https://www.ebi.ac.uk/chembl/api/data/）的封装糖。任何装了 requests 的环境都能用纯 URL 参数复现全部操作。Django 风格过滤语法（field__icontains=…、field__lte=…、field__range=a,b）可直接作为 URL 查询参数使用。

步骤 / 指令

1. 准备环境：pip install requests（唯一必需）；表格分析另装 pandas。无需 API key。无硬性速率限制，但基础设施共享——批量循环中加 time.sleep(0.2~0.5)，遇 HTTP 429 退避。

2. 设定基址：BASE = "https://www.ebi.ac.uk/chembl/api/data"。所有端点支持 .json / .xml / .yaml 后缀。

3. 选端点 + 拼过滤器（用 requests.get(..., params={...})，库会自动 URL 编码，含 __range / __in 中的逗号）。核心端点：

   端点	返回	关键字段
   /molecule/{id}.json	单个化合物	pref_name、molecule_properties、molecule_structures
   /molecule.json?<过滤>	化合物检索	分页 molecules[]
   /target/{id}.json / /target.json	靶点	pref_name、target_type、organism、target_components
   /activity.json?<过滤>	生物活性记录	分页 activities[]
   /assay.json / /drug.json / /mechanism.json / /drug_indication.json	测定 / 药物 / 机制 / 适应症	各自分页数组
   /similarity/{smiles}/{tanimoto}.json	Tanimoto 相似（0–100）	molecules[] 含 similarity
   /substructure/{smiles}.json	子结构检索	molecules[]
   /image/{id}.svg	SVG 结构图	二进制 SVG（非 JSON）

4. 过滤算子（Django 风格，作 URL 参数，& 组合）：__iexact / __icontains / __startswith / __endswith / __gt|gte|lt|lte / __range=lo,hi / __in=a,b,c / __isnull=False（用 Python 字符串 "True"/"False"）/ __regex / __search。

5. 分页：响应带 page_meta（limit/offset/total_count/next/previous）。沿 page_meta.next 走直到为 null——它是相对 URL，需前缀 https://www.ebi.ac.uk。

6. 关键字段速查：

   • 活性：standard_type(IC50/Ki/Kd/EC50)、standard_value、standard_units(nM/uM)、pchembl_value(归一化 -log10，>6 为强效)、data_validity_comment(质量标记，分析前必查)、potential_duplicate。
   • 分子性质（molecule_properties 下）：mw_freebase、full_mwt、alogp、hba、hbd、psa、rtb、num_ro5_violations、ro3_pass。
   • 靶点：target_chembl_id、pref_name(全称，缩写不匹配)、target_type、organism、tax_id、target_components[]。

示例

快速上手 — 取分子 / 搜靶点 / 查强效活性：

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

# 按 ChEMBL ID 取分子
aspirin = requests.get(f"{BASE}/molecule/CHEMBL25.json", timeout=15).json()
print(aspirin["pref_name"], aspirin["molecule_properties"]["mw_freebase"])  # ASPIRIN 180.16

# 按全称搜靶点（缩写 'EGFR' 不匹配 pref_name，须用全称）
r = requests.get(f"{BASE}/target.json",
    params={"pref_name__icontains": "epidermal growth factor receptor",
            "target_type": "SINGLE PROTEIN", "limit": 5}, timeout=15)
print(r.json()["targets"][0]["target_chembl_id"])

# EGFR(CHEMBL203) IC50 ≤ 100 nM 的强效活性
r = requests.get(f"{BASE}/activity.json",
    params={"target_chembl_id": "CHEMBL203", "standard_type": "IC50",
            "standard_value__lte": 100, "standard_units": "nM", "limit": 5}, timeout=30)
print(r.json()["page_meta"]["total_count"])

工作流 1 — 找某靶点的抑制剂（先解析靶点，再分页拉强效 IC50）：

import requests, pandas as pd, time
BASE = "https://www.ebi.ac.uk/chembl/api/data"

# 注意：缩写不匹配，BRAF 须用 "B-raf"（带连字符）
r = requests.get(f"{BASE}/target.json",
    params={"pref_name__icontains": "B-raf", "target_type": "SINGLE PROTEIN", "limit": 5}, timeout=15)
human = next(t for t in r.json()["targets"] if t["organism"] == "Homo sapiens")
tid = human["target_chembl_id"]

url = (f"{BASE}/activity.json?target_chembl_id={tid}&standard_type=IC50"
       f"&standard_value__lte=100&standard_units=nM&pchembl_value__isnull=False&limit=200")
records = []
while url and len(records) < 500:
    data = requests.get(url, timeout=30).json()
    records.extend(data["activities"])
    nxt = data["page_meta"].get("next")
    url = f"https://www.ebi.ac.uk{nxt}" if nxt else None
    time.sleep(0.2)
df = pd.DataFrame(records)
df["standard_value"] = pd.to_numeric(df["standard_value"])

结构检索 — 相似性 / 子结构（SMILES 必须 URL 编码）：

from urllib.parse import quote
smi = quote("CC(=O)Oc1ccccc1C(=O)O", safe="")     # 阿司匹林
r = requests.get(f"{BASE}/similarity/{smi}/85.json", params={"limit": 5}, timeout=30)  # Tanimoto ≥85%
sub = quote("c1ccc2[nH]cnc2c1", safe="")          # 苯并咪唑
r2 = requests.get(f"{BASE}/substructure/{sub}.json", params={"limit": 3}, timeout=30)

药物机制与适应症：

cid = "CHEMBL535"  # 舒尼替尼（有机制+适应症；伊马替尼 CHEMBL941 某些版本机制为空）
mechs = requests.get(f"{BASE}/mechanism.json", params={"molecule_chembl_id": cid}, timeout=15).json()["mechanisms"]
inds  = requests.get(f"{BASE}/drug_indication.json", params={"molecule_chembl_id": cid, "limit": 5}, timeout=15).json()["drug_indications"]

带重试的健壮 Session（批量必备）：

import requests
from requests.adapters import HTTPAdapter
from urllib3.util.retry import Retry

def chembl_session(retries=3, backoff=1.0):
    s = requests.Session()
    s.headers.update({"Accept": "application/json"})
    s.mount("https://", HTTPAdapter(max_retries=Retry(
        total=retries, backoff_factor=backoff,
        status_forcelist=[429, 500, 502, 503, 504], allowed_methods=["GET"])))
    return s

注意事项

• 缩写不匹配 pref_name__icontains：EGFR/BRAF/HER2 均返回 0。用全称（epidermal growth factor receptor），BRAF 用 B-raf（带连字符），或改用 target_components__accession=<UniProt> 过滤。
• 跨研究比较用 pchembl_value：它把 IC50/Ki/EC50 归一到可比的 -log10 标度。
• 聚合前必查 data_validity_comment：非空表示策展标记（如"Potential transcription error""Outside typical range"），SAR/回归前应剔除这些行。
• 活性查询锁定 standard_units="nM"：避免 nM 与 µM 混用；不同测定可能报 nM/µM/% 抑制。
• 去重：同一测量可能被多源收录，检查 potential_duplicate=True 去重。
• 分页跟 next 而非手动加 offset：游标已带在 URL 里。offset 分页通常有 10000 条内部上限；超限时收紧过滤再分页，或改用 ChEMBL FTP 批量下载。
• SMILES 必须编码：路径式端点（/similarity/{smiles}/...、/substructure/{smiles}）须 urllib.parse.quote(smi, safe="")，否则 / 撞 URL 路径报 400。
• 图片端点是二进制：用 /image/{id}.svg 或 .png；调 /image/{id}.json 会 JSONDecodeError。
• ID 须带前缀：CHEMBL25，不是 25，否则 404。
• >10 万条记录：优先用 ChEMBL FTP 批量下载 而非分页 API。
• limit 默认 20、最大 1000；常用靶点 ID：CHEMBL203(EGFR)、CHEMBL240(D2 多巴胺受体)；常用分子 ID：CHEMBL25(阿司匹林)、CHEMBL941(伊马替尼)。

互见

• rdkit-cheminformatics — SMILES 操作、指纹、描述符
• datamol-cheminformatics — 分子预处理与特征化
• pubchem-compound-search — 替代化合物库（NIH，覆盖更广但活性深度弱）
• pdb-database — 经 RCSB PDB REST API 获取 ChEMBL 靶点的三维结构
• opentargets-database — 将 ChEMBL 药物-靶点证据关联到疾病

参考：ChEMBL 官网 https://www.ebi.ac.uk/chembl/ ｜ REST API 根 https://www.ebi.ac.uk/chembl/api/data/ ｜ API 文档 .../docs ｜ Django 过滤语法 https://chembl.gitbook.io/chembl-interface-documentation/web-services

---

采编自 jaechang-hits/SciAgent-Skills（CC-BY-4.0）。