数据库

TTD

• TTD
  • 治疗靶点数据库。它是一个专门收集和整理与治疗靶点相关信息的数据库。
  • 下载地址：Full Data Download | Therapeutic Target Database
  • 数据库比较大，这里筛选了药物-靶点-疾病关联数据：
    • Target to drug mapping with mode of action
      • TargetID：靶点的唯一标识符。可以在数据库中找到靶点的详细信息。
      • DrugID：药物的唯一标识符。可以获取该药物的相关信息。
      • Highest_status：表示药物在研发或临床应用中的最高阶段或状态，Approved说明该药物已经通过了相关监管机构的审批，被批准用于临床治疗。
      • MOA：即Mode of Action，作用模式的缩写，Modulator表明该药物对靶点的作用方式是作为调节剂。
    • Drug to disease mapping with ICD identifiers
      • TTDDRUID：表示 TTD 药物 ID，即该药物的唯一标识。
      • DRUGNAME：药物名称。
      • INDICATI：适应症，即药物被用于治疗的病症。
      • Disease entry：疾病条目，这里使用了 ICD-11 编码来表示具体的疾病。
      • Clinical status：临床状态，指药物在临床试验或临床应用中的阶段或情况，如已批准、处于某一阶段的临床试验等。
    • Target to disease mapping with ICD identifiers
      • TARGETID：代表 TTD 靶点 ID，为靶点在数据库内的唯一识别编号。
      • TARGNAME：靶点的具体名称。
      • INDICATI：适应症，即药物被用于治疗的病症。
      • Disease entry：疾病条目，这里使用了 ICD-11 编码来表示具体的疾病。
      • Clinical status：临床状态。
        

表一：Target to drug mapping with mode of action

这个表格表示：ID为D00RRU的药物能够以调节剂的方式作用ID为T87024的疾病，并且已经被批准。

表二：Drug to disease mapping with ICD identifiers

这个表格表示ID为DZB84T的药物，名为Maralixibat，有对应几种适应症：

• 适应症为Pruritus（瘙痒症），ICD-11 编码是EC90，临床状态为Approved（已批准）。
• 适应症为Progressive familial intrahepatic cholestasis（进行性家族性肝内胆汁淤积症），ICD-11 编码是5C58.03，临床状态为Phase 3（三期临床试验）。
• 适应症为Alagille syndrome（阿拉基综合征），ICD-11 编码是LB20.0Y，临床状态为Phase 2（二期临床试验）。

表三：Target to disease mapping with ICD identifiers

这个表格表示 ID 为 T00033 的靶点，名为 Transforming growth factor alpha (TGFA)，有对应的临床关联信息：关联的疾病适应症为Chronic kidney disease（慢性肾脏病），ICD-11 编码是GB61，临床状态为Phase 1/2（一期 / 二期临床试验 ）。

PubChem

• PubChem
  • PubChem是美国国立卫生研究院的一个开放化学数据库。化合物信息数据库，收录大量化合物的结构、生物活性等信息，为科研、药物研发等提供数据支持，也用于化学知识普及和教学。这个数据库非常大。
  • 用途参考：Nucleic Acids Research | 疗效药物靶标的比较性研究与数据平台构建。
  • FTP下载：Index of /pubchem
  • 药物-疾病关联数据
    • ./Bioassay：生物测定数据，包含大量药物对不同生物靶点或细胞系的活性测试结果
    • ./Target：靶标数据，涵盖蛋白质、基因、通路和分类学等信息。
    • ./Commpound和./Compound_3D：化合物的数据信息包含结构信息。
    • ./Other：GooglePatents和IBM中包含专利信息。寻找专利即将过期/已过期的药物，并对这些药物进行再利用评估。

下面以./Bioassay数据为例。

表 1：PubChem的./Bioassay的CSV文件的标题行的分类和标签说明

表二：PubChem CSV/Data/0000001_0001000/1.csv文件

这个表格表示数据行 ID 为 1 的记录，其中涉及的 PubChem SID 为 66954，PubChem CID 为 11122，化合物的 SMILES 表示形式为CC1=CC(=O)C=CC1=O，有对应的生物活性关联信息：

• PubChem 活性结果为Inactive（无活性），PubChem 活性得分为 10，表明在此次生物测定中该化合物活性较低。
• 测试结果特定的 url 为dtp.cancer.gov/services/nci60data/colordoseresponse/pdf/1，可通过该链接获取更多相关测试结果信息。
• 测试结果特定的注释为空。
• 关于 GI50（半数生长抑制浓度）的相关数据：
  • 以摩尔为单位的 GI50 结果的对数LogGI50_M为 - 4.5753。
  • 测试次数平均数量IndnGI50为 1。
  • 对所有测试的 GI50 结果的对数（Log10）的标准偏差StddevGI50为 0，说明该测量值较为稳定。
• 关于 TGI（总生长抑制）的相关数据：
  • 以摩尔为单位的 TGI 结果的对数LogTGI_M为 - 4。
  • 测试次数平均数量IndnTGI为 1。
  • 对所有测试的 TGI 结果的对数（Log10）的标准偏差StddevTGI为 0，表明该测量值稳定性较好 。

其他的如./Target、./Commpound和./Compound_3D等数据也呈现如此结构。

DGIdb

• DGIdb
  • 药物基因相互作用数据库，主要收集和整理药物与基因之间相互作用的相关信息。
  • 这个数据库一共就四个表格，分别存储药物-基因相互作用、基因、药物和分类相关信息，使用tsv格式进行存储。数据大小约为24.9MB。
    1. interactions.tsv：存储所有药物-基因相互作用声明数据，包含不同药物与基因之间相互作用的信息。
    2. genes.tsv：记录了基因声明相关数据，可能涵盖基因的基本信息，如基因名称、基因 ID、基因功能注释等内容。
    3. drugs.tsv：存放药物声明数据，包括药物的名称、药物 ID、药物的基本属性、药理作用等信息。
    4. categories.tsv：用于存储与数据分类相关的信息。
       

表一：interactions.tsv

其中的各列的意思分别是

• gene_claim_name：基因的声明名称。
• gene_concept_id：基因的唯一标识代码。
• gene_name：基因的标准正式名。
• interaction_source_db_name：基因与药物相互作用数据的来源数据库名。
• interaction_source_db_version：来源数据库的版本。
• interaction_type：基因和药物间相互作用的类别。
• interaction_score：体现基因与药物相互作用强度的数值。
• drug_claim_name：药物的特定称谓。
• drug_concept_id：药物的唯一标识代码。
• drug_name：药物的标准正式名。
• approved：药物是否已获批上市的标识。
• immunotherapy：药物是否属于免疫治疗药物的标识。
• anti_neoplastic：药物是否具有抗肿瘤作用的标识。

这个表格有两列，这里只对第一列进行解释：基因声明名称为CYP2D6，基因概念 ID 是hgnc:2625，基因名称同样为CYP2D6。相互作用来源数据库名称是DTC，数据库版本为9/2/20，相互作用类型为空（NULL），相互作用得分为0.017709164。药物声明名称是RACLOPRIDE，药物概念 ID 为ncit:C152139，药物名称是RACLOPRIDE。该药物未被批准（approved为FALSE），不是免疫疗法（immunotherapy为FALSE），也不是抗肿瘤药物（anti_neoplastic为FALSE） 。

表二：drugs.tsv

其中的各列的意思分别是

• drug_claim_name：药物的特定称谓。
• nomenclature：药物命名法类型。
• concept_id：药物的唯一标识代码。
• drug_name：药物的标准正式名。
• approved：药物是否已获批上市的标识。
• immunotherapy：药物是否属于免疫治疗药物的标识。
• anti_neoplastic：药物是否具有抗肿瘤作用的标识。
• source_db_name：药物数据的来源数据库名。
• source_db_version：来源数据库的版本。

药物声明名称为BRAF(V600E) Kinase Inhibitor RO5212054，药物命名法类型是Primary Drug Name，药物概念 ID 是ncit:C92591，药物名称为BRAF(V600E) KINASE INHIBITOR RO5212054。该药物未被批准（approved为FALSE），不是免疫疗法（immunotherapy为FALSE），是抗肿瘤药物（anti_neoplastic为TRUE） 。药物数据的来源数据库名称是NCIt，数据库版本为24.02d。

表三：gene.tsv

其中的各列的意思分别是

• gene_claim_name：基因的声明名称。
• nomenclature：基因命名法类型。
• concept_id：基因的唯一标识代码。
• gene_name：基因的标准正式名。
• source_db_name：基因数据的来源数据库名。
• source_db_version：来源数据库的版本。

基因声明名称为NGFIBA，基因命名法类型是NCBI Gene Name，基因概念 ID 是NULL，基因名称同样为NULL。基因数据的来源数据库名称是BaderLab，数据库版本为Feb-14。

表四：categories.tsv

其中的各列的意思分别是

• name：某实体的名称（这里可能是基因或其他生物相关实体名称）。
• name-2：该实体的另一个相关名称或描述。
• source_db_name：数据的来源数据库名。
• source_db_version：来源数据库的版本。

名称为PXR，另一个相关名称或描述是NUCLEAR HORMONE RECEPTOR。数据的来源数据库名称是BaderLab，数据库版本为Feb-14。

DrugBank

• DrugBank
  • 综合药物信息数据库，整合了药物的化学、药理、毒理等多方面信息。
  • 一个巨大的数据库。这个数据库免费开放给学术用户，但商业使用收费。可以在网页上进行学生/老师认证注册。药物再利用在其中是很小的一个板块，可以在这里下载。
  • 学生身份目前正在审核状态，无法下载。

ChEMBL

• ChEMBL
  • ChEMBL 是一个开源的生物活性分子数据库，专注于小分子化合物与生物靶点之间的相互作用信息。
  • 数据大小大约2GB。有不同的版本，提供FTP方式下载，可以在这里下载最新的版本ChEMBL_35。
  • 目录中的内容可以参考README文件。主要的部分可以见下图，组织时FASTA文件、SDF文件、HTML文件和TXT文件都有使用。数据可以加载到MySQL、PostgreSQL等数据库中。
  • 有官方的数据库结构图如下，主要分成
    • 化合物信息：主要以蓝色区域呈现，记录了化合物的结构、理化性质等，像分子式、分子量和二维结构这些
    • 实验数据：用紫色区域表示，包含化合物与靶点相互作用的活性数据，还有实验条件，比如不同化合物对特定靶点的结合亲和力数值，以及实验采用的检测方法等
    • 靶点和结合位点信息：红色区域代表这部分内容。靶点信息涉及蛋白质靶点的氨基酸序列、三维结构和功能分类；结合位点信息聚焦靶点与化合物结合的区域，包括氨基酸组成、空间结构和相互作用模式
    • 药物代谢数据：浅绿色区域涵盖这部分，记录了药物在体内的代谢途径、产物和酶——我们可以通过这部分预测药物疗效、毒性以及药物之间的相互作用。
    • 作用机制 / 药物注释：浅蓝色区域负责注释药物作用机制，关联化合物、靶点和生物效应。
    • 来源和已批准药物数据：灰色区域中，来源信息保证数据可追溯，已批准药物 数据包含批准文号、适应症和生产厂家等，这个应该是用来避免专利壁垒的，可以查看专利即将到期的药物。
    • 常规信息：浅黄色区域存放数据库的版本号、更新时间等基础信息。
      

BindingDB

• BindingDB
  • 主要收集药物靶点蛋白质和类药小分子之间的相互作用亲和力数据。数据库大小为484.07 MB（TSV版本）。
  • 该数据文件只有一个表格，该表总共包含117列。
    1. 配体标识与结构（7 列）：如 “BindingDB MonomerID” 等，用于确定和描述配体，包括多种结构表示方式和自定义名称。
    2. 靶点基础信息（2 列）：“Target Name” 和 “Target Source Organism According to Curator or DataSource”，明确靶点名称及所属生物。
    3. 结合活性数据（6 列）：“Ki (nM)” 等，反映配体与靶点结合的强度和速率。
    4. 实验环境参数（2 列）：“pH” 和 “Temp (°C)”，体现结合数据测量时的环境条件。
    5. 数据与文献来源（7 列）：“Curation/DataSource” 及各类文献标识符，用于追溯数据出处和原始研究。
    6. 数据库交叉引用（14 列）：含 “PubChem CID” 等多个数据库的配体标识，方便数据整合查询。
    7. 蛋白质链详情（80 列）：先以 “Number of Protein Chains in Target” 记录链数量，后续多列针对每条链，涵盖序列、结构 ID、UniProt 相关名称和 ID 等信息。

表格中的信息以第一条记录（数据行 ID 为 1）为例，大概描述了：

• 配体相关信息：BindingDB MonomerID 为 608734，Ligand SMILES 为 “O [C@@H] 1C@@HC@@HN (CCCCCC (O)=O) C (=O) N (CCCCCC (O)=O)[C@@H] 1Cc1ccccc1”，其对应的 BindingDB Ligand Name 是 “6-[(4R,5S,6S,7R)-4,7 - 二苄基 - 3-(5 - 羧基戊基)-5,6 - 二羟基 - 2 - 氧代 - 1,3 - 二氮杂环庚烷 - 1 - 基] 己酸::DMPC 环脲 1”。
• 靶点相关信息：Target Name 为 “Dimer of Gag-Pol polyprotein [501 - 599]”，表明靶点是 Gag-Pol 多聚蛋白二聚体的 501 - 599 区域；Target Source Organism 为 “Human immunodeficiency virus 1”，即靶点来源于人类免疫缺陷病毒 1。
• 结合活性数据：Ki (nM) 为 0.24 ，显示配体与靶点的结合亲和力较强。
• 实验条件：测量时 pH 为 5.5，温度为 37°C。
• 数据来源：由 BindingDB 从文献整理而来，相关文献的 DOI 是 10.1021/jm9602571，PMID 为 8784449，可据此追溯原始研究。
• 数据库交叉引用：PubChem CID 为 3009304，PubChem SID 为 483500124，方便在 PubChem 数据库中查找该配体更多信息。
• 蛋白质链信息：靶点含 1 条蛋白质链，其序列为 “PQITLWQRPLVTIKIGGQLKEALLDTGADDTVLEEMSLPGRWKPKMIGGIGGFIKVRQYDQILIEICGHKAIGTVLVGPTPVNIIGRNLLTQIGCTLNF”，相关 PDB ID 有 “1W5Y”“1W5X” 等多个，UniProt（SwissProt）相关信息显示，其推荐名称是 “Gag-Pol polyprotein”，Entry Name 为 “POL_HV1BR”，Primary ID 为 “P03367”。