unichem-database

UniChem データベース

概要

UniChem は EMBL-EBI が提供する化学構造の相互参照サービスで、InChI ベースの識別子を使って 20 以上の公開化学データベースに登録された化合物レコードを関連付けます。 単一の化学物質を、ChEMBL、DrugBank、PubChem、ChEBI、PDB（RCSB および PDBe）、SureChEMBL、HMDB、DrugCentral、BindingDB などにおける対応する ID に対応付けます。 https://www.ebi.ac.uk/unichem/api/v1/ にある無料の REST API から利用でき、API キーは不要です。 重要：すべての相互参照クエリは JSON 本文を伴う POST で送信します。GET として実装されているのはカタログエンドポイント GET /sources のみです。

使用する場面

• ChEMBL 化合物 ID を PubChem CID、DrugBank アクセッション、または ChEBI ID に変換して、データベース横断分析を行う場合
• InChIKey を使って、ある化合物が登録されているすべてのデータベースソースを特定する場合
• コネクティビティ検索を使い、データベース間で構造的に関連するすべての化合物（同じ結合関係で、立体化学や塩の形態が異なるもの）を見つける場合
• 複数のデータベースのデータセットを統合する前に、ソース間で化合物の同一性を検証する場合
• 創薬プロジェクト向けに化合物の相互参照テーブルを作成する場合（ChEMBL の生物活性データと PDB の構造データを関連付けるなど）
• 合成した化合物やベンダーの化合物が、InChIKey で公開データベースに登録されているか確認する場合
• 完全な生物活性プロファイル（IC50、Ki）には chembl-database-bioactivity を使用してください。UniChem が提供するのは ID の相互参照のみで、実験データは提供しません
• 化合物の特性予測や部分構造検索には pubchem-compound-search を使用してください。UniChem は識別子の変換専用です

前提条件

• Python パッケージ：requests、pandas、matplotlib
• データ要件：化合物の InChIKey（標準的な 27 文字の XXXXXXX… 形式）、ソース固有の ID（例：CHEMBL25）、または開始点となる PubChem CID
• 環境：インターネット接続。API キーは不要です
• レート制限：約 10 リクエスト/秒。バッチループではリクエスト間に time.sleep(0.1) を追加してください。1 日あたりの上限はありません

pip install requests pandas matplotlib

クイックスタート

UniChem の /compounds エンドポイントは POST 専用です。GET は 405 Method Not Allowed を返します。JSON 本文 {type: inchikey, compound: KEY} を送信し、compounds[0][sources] からデータベースごとの該当レコードを読み取ります。各ソースレコードには id（数値のデータベース ID）と compoundId（そのデータベース内の ID）が含まれます。

import requests

UNICHEM_API = "https://www.ebi.ac.uk/unichem/api/v1"

def unichem_post(endpoint: str, body: dict) -> dict:
    """POST request to UniChem API; raise on HTTP errors."""
    r = requests.post(f"{UNICHEM_API}/{endpoint}", json=body, timeout=20)
    r.raise_for_status()
    return r.json()

# Find all database sources for aspirin by InChIKey
inchikey = "BSYNRYMUTXBXSQ-UHFFFAOYSA-N"  # aspirin
result = unichem_post("compounds", {"type": "inchikey", "compound": inchikey})
compounds = result.get("compounds", [])
print(f"Found {len(compounds)} compound record(s) for {inchikey}")
if compounds:
    sources = compounds[0].get("sources", [])
    print(f"  Present in {len(sources)} database records")
    seen = set()
    for src in sources:
        if src["id"] in seen:
            continue
        seen.add(src["id"])
        print(f"  source id={src['id']:>3} ({src['shortName']:>12}): {src['compoundId']}")
        if len(seen) >= 5:
            break
# Found 1 compound record(s) for BSYNRYMUTXBXSQ-UHFFFAOYSA-N
#   Present in many database records
#   source id=  1 (      chembl): CHEMBL25
#   source id=  2 (    drugbank): DB00945
#   source id=  3 (    rcsb_pdb): AIN

主要 API

クエリ 1：InChIKey の検索 — すべてのソース

標準 InChIKey で化合物を検索し、すべてのデータベースレコードを取得します。これが主要な相互参照方法です。エンドポイントは POST /compounds です。見つかった場合、レスポンスの compounds には 1 件のエントリーが含まれ、各エントリーには sources リストがあります。そのレコードでは id がソースデータベースを、compoundId がそのデータベース内の ID を示します。

import requests, pandas as pd

UNICHEM_API = "https://www.ebi.ac.uk/unichem/api/v1"

# Common source IDs (verify with the /sources endpoint - see Query 4)
SOURCE_NAMES = {
    1: "ChEMBL", 2: "DrugBank", 3: "RCSB PDB", 4: "GtoPdb", 5: "PDBe",
    7: "ChEBI", 14: "FDA SRS", 15: "SureChEMBL", 18: "HMDB", 22: "PubChem",
    31: "BindingDB", 32: "CompTox", 33: "LIPID MAPS", 34: "DrugCentral",
    37: "BRENDA", 38: "Rhea", 41: "SwissLipids", 49: "Probes-and-Drugs",
}

def lookup_by_inchikey(inchikey: str) -> pd.DataFrame:
    """Return all database cross-references for an InChIKey."""
    r = requests.post(f"{UNICHEM_API}/compounds",
                      json={"type": "inchikey", "compound": inchikey}, timeout=20)
    r.raise_for_status()
    compounds = r.json().get("compounds", [])
    if not compounds:
        return pd.DataFrame()
    rows = []
    for src in compounds[0].get("sources", []):
        rows.append({
            "source_id": src["id"],
            "source_name": SOURCE_NAMES.get(src["id"], src.get("shortName", "")),
            "compound_id": src["compoundId"],
            "url": src.get("url", ""),
        })
    return pd.DataFrame(rows).sort_values(["source_id", "compound_id"])

# Triclosan cross-references
df = lookup_by_inchikey("XEFQLINVKFYRCS-UHFFFAOYSA-N")
print(f"Triclosan found in {df['source_id'].nunique()} distinct databases ({len(df)} records):")
print(df[["source_name", "compound_id"]].head(8).to_string(index=False))
# Triclosan found in 16 distinct databases
#   ChEMBL    CHEMBL849
#   DrugBank  DB08604
#   RCSB PDB  TCL
#   ChEBI     CHEBI:164200

# Extract specific source IDs from cross-reference table
def get_id_for_source(inchikey: str, source_id: int) -> str | None:
    """Return the compound ID in a specific database, or None if not found."""
    r = requests.post(f"{UNICHEM_API}/compounds",
                      json={"type": "inchikey", "compound": inchikey}, timeout=20)
    r.raise_for_status()
    compounds = r.json().get("compounds", [])
    if not compounds:
        return None
    for src in compounds[0].get("sources", []):
        if src["id"] == source_id:
            return src["compoundId"]
    return None

triclosan = "XEFQLINVKFYRCS-UHFFFAOYSA-N"
chembl_id   = get_id_for_source(triclosan, source_id=1)   # ChEMBL
pubchem_id  = get_id_for_source(triclosan, source_id=22)  # PubChem
drugbank_id = get_id_for_source(triclosan, source_id=2)   # DrugBank
print(f"Triclosan: ChEMBL={chembl_id}, PubChem={pubchem_id}, DrugBank={drugbank_id}")
# Triclosan: ChEMBL=CHEMBL849, PubChem=5564, DrugBank=DB08604

クエリ 2：ソース固有 ID による化合物検索

特定のソースデータベースにおける既知の化合物 ID（例：ChEMBL ID）から、すべての相互参照を取得します。本文に type: sourceID と化合物のソース ID、および数値の sourceID を指定します。InChIKey 検索と同じデータ構造が返されます。

import requests

UNICHEM_API = "https://www.ebi.ac.uk/unichem/api/v1"

def get_sources_for_compound(compound_id: str, source_id: int) -> list:
    """Get all database cross-references for a compound identified in a specific source.

    Args:
        compound_id: The ID in the source database (e.g., CHEMBL192)
        source_id: UniChem source ID (1=ChEMBL, 2=DrugBank, 22=PubChem, 7=ChEBI)
    """
    body = {"type": "sourceID", "compound": compound_id, "sourceID": source_id}
    r = requests.post(f"{UNICHEM_API}/compounds", json=body, timeout=20)
    r.raise_for_status()
    compounds = r.json().get("compounds", [])
    if not compounds:
        return []
    return compounds[0].get("sources", [])

# Sildenafil (Viagra): look up starting from ChEMBL ID
sources = get_sources_for_compound("CHEMBL192", source_id=1)
distinct_dbs = {s["id"] for s in sources}
print(f"Sildenafil (CHEMBL192): {len(sources)} source records across {len(distinct_dbs)} databases")
seen = set()
for s in sources:
    if s["id"] in seen:
        continue
    seen.add(s["id"])
    print(f"  [{s['id']:>3}] {s['shortName']:>15}: {s['compoundId']}")
    if len(seen) >= 8:
        break
# Sildenafil (CHEMBL192): 272 source records across 19 databases

クエリ 3：コネクティビティ検索 — 構造的に関連する化合物

同じ基本構造を持ちながら、立体化学、塩の形態、同位体標識、またはプロトン化状態が異なる化合物を見つけます。エンドポイントは POST /connectivity で、標準形式の完全な InChIKey を受け付けます（API は 14 文字の断片を拒否し、404 Not found を返します）。UniChem は内部的にコネクティビティ層を使って照合しますが、立体化学、電荷、同位体の各層が異なる該当レコードも返します。

/compounds とは異なり、コネクティビティのレスポンスはフラットな sources リスト（関連する全化合物にまたがるデータベースレコードを 1 件ずつ格納）に加えて、searchedCompound および totalCompounds/totalSources の概要フィールドを返します。各レコードの comparison 辞書には、どの InChI 層が一致したかが示されます。

import requests, pandas as pd

UNICHEM_API = "https://www.ebi.ac.uk/unichem/api/v1"

def connectivity_search(inchikey: str) -> dict:
    """Find all compounds related by InChI connectivity (same skeleton, possibly different stereo/salts).

    Pass a FULL standard InChIKey (27 chars). The server rejects 14-char fragments.
    """
    body = {"type": "inchikey", "compound": inchikey}
    r = requests.post(f"{UNICHEM_API}/connectivity", json=body, timeout=30)
    r.raise_for_status()
    return r.json()

# Warfarin: find all stereoforms, racemates, and salt forms
warfarin_inchikey = "PJVWKTKQMONHTI-UHFFFAOYSA-N"
data = connectivity_search(warfarin_inchikey)
print(f"Warfarin connectivity relatives: {data['totalCompounds']} unique compounds, "
      f"{data['totalSources']} database records")
hits = data.get("sources", [])
by_source = {}
for h in hits:
    by_source.setdefault(h["shortName"], []).append(h["compoundId"])
for name, ids in sorted(by_source.items(), key=lambda kv: -len(kv[1]))[:8]:
    print(f"  {name:>15}: {len(ids):>4} IDs (e.g. {ids[0]})")
# Warfarin connectivity relatives: 13 unique compounds, 353 database records

# Compare source coverage across connectivity relatives
def compare_coverage(inchikey: str) -> pd.DataFrame:
    """Show connectivity relatives split by their source-database coverage."""
    data = connectivity_search(inchikey)
    rows = []
    for src in data.get("sources", []):
        rows.append({
            "source_id":    src["id"],
            "source_name":  src["shortName"],
            "compound_id":  src["compoundId"],
            "stereo_match": src["comparison"].get("stereoSp3", False),
            "salt_match":   src["comparison"].get("protonation", False),
        })
    return pd.DataFrame(rows)

df = compare_coverage("PJVWKTKQMONHTI-UHFFFAOYSA-N")
print(f"Total records: {len(df)}")
print(df.head(10).to_string(index=False))
print(f"Records with stereo mismatch (skeleton matches, stereo differs): {(~df['stereo_match']).sum()}")

クエリ 4：すべてのデータソースを一覧表示

ID、名前、説明、ウェブサイト URL を含む UniChem の全データソース一覧を取得します。GET で提供されるのはこのエンドポイントのみです。レスポンスでは、各ソースエントリー内で sourceID（大文字の ID）が使われます。

import requests, pandas as pd

UNICHEM_API = "https://www.ebi.ac.uk/unichem/api/v1"

def list_sources() -> pd.DataFrame:
    """Return all UniChem data sources as a DataFrame."""
    r = requests.get(f"{UNICHEM_API}/sources", timeout=15)
    r.raise_for_status()
    sources = r.json().get("sources", [])
    rows = []
    for s in sources:
        rows.append({
            "source_id":  s["sourceID"],
            "name":       s.get("nameLong") or s.get("nameLabel", ""),
            "label":      s.get("nameLabel", ""),
            "short_name": s.get("name", ""),
            "uci_count":  s.get("UCICount"),
            "url":        s.get("baseIdUrl", ""),
        })
    return pd.DataFrame(rows).sort_values("source_id")

sources_df = list_sources()
print(f"Total UniChem sources: {len(sources_df)}")
print(sources_df[["source_id", "label", "uci_count"]].to_string(index=False))
# Total UniChem sources: 23
#   1   ChEMBL          2854815
#   2   DrugBank          14622
#  22   PubChem      123392679

クエリ 5：化合物ごとのループ（バッチエンドポイントなし）

UniChem はリストをまとめて送信する形式をサポートしていません。/compounds の POST で受け付けられるのは、1 リクエストにつき 1 つの化合物のみです。{compounds: [...]} または {inchikeys: [...]} を送信すると、400 illegal_argument_exception が返されます。複数の入力を処理する場合は、約 10 req/s のレート制限を守るため、少し待機を挟みながらループで処理してください。

import requests, time, pandas as pd

UNICHEM_API = "https://www.ebi.ac.uk/unichem/api/v1"

def batch_translate(inchikeys: list[str],
                    target_source_ids=(1, 2, 7, 22)) -> pd.DataFrame:
    """Translate a list of InChIKeys to IDs in multiple target databases.

    Loops one POST per InChIKey (UniChem has no list-batch endpoint).
    """
    SOURCE_NAMES = {1: "chembl", 2: "drugbank", 3: "pdb", 7: "chebi",
                    14: "fda_srs", 22: "pubchem", 34: "drugcentral"}
    rows = []
    for ik in inchikeys:
        row = {"inchikey": ik}
        for sid in target_source_ids:
            row[SOURCE_NAMES.get(sid, f"src_{sid}")] = None
        try:
            r = requests.post(f"{UNICHEM_API}/compounds",
                              json={"type": "inchikey", "compound": ik}, timeout=20)
            r.raise_for_status()
            compounds = r.json().get("compounds", [])
            if compounds:
                for src in compounds[0].get("sources", []):
                    if src["id"] in target_source_ids:
                        col = SOURCE_NAMES.get(src["id"], f"src_{src['id']}")
                        if row[col] is None:
                            row[col] = src["compoundId"]
        except requests.RequestException as e:
            row["error"] = str(e)
        rows.append(row)
        time.sleep(0.1)  # respect ~10 req/s rate limit
    return pd.DataFrame(rows)

# Translate a set of NSAIDs by InChIKey
nsaid_inchikeys = [
    "BSYNRYMUTXBXSQ-UHFFFAOYSA-N",  # aspirin
    "HEFNNWSXXWATRW-UHFFFAOYSA-N",  # ibuprofen
    "CMWTZPSULFXXJA-VIFPVBQESA-N",  # naproxen
    "DCOPUUMXTXDBNB-UHFFFAOYSA-N",  # diclofenac (free acid)
]
df = batch_translate(nsaid_inchikeys, target_source_ids=[1, 2, 7, 22])
print(df.to_string(index=False))
df.to_csv("nsaid_xrefs.csv", index=False)
print(f"Saved nsaid_xrefs.csv ({len(df)} compounds)")

クエリ 6：ソース ID を入力する化合物ごとのループ

開始時の識別子が InChIKey ではなく、ソース固有の ID（例：バイオアクティビティ表にある ChEMBL ID のリスト）の場合は、type=sourceID を使用し、ID ごとに 1 回の POST を行うループで処理してください。

import requests, time

UNICHEM_API = "https://www.ebi.ac.uk/unichem/api/v1"

def translate_source_ids(ids: list[str], from_source: int,
                         to_sources=(2, 22, 34)) -> list[dict]:
    """Translate IDs in one source database to IDs in target databases.

    Args:
        ids: list of compound IDs in the from_source database
        from_source: source ID of the input list (1=ChEMBL, 22=PubChem, ...)
        to_sources: iterable of target source IDs to extract
    """
    out = []
    for cid in ids:
        body = {"type": "sourceID", "compound": cid, "sourceID": from_source}
        r = requests.post(f"{UNICHEM_API}/compounds", json=body, timeout=20)
        row = {"input": cid}
        if r.ok:
            compounds = r.json().get("compounds", [])
            if compounds:
                row["inchikey"] = compounds[0].get("standardInchiKey")
                hits = {s["id"]: s["compoundId"] for s in compounds[0].get("sources", [])}
                for tsid in to_sources:
                    row[f"src_{tsid}"] = hits.get(tsid)
        out.append(row)
        time.sleep(0.1)
    return out

# Three kinase inhibitors known by ChEMBL ID
chembl_inputs = ["CHEMBL535", "CHEMBL553", "CHEMBL941"]  # nilotinib, dasatinib, imatinib
rows = translate_source_ids(chembl_inputs, from_source=1, to_sources=(2, 22, 34))
for row in rows:
    ik = (row.get("inchikey") or "?")[:14]
    print(f"{row['input']:>10}  ik={ik}...  "
          f"DrugBank={row.get('src_2')}, PubChem={row.get('src_22')}, "
          f"DrugCentral={row.get('src_34')}")

主な概念

InChI と InChIKey

UniChem は、標準的な化合物識別子として InChI（IUPAC International Chemical Identifier）と、そのハッシュ形式である InChIKey を使用します。InChIKey は 27 文字の文字列で、3 つのブロックに分かれています。最初の 14 文字は結合層（重原子と結合）を表し、次の 8 文字は立体化学と電荷を表し、最後の文字はバージョンフラグです。UniChem は標準 InChIKey が一致することを条件に化合物を相互参照し、データベース間で同じ化学種を確実に特定します。

ソース ID 参照表（/sources とライブ照合済み）

ソース ID	データベース	対象範囲
1	ChEMBL	生物活性分子、創薬
2	DrugBank	承認薬、薬理学
3	RCSB PDB	結晶構造中のリガンド（米国）
4	Guide to Pharmacology	薬理学の標的／リガンド
5	PDBe	結晶構造中のリガンド（欧州）
7	ChEBI	化学オントロジー、代謝物
14	FDA SRS	FDA Substance Registration System
15	SureChEMBL	特許化学
18	HMDB	Human Metabolome Database
22	PubChem	一般的な化合物リポジトリ
31	BindingDB	結合親和性データ
32	CompTox	環境毒性ダッシュボード
33	LIPID MAPS	脂質構造
34	DrugCentral	承認薬と薬理学
37	BRENDA	酵素基質／生成物
38	Rhea	生化学反応
41	SwissLipids	脂質構造
49	Probes-and-Drugs	化学プローブ

フィールド名：id と sourceID

UniChem のスクリプト作成で最もよくある間違いです。2 つのエンドポイントでは、ソースデータベース識別子に異なるフィールド名を使用します。

• GET /sources は、sourceID フィールド（ID の I が大文字）のオブジェクトとしてデータベースを一覧表示します。
• POST /compounds と POST /connectivity は、データベースごとのヒットを sources リスト内に返します。この場合、ソース識別子は通常の id フィールドです。これらのヒットレコードには sourceID または sourceId キーはありません。

化合物または接続性のレスポンスを反復処理する場合は常に src["id"] を使用し、/sources カタログを反復処理する場合は s["sourceID"] を使用してください。

接続性と標準 InChIKey の照合

POST /compounds は InChIKey が完全一致するもの（立体化学、塩、同位体が同一）を返します。POST /connectivity は結合トポロジーを共有するすべての化合物を返します。これは、ラセミ体、立体異性体、遊離酸／塩基、共結晶の相手を見つけるのに役立ちます。接続性のレスポンスには各ヒットの比較 dict が含まれ、一致した InChI 層（stereoSp3、protonation、isotope など）が示されます。これを使って、骨格が同じで立体化学のみが異なる類縁体に絞り込めます。

一般的なワークフロー

ワークフロー 1：医薬品化合物の相互参照レポート

目標：医薬品名（または ChEMBL ID）のリストを受け取り、それぞれを主要なすべてのデータベース ID に対応付けて CSV にエクスポートします。

import requests, time, pandas as pd

UNICHEM_API = "https://www.ebi.ac.uk/unichem/api/v1"
CHEMBL_API = "https://www.ebi.ac.uk/chembl/api/data"

SOURCE_NAMES = {1: "chembl", 2: "drugbank", 3: "rcsb_pdb",
                7: "chebi", 22: "pubchem", 14: "fda_srs", 34: "drugcentral"}

def chembl_to_inchikey(chembl_id: str) -> str | None:
    """Look up the standard InChIKey for a ChEMBL compound ID."""
    r = requests.get(f"{CHEMBL_API}/molecule/{chembl_id}.json", timeout=15)
    if r.status_code == 404:
        return None
    r.raise_for_status()
    return r.json().get("molecule_structures", {}).get("standard_inchi_key")

def inchikey_to_sources(inchikey: str) -> dict:
    """Return source_id -> compound_id dict for an InChIKey (first hit per source)."""
    r = requests.post(f"{UNICHEM_API}/compounds",
                      json={"type": "inchikey", "compound": inchikey}, timeout=20)
    r.raise_for_status()
    compounds = r.json().get("compounds", [])
    if not compounds:
        return {}
    out = {}
    for s in compounds[0].get("sources", []):
        out.setdefault(s["id"], s["compoundId"])
    return out

# Example: top cardiovascular drugs
drug_chembl_ids = {
    "atorvastatin": "CHEMBL1487",
    "lisinopril":   "CHEMBL1237",
    "metoprolol":   "CHEMBL13",
    "amlodipine":   "CHEMBL1491",
    "warfarin":     "CHEMBL1464",
}

rows = []
for name, chembl_id in drug_chembl_ids.items():
    ik = chembl_to_inchikey(chembl_id)
    row = {"drug": name, "chembl_id": chembl_id, "inchikey": ik}
    if ik:
        srcs = inchikey_to_sources(ik)
        for sid, col in SOURCE_NAMES.items():
            row[col] = srcs.get(sid)
    rows.append(row)
    time.sleep(0.2)

df = pd.DataFrame(rows)
df.to_csv("drug_xrefs.csv", index=False)
print(df[["drug", "chembl", "drugbank", "pubchem", "chebi"]].to_string(index=False))
print(f"Saved drug_xrefs.csv ({len(df)} drugs)")

ワークフロー 2：構造類縁体の発見と可視化

目標：化合物の構造類縁体をすべて見つけ、データベースでの収録状況を要約し、ソースごとの分布を示す棒グラフを作成します。

import requests, pandas as pd
import matplotlib.pyplot as plt
from collections import Counter

UNICHEM_API = "https://www.ebi.ac.uk/unichem/api/v1"

SOURCE_NAMES = {1: "ChEMBL", 2: "DrugBank", 3: "RCSB PDB", 5: "PDBe",
                7: "ChEBI", 14: "FDA SRS", 15: "SureChEMBL",
                22: "PubChem", 31: "BindingDB", 34: "DrugCentral"}

# Aspirin connectivity relatives (covers acetylsalicylate salts)
query_inchikey = "BSYNRYMUTXBXSQ-UHFFFAOYSA-N"

r = requests.post(f"{UNICHEM_API}/connectivity",
                  json={"type": "inchikey", "compound": query_inchikey}, timeout=30)
r.raise_for_status()
data = r.json()
hits = data.get("sources", [])
print(f"Aspirin connectivity relatives: {data['totalCompounds']} unique compounds, "
      f"{len(hits)} database records")

# Count how often each named database appears
source_counter = Counter()
for h in hits:
    if h["id"] in SOURCE_NAMES:
        source_counter[SOURCE_NAMES[h["id"]]] += 1

labels = [k for k, _ in source_counter.most_common()]
counts = [v for _, v in source_counter.most_common()]

fig, ax = plt.subplots(figsize=(9, 4))
bars = ax.bar(labels, counts, color="#2E86AB", edgecolor="white")
ax.bar_label(bars, padding=2)
ax.set_xlabel("Database")
ax.set_ylabel("Number of Source Records (relatives x hits)")
ax.set_title("UniChem Connectivity Records - Aspirin Skeleton")
plt.xticks(rotation=30, ha="right")
plt.tight_layout()
plt.savefig("unichem_connectivity_coverage.png", dpi=150, bbox_inches="tight")
print("Saved unichem_connectivity_coverage.png")
plt.close(fig)

# DataFrame summary by source
df = pd.DataFrame(source_counter.most_common(), columns=["database", "records"])
print(df.to_string(index=False))

ワークフロー 3：ChEMBL バイオアクティビティと PubChem CID の統合

目標：ChEMBL のバイオアクティビティ表に PubChem CID を追加し、PubChem 識別子を使用するツールで後続の解析を行えるようにします。

import requests, time, pandas as pd

UNICHEM_API = "https://www.ebi.ac.uk/unichem/api/v1"

def add_pubchem_cids(df: pd.DataFrame,
                     inchikey_col: str = "standard_inchi_key") -> pd.DataFrame:
    """Add pubchem_cid column to a DataFrame that has an InChIKey column."""
    unique_keys = df[inchikey_col].dropna().unique()
    mapping = {}
    for ik in unique_keys:
        try:
            r = requests.post(f"{UNICHEM_API}/compounds",
                              json={"type": "inchikey", "compound": ik}, timeout=15)
            r.raise_for_status()
            compounds = r.json().get("compounds", [])
            if compounds:
                for src in compounds[0].get("sources", []):
                    if src["id"] == 22:  # PubChem
                        mapping[ik] = src["compoundId"]
                        break
        except requests.RequestException:
            pass
        time.sleep(0.1)
    df = df.copy()
    df["pubchem_cid"] = df[inchikey_col].map(mapping)
    return df

# Simulate a small ChEMBL activity table
chembl_data = pd.DataFrame({
    "compound_name": ["aspirin", "ibuprofen", "naproxen"],
    "standard_inchi_key": [
        "BSYNRYMUTXBXSQ-UHFFFAOYSA-N",
        "HEFNNWSXXWATRW-UHFFFAOYSA-N",
        "CMWTZPSULFXXJA-VIFPVBQESA-N",
    ],
    "ic50_nm": [2500.0, 13000.0, 1600.0],
})

enriched = add_pubchem_cids(chembl_data)
print(enriched[["compound_name", "ic50_nm", "pubchem_cid"]].to_string(index=False))
enriched.to_csv("chembl_with_pubchem.csv", index=False)
print("Saved chembl_with_pubchem.csv")

主要なパラメーター

パラメーター	エンドポイント	デフォルト	範囲／オプション	影響
type（本文）	POST /compounds, POST /connectivity	-	inchikey, sourceID	compound 内の識別子の種類を選択します。inchikey には標準 InChIKey（27 文字）が必要です。sourceID の場合は、数値の sourceID フィールドも必要です。
compound（本文）	POST /compounds, POST /connectivity	-	文字列 1 つ（リスト不可）	検索する識別子です。UniChem はリストを使ったバッチ形式をサポートしていないため、化合物ごとに POST を 1 回実行します。
sourceID（本文）	POST /compounds（type=sourceID の場合）	-	/sources の整数 DB ID	入力した化合物が属するソースデータベースです（1=ChEMBL、2=DrugBank、22=PubChem、...）。
ヒットごとの id（レスポンス）	POST /compounds, POST /connectivity	-	整数	sources 内の各ヒットのソースデータベース ID です。ヒットごとのこれらのレコードでは、src["sourceID"] ではなく src["id"] を使用してください。
sourceID（レスポンス）	GET /sources	-	整数	カタログ内の各データベースエントリーの数値 ID（大文字の ID）です。
timeout	すべてのリクエスト	20s	正の整数	リクエストが失敗するまでの秒数です。一般的な骨格に対する /connectivity では、30s に引き上げてください。

ベストプラクティス

1. /sources 以外ではすべて POST を使用する：GET /compounds は 405 Method Not Allowed を返します。GET /compounds/{src}/{id} と GET /connectivity/{key} は 404 を返します。GET エンドポイントは /sources のみです。必ず JSON 本文を指定して POST してください。

2. 正しいフィールドを使用する—ヒットでは id、/sources では sourceID：POST /compounds と POST /connectivity が返す sources リストでは、各レコードのソースデータベースは id キーに格納されています。src["sourceID"] を読み込むと KeyError が発生します。大文字の ID を持つ sourceID フィールドは、GET /sources が返すカタログにのみ存在します。

3. 標準の InChIKey を使用する（非標準のものは使用しない）：UniChem は標準 InChIKey をインデックス化しています。非標準の InChIKey では結果が返されません。次の方法で確認できます：from rdkit.Chem.inchi import MolToInchiKey; MolToInchiKey(mol)。

4. 完全一致しない場合はコネクティビティ検索に切り替える：化合物が DrugBank では塩（塩酸塩など）として登録されていて、手元にあるのが遊離塩基の InChIKey の場合、標準検索では見つかりません。医薬品の相互参照を行う際は、フォールバックとしてコネクティビティ検索を実行してください。

5. 完全な InChIKey を /connectivity に渡す：このエンドポイントには、標準 InChIKey 全体（27 文字）が必要です。コネクティビティ部分の 14 文字だけを送信すると、{response: Not found} が返されます。UniChem は内部で立体化学／電荷レイヤーを取り除きます。

6. 起動時にソースリストをキャッシュする：/sources を 1 回呼び出し、ID をハードコーディングするのではなく、{sourceID: nameLabel} の辞書を作成します。

def load_source_map() -> dict:
    r = requests.get(f"{UNICHEM_API}/sources", timeout=15)
    r.raise_for_status()
    return {s["sourceID"]: s.get("nameLabel", str(s["sourceID"]))
            for s in r.json().get("sources", [])}

7. バッチエンドポイントはありません—sleep を挟んでループする：{compounds: [...]} または {inchikeys: [...]} を送信すると、400 illegal_argument_exception が返されます。呼び出しの間に time.sleep(0.1) を挟んで、POST を繰り返します（約 10 リクエスト／秒）。

よく使うレシピ

レシピ：任意の化合物 ID を InChIKey に変換する

使用する場面：PubChem CID または ChEBI ID があり、UniChem やその他のサービスで検索するための InChIKey が必要な場合です。

import requests

UNICHEM_API = "https://www.ebi.ac.uk/unichem/api/v1"
PUBCHEM_API = "https://pubchem.ncbi.nlm.nih.gov/rest/pug"

def pubchem_cid_to_inchikey(cid) -> str | None:
    """Resolve a PubChem CID to a standard InChIKey via PubChem."""
    r = requests.get(f"{PUBCHEM_API}/compound/cid/{cid}/property/InChIKey/JSON", timeout=10)
    if r.status_code == 404:
        return None
    r.raise_for_status()
    props = r.json()["PropertyTable"]["Properties"]
    return props[0]["InChIKey"] if props else None

def cid_to_all_sources(cid) -> list:
    """PubChem CID -> InChIKey -> UniChem cross-references."""
    ik = pubchem_cid_to_inchikey(cid)
    if not ik:
        return []
    r = requests.post(f"{UNICHEM_API}/compounds",
                      json={"type": "inchikey", "compound": ik}, timeout=20)
    r.raise_for_status()
    compounds = r.json().get("compounds", [])
    return compounds[0].get("sources", []) if compounds else []

sources = cid_to_all_sources(2244)  # PubChem CID for aspirin
distinct = {s["id"] for s in sources}
print(f"Aspirin (CID=2244) is in {len(distinct)} UniChem databases ({len(sources)} records)")
seen = set()
for s in sources:
    if s["id"] in seen:
        continue
    seen.add(s["id"])
    print(f"  [{s['id']:>3}] {s['shortName']:>15}: {s['compoundId']}")
    if len(seen) >= 6:
        break

レシピ：化合物が承認済み医薬品かどうかを確認する

使用する場面：InChIKey を使って、化合物が DrugBank（ソース 2）に登録されているかどうかをすばやく確認する場合です。

import requests

UNICHEM_API = "https://www.ebi.ac.uk/unichem/api/v1"

def is_approved_drug(inchikey: str) -> tuple[bool, str | None]:
    """Check if compound appears in DrugBank (id=2). Returns (is_drug, DrugBank_ID)."""
    r = requests.post(f"{UNICHEM_API}/compounds",
                      json={"type": "inchikey", "compound": inchikey}, timeout=20)
    r.raise_for_status()
    compounds = r.json().get("compounds", [])
    if not compounds:
        return False, None
    for src in compounds[0].get("sources", []):
        if src["id"] == 2:  # DrugBank
            return True, src["compoundId"]
    return False, None

# Test a few compounds
test_compounds = {
    "aspirin":      "BSYNRYMUTXBXSQ-UHFFFAOYSA-N",
    "triclosan":    "XEFQLINVKFYRCS-UHFFFAOYSA-N",
    "sildenafil":   "BNRNXUUZRGQAQC-UHFFFAOYSA-N",
}
for name, ik in test_compounds.items():
    is_drug, db_id = is_approved_drug(ik)
    status = f"DrugBank:{db_id}" if is_drug else "not in DrugBank"
    print(f"{name:>12}: {status}")

レシピ：化合物セットのソース網羅状況を要約する

使用する場面：化合物リストをどのデータベースがカバーしているかを監査する場合です。後続の分析に使用するデータベースを選ぶ前に役立ちます。

import requests, time, pandas as pd

UNICHEM_API = "https://www.ebi.ac.uk/unichem/api/v1"
SOURCE_NAMES = {1: "ChEMBL", 2: "DrugBank", 3: "RCSB PDB", 7: "ChEBI",
                14: "FDA SRS", 22: "PubChem", 34: "DrugCentral"}

def source_coverage_matrix(inchikeys: list[str]) -> pd.DataFrame:
    """Return a boolean matrix: rows=compounds, columns=databases."""
    rows = []
    for ik in inchikeys:
        r = requests.post(f"{UNICHEM_API}/compounds",
                          json={"type": "inchikey", "compound": ik}, timeout=15)
        row = {"inchikey": ik}
        for sid, name in SOURCE_NAMES.items():
            row[name] = False
        if r.ok:
            compounds = r.json().get("compounds", [])
            if compounds:
                ids_present = {s["id"] for s in compounds[0].get("sources", [])}
                for sid, name in SOURCE_NAMES.items():
                    row[name] = sid in ids_present
        rows.append(row)
        time.sleep(0.1)
    return pd.DataFrame(rows)

sample_keys = [
    "BSYNRYMUTXBXSQ-UHFFFAOYSA-N",  # aspirin
    "HEFNNWSXXWATRW-UHFFFAOYSA-N",  # ibuprofen
    "XEFQLINVKFYRCS-UHFFFAOYSA-N",  # triclosan
]
coverage = source_coverage_matrix(sample_keys)
print(coverage.to_string(index=False))
print("Coverage per database:")
for col in list(SOURCE_NAMES.values()):
    print(f"  {col}: {coverage[col].sum()}/{len(coverage)}")

トラブルシューティング

問題	原因	解決策
/compounds で 405 Method Not Allowed が発生する	GET でエンドポイントにアクセスしている	UniChem の /compounds は POST 専用です。requests.post(url, json={type:inchikey, compound:ik}) でリクエストを送信してください。
レコードごとの処理で KeyError: sourceID（または sourceId）が発生する	フィールド名を誤って読み取っている	compounds[0][sources] 内のヒットと、/connectivity の sources リストでは src["id"] を使用してください。sourceID は /sources カタログにのみ存在します。
400 illegal_argument_exception field name is null or empty が発生する	{compounds: [...]} または {inchikeys: [...]} で一括処理を試みた	一括処理用のエンドポイントはありません。POST リクエストの間に time.sleep(0.1) を挟んで繰り返してください。
/connectivity から {response: Not found} が返される	14 文字のフラグメントだけを渡した	27 文字の完全な標準 InChIKey を送信してください。UniChem は内部で立体化学レイヤーを除去します。
既知の化合物なのに compounds リストが空になる	標準外の InChIKey、塩形の不一致、または化合物が存在しない	RDKit で InChIKey を確認してください。塩形や立体化学のバリエーションを確認するには、POST /connectivity を試してください。
connectivity からレコードが多すぎる	同じ骨格が多くの SureChEMBL 特許 ID に一致している	src["id"] でフィルタリングしてソース 15（SureChEMBL）を除外するか、comparison.stereoSp3 == True で絞り込んでください。
requests.exceptions.Timeout が発生する	負荷時に API の応答が遅い	/connectivity のタイムアウトを 30s に延長し、指数バックオフを使って一度再試行してください。
ソース URL フィールドが空である	URL テンプレートを提供していないソースがある	/sources エンドポイントの baseIdUrl と compoundId を組み合わせて、手動でリンクを作成してください。

関連スキル

• chembl-database-bioactivity - UniChem で解決した化合物 ID を使用して、ChEMBL から生物活性データ（IC50、Ki）を照会します
• pubchem-compound-search - UniChem から取得した PubChem CID を使用して、化合物のプロパティとバイオアッセイを詳細に照会します
• pdb-database - UniChem で解決した PDB リガンドコード（ソース 3 または 5）を使用して、3D リガンド構造を検索します
• drugbank-database-access - UniChem から取得した DrugBank ID を使用して、薬理学、ADMET、薬物相互作用の詳細データを取得します

参考資料

• UniChem API ドキュメント - すべてのエンドポイントの説明を含む公式 REST API リファレンス
• UniChem ホームページ - インタラクティブな検索インターフェースとデータベース一覧
• Chambers et al., J Cheminform 2013 - InChI ベースの相互参照手法について説明した UniChem の原著論文
• InChI Trust - InChI 標準仕様とアルゴリズムのドキュメント